📊 statistics

Principal stratification with recurrent events truncated by a terminal event: A nested Bayesian nonparametric approach

تقترح هذه الورقة إطاراً بيانياً غير معلمي متداخلًا باستخدام عملية ديريكليه معتمدة ومثرية لمعالجة تحيز الاختيار الناتج عن الأحداث المتكررة المقطوعة بالوفاة، مما يتيح إجراء تحليل حساسية شفافًا ويُظهر أداءً فائقًا في تقدير الآثار السببية، مثل تأثير التمارين الرياضية على إعادة دخول المستشفى.

المؤلفون الأصليون: Yuki Ohnishi, Michael O. Harhay, Guangyu Tong, Fan Li

نُشر 2026-03-18

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Yuki Ohnishi, Michael O. Harhay, Guangyu Tong, Fan Li

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

تخيل أنك طبيب يحاول معرفة ما إذا كان برنامج رياضي جديد يساعد مرضى فشل القلب. تريد أن تعرف: هل تمنع الرياضة المرضى من دخول المستشفى مجددًا؟

ولكن هناك عقبة. بعض المرضى يتوفون أثناء الدراسة. عندما يتوفى مريض، يتوقف عن المجيء إلى المستشفى، لذا نتوقف عن عد زياراته للمستشفى. هذا يخلق مشكلة معقدة:

إذا ساعد البرنامج الرياضي الناس على العيش لفترة أطول، فسيكون لديهم وقت أكثر للمرض ودخول المستشفى مجددًا.
إذا لم ينجح البرنامج الرياضي، فقد يموت الناس في وقت مبكر، وسنتوقف عن عد زياراتهم للمستشفى مبكرًا.

إذا قمت فقط بمقارنة إجمالي زيارات المستشفى بين مجموعة التمارين ومجموعة الضبط، فقد تحصل على إجابة مضللة. أنت لا تقيس فقط تأثير الرياضة على المرض، بل تقيس أيضًا تأثيرها على البقاء على قيد الحياة، وهذا يغير قواعد اللعبة.

تقترح هذه الورقة البحثية طريقة جديدة ذكية لحل هذا اللغز باستخدام طريقة تسمى التقسيم الطبقي الرئيسي (Principal Stratification) وأداة إحصائية متطورة تسمى عملية ديريكليه المعتمدة والمثرية (Enriched Dependent Dirichlet Process - EDDP).

إليك تفصيل الأمر بكلمات بسيطة:

١. المشكلة: فخ "تحيز الناجين"

تخيل أنك تعد عدد المرات التي يسقط فيها الناس من دراجاتهم.

المجموعة (أ) تقود على رصيف ناعم.
المجموعة (ب) تقود على صخور خشنة وخطيرة.

إذا تحطمت دراجات المجموعة (ب) بقوة لدرجة أنهم توقفوا عن ركوب الدراجات تمامًا، فقد تعتقد: "واو، المجموعة (ب) لديها سقطات أقل!" ولكن هذا لأنهم توقفوا عن الركوب فقط. لم يكن لديهم سقطات أقل؛ بل لم تعد لديهم الفرصة للسقوط.

في دراسة فشل القلب، الوفاة تشبه تحطم الدراجة. إذا نظرنا فقط إلى الأشخاص الذين لا يزالون على قيد الحياة في نهاية المطاف، فنحن ننظر إلى مجموعة تم "تصفيتها" عن طريق الموت. نحن بحاجة إلى مقارنة التفاح بالتفاح: ماذا كان سيحدث للأشخاص الذين كانوا سينجون بغض النظر عن المجموعة التي ينتمون إليها؟

٢. الحل: نادي "الناجين دائمًا"

ينشئ المؤلفون ناديًا خياليًا خاصًا يسمى "طبقة الناجين دائمًا" (Always-Survivor Stratum).

يضم هذا النادي فقط المرضى الذين كانوا سينجون وتتجاوز أعمارهم تاريخًا معينًا (مثل ٤ سنوات) سواء مارسوا الرياضة أم لا.
هم يستبعدون المرضى "الهشين" الذين كانوا سيموتون مبكرًا مهما حدث.
من خلال التركيز فقط على هذا النادي، يمكنهم طرح السؤال بعدل: "بالنسبة للأشخاص الذين كانوا سينجون على أي حال، هل قللت الرياضة من زياراتهم للمستشفى؟"

٣. الابتكار: ساعتان بدلاً من واحدة

حاولت الأساليب السابقة الإجابة على هذا السؤال باستخدام ساعة واحدة فقط. كانوا يسألون: "كم عدد زيارات المستشفى التي قام بها الناجون بحلول السنة الرابعة؟"

العيب: مع مرور الوقت، تتغير مجموعة "الناجين". الأشخاص الباقون على قيد الحياة في السنة الأولى يختلفون عن الأشماء الباقين في السنة الرابعة. الأمر يشبه محاولة قياس نمو شجرة من خلال النظر إلى شجرة مختلفة كل عام.

