Beoordeling van ondervoeding bij patiënten met de ziekte van Crohn: Een nieuw risicovoorspellingsmodel met dynamisch optimalisatiepotentieel en effectiviteitsvalidatie

Samenvatting

Deze studie heeft een nieuw model voor het voorspellen van risico op ondervoeding voor patiënten met de ziekte van Crohn geconstrueerd en gevalideerd, met behulp van meta-analyse, multivariabele logistische regressie en machine learning. Het model toonde goede voorspellende prestaties en klinisch nut voor het sturen van gepersonaliseerde voedingsinterventies.

Samenvatting

Deze studie had als doel een voorspellingsmodel voor ondervoedingsrisico's te construeren en te valideren dat multivariabele logistische regressie en machine learning combineert voor patiënten met de ziekte van Crohn (CD), met als doel de precisie van de identificatie van ondervoedingsrisico's te verbeteren door integratie van ontstekingsmarkers en ziektekenmerken. PubMed, Web of Science, Cochrane Library, Embase en China National Knowledge Infrastructure (CNKI) werden systematisch doorzocht om risicofactoren te identificeren die samenhangen met ondervoeding bij patiënten met CD. Hoogwaardige studies met gebruik van de Global Leadership Initiative on Malnutrition (GLIM) 2019-criteria, de criteria van de European Society for Clinical Nutrition and Metabolism (ESPEN) 2015 of de Malnutrition Universal Screening Tool (MUST) werden opgenomen in de meta-analyse, terwijl de studiecohort de ESPEN 2015-criteria uitsluitend toepaste om een consistente uitkomstdefinitie te waarborgen. Het voorspellingsmodel werd ontwikkeld met gegevens van 800 patiënten met CD uit de Inflammatory Bowel Disease Cohort Database (IBDCD) en gevalideerd met bootstrap-resampling en een onafhankelijke niet-overlappende hold-out subset van 280 patiënten uit dezelfde database. De modelprestaties werden geëvalueerd met behulp van het oppervlak onder de receiver operating characteristic curve (AUC), Hosmer–Lemeshow-test en Brier-score. Er werden geen significante baselineverschillen waargenomen tussen de trainings- en validatiecohorten. Het model behaalde een AUC van 0,987 in de trainingscohort en 0,967 in de validatiecohort, wat goede discriminatie en kalibratie aantoont. Analyse van de beslissingscurve toonde verder klinisch betekenisvolle netto voordelen aan bij relevante drempelkansen. Dit model identificeert effectief het risico op ondervoeding bij patiënten met CD en kan gepersonaliseerde voedingsinterventie ondersteunen, klinische besluitvorming optimaliseren en de uitkomsten en kwaliteit van leven voor patiënten verbeteren. Toekomstige multicenterstudies zijn nodig om de generaliseerbaarheid van het model verder te valideren en om de integratie van sociaaleconomische factoren te evalueren voor verdere optimalisatie.

Inleiding

De ziekte van Crohn (CD) is een chronische, progressieve inflammatoire darmziekte (IBD) met een multifactoriele etiologie, en de wereldwijde last is de afgelopen jaren aanzienlijk toegenomen¹. Epidemiologische studies geven aan dat hoewel CD vaker voorkomt in westerse landen, de incidentie en prevalentie van CD in Aziatische populaties, vooral in China, de afgelopen drie decennia aanzienlijk zijn toegenomen¹.

Ondervoeding is een van de meest voorkomende en klinisch significante complicaties bij patiënten met CD.^2 Ongeveer een derde tot de helft van de patiënten met CD ervaart matige tot ernstige ondervoeding². Ondervoeding wordt geassocieerd met langdurige ziekenhuisopname, verhoogde chirurgische vereisten, hogere percentages postoperatieve complicaties, versnelde darmfibrose, verhoogde glucocorticoïde afhankelijkheid, verminderde therapeutische respons en een verminderde gezondheidsgerelateerde kwaliteit van leven (HRQoL)^3,4. Daarnaast draagt ondervoeding bij aan immuunstoornissen, waardoor darmontsteking verergert en een vicieuze cirkel ontstaat die aanzienlijke sociaaleconomische en zorglasten oplegt ^3,4.

