Longitudinaal versus cross-sectioneel
Tijd
Het grote verschil tussen longitudinaal onderzoek en cross-sectioneel onderzoek is de factor tijd. In longitudinaal onderzoek kijk je naar verschillende momenten in de tijd. Bij cross-sectioneel onderzoek (ook wel dwarsdoorsnede of transversaal onderzoek genoemd – al noemt niemand het zo) kijk je naar één moment in de tijd. Eigenlijk, zodra je minstens twee verschillende metingen hebt, spreek je van longitudinaal onderzoek.
Je kan dus bij longitudinaal kijken naar een mogelijke oorzaak of blootstelling en dan mensen in de tijd volgen om te kijken of er later bijvoorbeeld een ziekte optreedt. Bij cross-sectioneel onderzoek kijk je naar zowel blootstelling als uitkomst op één moment in de tijd.
Voorbeeld 1: roken & longkanker
Om het verschil toe te lichten neem ik hierbij een klassiek voorbeeld: roken en longkanker. Je kunt je voorstellen dat je tijd moet meenemen om deze relatie goed te onderzoeken. Longkanker treedt namelijk pas na jaren roken op.
Hiervoor is longitudinaal onderzoek dus uitermate geschikt. Je kunt een longitudinaal onderzoek starten op moment 0 met een x aantal mensen die roken en vervolgens volg je die een aantal jaar. Elk jaar open je bijvoorbeeld hun medische dossiers en kijk je of er longkanker heeft opgetreden.
Je hoeft niet per se ‘vooruit’ door de tijd om een onderzoek longitudinaal te noemen, een zogeheten prospectief onderzoek. Je kunt ook mensen met longkanker nemen en dan terug in de tijd gaan om te zien wie er allemaal rookten. Dit is ook een longitudinaal onderzoek, alleen heet dit dan retrospectief, je gaat hierin zogezegd terug in de tijd.
Je kunt je voorstellen dat cross-sectioneel onderzoek niet zo geschikt is om deze relatie te onderzoeken. Een cross-sectioneel onderzoek zou bijvoorbeeld kunnen zijn dat je alle dossiers erbij pakt van de huisartsenpraktijk en onderzoekt wie er NU roken en wie er ook NU longkanker hebben. Omdat longkanker optreedt na jaren roken, werkt deze aanpak niet.
In een eerdere blog over het verschil tussen correlatie en causaliteit (zie hier) heb ik uitgelegd dat tijd één van de voorwaarden is voor causaliteit. De oorzaak moet dus vooraf zijn gegaan aan het gevolg. (In dit voorbeeld: roken moet vooraf zijn gegaan aan longkanker.) Omdat je dat dus niet kan checken in cross-sectioneel onderzoek, kun je hier ook eigenlijk geen causaliteit mee aantonen. (Dus mooie check voor jezelf als je twijfelt tussen correlatie en causaliteit. Is het een cross-sectioneel onderzoek? Dan kan er eigenlijk geen causaliteit mee worden aangetoond.)
Voorbeeld 2: seizoenen & depressie tijdens de zwangerschap
Okay, roken en longkanker is een vrij duidelijk verhaal. Maar hoe zit het met andere verbanden die misschien niet zo duidelijk zijn op het eerste gezicht? Hiervoor licht ik graag een voorbeeld toe uit mijn eigen oeuvre: de invloeden van seizoenen op depressie tijdens de zwangerschap.
Ik heb hier ooit onderzoek naar gedaan (mocht je nieuwsgierig zijn, hier een link naar het artikel). In dit onderzoek hadden meer dan 2000 vrouwen een vragenlijst ingevuld tijdens hun zwangerschap. Hierin werd o.a. gevraagd naar hun symptomen wijzend op depressie. We waren nieuwsgierig of seizoenen invloed zouden kunnen hebben op deze symptomen. Zouden die bijvoorbeeld vaker aanwezig zijn in de winter dan in de zomer?
We linkten de datum van invullen aan de symptomen van depressie en vonden dat een grote groep mensen meer last had van depressieve symptomen in de winter dan in de zomer. Is dit onderzoek dan nu longitudinaal of cross-sectioneel?
Ik geef je even de tijd om hier over na te denken.
Okay, geen tijd, maar witregels. Je snapt wat ik bedoel.
…
…
Het antwoord is *tromgeroffel*… cross-sectioneel. De blootsteling (seizoenen) en de uitkomst (depressie) werden immers op hetzelfde moment gemeten. Kunnen we daarmee zeggen dat seizoenen ervoor zorgen dat depressieve symptomen toenemen? Nee. We kunnen hier alleen stellen dat het seizoen geassocieerd is met de symptomen. Er waren meer depressieve symptomen in de winter dan in de zomer, maar we kunnen in dit onderzoek niet stellen dat de winter dit ook veroorzaakte.
Waarom dan niet altijd longitudinaal?
Je zal nu misschien denken: okay, waarom dan ooit nog cross-sectioneel onderzoek doen? Longitudinaal onderzoek is toch sowieso veel beter? Waarom doe je dan niet gewoon altijd longitudinaal onderzoek?
Tsja, goede vraag. Soms heb je simpelweg niet de data om het uit te zoeken en heb je het maar gewoon te doen met cross-sectionele data. Longitudinaal onderzoek opzetten is daarbij tijdrovend (je moet mensen immers enige tijd volgen) en het kost heel veel geld. En dat is er niet altijd. En soms wil je ook dingen niet per se op longitudinale wijze uitzoeken. Stel: je wilt weten hoeveel vrouwen benzodiazepines gebruiken op bepaalde momenten tijdens de zwangerschap (heb ik ook gedaan, zie hier). Cross-sectioneel onderzoek is dan voldoende. Wil je weten of het toe- of afneemt van het eerste naar het tweede trimester bij personen? Ja, dan heb je weer longitudinaal onderzoek nodig.
Conclusie
Kort maar krachtig: het verschil tussen longitudinaal en cross-sectioneel onderzoek zit hem in de tijd. Bij longitudinaal onderzoek kijk je op verschillende momenten naar oorzaak en gevolg en dit is daarom een geschikt design om causaliteit aan te tonen. Cross-sectioneel onderzoek kijkt naar oorzaak en gevolg op één moment in de tijd en is daarom niet geschikt om causaliteit aan te tonen.
