Onderwerp 1.4 — Hazard ratio’s

In één zin: Een hazard ratio is een compacte, veel gerapporteerde en veel verkeerd gelezen samenvatting van hoe snel gebeurtenissen in de ene groep plaatsvinden vergeleken met een andere — en hem goed lezen betekent altijd vragen “over welke follow-up, in welke populatie en wat levert het op in absolute termen?” voordat u hem een beslissing over opdrachtgeverschap, evaluatie of rapportage laat sturen.

Waarom dit ertoe doet in gezondheid en zorg#

Wanneer de dia van een leverancier zegt “onze interventie bereikte een hazard ratio van 0,75”, wordt een leider uitgenodigd een vermindering van 25% van iets slechts te voelen. Het gevoel is gewoonlijk sterker dan het feit rechtvaardigt. Een hazard ratio (HR) is een van de meest voorkomende statistieken in klinisch en volksgezondheidsbewijs, en een van de meest betrouwbaar verkeerd begrepen — niet door statistici, maar door de besturen, opdrachtgevers en communicatieteams die erop handelen. In gezondheid en zorg is die kloof tussen wat een HR zegt en wat mensen denken dat hij zegt geen academische ergernis. Het verandert wat wordt gekocht, wat wordt opgeschaald en wat patiënten wordt verteld te verwachten.

Dit onderwerp is een praktische aanvulling op Onderwerp 1.3 — Op bewijs gebaseerde besluitvorming. Dat onderwerp betoogde dat u de sterkte van bewijs moet afstemmen op het risiconiveau en klinisch en leveringsbewijs gescheiden moet houden. Dit gaat een laag dieper in op één statistiek die terugkeert in het klinisch bewijs dat u moet wegen: hoe hem te lezen, waar hij misleidt en wat ernaast te eisen. U hoeft geen hazard ratio te berekenen. U moet wel weten dat dezelfde kop-HR kan overeenkomen met een levensveranderend voordeel of een nauwelijks waarneembaar voordeel, afhankelijk van feiten die de dia wegliet — en dat een leider die niet om die feiten kan vragen overgeleverd is aan wie de framing koos. Omdat deze getallen publieke boodschappen en klinische trajecten vormen, is ze fout hebben een kwestie van vertrouwen en billijkheid, niet louter van nauwkeurigheid.

Kernbegrippen#

De hazard en de hazard ratio. Een hazard is de ogenblikkelijke snelheid waarmee een gebeurtenis (overlijden, ziekenhuisopname, terugval) optreedt onder degenen die op een gegeven moment nog risico lopen. Een hazard ratio is de verhouding van die snelheid in een behandelgroep tot de snelheid in een controlegroep. Een HR onder 1 betekent dat de gebeurtenis langzamer plaatsvindt in de behandelgroep; boven 1 sneller; precies 1 geen verschil. Hij komt voort uit overlevingsanalyse — de tak van statistiek voor “tijd tot gebeurtenis”-data — en wordt gewoonlijk geschat met het proportionele-hazardsmodel, naar zijn bedenker het Cox-model genoemd. Cruciaal is dat een HR een snelheid beschrijft, geen kans en geen hoeveelheid gewonnen tijd.

De aanname van proportionele hazards. Het gemak van het Cox-model rust op een aanname: dat de hazard ratio constant is — hetzelfde na drie maanden als na drie jaar, hetzelfde voor een 50-jarige als voor een 80-jarige. Dit is de aanname van proportionele hazards, en zij is vaak onjuist. Echte effecten variëren over de follow-uptijd (een chirurgische interventie kan het risico eerst verhogen en later verlagen) en over subgroepen (leeftijd, geslacht, comorbiditeit, achterstand). Wanneer de aanname faalt, is de enkele gerapporteerde HR een gemiddelde over het specifieke follow-upvenster en de populatiemix van de trial — een gewogen mengsel, geen universele constante die u naar een andere setting kunt tillen.