فكرة الورقة الجديدة: ساعتان (الترميز المزدوج)
يستخدم المؤلفون ساعتين:
١. الساعة (R) (ساعة البقاء على قيد الحياة): تحدد تاريخًا ثابتًا (مثل ٤ سنوات) لتحديد من هم في نادي "الناجين دائمًا". هذه المجموعة تظل ثابتة.
٢. الساعة (T) (ساعة الحدث): تعد زيارات المستشفى حتى وقت محدد (مثل السنة ١، السنة ٢، السنة ٣) داخل تلك المجموعة الثابتة.

التشبيه: تخيل أنك تريد رؤية مدى تسارع سيارة.

الطريقة القديمة: تختار سيارة لا تزال تعمل عند خط النهاية وتقيس سرعتها عند كل ميل. ولكن السيارات التي تعطلت مبكرًا قد اختفت، لذا بياناتك غير منظمة.
الطريقة الجديدة: تختار مجموعة محددة من السيارات التي تعرف أنها ستنهي السباق (الناجون دائمًا). ثم تراقب نفس هذه المجموعة عند الميل ١، والميل ٢، والميل ٣. يمكنك الآن رؤية كيف تتغير سرعتهم بالضبط بمرور الوقت دون أن تتغير المجموعة من تحتك.

٤. السر الخفي: الأداة الإحصائية "المثرية"

للقيام بهذا الحساب، اضطر المؤلفون لابتكار أداة إحصائية جديدة.

الأداة القديمة (DP القياسية): تخيل أنك تقوم بفرز كومة من المكسرات المختلطة (لوز، جوز، كاجو) في دلاء. كانت الأداة القديمة مهووسة جدًا بفرز اللوز (زيارات المستشفى المتكررة) لدرجة أنها تجاهلت الجوز (الوفيات). انتهى بها الأمر بوضع أشخاص ذوي مخاطر وفاة مختلفة في نفس الدلو، مما جعل التنبؤات حول الوفاة غير دقيقة للغاية.
الأداة الجديدة (EDDP): هي "فرّاز" متداخل. فهي تقوم أولاً بفرز المكسرات في دلاء كبيرة بناءً على الجوز (خطر الوفاة). ثم، داخل كل دلو كبير، تقوم بفرز اللوز (زيارات المستشفى) في دلاء أصغر.
- يضمن هذا وضع الأشخاص المعرضين لخطر الوفاة العالي معًا أولاً، ومن ثم يتم تحليل أنماط المستشفى الخاصة بهم داخل هذه المجموعة الآمنة. الأمر يشبه تصنيف مكتبة أولاً حسب النوع (خطر الوفاة)، ثم حسب المؤلف (نمط المستشفى)، بدلاً من التصنيف حسب المؤلف فقط.

٥. لعبة "ماذا لو" (تحليل الحساسية)

هناك شيء واحد لا يمكننا معرفته أبدًا على وجه اليقين: كيف ترتبط سيناريوهات "ماذا لو" ببعضها البعض؟

السؤال: إذا كان المريض سينجو لمدة ١٠ سنوات مع الرياضة، فهل كان سينجو أيضًا لمدة ١٠ سنوات بدونها؟
يعترف المؤلفون بأنهم لا يعرفون الإجابة. لذا، يلعبون لعبة "ماذا لو". يقومون بإجراء الحسابات بافتراض مستويات مختلفة من الارتباط بين هذين السيناريوهين (من "غير مرتبطين تمامًا" إلى "مرتبطين تمامًا").
النتيجة: وجدوا أنه بالنسبة لمعظم التخمينات المنطقية، فإن البرنامج الرياضي قلل بالفعل من زيارات المستشفى لـ "الناجين دائمًا". ومع ذلك، إذا افترضت أن السيناريوهين مرتبطان تمامًا (تخمين متطرف جدًا)، فإن الفائدة تبدو أصغر. هذه الشفافية تساعد الأطباء على فهم مدى قوة الأدلة حقًا.

الخلاصة

طبق المؤلفون هذا على تجربة HF-ACTION الحقيقية (وهي دراسة شهيرة لفشل القلب).

