📊 statistics

Sequential Randomization Tests Using e-values: Applications for trial monitoring

تقدم هذه الورقة عائلة من اختبارات العشوائية التسلسلية غير المعلمية، الصالحة في أي وقت (e-RT)، لنقاط نهاية التجارب المتنوعة، والتي تستفيد من إطار عمل المراهنة لبناء مارتينجالات الاختبار، مما يضمن التحكم الصارم في خطأ النوع الأول من خلال آلية العشوائية وحدها دون الاعتماد على افتراضات معلمية أو تقريبات تقاربية.

المؤلفون الأصليون: Fernando G Zampieri

نُشر 2026-03-24

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Fernando G Zampieri

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 تدير كازينو. لديك طاولتان: الطاولة (أ) (العلاج الجديد) والطاولة (ب) (العلاج القياسي). تريد أن تعرف ما إذا كانت الطاولة (أ) "تغش" في الاحتمالات بطريقة جيدة، أم أن النتائج مجرد حظ عشوائي.

تقليديًا، لكي تمسك بمخادع، عليك الانتظار حتى نهاية الليلة، وعد جميع الرقائق، ثم تشغيل معادلة رياضية معقدة. إذا ألقيت نظرة خاطفة على الرقائق في منتصف الطريق وأوقفت اللعبة لأن الطاولة (أ) كانت تفوز، سيقول لك الكازينو: "لا يمكنك فعل ذلك! لقد غيرت القواعد في منتصف اللعبة، لذا فإن حساباتك غير صالحة".

تقدم هذه الورقة طريقة جديدة لمراقبة التجارب السريرية تسمى "e-RT" (التجربة العشوائية ذات القيمة الإلكترونية - e-value Randomized Trial).

بدلاً من الانتظار حتى النهاية، تستخدم إطار عمل "المراهنة" الذي يسمح لك بفحص النتائج في أي وقت تريد فيه، دون كسر القواعد.

إليك كيف يعمل ذلك، باستخدام تشبيهات بسيطة:

1. الفكرة الجوهرية: "المقامر الذكي"

تخيل محققًا (الإحصائي) يراهن على الطاولة التي جاء منها اللاعب، بناءً على طريقة لعبه.

الإعداد: في كل مرة ينتهي فيها مريض من التجربة، نرى نتيجته (على سبيل المثال: "هل تحسن؟"). نحن لا نعرف بعد في أي طاولة كان.
الرهان: ينظر المحقق إلى النتيجة ويقول: "همم، هذه النتيجة تبدو وكأنها جاءت من الطاولة (أ). سأراهن بـ 1 دولار على أنها كذلك".
الكشف: ثم نكشف الحقيقة.
- إذا أصاب المحقق في تخمينه: تنمو "ثروته" (الدليل).
- إذا أخطأ المحقق في تخمينه: تتقلص ثروته.

القاعدة السحرية: إذا كان العلاج الجديد عديم الفائدة (الفرضية الصفرية)، فسيكون المحقق مجرد شخص يخمن مثل رمي العملة المعدنية. بمرور الوقت، ستتقلب ثروته صعودًا وهبوطًا لكنها لن تنمو بشكل ملحوظ. إنه مثل مقامر يلعب لعبة عادلة؛ قد يحالفه الحظ لفترة، لكن لا يمكنه الفوز للأبد.

ومع ذلك، إذا كان العلاج الجديد يعمل بالفعل، فستبدأ النتائج في الظهور بشكل مختلف. سيبدأ المحقق في التخمين الصحيح بشكل متكرر. وستبدأ ثروته في النمو بشكل أسي.

2. لماذا يعد هذا تغييراً جذرياً في قواعد اللعبة؟

في التجارب التقليدية، يجب أن تقرر مسبقًا: "سنفحص النتائج عند 50 مريضًا، ثم 100، ثم 150". إذا فحصت مبكرًا جدًا، فقد تحصل على "إنذار كاذب" (خطأ من النوع الأول).