Relatieve, odds en absolute maten. Een HR wordt gemakkelijk verward met drie buren. Het relatief risico (of risicoratio) vergelijkt de cumulatieve kans op een gebeurtenis tot een vast tijdstip, niet de snelheid; het ligt dicht bij de HR wanneer gebeurtenissen zeldzaam zijn maar wijkt af wanneer ze vaak voorkomen. De odds ratio vergelijkt odds in plaats van kansen en kan dramatisch lijken wanneer het onderliggende risico hoog is. Alle drie zijn relatieve maten. Waar patiënten en betalers werkelijk om geven is absoluut: de absolute risicoreductie (risicoverschil) — hoeveel minder gebeurtenissen per honderd mensen — en haar omgekeerde, het aantal te behandelen personen (number needed to treat, NNT), het aantal mensen dat u moet behandelen om één gebeurtenis te voorkomen. Een relatieve maat zonder haar absolute partner is een halve zin.

Censurering en de overlevingscurve. Trials eindigen; mensen verhuizen, trekken zich terug of hebben de gebeurtenis simpelweg nog niet gehad wanneer de data worden vergrendeld. Censurering (statistiek) is hoe overlevingsanalyse deze deels waargenomen levens behandelt, en het is een sterkte — maar zware of onevenwichtige censurering verzwakt wat een HR u kan vertellen. De eerlijke visuele metgezel van elke HR is de curve van de Kaplan–Meier-schatter, de getrapte grafiek van het aandeel zonder gebeurtenis over de tijd. Twee curven die gestaag uiteenlopen vertellen een ander verhaal dan twee die kruisen of convergeren — terwijl alle drie dezelfde kop-HR kunnen opleveren.

Confounding en niet-collapsibiliteit. Een HR uit een observationele studie kan worden vertekend door confounding: een derde factor bepaalt zowel wie de behandeling krijgt als wie de gebeurtenis heeft. Gerandomiseerde trials beschermen hiertegen; vergelijkingen in de praktijk niet, tenzij zorgvuldig gecorrigeerd. Er is ook een subtielere valkuil specifiek voor verhoudingen als de HR, niet-collapsibiliteit genoemd: zelfs zonder confounding kan de verhouding die u na correctie voor een risicofactor krijgt verschillen van de ongecorrigeerde, louter als artefact van hoe verhoudingen zich gedragen. De les is dezelfde — een HR is gebonden aan het exacte model en de exacte populatie die hem voortbrachten, en reist niet zo vrij als zijn schone enkele getal suggereert.

Wat een HR oplevert in jaren. Mensen vertalen “HR 0,75” naar “ik zal langer leven”, maar de grootte van die winst hangt volledig af van het basisrisico en hoe samengedrukt de sterfte van een populatie al is. Zie het als het losser maken van één kamer in een kansspel: een snelheid verminderen levert veel extra tijd op wanneer het basisrisico hoog en gespreid is, en erg weinig wanneer de meeste mensen al tot op hoge leeftijd overleven en sterfgevallen in een smal laat venster zijn samengepakt. Dezelfde relatieve reductie wordt omgezet in verschillende hoeveelheden levensverwachting afhankelijk van dat basisrisico — daarom kan een HR niet als vast aantal toegevoegde jaren worden afgelezen zonder de populatie te kennen waaruit hij kwam.

Statistische versus klinische significantie. Ten slotte kan een HR statistisch significant zijn — zijn betrouwbaarheidsinterval sluit 1 uit — terwijl het effect waar hij naar wijst klinisch triviaal is, vooral in een zeer grote trial. Significantie beantwoordt “is dit van toeval te onderscheiden?”; zij beantwoordt niet “is dit het waard een traject te wijzigen?” Beide vragen doen ertoe, en alleen de tweede mag investering bepalen.

Beste praktijken#

1. Vraag altijd “over welke follow-up en in welke populatie?” Een HR is een gemiddelde over een specifiek trialvenster en een specifieke ingeschreven groep. Stel vóór u erop handelt de lengte van de follow-up en de in- en uitsluitcriteria vast — trials die de zeer ouden, de zeer jongen of mensen met veelvoorkomende comorbiditeiten uitsloten beschrijven uw populatie mogelijk helemaal niet. Behandel een HR zonder deze context als onvolledig getal, niet als kop.