ما وجدوه: لم تساعد الرياضة الناس على العيش لفترة أطول فحسب؛ بل قللت بالفعل من إجمالي عبء الإقامة في المستشفى للمرضى الذين كانوا سينجون على أي حال.
الاستنتاج: لم تكن فائدة الرياضة فورية؛ بل نمت بمرور الوقت. ومن خلال استخدام طريقة "الساعتين" الجديدة، استطاعوا رؤية هذا التحسن البطيء والمستمر الذي فاتته الطرق القديمة لأنها كانت مرتبكة بسبب تغير مجموعة الناجين.

باختصار: لقد صنعوا مجهرًا إحصائيًا أفضل يسمح لنا بالنظر إلى "الناجين" دون أن نختلط بالأشخاص الذين ماتوا، مما يكشف أن الرياضة تساعد حقًا في تقليل عبء تكرار زيارات المستشفى لمرضى فشل القلب.

فيما يلي ملخص تقني مفصل لورقة البحث بعنوان "التقسيم الطبقي الرئيسي مع الأحداث المتكررة المقطوعة بحدث نهائي: نهج بايزي غير معلمي متداخل" من قبل Ohnishi وآخرون.

1. بيان المشكلة

تتناول الورقة تحديًا حاسمًا في الاستدلال السببي للتجارب السريرية التي تتضمن أحداثًا متكررة (مثل دخول المستشفى) والتي تُقطع بواسطة حدث نهائي (مثل الوفاة).

المشكلة الجوهرية: في الأمراض المزمنة مثل فشل القلب، قد يعاني المرضى من حالات دخول مستشفى متعددة. ومع ذلك، تعمل الوفاة كحالة امتصاص توقف ملاحظة الأحداث المتكررة المستقبلية. يؤدي هذا إلى تحيز الاختيار: حيث إن مقارنة معدلات دخول المستشفى المرصودة بين أذرع العلاج تكون مربكة لأن العلاج قد يؤثر على البقاء على قيد الحياة. فالمرضى الذين يعيشون لفترة أطول لديهم "وقت معرض للخطر" أكبر لدخول المستشفى، بينما أولئك الذين يموتون مبكرًا يتم قطع عملياتهم المتكررة.
قصور الطرق الحالية:
- المقدرات ذات المؤشر الواحد: غالبًا ما تحدد النهج السابقة (مثل Lyu et al., 2023) المجموعة الفرعية "للناجين دائمًا" عند نقطة زمنية واحدة $t$ . يخلق هذا "تأثير اللقطة" حيث تتغير المجموعة السكانية المستهدفة مع زيادة $t$ ، مما يجعل من الصعب التمييز بين التأثيرات العلاجية الحقيقية على عبء المرض وبين التحولات في تكوين مجموعة الناجين.
- الافتراضات المعلمية: تعتمد الطرق الموجودة غالبًا على نماذج معلمية صارمة (مثل مخاطر النسب أو توزيعات الهشاشة المحددة)، والتي تكون عرضة لخطأ التوصيف في عمليات توليد البيانات المعقدة.
- مآزق عملية ديريكليه القياسية (DP): تؤدي نهج بايز غير المعلمية القياسية التي تستخدم أولويات DP للنمذجة المشتركة إلى تقسيمات عشوائية تهيمن عليها الأحداث المتكررة المتكررة. يؤدي هذا إلى أداء تنبؤي ضعيف للحدث النهائي (الوفاة) لأن التجميع مدفوع ببيانات الأحداث المتكررة عالية الحجم بدلاً من الأحداث النهائية الشحيحة.

2. المنهجية

يقترح المؤلفون إطار عمل بايزي غير معلمي (BNP) ضمن سياق التقسيم الطبقي الرئيسي.

أ. المقدرات السببية: نهج المؤشر المزدوج

بدلاً من مؤشر زمني واحد، يعرّف المؤلفون عدد الأحداث المتكررة للناجين دائمًا (SANR) باستخدام مؤشر مزدوج $(t, r)$ :

$r$ (أفق البقاء): يحدد الطبقة الرئيسية $AS(r) = \{i : D_i^0 > r, D_i^1 > r\}$ ، وهي المجموعة الفرعية من المرضى الذين سيظلون على قيد الحياة بعد الزمن $r$ تحت كلا ذراعي العلاج. هذا يثبت المجموعة السكانية المستهدفة.
$t$ (أفق الحدث): يحدد الوقت الذي تُحتسب فيه الأحداث المتكررة ( $t < r$ ).
المقدر: $\text{SANR}(t; r) = g(\mu_1(t; r), \mu_0(t; r))$ ، حيث $\mu_z(t; r)$ هو العدد المتوقع للأحداث المتكررة حتى الزمن $t$ للفئة $AS(r)$ تحت العلاج $z$ .
الفائدة: يعمل هذا على فصل تعريف المجموعة السكانية عن نافذة الملاحظة، مما يسمح للباحثين بتتبع كيفية تراكم التأثيرات العلاجية بمرور الوقت لمجموعة كامنة ثابتة.

