Samenvatting (Summary in Dutch)

Transcriptie

1 In dit proefschrift worden een aantal psychometrische methoden beschreven waarmee de accuratesse en efficientie van psychodiagnostiek in de klinische praktijk verbeterd kan worden. Psychodiagnostiek wordt in de klinische praktijk vaak uitgevoerd om beslissingen te nemen, bijvoorbeeld over welke behandeling een patient het beste voorgeschreven kan krijgen. De efficientie en accuratesse van psychodiagnostiek kan worden verhoogd door bij de uitvoering en interpretatie ervan de te maken beslissing in overweging te nemen (Cronbach & Gleser, 1965). Met het verbeteren van de efficientie en accuraatheid van psychodiagnostiek kunnen de kosten van diagnostiek, zoals de tijdsinvestering van patienten en clinici, of het aantal verkeerde beslissingen, verminderd worden. In Hoofdstuk 1 wordt curtailment beschreven en toegepast. Curtailment is een algoritme waarmee de lengte van tests die worden gebruikt om dichotome beslissingen te maken, adaptief kan worden verkort. Bij toepassing van curtailment wordt na afname van ieder item van een test geëvalueerd of het afnemen van verdere items de kwaliteit van de uiteindelijke beslissing kan verbeteren. In Hoofdstuk 1 wordt curtailment toegepast op drie vragenlijsten over symptomen van angst- en stemmingsstoornissen. Het blijkt dat curtailment de lengte van deze vragenlijsten met 25 tot 45% kan verkorten. Daarnaast blijkt het toepassen van curtailment een betere accuratesse op te leveren dan een adaptieve test, gebaseerd op item respons theorie. In vergelijking met andere adaptieve testmethoden, biedt curtailment drie belangrijke voordelen: het vereist minimale assumpties ten aanzien van de verdeling van de data, het kan toegepast 146

2 worden in de vorm van gebruiksvriendelijke tabellen met stopregels, en bij het ontwikkelen en afnemen van de test worden de items in dezelfde volgorde aangeboden. In de klinische praktijk worden classificatiebeslissingen vaak niet op de uitkomsten van een enkele test, maar op de uitkomsten van meerdere testen gebaseerd. Daarom wordt in Hoofdstuk 2 een nieuw algoritme geintroduceerd, om de lengte van testbatterijen te verminderen: CART-SC. CART-SC combineert een beslisboom (een zogeheten classification and regression tree, of CART) met de toepassing van stochastische curtailment (SC) in ieder knooppunt van de boom. Daarmee kan zowel het aantal testen dat afgenomen wordt binnen een batterij, als het aantal items dat afgenomen wordt binnen de testen, worden verminderd. In Hoofdstuk 2 wordt de toepassing van CART-SC gesimuleerd op een bestaande dataset van itemscores op een aantal subtesten die symptomen van angsten stemmingsstoornissen meten. Vergeleken met de meer traditionele methode van het selecteren van de meest informatieve subtesten met lineaire discriminantanalyse, en het afnemen van deze substesten bij alle respondenten, resulteerde toepassing van CART-SC in een extra testlengtereductie van 56%, terwijl de accuratesse van de uiteindelijke beslissing vrijwel gelijk bleef. Zoals bleek in Hoofdstuk 2, vormen CART bomen een sequentieel testplan. Daarmee is het CART algoritme een zeer bruikbare methode om kenmerken op te sporen die relevant zijn voor het maken van beslissingen in de klinische praktijk. Daarnaast is CART geschikt voor situaties waarin er een groot aantal potentieel relevante kenmerken zijn, kan CART gebruikt worden om subgroepen te detecteren, en kan CART automatisch de effecten van combinaties van voorspellende kenmerken detecteren detecteren. Deze eigenschappen worden gedeeld door alle zogeheten recursieve partitie-methoden (RPMs). RPMs zijn daarmee bij uitstek geschikt om de efficientie en accuratesse van klinische diagnostiek te verhogen, en lijken meer geschikt dan de data-analyse methoden die traditioneel veel 147