2. Eis absolute getallen naast elk relatief getal. Vraag voor elke HR of elk relatief risico om de absolute risicoreductie en het aantal te behandelen personen in de relevante populatie. “HR 0,75” voelt groot; “één vermeden gebeurtenis per 200 behandelde mensen over drie jaar” vertelt u of het de kosten, werkstroomwijziging en bijwerkingen waard is. Relatieve en absolute maten moeten altijd samen verschijnen, en communicatie naar het publiek moet met het absolute beginnen.

3. Sta erop de Kaplan–Meier-curven te zien. Een enkele HR perst een heel verhaal in één getal en verbergt of het effect vroeg, laat, groeiend, krimpend of omkerend is. Vraag om de overlevingscurven en bekijk hun vorm: lopen ze schoon uiteen, kruisen ze of convergeren ze? Curven die kruisen zijn een zichtbaar teken dat de aanname van proportionele hazards is mislukt en de enkele HR misleidt.

4. Extrapoleer een korte trial niet naar een heel leven. Een hazard ratio gemeten over drie jaar rechtvaardigt geen bewering over dertig. Effecten kunnen afnemen, omkeren of zich opstapelen, en de aanname van proportionele hazards geldt bijna nooit over een levensspanne. Wees vooral op uw hoede voor economische modellen en persregels die een kortetermijn-HR vooruit projecteren naar dramatische winst in levensjaren; vraag welke aanname dat werk doet, zoals behandeld in Onderwerp 6.1 — Gezondheidseconomie.

5. Scheid statistische van klinische significantie. Een betrouwbaarheidsinterval dat 1 uitsluit vertelt u dat een effect waarschijnlijk echt is; het zegt niets over of het effect groot genoeg is om ertoe te doen. In grote trials worden triviale verschillen “significant”. Beoordeel de omvang — het absolute voordeel — tegen de last en kosten van de interventie en laat clinici en patiënten bepalen wat de moeite waard is.

6. Behandel observationele HR’s met extra argwaan. Buiten een gerandomiseerde trial kan een HR confounding weerspiegelen — zieker of gezonder wordende mensen die in behandeling selecteren — in plaats van een werkelijk effect. Vraag waarvoor is gecorrigeerd en of niet-gemeten confounders aannemelijk zijn. Real-world evidence is waardevol (zie Onderwerp 8.6 — Onderzoek en evaluatie in de praktijk) maar zijn hazard ratio’s hebben meer toetsing nodig, niet minder.

7. Controleer of de HR buiten zijn context wordt hergebruikt. Een HR uit één populatie, dosis of follow-up wordt routinematig geciteerd alsof hij universeel is. Wanneer een getal wordt aangehaald, herleid het naar zijn bronstudie en bevestig dat populatie en eindpunt bij uw beslissing passen. Niet-collapsibiliteit en uiteenlopende basislijnen betekenen dat een getal dat daar waar was hier stilletjes onjuist kan zijn.

8. Rapporteer eerlijk en begin met waar mensen op kunnen handelen. Wanneer uw eigen organisatie resultaten publiceert, koppel elke HR aan absolute cijfers en eenvoudige taal, vermeld follow-up en populatie en vermijd levenslang voordeel te suggereren uit kortetermijndata. Dit sluit rechtstreeks aan bij hoe u maten kiest in Onderwerp 10.1 — Kernprestatie-indicatoren (KPI’s): de maat waarmee u kopt vormt wat mensen geloven.

Vragen om met uw team te bespreken#

1. Wanneer een hazard ratio op ons bestuur belandt, weten wij dan te vragen naar de follow-up, de populatie en het absolute voordeel — of handelen wij alleen op het relatieve cijfer? Deze vraag toetst of uw leiderschap de meest verkeerd gelezen statistiek die zij zullen tegenkomen kan ondervragen. Het doet ertoe omdat een HR een gemiddelde is over een bepaald trialvenster en een bepaalde ingeschreven groep, en hetzelfde cijfer een transformerend of een verwaarloosbaar voordeel kan vertegenwoordigen afhankelijk van het basisrisico en de follow-up die de dia wegliet. De spanning is dat het relatieve getal emotioneel overtuigend en gemakkelijk te herhalen is, terwijl het absolute getal — het aantal te behandelen personen, de vermeden gebeurtenissen per honderd mensen — saaier en moeilijker te verkrijgen is, zodat het routinematig wordt weggelaten. Werk een echt recent voorbeeld door: neem een HR die een beslissing beïnvloedde en reconstrueer welke follow-up hij dekte, wie werd uitgesloten en welk absoluut voordeel hij impliceerde voor uw populatie. Vraag of iemand destijds om die feiten vroeg en of het antwoord de beslissing zou hebben veranderd. Een goede discussie eindigt met een blijvende verwachting dat geen HR wordt gehandeld zonder follow-up, populatie en absolute partner ernaast.