ب. التحديد عبر الهشاشة المزدوجة وتحليل الحساسية

بما أن النتائج المحتملة تحت العلاجات المختلفة لا تُلاحظ أبدًا بشكل مشترك، فإن الاعتماد بين العوالم المتقاطعة غير قابل للتحديد.

إطار الهشاشة المزدوجة: يقدم المؤلفون متجه هشاشة ثنائي المتغير $\gamma_i = (\gamma_i^0, \gamma_i^1)$ $γ_{i} = (γ_{i}^{0}, γ_{i}^{1})$ لكل وحدة.
- $\gamma_i^z$ يتحكم في الاعتماد داخل العالم بين الحدث النهائي والأحداث المتكررة تحت العلاج $z$ .
- يلتقط الارتباط $\rho = \text{Cor}(\gamma_i^0, \gamma_i^1)$ الاعتماد بين العوالم المتقاطعة.
التحديد الجزئي: توزيع الهشاشة قابل للتقدير من البيانات، لكن $\rho$ ليس كذلك. يعامل المؤلفون $\rho$ كـ معلمة حساسية، حيث يقومون بإجراء تحليل حساسية شفاف عبر مجموعة من القيم المعقولة لتقييم قوة الاستنتاجات السببية.

ج. النموذج البايزي غير المعلمي: عملية ديريكليه المعتمدة والمثرية (EDDP)

للتغلب على قيود أولويات DP القياسية، يقترح المؤلفون عملية ديريكليه المعتمدة والمثرية (EDDP):

البنية المتداخلة: يستخدم النموذج تقسيمًا ذا مستويين:
1. مستويات التجميع العليا ( $\phi$ -clusters): تجمع الأفراد بناءً على التوزيع المشترك للنجاة والأحداث المتكررة. يتم دفع هذا المستوى بواسطة الحدث النهائي لضمان التعلم الكافي حول البقاء.
2. المستوى المتداخل ( $\theta$ -subclusters): داخل كل $\phi$ -cluster، يتم تقسيم الأفراد فرعيًا بناءً على التفاصيل الدقيقة لعملية الحدث المتكرر.
الاعتماد على المتغيرات المساعدة: يدمج النموذج المتغيرات المساعدة ( $X$ ) والمتغيرات المساعدة المتغيرة مع الزمن ( $V$ ) عبر بنية عملية ديريكليه معتمدة (DDP)، مما يخفف من فرضية التبادلية.
انتشار الهشاشة: يتم أخذ الهشاشة الخاصة بكل فرد $\gamma_i$ في المستوى العلوي (الذي يحكم البقاء) ويتم تمريرها إلى نواة الحدث المتكرر. يضمن هذا أن التجميع الخاص بالبقاء لا يطغى عليه حجم الأحداث المتكررة.
الاستدلال: تم تطوير خوارزمية عينات جيبس (Gibbs sampling) قابلة للتتبع بالكامل، باستخدام تعزيز البيانات لاستكمال النتائج المبتورة ومؤشرات التجميع الكامنة.

3. المساهمات الرئيسية

مقدر سببي جديد: تقديم مقدر SANR ذو المؤشر المزدوج، الذي يحل مشكلة "اللقطة" في التقسيم الطبقي الرئيسي أحادي المؤشر، مما يسمح بتحليل تراكم التأثيرات العلاجية بمرور الوقت ضمن مجموعة سكانية ثابتة.
استراتيجية التحديد الجزئي: إطار عمل الهشاشة المزدوجة الذي يفصل بوضوح بين الاعتماد القابل للتقدير داخل العالم والاعتماد غير القابل للتحديد بين العوالم المتقاطعة، مما يتيح تحليل حساسية شفاف عبر المعلمة $\rho$ .
أولوية BNP مبتكرة (EDDP): تطوير عملية ديريكليه المعتمدة والمثرية، والتي تعالج تحديدًا مشكلة "هيمنة الأحداث المتكررة" في أولويات DP القياسية. يضمن هذا أن الحد النهائي (الوفاة) يقود التجميع الأساسي، مما يؤدي إلى أداء تنبؤي أفضل للبقاء.
الكفاءة الخوارزمية: تطوير عينة جيبس محظورة (blocked Gibbs sampler) فعالة حسابيًا للاستدلال البعدي في هذا النموذج الهرمي المعقد.

