Longitudinale modellen

Lijncoördinator: prof. dr. J.W.R. Twisk

Algemene informatie
De onderzoekslijn longitudinale modellen rust feitelijk op drie pijlers: toegepaste longitudinale data analyse, klinische predictiemodellen en missing data.

Toegepaste longitudinale data analyse
Voor wat betreft de toegepaste longitudinale data analyse wordt veel onderzoek uitgevoerd om verschillende technieken voor longitudinale data analyse met elkaar te vergelijken en om longitudinale data analyse toe te passen op uitkomst variabelen met een specifieke verdeling. Zo worden technieken vergeleken om longitudinale data met een grote hoeveelheid 0-en te analyseren (Alette Spriensma) en worden longitudinale IRT modellen onderzocht (Rosalie Gorter). Dit heeft de laatste jaren tot veel toegepast methodologische papers geleid. Daarnaast heeft Jos Twisk (de lijncoördinator) een tweetal tekstboeken geschreven die zijn uitgegeven door Cambridge University Press.

Klinische predictiemodellen
Het doel van een klinisch predictiemodel is de kans op een bepaalde ziekte of andere uitkomst zo goed mogelijk te schatten (voorspellen). Predictiemodellen worden vaak met het oog op de klinische praktijk ontwikkeld, waarbij voor individuele personen de kans op ziekte of herstel door het combineren van informatie over patiënten kan worden berekend. Het model kan dan in de vorm van een predictieregel (clinical prediction rule) worden gepresenteerd. Daarnaast is de generaliseerbaarheid, de prestatie van het predictiemodel bij nieuwe toekomstige patiënten, van groot belang. Een andere uitdaging binnen de onderzoekslijn is het gebruik van longitudinale data bij de ontwikkeling van predictiemodellen. Hoe kan longitudinale data zo optimaal mogelijk worden ingezet om valide predictiemodellen te ontwikkelen.

Missing data
Hoewel onderzoekers heel veel tijd steken om missing data te voorkomen, komt missing data voor in al het wetenschappelijk onderzoek. Er zijn een aantal eenvoudige manieren om met missing data om te gaan (bijvoorbeeld het negeren van de missing data, of het gebruik van simpele, enkelvoudige imputatietechnieken), maar tegenwoordig is het bijna noodzakelijk om multiple imputatie te gebruiken. Hierbij worden meerdere dataset met geïmputeerde waardes gecreëerd, die allemaal worden geanalyseerd en vervolgens worden de resultaten van de analyses gepoold volgens een bepaald algoritme (Rubin's rules) om tot 1 resultaat te komen. Een geavanceerde (en tegenwoordig veel gebruikte) methode om multiple imputatie uit te voeren is Multivariate Imputation with Chained Equations (MICE). Het uitvoeren van multiple imputatie is vooral voor longitudinale en/of multilevel data een uitdaging, waar in de onderzoekslijn veel aandacht aan wordt besteed. Probleem is dat voor sommige statistische analyses geen goede algoritmes aanwezig zijn om data te poolen; ook daar wordt binnen de onderzoekslijn toegepast onderzoek naar gedaan.

Projecten en onderwijs

Mediatie analyse

Judith Rijnhart: toepassing van mediatie analyse binnen epidemiologisch onderzoekHet onderwerp van mijn promotieonderzoek is de toepassing van mediatie analyse binnen epidemiologisch onderzoek. Mediatie analyse is een statistische analyse techniek die gebruikt kan worden voor het ontrafelen van behandelingseffecten en mechanismen van ziekteontwikkeling. Traditioneel werd mediatie analyse voornamelijk toegepast binnen de psychologie en sociologie, maar sinds een aantal jaar wint mediatie analyse ook aan populariteit binnen de epidemiologie. Gedurende de jaren zijn er verschillende methoden voor mediatie analyse ontwikkelt. In mijn project onderzoek ik de verschillen en overeenkomsten tussen deze methoden in verschillende datasituaties (bijvoorbeeld cross-sectionele en longitudinale data). Hierbij pas ik de verschillende methoden voor mediatie analyse toe op zowel empirische als gesimuleerde data. Het uiteindelijke doel van mijn promotieonderzoek is om epidemiologen ondersteuning te bieden bij het kiezen van een methode voor mediatie analyse.