2. Waar extrapoleren wij mogelijk een kortetermijn-hazard ratio naar een langetermijn- of levenslange bewering — in een businesscase, een batenmodel of een publieke boodschap? Het onderwerp waarschuwt dat een HR gemeten over enkele jaren geen beweringen over decennia rechtvaardigt, omdat effecten afnemen, omkeren of zich opstapelen en de aanname van proportionele hazards zelden over een levensspanne geldt. Dit doet ertoe omdat zowel gezondheidseconomische modellen als communicatieteams sterke prikkels hebben kortetermijn-relatieve reducties vooruit te projecteren naar kopwinsten in levensjaren of kostenbesparingen, en die projecties stilletjes de rechtvaardiging voor grote investeringen kunnen worden. De afweging is echt: u moet voorbij de triallooptijd plannen en modelleren, maar elk jaar dat u voorbij het bewijs projecteert is een aanname, geen bevinding. Haal een lopende businesscase of baten-realisatiemodel erbij en vraag welke tijdshorizon haar uit de HR afgeleide baten veronderstellen en wat er met de case zou gebeuren als het effect na de trialperiode afvlakte. Overweeg ook of een patiëntgerichte boodschap een levenslange toename van jaren uit kortetermijndata impliceert. Een eerlijk antwoord noemt waar extrapolatie zwaar werk doet en verbindt zich ertoe de aanname openlijk te vermelden in plaats van haar in een spreadsheet te begraven.

3. Scheiden wij consequent “is dit echt?” van “is dit groot genoeg om ertoe te doen?” — of stuurt statistische significantie alleen onze beslissingen? Deze vraag confronteert de verwarring tussen statistische en klinische significantie, waar een betrouwbaarheidsinterval dat 1 uitsluit als groen licht wordt behandeld ongeacht de omvang van het effect. Het doet ertoe omdat grote trials en grote datasets uit de praktijk triviale verschillen statistisch significant maken, en een digitale-gezondheidsinterventie een “significante” hazard ratio kan neerzetten terwijl zij een voordeel levert dat te klein is om haar kosten, werkstroomverstoring of alternatieve kosten ten opzichte van ander gebruik van hetzelfde geld te rechtvaardigen. De diepere spanning is dat omvang een klinisch en waardeoordeel is — wat de moeite waard is hangt af van de aandoening, de behandellast en de voorkeur van de patiënt — zodat het niet aan een p-waarde kan worden gedelegeerd of geautomatiseerd. Neem een beslissing die uw team mede op grond van een significant resultaat nam en vraag wat de absolute effectgrootte werkelijk was en wie besliste dat hij groot genoeg was om op te handelen. Onderzoek of clinici en, bij voorkeur, patiënten betrokken waren bij het oordeel dat het voordeel de moeite waard was. Een sterk antwoord toont dat het team routinematig om omvang vraagt, niet alleen om significantie, en de twee behandelt als afzonderlijke poorten die beide gepasseerd moeten worden.

