Epistel juli-augustus 2018: Verbinden

|   Epistels

Verbindingsketen - Onderzoek

Vorig jaar is in Epistel begonnen met verbindingsketens. De bedoeling is een trits van collega’s aan het woord te laten over een bepaald onderwerp. Een collega die aan het woord is geweest geeft de beurt door aan een andere collega en zo ontstaat een verbindingsketen.

 

In deze Epistel beantwoordt Arfan Ikram (Epidemiologie, Erasmus MC) een vraag van Olaf Dekkers (Klinische epidemiologie, LUMC):

Een nieuwe trend is om voor onderzoek artificial Intelligence in te zetten; de benadering kan zelfs hypothese vrij zijn. Is het denkbaar dat een dergelijke hypothese-vrije benadering uiteindelijk met voldoende zekerheid causale effecten kan vinden en schatten eventueel zelfs als ultieme vervanger van de RCT? 

Antwoord:

Voor de duidelijkheid: bij deze vraag ga ik ervan uit dat het onderzoek waar gebruik wordt gemaakt van artificial intelligence observationeel onderzoek betreft en de vergelijking gemaakt wordt met RCTs die door mensen uitgevoerd worden.

Dit is een scenario waar veel mensen als antwoord ‘ja’ willen horen of zelfs zouden willen geven. Echter, ik zeg ‘nee’. Artificial Intelligence is zo goed als de parameters waarbinnen het gedefinieerd wordt. Het ‘vinden’ van causale effecten in de epidemiologie is niet iets wat direct aangetoond – en dus gedefinieerd – wordt, maar juist geïnfereerd wordt (denk aan een deelgebied in de epidemiologie: causal inference) door het uitsluiten van andere verklaringen, namelijk selectie-, informatie-, confoundingbias, kans, of reverse causality. Deze andere verklaringen kunnen nooit met 100% zekerheid uitgesloten worden, maar slechts onwaarschijnlijk(er) geacht op basis van study design en analyse. De oorspronkelijke vraag kan daarom m.i. onderverdeeld worden in twee subvragen:

1. In een RCT is per definitie geen selectiebias aanwezig bij study entry. Kan artificial intelligence in observationeel onderzoek met 100% zekerheid selectiebias wegnemen of in ieder geval de mate ervan exact kwantificeren? Antwoord is per definitie nee. Overigens, selectiebias door selectieve drop-out zal door artificial intelligence waarschijnlijk wel beter opgelost kunnen worden dan in een RCT op basis van conventionele analysetechnieken.

2. In een RCT zorgt het randomisatieproces ervoor dat gemeten en niet-gemeten confounders gemiddeld genomen gelijkelijk verdeeld zijn over de onderzoeksarmen. Kan artificial intelligence in observationeel onderzoek scheef verdeelde confounders even goed analytisch rechtzetten als dat een randomisatieproces dat doet door deelnemers over de onderzoeksarmen te verdelen? Voor gemeten confounders zou dat goed mogelijk zijn, alsook voor niet-gemeten confounders die door ‘latente’ variabelen te benaderen zijn. Echter, voor onbekende en niet-gemeten confounders (denk aan bijvoorbeeld totaal onbekende genetische of intergeneratie effecten of early-life en lifelong exposures) zal artificial intelligence in gebreke blijven, veelal door beperkingen in de beschikbare data. Overigens, zelfs randomisatie is niet 100% garantie dat de confounders niet scheef verdeeld worden, denk aan bijvoorbeeld de UGDP diabetes trial.

Samenvattend, ik denk niet dat artificial intelligence een vervanging zal zijn voor de RCT, omdat er een aantal design voordelen zijn in een RCT die nooit post-hoc recht te zetten zijn, ook niet door artificial intelligence – al is het vanwege gebrek van informatie in de dataset over álle mogelijke factoren en invloeden. Echter, omgekeerd zijn er sterke kanten aan artificial intelligence die zelfs een verbeterstap kunnen betekenen voor RCTs. Met andere woorden, ik denk dat artificial intelligence zeker een meerwaarde heeft en steeds gangbaarder zal worden in observationeel onderzoek, maar het zal niet een volledige vervanging zijn van de RCT.

Terug