مع e-RT، يمكنك الفحص في كل يوم.

إذا نمت ثروة المحقق فجأة إلى رقم ضخم (مثل 20 ضعف أمواله الأصلية)، فأنت تعلم أن العلاج يعمل. يمكنك إيقاف التجربة فورًا وتوفير المال والوقت.
إذا ظلت الثروة منخفضة، استمر في المضي قدمًا.
الأهم من ذلك: نظرًا لأن الرياضيات مبنية على "المراهنة"، فلا يهم متى تتوقف. الضمان بأنك لن تُخدع بالحظ يظل قائمًا بغض النظر عن متى تقرر التوقف.

3. "الألعاب" المختلفة (الأنواع المتعددة)

توضح الورقة أن أنواعًا مختلفة من البيانات الطبية تحتاج إلى استراتيجيات مراهنة مختلفة، تمامًا كما تحتاج ألعاب الكازينو المختلفة إلى قواعد مختلفة.

البيانات الثنائية (e-RTb): هي اللعبة الأبسط. هل حدث للمريض أمر ما (نعم/لا)؟
- التشبيه: رمي عملة معدنية. إذا كان العلاج يعمل، فإن "الوجه" سيحدث أكثر تكرارًا في الطاولة (أ).
- الاستراتيجية: يراهن المحقق بمبلغ أكبر قليلاً على الجانب الذي يبدو أنه يفوز، لكنه يظل حذرًا.
الاعتماد على الأحداث فقط (e-RTe): أحيانًا، يكون تتبع من لم يقع في الحدث أمرًا صعبًا (على سبيل المثال، تتبع من لا يزال على قيد الحياة سهل، لكن تتبع من هم "أصحاء" يتطلب الاتصال بهم كل أسبوع).
- التشبيه: أنت تتابع فقط "الوفيات" أو "الإخفاقات". تتجاهل الناجين.
- الاستراتيجية: هذا يشبه المراهنة فقط على اللحظات النادرة والمثيرة. إنها أقل كفاءة (تحتاج إلى المزيد من البيانات) ولكنها أسهل بكثير في الإدارة لأنك لست مضطرًا لملاحقة كل مريض.
البيانات المستمرة (e-RTc): النتيجة هي رقم (على سبيل المثال: "كم عدد الأيام على جهاز التنفس الاصطناعي؟").
- التشبيه: بدلاً من رمي العملة، أنت تراهن على لوحة سهام. إذا قضى المريض يومين فقط على جهاز التنفس (رقم منخفض جدًا)، وبما أن العلاج يساعد عادةً، يراهن المحقق بقوة على أن هذا المريض كان في طاولة العلاج.
- الاستراتيجية: هذا أمر معقد. إذا راهن المحقق بعدوانية شديدة على رقم غريب، فقد يخسر كل شيء. لذلك، الاستراتيجية حذرة و"تتكيف" مع المعطيات.
الوقت حتى وقوع الحدث (e-RTs): عندما يكون توقيت الحدث مهمًا (مثل وقت البقاء على قيد الحياة).
- التشبيه: سباق. أنت تراهن فقط عندما يعبر شخص ما خط النهاية (يموت).
- الاستراتيجية: بما أنك تراهن نادرًا فقط (عندما يموت شخص ما)، يمكنك تحمل المراهنة بجرأة أكبر لأنك لست مضطرًا للقيام بآلاف الرهانات المتتالية.
الحالات المتعددة (e-RTms): المرضى يتنقلون بين حالات (من العناية المركعة -> إلى الجناح -> إلى المنزل).
- التشبيه: لعبة لوحية حيث يتحرك اللاعبون للأمام (جيد) أو للخلف (سيء).
- الاستراتيجية: في كل مرة يتحرك فيها المريض، تحصل على فرصة للمراهنة. إذا تحرك للأمام، تراهن بأنه في الطاولة "الجيدة".