4. Wanneer een hazard ratio uit routinedata of de dataset van een leverancier uit de praktijk komt in plaats van uit een gerandomiseerde trial, vragen wij dan waarvoor is gecorrigeerd en of niet-gemeten confounding het effect zou kunnen verklaren? Steeds vaker zijn de hazard ratio’s die een beslissing bereiken niet afkomstig van schone trials maar van observationele bronnen — de voor-en-na-analyse van een leverancier, een register of uw eigen routinematig verzamelde dossiers — waar de mensen die een interventie kregen systematisch verschillen van wie dat niet kreeg. Dit doet ertoe omdat confounding door indicatie eerder de regel dan de uitzondering is: gezondere of zieker wordende patiënten selecteren in behandeling, en tenzij daarvoor zorgvuldig wordt gecorrigeerd, meet de resulterende HR evenzeer wie werd behandeld als wat de behandeling deed. De spanning is dat real-world evidence werkelijk waardevol is en vaak het enige beschikbare bewijs voor een digitale dienst op schaal, maar het gemak ervan teams verleidt het als causaal te lezen terwijl het louter associatief is. Ondervraag een echte observationele HR waarop uw team heeft vertrouwd: vraag voor welke variabelen is gecorrigeerd, welke aannemelijke confounders ongemeten bleven en of de richting van de waarschijnlijke bias het effect opsmukt of afzwakt. Overweeg of niet-collapsibiliteit — de manier waarop correctie voor een risicofactor een verhouding kan verschuiven zonder confounding — is meegenomen in hoe het getal wordt aangehaald. Een eerlijk antwoord behandelt observationele hazard ratio’s als hypothesen die meer toetsing nodig hebben, niet minder, en kan duidelijk zeggen wat waar zou moeten zijn opdat het effect echt is.

5. Kijken wij routinematig naar de Kaplan–Meier-curven achter een hazard ratio, en zouden wij herkennen wanneer de aanname van proportionele hazards is mislukt? Een enkele HR middelt de hele vorm van een effect stilletjes tot één getal en verbergt of het voordeel vroeg, laat, groeiend, krimpend of omkerend is over de follow-up. Dit doet ertoe omdat het Cox-model dat de meeste hazard ratio’s voortbrengt aanneemt dat de verhouding in de tijd constant is, en die aanname vaak onjuist is — een chirurgische of procedurele interventie kan het risico eerst verhogen en later verlagen, en curven die kruisen of convergeren kunnen dezelfde nette kop-HR opleveren als curven die schoon uiteenlopen. De afweging is dat overlevingscurven lezen meer moeite en meer expertise kost dan één cijfer herhalen, en de curven vaak uit de samenvattende dia ontbreken juist omdat ze het verhaal compliceren. Neem een hazard ratio waarop uw team handelde en vraag of iemand de Kaplan–Meier-grafiek zag, wat de vorm van de curven impliceerde over wanneer het voordeel ontstond en of de aanname van proportionele hazards ooit werd getoetst. Bespreek wie in het team de statistische geletterdheid heeft om kruisende of convergerende lijnen te zien en te zeggen wat ze betekenen voor uw populatie. Een goed antwoord maakt het zien van de curven een blijvende verwachting, geen gunst van een specialist, en behandelt een ontbrekende curve als reden om te vragen en niet als detail om over te slaan.

6. Hebben wij gecontroleerd of een enkele hazard ratio een ongelijke verdeling van voordeel over leeftijd, comorbiditeit en achterstand verbergt bij de mensen die wij werkelijk dienen? Eén kop-HR presenteert een effect alsof het gelijkmatig neerkomt, maar een voordeel gemiddeld over de ingeschreven groep van een trial kan heel anders vallen over de oudere, zieker wordende en meer achtergestelde mensen die een groot deel van een echte zorgpopulatie vormen. Dit doet ertoe omdat handelen op het aggregaat ongelijkheden kan vergroten terwijl het resultaat in het algemeen lijkt te verbeteren: een interventie die een fittere subgroep helpt en weinig doet voor een kwetsbaardere zet nog steeds een aantrekkelijke gemiddelde HR neer. De spanning is dat uitsplitsing data, statistisch onderscheidend vermogen en bereidheid om ongemakkelijke variatie te zien vereist, terwijl het ene getal eenvoudiger te rapporteren en gemakkelijker te propageren is. Bekijk een door één hazard ratio gedreven beslissing en vraag of het effect ooit werd uitgesplitst naar leeftijdsgroep, comorbiditeit of achterstand, en of de trial zelfs genoeg van uw populatie inschreef om zo’n uitsplitsing te ondersteunen. Overweeg hoe u op ongelijk voordeel zou monitoren zodra een dienst live is, aansluitend op uw evaluatie in de praktijk en billijkheidsplichten. Een eerlijk antwoord aanvaardt dat een uniform ogende HR een ongelijke werkelijkheid kan maskeren en verbindt zich ertoe naar het uitgesplitste, absolute beeld te kijken voordat wordt opgeschaald.