Verschillende voedingsbeoordelingsinstrumenten worden momenteel gebruikt in de klinische praktijk; hun toepasbaarheid op patiënten met CD blijft echter beperkt⁵. De Patient-Generated Subjective Global Assessment (PG-SGA), hoewel aanbevolen voor voedingsscreening bij patiënten met chronische ziekte, steunt sterk op subjectief klinisch oordeel en vertoont beperkte consistentie onder clinici wanneer toegepast op CD-populaties⁶. Daarnaast mist PG-SGA specificiteit voor darmmalabsorptie. De Nutritional Risk Screening 2002 (NRS 2002), die drempels op basis van de body mass index (BMI) omvat, heeft relatief lage gevoeligheid aangetoond in Aziatische populaties en kan bijdragen aan onderdiagnose⁷. Evenzo vertoont de Mini Nutritional Assessment-Short Form (MNA-SF), oorspronkelijk ontwikkeld voor oudere bevolkingsgroepen, relatief hoge vals-positieve percentages bij jongvolwassenen met CD.

Belangrijk is dat de meeste momenteel beschikbare voedingsbeoordelingsinstrumenten gebaseerd zijn op statische scoresystemen en de dynamische fluctuaties in voedingsstatus die samenhangen met ziekteactiviteit in CD⁸ niet voldoende vastleggen. Aangezien CD wordt gekenmerkt door afwisselende periodes van remissie en terugval, kan de voedingsstatus in de loop van de tijd verslechteren of verbeteren parallel aan ontstekingsactiviteit⁹. Conventionele beoordelingsmethoden missen het vermogen om dynamische risicostratificatie uit te voeren en kunnen daarom een vroege subklinische achteruitgang van de voedingsstatus niet identificeren. Bovendien bevatten veel bestaande instrumenten geen ziekte-specifieke biomarkers of ontstekingsindicatoren, zoals C-reactief eiwit (CRP), serumalbumine en fecalprotectine, waardoor hun voorspellende nauwkeurigheid in complexe klinische omgevingen wordt beperkt¹⁰.

Recente ontwikkelingen in kunstmatige intelligentie en machine learning (ML) hebben nieuwe mogelijkheden gecreëerd om de voedingsrisicobeoordeling bij chronische ontstekingsziekten te verbeteren¹¹. In vergelijking met traditionele regressiegebaseerde benaderingen kunnen ML-algoritmen niet-lineaire associaties en complexe interacties tussen variabelen identificeren, waardoor ze bijzonder geschikt zijn voor heterogene klinische datasets met multidimensionale voorspellers. Nieuw bewijs suggereert dat op ML gebaseerde modellen voor voedingsrisicovoorspelling mogelijk beter presteren dan conventionele statistische benaderingen bij het voorspellen van voedingsachteruitgang bij patiënten met IBD¹². Naast het verbeteren van de voorspellende prestaties kunnen ML-benaderingen multicollineariteit verminderen door regulariseringstechnieken en de selectie van voorspellers optimaliseren om de interpreteerbaarheid en generaliseerbaarheid van het model^{te verbeteren 13,14}.

De toenemende beschikbaarheid van grootschalige openbare databases heeft het voedingsgerelateerde onderzoek in CD verder versterkt. Internationale databases, waaronder de IBD Biobank, National Health and Nutrition Examination Survey (NHANES) en UK Biobank, bevatten uitgebreide longitudinale klinische gegevens met voedingsindices, ontstekingsbiomarkers, genomische informatie en leefstijlkenmerken 15,16,17. De integratie van deze multidimensionale datasets maakt validatie over meerdere populaties mogelijk en verbetert de externe toepasbaarheid van voorspellende modellen. Meta-analyses hebben aangetoond dat voorspellingsmodellen ontwikkeld met multicenter geïntegreerde datasets een grotere stabiliteit en reproduceerbaarheid vertonen dan modellen afgeleid van single-center cohorten.

Deze studie stelde de hypothese dat het integreren van multidimensionale voorspellende variabelen, waaronder ontstekingsmarkers, ziektekenmerken en demografische en sociaaleconomische factoren, gecombineerd met multivariabele logistische regressie en machine learning-algoritmen, de nauwkeurigheid en efficiëntie van de voorspelling van ondervoedingsrisico's bij patiënten met CD zou verbeteren. Het resulterende voorspellingsmodel kan gepersonaliseerde voedingsinterventie faciliteren, klinische besluitvorming optimaliseren en de uitkomsten en kwaliteit van leven voor patiënten verbeteren.