4. "عدم تماثل الأجور" (لماذا بعض الرهانات أكثر أمانًا من غيرها)

تشير الورقة إلى نقطة رائعة حول مدى تكرار المراهنة.

"فخ التكرار العالي": إذا راهنت على كل مريض (كما في الألعاب الثنائية أو المستمرة)، فأنت تلعب لعبة تقوم فيها بـ 1000 رهان متتالي. إذا راهنت بعدوانية شديدة وتعرضت لسوء الحظ، فستسحق ثروتك إلى الصفر بسرعة كبيرة. لذا يجب أن تراهن بتحفظ.
"حرية التكرار المنخفض": إذا كنت تراهن فقط عندما يحدث حدث نادر (مثل لعبة البقاء)، فقد تقوم بـ 50 رهانًا فقط. حتى لو راهنت بعدوانية وخسرت بضع مرات، فلديك وقت للتعافي. يمكنك تحمل المراهنة بعدوانية أكبر.

5. "المحرك الشامل" (e-RTu)

أخيرًا، يقترح المؤلف "مترجمًا عالميًا". تخيل روبوتًا لا يهتم إذا كنت تراهن على رمي العملات، أو رمي السهام، أو حركات اللعبة اللوحية. طالما أنك تغذيه بتدفق من الإشارات "الجيدة" أو "السيئة"، فإنه يشغل خوارزمية المراهنة تلقائيًا. وهذا يجعل من السهل تطبيق هذه الطريقة على أي نوع جديد من البيانات الطبية في المستقبل.

الملخص

طريقة e-RT هي بمثابة "كاشف حقيقة في الوقت الفعلي" للتجارب السريرية.

الطريقة القديمة: انتظر حتى النهاية، وتمنى ألا تكون قد ألقيت نظرة مبكرة جدًا، ثم قم بإجراء اختبار رياضي معقد.
الطريقة الجديدة (e-RT): راهن على النتائج فور وصولها. إذا نمت ثروة الأدلة إلى رقم كبير بما يكفي، فأنت تعلم أن العلاج يعمل، ويمكنك إيقاف التجربة فورًا.
الفائدة: إنها أكثر أمانًا، وأكثر مرونة، ولا تتطلب افتراضات صارمة حول كيفية سلوك البيانات. وهي تعمل مع أي نوع من النتائج الطبية، من الأحداث البسيطة (نعم/لا) إلى رحلات المرضى المعقدة.

إنها تحول التجربة السريرية من امتحان ثابت إلى محادثة ديناميكية وحية بين البيانات والباحثين.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "الاختبارات العشوائية المتسلسلة باستخدام قيم e: تطبيقات لمراقبة التجارب السريرية" للباحث فرناندو ج. زامبييري.

1. بيان المشكلة

تعتمد المراقبة المتسلسلة التقليدية للتجارب العشوائية المنضبطة (RCTs) على افتراضات معلمية (مثل التوزيع الطبيعي، أو مخاطر التناسب) وحدود توقف محددة مسبقاً (مثل دوال إنفاق ألفا $\alpha$ ). وتواجه هذه الطرق قيوداً كبيرة:

الاعتماد على الافتراضات: إذا فشلت الافتراضات المعلمية، فإن التحكم في خطأ النوع الأول (Type I error) يتعرض للخطر.
الجمود: تتطلب جداول زمنية ثابتة للتحليل المرحلي. ويتم تجاهل الأدلة التي تتراكم بين فترات المراقبة، مما قد يؤدي إلى تأخير اكتشاف إشارات السلامة أو الفعالية.
فجوات البيانات: في العديد من السياقات السريرية (مثل وفيات العناية المركزة، أو تطور الأمراض في الأورام)، يكون تتبع "اللا-أحداث" (الناجين أو المرضى المستقرين) صعباً تشغيلياً أو مستحيلاً، مما يجعل الطرق القياسية غير قابلة للتطبيق.