In de praktijk: een voorbeeld uit gezondheid en zorg#

Een geïntegreerd zorgsysteem (ICS) krijgt een dienst voor monitoring op afstand aangeboden voor mensen met hartfalen. De centrale bewering van de leverancier is een hazard ratio van 0,72 voor de samengestelde uitkomst overlijden of ongeplande opname, beschreven als “een vermindering van 28%” en gekoppeld aan een projectie van aanzienlijke winst in levensjaren over de populatie.

De digitale en klinische leiders behandelen het cijfer als een beginvraag, niet als conclusie. Zij vragen om de bronstudie en vinden één gerandomiseerde trial met een mediane follow-up van achttien maanden, die patiënten onder de 75 inschreef met een recente opname en zonder significante cognitieve beperking — een fittere, jongere groep dan de echte hartfalenpopulatie van het ICS, die ouder en meer comorbide is. Zij vragen om de curven van de Kaplan–Meier-schatter en zien dat de twee lijnen vooral in de eerste zes maanden uiteenlopen en daarna ruwweg parallel lopen — een aanwijzing dat het voordeel vroeg geconcentreerd is en dat de aanname van een constante HR over een langere horizon wankel is.

Dan vragen ze om absolute cijfers. Vertaald naar de trialpopulatie komt de HR overeen met een bescheiden absolute risicoreductie en een aantal te behandelen personen van ongeveer 20 over achttien maanden om één samengestelde gebeurtenis te voorkomen — betekenisvol, maar veel minder dramatisch dan “28% reductie” suggereerde, en mogelijk nog kleiner in hun oudere populatie. Het team gezondheidseconomie wordt gevraagd zijn model opnieuw op te bouwen zonder de HR van achttien maanden over een heel leven te extrapoleren en te toetsen wat gebeurt als het vroege voordeel niet aanhoudt. De leiders klinische veiligheid en informatiebeheer beoordelen de dienst op haar eigen merites (Onderwerp 1.6 — Klinische veiligheid en risicobeheer). Het ICS gaat door — maar als bewaakte, gefaseerde uitrol met eigen evaluatie in de praktijk, en instrueert zijn communicatieteam te beginnen met het absolute voordeel en de eerlijke grenzen, niet met de relatieve kop. Wanneer een lokale krant later naar “het cijfer van 28%” vraagt, kan het ICS precies uitleggen wat het wel en niet betekent.

Sectorperspectieven#

Iedereen die een HR leest is dezelfde plicht van interpretatie verschuldigd, maar de druk en waarborgen verschillen per organisatie.

Startup#

De prikkel van een startup is het meest vleiende ware getal te presenteren, en een relatieve hazard ratio is vaak het meest vleiende ware getal dat beschikbaar is — dus “HR 0,7” verschijnt op de pitchdeck zonder de follow-up, populatie of het absolute voordeel dat hem op maat zou brengen. De eerlijke en uiteindelijk geloofwaardiger zet is te beginnen met het absolute effect en het aantal te behandelen personen, de follow-up en uitsluitingen van de trial duidelijk te vermelden en kortetermijnresultaten in de businesscase niet over een heel leven te projecteren. NHS-beoordelaars met due diligence en serieuze investeerders weten steeds vaker deze vragen te stellen, dus een team dat de context uit zichzelf aanbiedt ziet er sterker uit, niet zwakker. De discipline kost bijna niets en beschermt de oprichters tegen een latere, schadelijker correctie.

Klein bedrijf#

Een gevestigde kleine aanbieder — een huisartsenpraktijk, een gemeenschapsapotheek, een verzorgingshuis of een kliniek met één vestiging die een monitoringhulpmiddel of de bewering van een leverancier afweegt — heeft echte patiënten in het geding maar geen interne statisticus en weinig tijd om een trial te lezen. Het praktische risico is dat de relatieve hazard ratio van de leverancier voor zoete koek wordt aangenomen omdat niemand de follow-up, populatie en het absolute voordeel kan reconstrueren, en er geen analyseteam is om hem aan de eigen lijst van de praktijk te toetsen. De evenredige reactie is niet overlevingsanalyse te beheersen maar elke leverancier drie eenvoudige vragen te stellen — over welke follow-up, bij welke patiënten en hoeveel mensen zouden wij behandelen om één gebeurtenis te voorkomen — en te leunen op gedeelde bronnen zoals NICE-richtlijnen, een apotheker van het ICS of een collegiaal netwerk in plaats van het getal alleen te beoordelen. Een kleine aanbieder die vóór ondertekening aandringt op het absolute cijfer en de uitsluitingen van de trial beschermt haar patiënten en haar budget zonder de statistische slagkracht van een groot ziekenhuis nodig te hebben.