Protocol

Alle patiënten van wie de gegevens zijn ingevoerd in de Inflammatory Bowel Bowel Disease Cohort Database (IBDCD) hebben schriftelijk geïnformeerde toestemming gegeven voor het gebruik van gede-identificeerde klinische gegevens voor onderzoeksdoeleinden bij de registratie van de database. Hetzelfde ethische goedkeurings- en toestemmingskader gold voor alle gegevens die uit de database werden gehaald, inclusief zowel de ontwikkelings- als validatiecohorten. In deze studie werd geen identificeerbare patiëntinformatie gebruikt, en alle gegevens werden gedeïdentificeerd en versleuteld voor opslag. Omdat deze studie retrospectieve analyse van gedeïdenificeerde gegevens uit een gevestigde database omvatte, schafte de ethische commissie de vereiste voor aanvullende patiënttoestemming voor deze specifieke analyse op. De onderzoeksinstrumenten die in het protocol worden gebruikt, zijn vermeld in de Materiaaltabel.

1. Screening van invloedende factoren in de meta-analyse

1. Strategie voor literatuurzoektocht
   Er werd een systematische zoekstrategie uitgevoerd via PubMed, Web of Science, Cochrane Library, Embase en China National Knowledge Infrastructure (CNKI). De Engelse zoekstrategie werd als volgt gedefinieerd:
   
   ("Crohn Disease"[Mesh] OF "CD"[tiab] OF "Crohn*"[tiab]) EN ("Ondervoeding"[Mesh] OF "Voedingsstatus"[Mesh] OF "Voedingsrisico"[tiab]) EN ("Risicofactoren"[Mesh] OF "Voorspellen*"[tiab])
   
   De zoekperiode besloeg het begin van de database tot en met 31 maart 2025. Daarnaast werd handmatige screening van referentielijsten uit opgenomen studies uitgevoerd om mogelijk gemiste artikelen te identificeren. Deze strategie maakte een uitgebreide literatuurstudie mogelijk van ondervoedingsgerelateerde risico's en voorspellende factoren bij patiënten met de ziekte van Crohn (CD), met duidelijk gedefinieerde databases, zoektermen, tijdsbestek en aanvullende handmatige opvragingsprocedures om de volledigheid van de literatuurverzameling te waarborgen.
2. Inclusie- en uitsluitingscriteria
   De inclusiecriteria vereisten dat de studiepopulaties moesten bestaan uit volwassen patiënten (≥18 jaar) die volgens het Consensus van 2018 over de diagnose en behandeling van inflammatoire darmziekte van 2018 de diagnose en behandeling van de ziekte van Crohn hadden gekregen. Gezien de klinische betekenis van ondervoeding in CD, werd de nadruk gelegd op studies die malvoeding definiëren volgens de criteria van de European Society for Clinical Nutrition and Metabolism (ESPEN) 2015, de Global Leadership Initiative on Malnutrition (GLIM) 2019-criteria, of de Malnutrition Universal Screening Tool (MUST)-score ≥2. Er werd een duidelijk onderscheid gehandhaafd tussen door literatuur gedefinieerde diagnostische criteria en de exclusieve toepassing van de ESPEN 2015-criteria voor uitkomstdefinitie binnen de studiecohort.
   
   Geschikte studieontwerpen omvatten cohort-, case-control-, cross-sectional- en mixed-methods studies om een uitgebreide evaluatie van ondervoedingsrisicofactoren vanuit meerdere perspectieven te waarborgen. Uitsluitingscriteria omvatten dierstudies, overzichtsartikelen en conferentieabstracts vanwege onvoldoende gegevensondersteuning of gebrek aan peer review. Studies zonder essentiële statistische informatie, waaronder odds ratios (OR's) en overeenkomstige 95% betrouwbaarheidsintervallen (BI), werden ook uitgesloten.

2. Literatuurscreening en gegevensextractie

Literatuurscreening en gegevensextractie werden onafhankelijk uitgevoerd door twee onderzoekers om volledigheid en nauwkeurigheid te waarborgen. De eerste fase bestond uit het screenen van titels en abstracts om studies uit te sluiten die duidelijk niet aan de inclusiecriteria voldeden, waardoor de dataset werd beperkt tot potentieel relevante, hoogwaardige studies.

Vervolgens werd volledige tekstscreening uitgevoerd voor studies die als mogelijk in aanmerking kwamen. Deze fase omvatte een gedetailleerde evaluatie van het onderzoeksontwerp, de methodologie, de resultaten en het naleven van vooraf gedefinieerde inclusiecriteria om ervoor te zorgen dat alleen studies die aan alle eisen voldeden in de eindanalyse werden opgenomen.