تقترح الورقة حلاً يعتمد على قيم e (e-values) وعمليات e (e-processes)، والتي توفر استدلالاً "صالحاً في أي وقت". وهذا يعني أن التحكم في خطأ النوع الأول مضمون عند أي وقت توقف، بغض النظر عن قاعدة التوقف، ودون الحاجة إلى افتراضات معلمية.

2. المنهجية: إطار عمل e-RT

يقدم المؤلف e-RT (تجربة عشوائية بقيمة e)، وهي عائلة من الاختبارات المتسلسلة غير المعلمية. الفلسفة الجوهرية هي إطار المراهنة:

اللعبة: يقوم مقامر (الإحصائي) بالمراهنة المتسلسلة على التخصيص العلاجي ( $T_i$ ) لمريض ما بناءً على نتيجته الملحوظة ( $Y_i$ ).
الفرضية الصفرية ( $H_0$ ): تخصيص العلاج ليس له تأثير على النتيجة ( $Y_i \perp T_i$ ). تحت الفرضية $H_0$ ، لا توفر النتائج أي معلومات حول تخصيص الذراع؛ حيث يكون التخصيص فعلياً بمثابة رمي عملة باحتمالية $p$ .
عملية الثروة ( $W_n$ ): يبدأ المقامر بثروة $W_0 = 1$ $W_{0} = 1$ . في كل خطوة $i$ $i$ ، يختار كسر مراهنة $\lambda_i$ $λ_{i}$ (يتنبأ باحتمالية أن يكون المريض في ذراع العلاج).
- إذا كان التنبؤ صحيحاً، تنمو الثروة بمعامل $\lambda_i/p$ (إذا كان $T_i=1$ ) أو $(1-\lambda_i)/(1-p)$ (إذا كان $T_i=0$ ).
- إذا كان التنبؤ خاطئاً، تتقلص الثروة.
الصلاحية: تحت الفرضية $H_0$ ، يكون معامل توقع نمو الثروة هو 1 تماماً. وبالتالي، فإن $(W_n)$ هو "مارتينجال" (martingale) غير سالب. وبناءً على متباينة فيل (Ville's Inequality)، فإن احتمال تجاوز الثروة لـ $1/\alpha$ في أي وقت هو على الأكثر $\alpha$ . وهذا يسمح برفض الفرضية $H_0$ في اللحظة التي تصبح فيها $W_n \geq 1/\alpha$ ، مما يضمن التحكم في خطأ النوع الأول عند المستوى $\alpha$ بغض النظر عن وقت التوقف.

3. المتغيرات الرئيسية (عائلة e-RT)

تفصل الورقة ستة متغيرات محددة مصممة لأنواع مختلفة من البيانات، تشترك جميعها في نفس إثبات الصلاحية ولكنها تختلف في كيفية ترجمة البيانات إلى رهانات:

أ. النتائج الثنائية (e-RTb)

البيانات: حدث/لا-حدث لكل مريض.
الاستراتيجية: تستخدم استراتيجية نصف-كيلي التكيفية (adaptive half-Kelly). تعتمد الرهان $\lambda_i$ على الفرق الجاري في معدلات الأحداث ( $\hat{\delta}$ ) بين الذراعين.
الآلية: إذا كان ذراع التدخل يحتوي على أحداث أقل، فإن الاستراتيجية تراهن بأن الحدث الجديد جاء على الأرج likely من ذراع الضبط.
القيد: تستخدم فترة "إحماء" (burn-in) وفترة "تدرج" (ramp) لمنع المراهنة المفرطة عندما تكون أحجام العينات صغيرة.