4. النتائج

الدراسات المحاكية

الإعداد: 300 مجموعة بيانات ( $n=1000$ ) تم توليدها من نماذج خليط معقدة مع عدم تجانس كامن.
المقارنة: تمت مقارنة EDDPM المقترح مع النماذج الخطية (LM)، وعمليات ديريكليه المختلطة القياسية (DPM)، وعمليات ديريكليه المعتمدة (DDPM).
النتائج:
- الدقة: حقق EDDPM أدنى انحياز وأقل خطأ في جذر متوسط المربعات (RMSE) عبر جميع السيناريوهات.
- تقدير الفترات: قدمت EDDPM فترات ائتمان بنسبة 95% مع احتمالات تغطية (CP) هي الأقرب للمستوى الاسمي 95% وطول متوسط أقصر (كفاءة أعلى) مقارنة بالطرق الأخرى.
- المتانة: عانت نماذج DP القياسية من تنبؤ ضعيف بالبقاء بسبب مشكلات التقسيم، بينما كانت نماذج LM المعلمية حساسة لخطأ التوصيف.

التطبيق: تجربة HF-ACTION

تم تطبيق الطريقة على تجربة HF-ACTION لتقييم تأثير تمارين الهوائية المنظمة على إعادة دخول المستشفى لمرضى فشل القلب المزمن.

ملائمة النموذج: سجلت EDDPM أعلى قيمة لـ Log Pseudo Marginal Likelihood (LPML)، مما يشير إلى ملاءمة تنبؤية متفوقة مقارنة بـ LM وDPM وDDPM.
النتائج السببية (التحليل الأساسي، $\rho=0.5$ ):
- قلل التدريب الرياضي من عدد حالات إعادة دخول المستشفى التراكمي المتوقع بين الناجين دائمًا.
- كان الفائدة تعتمد على الزمن: أصبح انخفاض عبء دخول المستشفى أكثر وضوحًا بمرور الوقت (على سبيل المثال، انخفاض بنسبة ~4% عند عام واحد مقابل ~10% عند 4 سنوات).
- رؤية المؤشر المزدوج: كشف تثبيت طبقة البقاء ( $r$ ) أن التأثيرات العلاجية تختلف عبر طبقات المخاطر المختلفة. على سبيل المثال، كانت الأدلة على الفائدة أقوى للمرضى الذين سيعيشون حتى 4 سنوات ( $r=1440$ ) مقارنة بأولئك الذين سيعيشون 3 سنوات فقط ( $r=1080$ )، وهو تفصيل حجبه استخدام الطرق أحادية المؤشر.
تحليل الحساسية:
- كانت النتائج متينة للاعتماد المتوسط بين العوالم ( $\rho \in [0.1, 0.7]$ ).
- في حالة الافتراض المتطرف لوجود اعتماد شبه مثالي بين العوالم ( $\rho=0.9$ ، مما يقرب من هشاشة مشتركة واحدة)، تضاءلت الأدلة على الفائدة، وشملت الفترات القيمة الصفرية. يسلط هذا الضوء على أهمية صياغة الهشاشة المزدوجة لتجنب حجب التأثيرات العلاجية.

5. الأهمية

التقدم المنهجي: تجسر هذه الورقة الفجوة بين الاستدلال السببي (التقسيم الطبقي الرئيسي) وتحليل الأحداث المتكررة المعقد، مما يوفر إطارًا صارمًا للتعامل مع الانقطاع بالوفاة دون الاعتماد على افتراضات معلمية مقيدة.
الأهمية السريرية: من خلال تطبيق الطريقة على HF-ACTION، يوضح المؤلفون أن تدريب التمارين الهوائية المنظم يوفر تقليلاً تراكميًا وطويل الأمد لعبء دخول المستشفى لمرضى فشل القلب، وهو استنتاج قد يتم إغفاله أو تفسيره بشكل خاطئ باستخدام التحليلات التقلية للوقت حتى وقوع الحدث الأول أو التحليلات أحادية المؤشر.
الفائدة العملية: يقدم الإطار المقترح نموذجًا لتحليل تجارب الأمراض المزمنة الأخرى حيث تتداخل الاعتلالات (الأحداث المتكررة) والوفيات، مع التأكيد على ضرية نمذجة الاعتماد بين العوالم المتقاطعة صراحةً بدلاً من افتراض هشاشة مشتركة واحدة.