Data-extractie werd uitgevoerd met gestandaardiseerde formulieren om systematisch belangrijke informatie vast te leggen, waaronder auteursnamen, publicatiejaar, land, steekproefgrootte, Montreal-classificatiesubtypeverdeling, gemiddelde ziekteduur, definities van ondervoeding, beoordelingsinstrumenten en geëxtraheerde OR's met overeenkomstige 95% BI voor invloedende factoren die samenhangen met het risico op ondervoeding.

Eventuele onregelmatigheden of onzekerheden die ontstonden tijdens screening en gegevensextractie werden opgelost via interne discussies. Wanneer er geen consensus kon worden bereikt, werd een externe expert geraadpleegd om te arbitreren, waarbij subjectieve vooringenomenheid werd geminimaliseerd en objectieve besluitvorming werd gegarandeerd. Dit rigoureuze proces verbeterde de methodologische transparantie en bood een robuuste basis voor het identificeren van belangrijke factoren die samenhangen met het risico op ondervoeding bij CD.

3. Kwaliteitsbeoordeling

Strenge kwaliteitsbeoordelingscriteria werden toegepast om de wetenschappelijke validiteit en betrouwbaarheid van de opgenomen studies te waarborgen. Cohort- en case-control studies werden geëvalueerd met behulp van de Newcastle–Ottawa Scale (NOS), die de studiekwaliteit beoordeelt over drie domeinen: selectie, vergelijkbaarheid en exposure. Alleen studies met NOS-scores ≥7 werden als hoogwaardig geclassificeerd en opgenomen in de analyse.

Dwarsdoorsnedestudies werden geëvalueerd met behulp van het beoordelingsinstrument van het Agency for Healthcare Research and Quality (AHRQ), dat de selectie van deelnemers, de toereikendheid van steekproefgrootte, de geldigheid van gegevensverzamelingsmethoden en de geschiktheid van statistische analyses onderzoekt. Studies met AHRQ-scores ≥8 werden als geschikt beschouwd voor opname.

De toepassing van deze strenge kwaliteitsbeoordelingscriteria minimaliseerde potentiële bias gerelateerd aan de variabiliteit van studiekwaliteit en zorgde ervoor dat het voorspellende model werd ondersteund door een betrouwbare bewijsbasis.

4. Constructie van voorspellingsmodellen

1. Gegevensbron
   De Inflammatory Bowel Disease Cohort Database (IBDCD) is een multicenter prospectieve cohortdatabase met klinische gegevens van patiënten met de ziekte van Crohn, verzameld tussen januari 2018 en maart 2025, inclusief demografische informatie, klinische kenmerken, laboratoriumindicatoren, behandelregimes en voedingsstatusbeoordelingen. De dataset van modelontwikkeling omvatte 800 patiënten met de ziekte van Crohn, afkomstig uit de IBDCD-database, bestaande uit 520 patiënten in de trainingscohort en 280 patiënten in de validatiecohort.
   
   Opnamecriteria vereisten een bevestigde diagnose van de ziekte van Crohn gedurende ten minste 6 maanden en beschikbaarheid van volledige klinische gegevens, inclusief geïdentificeerde beïnvloedende factoren en voedingsbeoordelingsgegevens afkomstig uit de meta-analyse. Patiënten met comorbide aandoeningen die mogelijk de voedingsstatus beïnvloeden, waaronder maligniteiten of chronische nierziekte, werden uitgesloten om de nauwkeurigheid van de gegevens en de validiteit van het model te waarborgen.
2. Variabeledefinitie en toewijzing
   Ondervoeding werd strikt vastgesteld volgens de ESPEN 2015-criteria, die drie kerndiagnostische componenten omvatten: onbedoeld gewichtsverlies (≥5% binnen 3 maanden of ≥10% binnen 6 maanden), verminderde voedselinname of -opname (≥25% vermindering gedurende ≥14 dagen), en verminderde spiermassa die werd beoordeeld via lichamelijk onderzoek en antropometrische metingen, inclusief spieromtrek in de middenarm. Een lage body mass index (BMI < 18,5 kg/^m2) werd eerder als een ondersteunende dan definitieve diagnostische indicator beschouwd. Ondervoeding werd alleen bevestigd wanneer ten minste één kerncriterium aanwezig was, terwijl een lage BMI als aanvullende indicator diende. Patiënten met een lage BMI zonder bewijs van de kerncriteria werden niet als ondervoed geclassificeerd. Deze definitie vermeed circulariteit tussen een laag BMI, een voorspellende variabele, en ondervoeding, een uitkomst.
   