ب. مراقبة الأحداث فقط (e-RTe)

البيانات: يتم رصد تسلسل الأحداث فقط (مثل الوفيات)؛ ويتم تجاهل حالات "اللا-حدث".
الاستراتيجية: تعامل تسلسل الأحداث كرمية عملة بيرنولي: "هل جاء هذا الحدث من ذراع العلاج؟"
الميزة: عالية الكفاءة عندما يكون تتبع "اللا-أحداث" غير عملي أو مستحيل. فهي تعمل على تركيز الإشارة (ميل "عملة الحدث" أكبر من فرق المخاطر الخام).
المقايضة: تتطلب حوالي 2.5 ضعف عدد الأحداث مقارنة بطرق العينة الكاملة لتحقيق قوة مماثلة، لكنها تكتسب بساطة تشغيلية.

ج. النتائج المستمرة (e-RTc)

البيانات: قياسات مستمرة (مثل المؤشرات الحيوية، أو أيام الخلو من جهاز التنفس الاصطالي).
الاستراتيجية: تستخدم نهجاً مزدوج التكيف.
1. توحيد القياس للملاحظة الجديدة مقابل الوسيط الجاري وانحراف الوسيط المطلق (MAD) لتحديد مدى "الطرفية".
2. دمج ذلك مع معامل "كوهين $d$ " الجاري (تقدير حجم الأثر) لتحديد الاتجاه.
القيد: تتطلب مراهنة متحفظة للغاية (نصف-كيلي) لأن التحديثات تحدث عند كل مريض؛ المراهنة المفرطة تؤدي إلى تدمير سريع للثروة.

د. الوقت حتى وقوع الحدث (e-RTs / e-Survival)

البيانات: أوقات البقاء مع الرصد المبتور (censoring).
الاستراتيجية: تحديث الثروة فقط عند أوقات الأحداث باستخدام درجة "لوج-رانك" (Log-Rank) متسلسلة.
الآلية: تستخدم رهانًا ثابتاً ( $\lambda = 0.25$ ) مع اتجاه تكيفي (بناءً على درجة لوج-رانك التراكمية).
التعليل: نظرًا لأن التحديثات نادرة (تحدث فقط عند الوفيات/الإخفاقات)، فإن عملية الثروة تكون قوية ضد المراهنة المفرطة المعتدلة، مما يسمح برهان ثابت وعدواني.

هـ. مسارات الحالات المتعددة (e-RTms)

البيانات: مسارات المرضى المعقدة (مثلاً: عناية مركزة $\leftarrow$ قسم التنويم $\leftarrow$ المنزل/الوفاة).
الاستراتيجية: تصنف كل انتقال كـ "جيد" (تعافي) أو "سيء" (تدهور) وتراهن على النتيجة الثنائية لجودة الانتقال.
الأهمية: تلتقط التحسن السريري حتى عندما لا يتغير معدل الوفيات، مما يتجنب نماذج المخاطر المتنافسة المعقدة.

و. التجريد الشامل (e-RTu)

المفهوم: محرك مستقل عن المجال يقبل أي تدفق من الإشارات المصنفة ثنائياً (جيد/سيء، علاج/ضبط). وهو يوحد منطق المتغيرات الأخرى، ويفصل توليد الإشارة عن محرك المراهنة.

4. المساهمات الرئيسية

المراقبة الصالحة في أي وقت: توفر طريقة صارمة وخالية من الافتراضات للمراقبة المتسلسلة تضمن التحكم في خطأ النوع الأول عند أي وقت توقف.
المرونة التشغيلية: قدمت e-RTe، مما يتيح المراقبة الصالحة في الإعدادات التي يتم فيها تتبع الأحداث فقط (مثل دراسات الوفيات القائمة على السجلات الطبية الإلكترونية)، وهو سيناريو تفشل فيه الطرق التقليدية.
المراهنة غير المتماثلة المبدئية: تحلل الورقة بدقة لماذا تتطلب المتغيرات المختلفة استراتيجيات مراهنة مختلفة (القسم 9).
- التحديثات الكثيفة (الثنائية/المستمرة): تتطلب استراتيجيات متحفظة وتكيفية (نصف-كيلي) لأن المراهنة المفرطة تتضاعف بسرعة عبر آلاف الخطوات، مما يدمر الثروة.
- التحديثات المتفرقة (البقاء/الأحداث فقط): يمكنها تحمل استراتيجيات "كيلي الكاملة" أو الثابتة لأن التحديثات المحدودة تمنع التراكم الكارثي للأخطاء.
إطار عمل موحد: تثبت أن مختلف النهايات السريرية (ثنائية، مستمرة، بقاء، حالات متعددة) يمكن اختزالها إلى منطق مراهنة واحد قائم على التبادلية العشوائية.

