adjustedCurves: Estimating Confounder-Adjusted Survival Curves in R
تقدم الورقة البحثية حزمة `adjustedCurves` بلغة البرمجة R، والتي توفر إطار عمل موحداً لتقدير وتصور منحنيات البقاء المعدلة وفقاً للمتغيرات المربكة، ومتوسطات زمن البقاء المقيدة، والربيعات في الدراسات الرصدية ذات البيانات المتعلقة بالزمن حتى وقوع الحدث والخاضعة للرقابة اليمنى.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم الأبحاث الطبية، يعد فهم المدة التي قد يعيشها المريض بعد علاج معين سؤالاً جوهرياً. عندما يدرس العلماء هذا الأمر، فإنهم غالباً ما ينظرون إلى بيانات "الوقت حتى وقوع الحدث"، والتي تتبع المدة من نقطة البداية، مثل الجراحة، حتى وقوع نتيجة معينة، مثل الوفاة أو عودة المرض. ولتصوير هذه الجداول الزمنية، يرسم الباحثون تقليدياً منحنيات البقاء على قيد الحياة. تُظهر هذه الخطوط النسبة المئوية للأشخاص الذين لا يزالون على قيد الحياة أو بمعزل عن وقوع الحدث مع مرور الوقت. وإذا كانت الدراسة تجربة محكومة بدقة حيث يتم توزيع المرضى عشوائياً على علاجات مختلفة، فإن هذه المنحنيات تقدم صورة واضحة وصادقة للسبب والنتيجة. ومع ذلك، فإن معظم الأبحاث الطبية تحدث في العالم الحقيقي، حيث لا يتم توزيع المرضى عشوائياً. بدلاً من ذلك، يختار الأطباء العلاجات بناءً على عمر المريض، أو شدة مرضه، أو عوامل أخرى. وهذا يخلق فخاً خفياً: فإذا كانت مجموعة العلاج، بالصدفة، أكثر مرضاً منذ البداية، فسيبدو منحنى البقاء الخاص بها أسوأ، ليس لأن العلاج فشل، بل لأن المرضى كانوا بالفعل معرضين لمخاطر أعلى. يُسمى هذا التشويه بـ "الارتباك" (confounding)، ويمكن أن يجعل علاجاً مفيداً يبدو ضاراً، أو علاجاً ضاراً يبدو مفيداً.
ولحل هذه المشكلة، طور روبن دينز ونينا تيميسفيلد من جامعة روهر بوش فيم، أداة جديدة للغة البرمجة R، وهي بيئة برمجية تُستخدم على نطاق واسد من قبل الإحصائيين. يوفر عملهما، الذي تم إدراجه في حزمة adjustedCurves (المنحنيات المعدلة)، طريقة لإعادة رسم خطوط البقاء تلك بحيث تعكس ما كان سيحدث لو كانت مجموعات العلاج متوازنة تماماً، كما لو كان قد تم توزيع المرضى عشوائياً. لم يخترع الباحثون الصيغ الرياضية لهذا التعديل، بل قاموا بجمع العديد من الطرق الموجودة بالفعل في الأدبيات العلمية ودمجوها في نظام واحد سهل الاستخدام. وقبل وجود هذه الأداة، كان يتعين على الباحث ربما تعلم خمس حزم برمجية مختلفة، لكل منها قواعدها المربكة، فقط لتجربة طريقة واحدة. توحد الحزمة الجديدة هذه المنهجيات، مما يسمح للعلماء بحساب المنحنيات المعدلة، وتقدير فترات الثقة، وإنشاء رسوم بيانية جاهزة للنشر بأمر واحد فقط.
اختبر الفريق برمجيتهم باستخدام بيانات حقيقية من بنك أورام روتردام، والذي يحتوي على سجلات لـ 2,982 امرأة مصابة بسرطان الثدي الأولي. في هذه المجموعة من البيانات، تلقت بعض المريضات علاجاً هرمونياً بينما لم تتلقَّ أخريات ذلك. وعندما رسم الباحثون في البداية منحنيات البقاء الخام غير المعدلة، كانت النتائج مذهلة ومضللة. فقد بدا أن النساء اللواتي تلقين العلاج الهرموني لديهن فرصة أقل بكثير للنجاة مقارداً اللواتي لم يتلقينه، مع اتساع الفجوة بين المجموعتين بشكل ملحوظ بمرور الوقت. بدا هذا وكأن العلاج كان ضاراً. ومع ذلك، كان الباحثون يعلمون أن هذا كان وهماً ناتجاً عن الارتباك؛ ففي الواقع، كان الأطباء يميلون إلى وصف العلاج الهرموني للمريضات اللواتي كن بالفعل أكثر مرضاً أو لديهن أورام أكثر عدوانية. كانت البيانات الخام ببساطة تعكس الحالة الصحية السيئة لمجموعة العلاج، وليس تأثير الدواء.
