Correcting for Missing Data When Evaluating Surrogate Markers in a Clinical Trial
تقترح هذه الورقة وتتحقق من صحة أساليب ترجيح الاحتمال العكسي وتقدير الإمكان الأعظم شبه المعلمي ضمن حزمة MissSurrogate R لتصحيح البيانات المفقودة عند تقييم المؤشرات البديلة في التجارب السريرية، مما يتغلب بذلك على التحيز وعدم الكفاءة المتأصلين في تحليلات الحالات الكاملة التقليدية.
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 دواء جديد فعالاً أم لا. لديك طريقتان للتحقق من ذلك:
- الطريقة الطويلة: الانتظار لمدة 5 سنوات لمعرفة ما إذا كان المرضى سيصابون بالمرض أم سيبقون أصحاء. هذه الطريقة دقيقة، لكنها بطيئة، ومكلفة، وقد ينسحب المرضیون من الدراسة في منتصف الطريق.
- الطريق المختصر (المؤشر البديل): التحقق من "علامة وسيطة" بعد 6 أشهر فقط. على سبيل المثال، إذا كنت تختبر دواءً للقلب، فقد تتحقق مما إذا كانت مستويات الكوليسترول قد انخفضت بدلاً من الانتظار حتى يصاب المرضى بنوبات قلبية فعلياً. إذا انخفض الكوليسترول، فأنت تأمل أن تتوقف النوبات القلبية أيضاً.
هذا "الوسيط" يسمى المؤشر البدري (Surrogate Marker). إنه يشبه التحقق من مقياس درجة حرارة المحرك لتخمين ما إذا كانت السيارة تعمل بشكل جيد، بدلاً من قيادتها لمسافة 10,000 ميل لترى ما إذا كانت ستتعطل.
المشكلة: القطع المفقودة
المشكلة هي أنه في الحياة الواقعية، تضيع البيانات. ربما ينسى مريض ما موعده، أو يفقد المختبر عينة دمه.
عندما يحاول العلماء معرفة ما إذا كان هذا "الطريق المختصر" (البديل) جيداً حقاً، فإنهم عادةً ما يتخلصون من المرضى الذين لديهم بيانات مفقودة ويكتفون بالنظر إلى أولئك الذين حضروا فقط.
- التشبيه: تخيل أنك تحاول الحكم على جودة بيتزا كاملة من خلال تذوق الشرائح التي لم تسقط على الأرض فقط. إذا كانت الشرائح التي سقطت على الأرض هي تلك التي تحتوي على أكبر قدر من الجبن (أو أقل قدر)، فإن حكمك على البيتزا بأكملها سيكون خاطئاً.
- الخطر: إذا لم تكن البيانات المفقودة عشوائية (على سبيل المثال، المرضى الأكثر مرضاً هم الأكثر عرضة لتفويت المواعيد)، فإن مجرد تجاهلهم يخلق نتيجة منحازة. قد تعتقد أن الطريق المختصر يعمل بشكل مثالي بينما هو في الواقع لا يعمل، أو العكس.
الحل: أداتان جديدتان
ابتكر مؤلفو هذه الورقة البحثية "أداتين رياضيتين" جديدتين لحل هذه المشكلة دون التخلص من البيانات. اعتبرهما طريقتين مختلفتين لإعادة بناء شرائح البيتزا المفقودة.
الأداة الأولى: "الميزان الموزون" (الترجيح بالاحتمال العكسي - IPW)
هذه الطريقة تشبه النهج القائم على التصميم.
- كيف تعمل: تخيل أن لديك كيساً من الكرات الزجاجية، لكن بعضها مفقود. تنظر إلى الكرات التي تملكها وتسأل: "من هو المفقود؟". إذا لاحظت أن جميع الكرات المفقودة كانت حمراء، فستدرك أن كيسك الآن أصبح ثقيلاً جداً بالكرات الزضاء.