Grote onderneming#

Een NHS-ziekenhuis of ICS heeft het analytisch vermogen en de patiëntvolumes om een HR goed te ondervragen — en de verantwoording die dat eist, omdat op schaal inzetten op een verkeerd gelezen statistiek tegelijk een risico voor klinische veiligheid en publiek geld is. Het kenmerkende falen is institutioneel enthousiasme: een overtuigend relatief cijfer gepropageerd door een gerespecteerde clinicus, aangenomen voordat iemand het absolute voordeel reconstrueert voor de werkelijke, vaak oudere en zieker wordende populatie van het ziekenhuis. Het tegengif is een blijvende gewoonte — elke HR in een bestuursstuk komt met zijn follow-up, populatie, absolute risicoreductie en Kaplan–Meier-curven, en elke extrapolatie noemt haar aanname. Grote ondernemingen genereren ook eigen observationele HR’s uit routinedata, waar confounding het altijd aanwezige gevaar is en correctie expliciet moet zijn.

Overheid#

Een nationaal orgaan — NICE, NHS England, de UK Health Security Agency, DHSC — beslist vaak hoe bewijs voor het hele stelsel wordt gekaderd, dus zijn omgang met hazard ratio’s vormt het publieke begrip op bevolkingsschaal. Beslissingen hier trekken toetsing van toezichthouders, parlement en media aan, en een relatief cijfer aangehaald zonder absolute partner kan miljoenen misleiden en vertrouwen schaden wanneer het later wordt gecorrigeerd. De plicht is absolute cijfers naast relatieve te publiceren, populatie en follow-up te vermelden en open te zijn over waar de aanname van proportionele hazards en korte triallooptijden begrenzen wat kan worden beweerd. Op deze schaal is eerlijke framing geen beleefdheid maar een instrument van billijkheid: een voordeel dat uniform lijkt in één HR kan ongelijk over leeftijd en achterstand vallen, en alleen het uitgesplitste, absolute beeld onthult het.

Veelvoorkomende faalpatronen#

• Alleen relatief rapporteren. “28% reductie” aanhalen zonder absolute risicoreductie of aantal te behandelen personen. Tegengif: koppel elke relatieve maat aan haar absolute partner en begin publieke boodschappen met het absolute.
• Extrapolatie over een heel leven. Een HR uit een korte trial over decennia projecteren in een economisch model of persregel. Tegengif: modelleer alleen tot de bewijshorizon en noem elke aanname daarbuiten.
• De populatie negeren. De HR van een trial toepassen op oudere, zieker wordende of meer achtergestelde groepen die de trial uitsloot. Tegengif: toets in- en uitsluitcriteria aan uw werkelijke populatie.
• Constantheid veronderstellen. Eén HR behandelen als geldig op elke leeftijd en elk tijdstip. Tegengif: inspecteer de Kaplan–Meier-curven op kruisende of convergerende lijnen.
• Significantie aangezien voor belang. Handelen op een statistisch significante HR met een klinisch triviaal effect. Tegengif: beoordeel omvang afzonderlijk, met klinische en patiëntinbreng.
• Observationele HR’s kritiekloos vertrouwen. Een HR uit de praktijk als causaal lezen zonder naar confounding te vragen. Tegengif: vraag waarvoor is gecorrigeerd en of niet-gemeten confounders aannemelijk zijn.
• Getalwitwassen. Een HR buiten zijn oorspronkelijke context hergebruiken alsof hij universeel is. Tegengif: herleid elk aangehaald cijfer naar zijn bronstudie en eindpunt.