ProCOR project

Marieke Welten: ProCORMijn promotieonderzoek is onderdeel van het ProCOR (Prediction Of Child CardiOmetabolic Risk) project. Het project is een samenwerking tussen het ErasmusMC, RIVM en VUmc en wordt gesubsidieerd door  ZonMW. Het ProCOR project heeft als doel om dynamische predictiemodellen te ontwikkelen voor het identificeren van  kinderen in de leeftijd van 0 tot 6 jaar met een verhoogd risico op toekomstig (leeftijd 10 jaar) overgewicht, hypertensie of prehypertensie, lage HDL-C levels, en/of hoog totaal cholesterol tot HDL-C ratio. Deze modellen zullen uiteindelijk omgezet worden in een gedigitaliseerde en gebruiksvriendelijke screening tool voor de jeugdgezondheidszorg, welke het risico van het kind steeds kan updaten aan de hand van nieuw verkregen gegevens bij een bezoek. Op deze wijze willen we met het ProCOR project een bijdrage leveren aan de primaire preventie van overgewicht en cardiovasculaire aandoeningen in de toekomst.Mijn promotietraject richt zich met name op het ontwikkelen van een predictiemodel om kinderen in de leeftijd van 0 tot 6 jaar met een verhoogd risico op toekomstig overgewicht te identificeren. Voor het ontwikkelen van dit predictiemodel zal ik gebruik maken van data van de PIAMA studie. Verder wordt er binnen mijn promotieonderzoek ook gekeken hoe longitudinale data van herhaaldelijk gemeten predictoren het beste meegenomen kan worden om een dynamisch predictiemodel te ontwikkelen.Literatuur over het ProCOR project:
De Kroon ML, Wijga A, Vergouwe Y, et al. Prediction of Preadolescent Overweight and Poor Cardiometabolic Outcome in Children up to 6 Years of Age: Research Protocol. Eysenbach G, ed. JMIR Research Protocols. 2016;5(2):e85. doi:10.2196/resprot.5158. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4937175/

Lage rugpijn i.s.m. ArboNed

Lisa Bosman: verzuimt door lage rugpijn in samenwerking met ArboNed. In mijn promotietraject doe ik onderzoek naar verzuim door lage rugpijn in samenwerking met ArboNed. Hierbij ben ik geïnteresseerd in het ontwikkelen van predictiemodellen voor verzuim door lage rugpijn, waarbij ik ten eerste wil voorspellen welke werknemers gaan verzuimen door lage rugpijn gebruikmakend van bestaande data van ArboNed. Ten tweede willen wij een predictiemodel maken voor langdurig verzuim door lage rugklachten met data verzameld in ons cohort Predict2Work. In dit cohort volgen wij werknemers die verzuimen door lage rugklachten. 
Hiernaast wil ik evalueren welke behandelingen het meest effectief zijn voor werknemers die verzuimen door lage rugpijn, op basis van observationele gegevens door dit met nieuwere statistische methoden te onderzoeken.

Andere projecten |
Rosalie Gorter
Alette Spriensma
Guus Panken
Dagmar Nieboer
Marieke van Hoffen
Maartje Klaver

Post-docs
Trynke Hoekstra
Iris Eekhout
Marieke ter Wee
Corne Roelen

Onderwijs
De medewerkers van de lijn verzorgen een aantal cursussen binnen de post-initiële masteropleiding Epidemiologie (Longitudinale data analyse, multilevel analyse, mixed models, clinical prediction models, missing data; EpidM) en binnen de research minor van de Bachelor Geneeskunde.