ومن خلال تطبيق المنهجيات الموجودة في حزمة adjustedCurves ، قام الباحثون بإزالة تأثير هذه الاختلافات المسبقة. لقد استخدموا تقنيات إحصائية لإعادة وزن البيانات، مما خلق فعلياً سيناريو افتراضياً تكون فيه المجموعتان المعالجتان وغير المعالجتين متطابقتين من حيث العمر، وحجم الورم، وعوامل الخطر الأخرى. وعندما أعادوا رسم منحنيات البقاء باستخدام هذه البيانات المعدلة، تلاشى الاختلاف الدراماتيكي. كان الخطان، اللذان يمثلان المجموعتين المعالجة وغير المعالجة، يسيران بشكل متوازٍ تقريباً، مما أظهر عدم وجود فرق جوهري في نتائج البقاء على قيد الحياة. وتماشى هذا مع ما اقترحته دراسات صارمة أخرى: وهو أن العلاج لم يكن هو السبب في سوء البقاء الملاحظ في البيانات الخام. كما سمحت الحزمة للفريق أيضاً بحساب أرقام محددة، مثل الفرق في احتمالية البقاء بعد خمس أو ست أو سبع سنوات، والوقت المتوسط الذي يمكن أن تتوقعه المريضات للعيش. وفي كل حالة، أظهرت الأرقام المعدلة أن العلاج لم يحدث فرقاً جوهرياً في وقت البقاء الإجمالي لهذه المجموعة المحددة من المريضات.
تؤكد الورقة البحثية أنه بينما الرياضيات الكامنة وراء هذه التعديلات معقدة، فإن الهدف هو جعل العملية متاحة للباحثين الذين قد لا يكونون خبراء في الإحصاء المتقدم. تتولى البرمجية القيام بالمهام الشاقة، والتحقق من أن المنحنيات تسير بشكل منطقي وتوفير أدوات لتصور النتائج بوضوح. كما تتضمن ميزات لإظهار عدد المرضى الذين لا يزال يتم متابعتهم في كل نقطة زمنية، ولعرض نطاق عدم اليقين حول التقديرات. ويشير المؤلفون إلى أنه بينما تعمل أداتهم بشكل جيد للعديد من السيناريوهات الشائعة، إلا أنها ليست حلاً سحرياً لكل مشكلة بحثية ممكنة. فهي تتعامل حالياً مع العلاجات التي لا تتغير بمرور الوقت وتعتمد على افتراض أن جميع عوامل الخطر المهمة قد تم قياسها. إذا فات عامل حاسم أو إذا تغير العلاج أثناء الدراسة، فلا يمكن للأداة إصلاح التحيز الناتج عن ذلك.
في نهاية المطاف، يتعلق هذا العمل بالوضوح والأمانة في التقارير الطبية. ومن خلال توفير وسيلة لتصور التأثير الحقيقي للعلاج، بعيداً عن ضجيج الاختلافات المسبقة بين مجموعات المرضى، تساعد حزمة adjustedCurves في منع الاستنتاجات المضللة. إنها تضمن أنه عندما ينظر الطبيب أو المريض إلى رسم بياني لمعدلات البقاء، فإنه يرى تأثير العلاج نفسه، وليس تأثير المرض الذي أدى إلى اختيار العلاج في المقام الأول. ويأمل الباحثون أنه من خلال جعل هذه الأساليب المتطورة أسهل في الاستخدام، ستنتقل المزيد من الدراسات لما وراء الرسوم البيانية البسيطة غير المعدلة وتقدم صورة أكثر دقة لكيفية تأثير التدخلات الطبية حقاً على حياة البشر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.