Volwassenheidsmodel#

Checklist#

• Elke hazard ratio komt met de lengte van zijn follow-up en de in- en uitsluitcriteria van de trial.
• Elke relatieve maat (HR, relatief risico) is gekoppeld aan absolute risicoreductie en aantal te behandelen personen.
• Kaplan–Meier-curven worden getoetst op de vorm van het effect en eventueel kruisen of convergeren.
• De trialpopulatie wordt vóór handelen getoetst aan uw werkelijke, lokale populatie.
• Geen kortetermijn-HR wordt geëxtrapoleerd naar een heel leven zonder expliciet vermelde aanname.
• Statistische en klinische significantie worden als afzonderlijke poorten beoordeeld.
• Observationele HR’s worden getoetst op confounding en waarvoor is gecorrigeerd.
• Elke aangehaalde HR is herleid naar zijn bronstudie, eindpunt en follow-up.
• Publieke en bestuurscommunicatie begint met het absolute voordeel en eerlijke grenzen.

Belangrijkste bronnen#

• Wikipedia — Hazard ratio, Proportional hazards model, Survival analysis (basisdefinities).
• BMJ / de reeks The BMJ Statistics Notes — Douglas Altman en J. Martin Bland — heldere uitleg over hazard ratio’s, overlevingscurven en absoluut versus relatief risico.
• David Spiegelhalter — The Art of Statistics: Learning from Data (Pelican, 2019) — over eerlijk communiceren van relatief en absoluut risico.
• Gerd Gigerenzer e.a. — Helping Doctors and Patients Make Sense of Health Statistics (Psychological Science in the Public Interest, 2007) — over waarom relatieve cijfers misleiden.
• Cochrane — Handbook for Systematic Reviews of Interventions — over het interpreteren van effectmaten.
• dynomight — essay over hazard ratio’s en levensverwachting (dynomight.net) — de intuïtie van het Russische roulette voor waarom relatieve reducties niet gelijk zijn aan levensjaren, en waarom interventies op verschillende leeftijden verschillende hazard ratio’s hebben.
• Equator Network — richtlijn CONSORT voor rapportage — over hoe trialeffecten, inclusief uitkomsten van tijd tot gebeurtenis, moeten worden gerapporteerd.

Referenties#

1. Hazard ratio — Wikipedia — https://en.wikipedia.org/wiki/Hazard_ratio
2. Proportional hazards model — Wikipedia — https://en.wikipedia.org/wiki/Proportional_hazards_model
3. Survival analysis — Wikipedia — https://en.wikipedia.org/wiki/Survival_analysis
4. Relative risk — Wikipedia — https://en.wikipedia.org/wiki/Relative_risk
5. Odds ratio — Wikipedia — https://en.wikipedia.org/wiki/Odds_ratio
6. Risk difference (absolute risk reduction) — Wikipedia — https://en.wikipedia.org/wiki/Risk_difference
7. Number needed to treat — Wikipedia — https://en.wikipedia.org/wiki/Number_needed_to_treat
8. Censoring (statistics) — Wikipedia — https://en.wikipedia.org/wiki/Censoring_(statistics)
9. Kaplan–Meier estimator — Wikipedia — https://en.wikipedia.org/wiki/Kaplan%E2%80%93Meier_estimator
10. Confounding — Wikipedia — https://en.wikipedia.org/wiki/Confounding
11. Life expectancy — Wikipedia — https://en.wikipedia.org/wiki/Life_expectancy
12. Statistical significance — Wikipedia — https://en.wikipedia.org/wiki/Statistical_significance
13. The Art of Statistics: Learning from Data — David Spiegelhalter, Pelican — https://www.penguin.co.uk/books/294857/the-art-of-statistics-by-spiegelhalter-david/9780241398630
14. Helping Doctors and Patients Make Sense of Health Statistics — Gerd Gigerenzer et al., Psychological Science in the Public Interest — https://doi.org/10.1111/j.1539-6053.2008.00033.x
15. Statistics Notes (survival and risk) — Douglas Altman & J. Martin Bland, The BMJ — https://www.bmj.com/specialties/statistics-notes
16. Cochrane Handbook for Systematic Reviews of Interventions — Cochrane — https://training.cochrane.org/handbook
17. Hazard ratios and life expectancy — dynomight — https://dynomight.net/
18. CONSORT reporting guideline — Equator Network — https://www.equator-network.org/reporting-guidelines/consort/