3 worden gebruikt in klinisch onderzoek. In Hoofdstukken 3 en 4 wordt verder ingegaan op de toepassingsmogelijkheden van RPMs in klinische diagnostiek en onderzoek. Klinische beslissingen zijn doorgaans gebaseerd op voorspellingen van toekomstig gedrag. Daarom wordt in Hoofdstuk 3 de toepassing van predictieregels in de klinische diagnostiek besproken. Predictieregels zijn gebaseerd op (combinaties van) een beperkt aantal eigenschappen, waarmee de kans op, of de ernst van een aandoening kan worden bepaald of voorspeld. Predictieregels zijn eenvoudiger toe te passen dan de resultaten van modellen met lineaire hoofdeffecten, die gewoonlijk worden toegepast in klinisch onderzoek. Dit zou kunnen verklaren waarom actuarische voorspelling, waarvan in meta-analyses is gevonden dat het tot accuratere voorspellingen leidt dan klinische voorspelling, in de klinische praktijk vaak nog niet wordt toegepast. Mogelijk kunnen predictieregelmodellen, door hun gebruiksvriendelijkheid, het gebruik van actuarische voorspellingsmethoden in de klinische praktijk vergroten. In Hoofdstuk 3 wordt een illustratief voorbeeld gepresenteerd, waarin met het RuleFit algoritme van Friedman en Popescu (2008) predictieregels worden gecreëerd, om het beloop van angst- en stemmingsstoornissen te voorspellen. Het blijkt dat de accuratesse van de RuleFit predictieregels vergelijkbaar is met die van logistische regressie, terwijl bij het evalueren van de predictieregels minder informatie hoeft te worden verzameld en gïnterpreteerd. Bovendien kunnen predictieregels grafisch worden weergegeven als eenvoudige beslisbomen, wat de praktische bruikbaarheid verhoogt. Een groot deel van de beslissingen in de klinische praktijk betreffen behandelkeuzes. Bij personalized medicine wordt ernaar gestreefd die behandeling voor te schrijven, die het meeste effect zal sorteren bij een individuele patient. Daarvoor is het van belang om de kenmerken op te sporen, die de uitkomst van behandeling kunnen voorspellen. In Hoofdstuk 4 wordt een bestaand algoritme besproken dat die kenmerken in een dataset op kan sporen: model-based recursive partitioning (MOB). Voor 148

4 personalized medicine is het belangrijk om dit soort subgroepen op te sporen, vooral die subgroepen waarbij sprake is van differentiële effectiviteit van behandelingen, zogeheten behandeling-subgroep interacties. Datasets waarin zulke subgroepen opgespoord worden, hebben echter vaak een geclusterde structuur, zoals bijvoorbeeld in multi-center trials, of in meta-analyses waarin data op individueel niveau wordt geanalyseerd. In Hoofdstuk 4 wordt een nieuw algoritm geïntroduceerd, lmertree, dat behandeling-subgroep interacties detecteerd met behulp van MOB, en tegelijkertijd rekening houdt met de geclusterde structuur van de data door het schatten van cluster-specifieke random effecten. In een simulatiestudie wordt de accuratesse van lmertree vergeleken met die van MOB zonder random effecten. Het blijkt dat lmertree accuratere voorspellingen geeft van de effecten van behandelingen, en dat lmertree vaker de juiste subgroepen detecteert. Er wordt geconcludeerd dat lmertree een krachtige methode is voor het opsporen van behandeling-subgroep interacties in geclusterde datasets. De kwaliteit van voorspellingen van de effecten van behandelingen is echter niet alleen afhankelijk van de gebruikte data-analysemethode, maar ook van de kwaliteit waarmee de uitkomsten van behandelingen zijn gemeten. Fouten in de metingen van behandeluitkomsten kunnen leiden tot foutieve conclusies over de effectiviteit van behandelingen. Hoofdstuk 5 gaat daarom over response-shift bias. Response shifts zijn veranderingen in het referentiekader van patiënten, waardoor ze hun gezondheidstoestand op een andere manier gaan beoordelen. Dat kan er toe leiden dat scores op zelfrapportage vragenlijsten een vertroebeld beeld geven van de ware verandering in de gezondheidstoestand van patiënten. Door de meetmodellen die ten grondslag liggen aan de geobserveerde scores op zelf-rapportage vragenlijsten van meerdere meetmomenten met elkaar te vergelijken, kan vastgesteld worden of er sprake is van response shift bias. Ter illustratie worden in Hoofdstuk 5 de meetmodellen die ten grondslag liggen aan de scores op de Beck Depression Inventory (Beck et al., 1961) onderzocht, in een dataset van een invloedrijk klinisch onderzoek waarin 149

5 de effecten van vier behandelingen voor depressie werden vergeleken. De resultaten laten zien dat na behandeling de geobserveerde item scores een overschatting van depressieve symptomatologie laten zien, de meetfouten kleiner zijn en de onderliggende constructen een sterkere relatie laten zien, dan voor behandeling. Deze effecten lijken in sterkere mate aanwezig te zijn in de psychotherapie-, dan in de pharmacotherapiegroepen. De gevonden veranderingen in meetmodellen suggereren dat response shifts zijn opgetreden, en dat veranderingen in geobserveerde scores over de tijd niet uitsluitend ware veranderingen weerspiegelen. Er wordt geconcludeerd dat bij het evalueren van de effecten van behandelingen gericht op psychische problemen, er rekening gehouden moet worden met het optreden van response shifts. 150