   De prevalentie van ondervoeding was 42,5% in de trainingscohort (n = 520) en 40,4% in de validatiecohort (n = 280). Op basis van de meta-analyse resultaten werden vijf belangrijke beïnvloedende factoren geselecteerd als voorspellende variabelen, waaronder ziekteactiviteit gedefinieerd als C-reactief eiwit (CRP >10 mg/L; Ja = 1, Nee = 0), dunne darmbetrokkenheid gedefinieerd door de Montreal-classificatie (LL1/LL3 versus LL2 colonische betrokkenheid; Ja = 1, Nee = 0), biologisch gebruik (Ja = 1, Nee = 0), geschiedenis van darmresectie (Ja = 1, Nee = 0), en lage BMI (<18,5 kg/m²; Ja = 1, Nee = 0). Leeftijd en geslacht werden verzameld als demografische basiskenmerken, maar niet als voorspellende variabelen opgenomen in het uiteindelijke model omdat ze tijdens de voorlopige analyse niet statistisch significant waren.
   
   In totaal werden 17 hoogwaardige studies opgenomen in de meta-analyse. De gepoolde OR's en overeenkomstige 95% BI voor de vijf voorspellende factoren waren als volgt: verhoogde CRP (OR = 4,72, 95% BI: 3,21–6,95), dunne darmbetrokkenheid (OR = 2,89, 95% BI: 1,93–4,33), biologisch gebruik (OR = 0,39, 95% BI: 0,15–1,01), geschiedenis van darmresectie (OR = 6,17, 95% BI: 2,35–16,18), en lage BMI (OR = 3,56, 95% BI: 2.41–5.27).
3. Modelbouwmethode
   De gepoolde OR's en de bijbehorende 95% BI's afkomstig uit de meta-analyse werden omgezet in log-OR-waarden en gebruikt om de regressiecoëfficiënten (β) van het multivariabele logistische regressiemodel af te leiden. De consistentie tussen de meta-analyse resultaten en modelcoëfficiënten werd geverifieerd met behulp van Pearson-correlatieanalyse (r = 0,98, P < 0,001). Op basis van de geïdentificeerde invloedende factoren werd een multivariabel logistisch regressiemodel opgesteld volgens de volgende vergelijking:
   
   "logit"(P) = α + β₁ X₁ + β₂ X₂ + β₃ X₃ + β₄ X₄ + β₅ X₅
   
   waarbij P de kans op ondervoeding vertegenwoordigt en β waarden de natuurlijke logaritme van de gepoolde OF-waarden die uit de meta-analyse zijn afgeleid.
   
   Met R-software (versie 4.2.1) en het "rms"-pakket werd het model vertaald naar een klinisch toepasbaar nomogram. Oorspronkelijke risicoscores (theoretisch bereik: 0–325,1) werden lineair geschaald naar een 0–100 bereik om de klinische leesbaarheid te verbeteren. Op basis van totale nomogramscores werden patiënten gestratificeerd in laag-risico (≤20 punten), matig risico (21–40 punten) en hoog-risico (>40 punten) met behulp van percentiel-gebaseerde kalibratie ten opzichte van de cohortscoreverdeling.
   
   Machine learning-algoritmen, waaronder random forest (RF) en gradient boosting decision tree (GBDT), werden gebruikt voor feature-optimalisatie. Een stapelstrategie combineerde RF en GBDT als basisleraren met logistische regressie als meta-classificator. Hyperparameters werden geoptimaliseerd met 5-voudige kruisvalidatie, met RF geconfigureerd als n_estimators = 200 en max_depth = 10, en GBDT geconfigureerd als n_estimators = 150 en learning_rate = 0,1. De Synthetic Minority Oversampling Technique (SMOTE) werd toegepast om kleine klassenonevenwichtigheden binnen de trainingsdataset aan te pakken.

5. Modelvalidatie

1. Validatiedataset
   Er werd een dubbele validatiestrategie toegepast. Interne validatie werd uitgevoerd met bootstrap resampling en 1.000 herhalingen. Hold-out validatie werd uitgevoerd met een onafhankelijke, niet-overlappende subset van 280 patiënten uit de IBDCD-database, waarbij patiënten die in de trainingscohort waren opgenomen werden uitgesloten. Alle patiënten in de validatiecohort kregen de diagnose van Crohn volgens de Inflammatory Bowel Disease Consensus van 2018, met prospectief verzamelde gegevens van januari 2018 tot maart 2025.
   