5. نتائج المحاكاة

خطأ النوع الأول: حافظت جميع المتغيرات على تحكم صارم، حيث كانت معدلات الخطأ المرصودة تتراوح باستمرار بين 2% و4% (أقل من 5% الاسمية)، مما يؤكد خاصية المارتينجال.
القوة والتوقف المبكر:
- في التجارب المصممة بقوة 80% باستخدام الطرق التقليدية، حققت متغيرات e-RT احتمالية توقف مبكر بنسبة ~50% (عادةً حوالي 45-56% من حجم العينة المخطط له) إذا وجد أثر حقيقي.
- e-RTe (الأحداث فقط): تفوقت على e-RTb عندما كانت معدلات الأحداث الأساسية منخفضة (15-25%) بسبب تركيز الإشارة، رغم رؤية نقاط بيانات أقل.
- e-RTms: أظهرت قوة عالية (89%) في اكتشاف تحسينات المسار حتى عندما كانت الاختلافات في الوفيات ضئيلة.
المتانة: أدت الطرق أداءً جيداً مع مختلف أحجام التأثير وسيناريوهات الرصد المبتور دون الحاجة إلى افتراضات توزيعية.

6. الأهمية والآثار المترتبة

مكمل للطرق التقليدية: لا يعتبر e-RT بديلاً بالضرورة للتحليل ذي العينة الثابتة، بل هو مكمل قوي. فهو يتيح خيارات توقف مبكر "مجانية" دون عقوبات إنفاق ألفا. إذا لم يتم تجاوز العتبة، تستمر التجربة إلى التحليل المخطط له.
القابلية للتطبيق في العالم الحقيقي: مفيد بشكل خاص في تجارب العناية المركزة والأورام حيث يكون جمع البيانات غير متزامن، أو يصعب التحقق من "اللا-أحداث"، أو تكون مسارات المرضى معقدة.
التحول الفلسفي: ينقل التركيز من "تقدير معلمة" إلى "اختبار التبادلية". السؤال هو: هل يمكننا التنبؤ بالتخصيص العلاجي بناءً على النتائج؟ إذا كانت الإجابة نعم، فإن العلاج فعال.
القيود والعمل المستقبلي: يشير المؤلف إلى أن هذه الطرق تجريبية. فهي تفتقر حالياً إلى التقديرات النقطية وفترات الثقة. كما يتطلب التعلم التكيفي فترة "إحماء"، وقد تواجه الطرق صعوبة في التعامل مع التأثيرات غير المستقرة (مثل انعكاس أثر العلاج في منتصف التجربة). العمل المستقبلي يتطلب مخططات أوزان تكيفية للتعامل مع التأثيرات المتغيرة زمنياً.

الخلاصة:
تؤسس الورقة لـ e-RT كأداة قوية وخالية من الافتراضات للمراقبة المتسلسلة للتجارب. ومن خلال الاستفادة من إطار المراهنة وقيم e، تقدم بديلاً مرناً للتصاميم المتسلسلة المجموعاتية المعلمية، قادرة على التعامل مع أنواع مختلفة من البيانات والقيود التشغيلية مع ضمان الصلاحية الإحصائية بناءً على آلية العشوائية وحدها.