- الإصلاح: تضع "وزناً" على الكرات الزرقاء التي تملكها. تخبر الكمبيوتر: "هذه الكرة الزرقاء تمثل كرتين زرقاوين وكرة حمراء واحدة". من خلال "تمطيط" البيانات التي تملكها رياضياً لتمثيل البيانات التي لا تملكها، تحصل على صورة عادلة للمجموعة بأكملها.
- المميزات/العيوب: إنها مرنة للغاية ولا تفترض الكثير عن البيانات، ولكن يمكن أن تكون "متذبذبة" (غير فعالة إحصائياً) إذا أصبحت الأوزان ثقيلة جداً.
الأداة الثانية: "آلة التخمين الذكية" (الاحتمال الأقصى شبه المعلمي - SMLE)
هذه الطريقة تشبه النهج القائم على النموذج.
- كيف تعمل: بدلاً من مجرد وزن ما تملكه، تستخدم هذه الأداة خوارزمية ذكية (خوارزمية توقع-تعظيم) لـ "ملء الفراغات". إنها تنظر إلى الأنماط في البيانات التي تملكها وتضع أفضل تخمين إحصائي لما تبدو عليه البيانات المفقودة بناءً على العلاقات التي تراها.
- التشبيه: إنها مثل المحقق الذي يرى أثراً لطبعة قدم طينية ونافذة مكسورة. على الرغم من أنه لم يرَ اللص، إلا أنه يمكنه استخدام المنطق لإعادة بناء ما حدث بالضبط ومن المرجح أنه قام به.
- المميزات/العيوب: عادة ما تكون أكثر دقة وتعطي إجابات أكثر إحكاماً وثقة (مثل التركيز الحاد). ومع ذلك، فهي تتطلب قوة حوسبة أكبر وتفترض أن الأنماط التي تراها هي أنماط حقيقية.
تجربة القيادة
اختبر المؤلفون هذه الأدوات باستخدام:
- المحاكاة: أنشأوا تجارب سريرية وهمية على الكمبيوتر حيث يعرفون "الحقيقة". تعمدوا حذف البيانات بطرق مختلفة (عشوائياً، أو لأن المرضى كانوا أكثر مرضاً) لمعرفة ما إذا كانت أدواتهم قادرة على إيجاد الحقيقة مرة أخرى.
- النتيجة: عملت كلتا الأداتين بشكل أفضل بكثير من الطريقة القديمة (التخلص من البيانات). وكانت "آلة التخمين الذكية" (SMLE) هي الأكثر دقة في الغالب.
- الحياة الواقعية: طبقوا هذه الأدوات على دراسة حقيقية لمرض السكري (DCCT). أرادوا معرفة ما إذا كانت مستويات السكر في الدم (الطريق المختصر) يمكن أن تتنبأ بمستويات الكوليسترول الضار LDL (النتيجة الصحية طويلة المدى).
- النتيجة: أكدت الأدوات أنه بينما شرح السكر في الدم جزءاً من التأثير، إلا أنه لم يكن طريقاً مختصراً مثالياً للكوليسترول. لقد أعطتهم الطرق الجديدة ثقة أكبر في هذا الاستنتاج مقارنة بالطرق القديمة.
الخلاصة
في عالم التجارب السريرية، الوقت هو المال، والمرضى ثمينون. نريد استخدام الطرق المختصرة (المؤشرات البديلة) للحصول على الإجابات بشكل أسرع. ولكن إذا تجاهلنا البيانات المفقودة، فقد نحصل على الإجابة الخاطئة.
تقول هذه الورقة البحثية: "لا تكتفوا بمجرد حذف البيانات المفقودة. استخدموا هذه الأدوات الجديدة لوزن البيانات التي تملكونها أو للتخمين الذكي للبيانات التي فقدتموها، حتى تتمكنوا من الوثوق بنتائجكم."
لقد قاموا حتى ببناء حزمة برمجيات مجانية (تسمى MissSurrogate) لكي يتمكن العلماء الآخرون من استخدام هذه الأدوات بسهء. إنه يشبه منح المجتمع الطبي بأكمده شريط قياس أفضل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.