Promotie A. (Alexandros) Rekkas

Hieronder volgt een korte samenvatting over het proefschrift:

Om de meest optimale medische zorg te bieden, wordt artsen geadviseerd om hun klinische behandelingen af te stemmen op de resultaten van goed uitgevoerde gerandomiseerde gecontroleerde studies, of de geaggregeerde resultaten van meerdere van dergelijke studies, ervan uitgaande dat alle patiënten dezelfde behandeleffecten - voordelen en nadelen - ervaren als de studiepopulatie. Het geschatte behandeleffect is echter vaak een gemiddelde van heterogene behandeleffecten en is daarom mogelijk niet van toepassing op de meeste subgroepen van patiënten, laat staan op individuele patiënten. Het uitgangsrisico van een patiënt - haar of zijn kans op het ervaren van een belangrijke uitkomst - is een belangrijke determinant van het behandeleffect. Patiënten met een laag risico kunnen slechts een minimaal voordeel ondervinden van de behandeling voordat hun risico tot nul is gereduceerd, terwijl patiënten met een hoog risico veel meer voordeel kunnen ondervinden. Daarom is risico een cruciaal onderdeel van medische besluitvorming. Om die reden zijn veel behandelrichtlijnen gebaseerd op risicovoorspelmodellen, d.w.z. wiskundige functies die een belangrijke uitkomst relateren aan een verzameling gemeten voorspellers, ontwikkeld op basis van gegevens uit gerandomiseerde gecontroleerde studies of observationele studies.

Gegevens uit de gezondheidszorg worden routinematig verzameld door huisartsen, ziekenhuizen, verzekeringsmaatschappijen en vele andere particuliere of openbare instanties en komen steeds meer beschikbaar, waardoor onderzoekers toegang krijgen tot grote hoeveelheden patiëntgegevens die kunnen worden gebruikt om medische beslissingen te ondersteunen. Omdat artsen echter niet willekeurig behandelingen voorschrijven, hebben analyses van observationele gezondheidszorggegevens vaak te lijden onder “confounding”, d.w.z. patiënten die een onderzochte behandeling krijgen, verschillen systematisch van patiënten die een andere behandeling krijgen, waardoor vergelijkingen worden bemoeilijkt. Bovendien heeft de grote verscheidenheid aan gegevensverzamelaars geresulteerd in een overvloed aan gegevensstructuren, die vaak niet compatibel zijn, wat de integratie van meerdere gegevensbronnen in statistische analyses verder bemoeilijkt. Het aanbieden van een gemeenschappelijke datastructuur zoals het Observational Medical Outcomes Partnership Common Data Model (OMOP-CDM) heeft de potentie om grote multi-cohort observationele studies mogelijk te maken.

Het doel van dit proefschrift was het verkennen van het gebruik van risicovoorspelmodellen als basis voor medische besluitvorming. We hebben methoden voor de evaluatie van heterogeniteit van behandeleffecten bestudeerd en toegepast zowel in gerandomiseerde data als in observationele data. Meer specifiek beoogden we de bestaande literatuur over voorspellende methoden voor de evaluatie van heterogeniteit van behandeleffecten systematisch te beoordelen, schaalbare en reproduceerbare risicogebaseerde voorspellende benaderingen voor de evaluatie van heterogeniteit van behandeleffecten te ontwikkelen, en risico-gebaseerde methoden toe te passen om medische beslissingen beter te sturen.