   De validatiecohort volgde dezelfde vaststellingsprocedures als de trainingscohort. Ondervoeding werd beoordeeld volgens de ESPEN 2015-criteria, en alle voorspellende variabelen, waaronder CRP, locatie van de laesie, biologisch gebruik, geschiedenis van intestinale resectie en BMI, werden gemeten binnen 72 uur na opname in het ziekenhuis. Er werden geen significante verschillen waargenomen tussen de trainings- en validatiecohorten voor basiskenmerken, waaronder leeftijd, geslacht en ziekteduur (P > 0,05), wat de betrouwbaarheid en klinische toepasbaarheid van de validatieresultaten ondersteunt.
   
   Extra prestatie-indicatoren werden berekend om de modelprestaties verder te evalueren. In de trainingscohort was de gevoeligheid 92,3%, specificiteit 94,1%, de positieve voorspellende waarde (PPV) 90,5% en de negatieve voorspellende waarde (NPV) 95,2%. In de validatiecohort was de gevoeligheid 90,2%, specificiteit 92,8%, PPV 88,7% en NPV 93,9%. De Brier-score was 0,087 in de trainingscohort en 0,102 in de validatiecohort, wat wijst op acceptabele voorspellingsfout.
2. Validatiemetrieken
   Modeldiscriminatie werd geëvalueerd met behulp van het gebied onder de receiver operating characteristic (ROC) curve (AUC). De kalibratie werd beoordeeld met behulp van de Hosmer–Lemeshow-test, waarbij P > 0,05 geen significant verschil aangaf tussen voorspelde kansen en waargenomen uitkomsten, en de Brier-score, waarbij waarden <0,20 een acceptabele voorspellingsfout aangaven. Beslissingscurveanalyse (DCA) werd daarnaast uitgevoerd om het klinisch nettovoordeel te evalueren over een reeks drempelkansen.
   
   Dit validatiekader volgde de Transparante Rapportage van een multivariabel voorspellingsmodel voor richtlijnen voor Individual Prognosis or Diagnosis (TRIPOD) statements.

6. Statistische analyse

Meta-analyse werd uitgevoerd met RevMan versie 5.4, en gepoolde OR's met overeenkomstige 95% BI werden berekend. Heterogeniteit werd beoordeeld met behulp van de I^2-statistiek ; Waarden>50% wijzen op aanzienlijke heterogeniteit. Random-effects modellen werden toegepast wanneer significante heterogeniteit aanwezig was; anders werden fixed-effects modellen gebruikt. Gevoeligheidsanalyse werd uitgevoerd door individuele studies sequentieel uit te sluiten om de stabiliteit van de resultaten te evalueren. Publicatiebias werd beoordeeld met behulp van funnel plots en de Egger-test.

Basisstatistische analyses werden uitgevoerd met SPSS versie 26.0. De "pROC", "rms" en "glmnet" pakketten in R-software (versie 4.2.1) werden gebruikt voor modelconstructie en validatie.

Resultaten

Basiskenmerken van de studiepopulatie
Deze meta-analyse omvatte 17 hoogwaardige studies die ondervoeding bij patiënten met de ziekte van Crohn evalueerden, zoals samengevat in Aanvullende Tabel 1. De studies werden gepubliceerd tussen 2009 en 2025, met een mediane steekproefgrootte van 502 patiënten (bereik: 175–773). De studieontwerpen omvatten prospectieve cohort-, retrospectieve cohort-, case-control, cross-sectional en mixed-methods studies, waarb...

Discussie

De ziekte van Crohn (CD) is een chronische, terugkerende inflammatoire darmziekte die elk deel van het maag-darmkanaal kan aantasten 1,35,36,37. De oorzaak van CD blijft onduidelijk en men denkt dat deze meerdere factoren omvat, waaronder genetische vatbaarheid, blootstelling aan het milieu en ontregeling van het immuunsysteem. Veelvoorkomende klinische manife...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
RevMan software	Cochrane Collaboration‌	5.4	De professionele meta-analysesoftware ontwikkeld door de Cochrane-samenwerking wordt voornamelijk gebruikt voor de formulering van systematische reviews en meta-analyses, gegevensinvoer en visualisatie van resultaten. ‌
R software	The R Project for Statistical Computing	4.2.1	R is een tak van de S-taal die wijdverspreid werd gebruikt op het gebied van statistiek en werd geboren rond 1980. Het kan worden beschouwd als een implementatie van de S-taal. De S-taal, ontwikkeld door AT&T Bell LABS, is een interpretatieve taal die wordt gebruikt voor gegevensverkenning, statistische analyse en grafiekpresentatie