Estimating the correlation between rates of change in longitudinal studies in presence of dropout

ملخص تقني: تقدير الارتباط بين معدلات التغير في الدراسات الطولية مع التسرب (Dropout)

بيان المشكلة
في الدراسات الطولية للتصوير العصبي والمؤشرات الحيوية، يتمثل أحد الأهداف الشائعة في تقدير الارتباط بين معدلات التغير الخاصة بكل فرد (الميول/slopes) لإشارتين مختلفتين (على سبيل المثال، ضمور الدماغ والتدهور المعرفي). النهج القياسي المتبع، والذي يسمى استراتيجية "الميول أولاً" (slopes-first)، يتضمن ملاءمة انحدار المربعات الصغرى العادية (OLS) لكل مشارك للحصول على تقديرات الميل الفردية، ثم حساب ارتباط بيرسون لهذه التقديرات.

وعلى الرغم من أن هذا النهج يكافئ جبرياً مقدّر التباين (contrast-based estimator) في حالة البيانات الكاملة، إلا أن المؤلفين يوضحون أن نهج "الميولات أولاً" يصبح متحيزاً في حالة وجود بيانات مفقودة، وتحديداً عند حدوث تسرب مستقل (independent dropout). تكمن المشكلة الجوهرية في أن طريقة "الميول أولاً" تطبق ضمناً أوزاناً غير متجانسة على التغاير المشترك (cross-covariance) بين الإشارتين بناءً على أنماط البيانات المفقودة الخاصة بالمشاركين. وإذا لم يكن التغاير المشترك بين الإشارتين ثابتاً عبر الزمن، فإن هذه الأوزان المعتمدة على البيانات تؤدي إلى إدخال تحيز في تقدير الارتباط.

المنهجية
تُصيغ الورقة العلاقة بين مقدّر "الميول أولاً" ومصفوفة التباين والتباين المشترك (variance-covariance matrix) المشتركة للإشارات. وتقترح استراتيجية بديلة تعتمد على "التباين" (contrast-based strategy) تقوم بتقدير مصفوفة التباين المشترك قبل تطبيق التباين لاستخراج الارتباط.

يحدد المؤلفان استراتيجيتين رئيسيتين للتقدير:

1. الاستراتيجية 1 (الميول أولاً): تقدير ميول كل مشارك عبر طريقة المربعات الصغرى العادية (OLS) لكل فرد باستخدام نقاط بياناته المتاحة، ثم حساب ارتباط هذه الميول.
2. الاستراتيجية 2 (التباين المشترك): تقدير مصفوفة التباين والتباين المشترك ($\Sigma$) للإشارات عبر جميع النقاط الزمنية، ثم حساب الارتباط باستخدام أوزان محددة مسبقاً مشتقة حصرياً من أوقات القياس.
   • الاستراتيجية 2أ: تُقدر $\Sigma$ باستخدام المشاركين ذوي البيانات الكاملة فقط (تحليل الحالة الكاملة) أو الملاحظات الكاملة زوجياً.
   • الاستراتيجية 2ب: تُقدر $\Sigma$ باستخدام نموذج خطي مختلط (LMM) مع تقدير الاحتمال الأقصى المقيد (REML)، مما يدمج جميع البيانات المتاحة، بما في ذلك المسارات غير المكتملة.

كما توسع الورقة هذه الأساليب لتقدير الارتباطات الجزئية (مع ضبط المتغيرات مثل القيم المرجعية/baseline) من خلال اشتقاق مصفوفات التباين الشرطية.

النتائج الرئيسية
من خلال دراسات المحاكاة ودراسة حالة واقعية باستخدام بيانات مبادرة تصوير مرض الزهايمر (ADNI)، قدم المؤلفون النتائج التالية:

• التحيز في "الميول أولاً": في ظل ظروف يكون فيها التغاير المشترك بين الإشارات متغيراً عبر الزمن، تنتج الاستراتيجية 1 تقديرات متحيزة للارتباط. ويتفاقم هذا التحيز في ظل آليات التسرب "المفقود عشوائياً" (Missing At Random - MAR). وفي عمليات المحاكاة ذات التغاير المشترك غير الثابت، أظهرت الاستراتيجية 1 تحيزات تتراوح بين 0.059 و0.165، بينما كان الارتباط الحقيقي مختلفاً بشكل ملحوظ في كثير من الأحيان.
• عدم التحيز في التباين المشترك: تظل الاستراتيجية 2ب (المعتمدة على LMM) غير متحيزة في ظل كل من ظروف "المفقود تماماً عن الصدفة" (MCAR) وظروف "المفقود عشوائياً" (MAR)، بشرط أن تظل فرضيات النموذج قائمة. أما الاستراتيجية 2أ (الكاملة زوجياً/الحالة الكاملة) فهي غير متحيزة عموماً، لكنها تعاني من تباين أعلى (كفاءة أقل) مقارنة بالاستراتيجية 2ب، لا سيما في هياكل التباين الواقعية.
• الكفاءة: تستفيد الاستراتيجية 2ب من المعلومات من جميع المشاركين، بما في ذلك أولئك الذين لديهم متابعة غير مكتملة، مما يؤدي إلى أخطاء معيارية تجريبية أقل مقارنة بالاستراتيجية 2أ.
• الأثر في العالم الحقيقي: في دراسة الحالة التي حللت الارتباط بين تغير العمر المتوقع للدماغ وتغير حجم المادة الرمادية، أسفرت الاستراتيجيات المختلفة عن تقديرات نقطية وفترات ثقة مختلفة. ويشير المؤلفون إلى أن هذه الاختلافات كانت كافية لإمكانية الوصول إلى استنتاجات علمية مختلفة فيما يتعلق بقوة وأهمية الارتباط.

الأهمية والادعاءات
تدعي الورقة أن اختيار المُقدِّر أمر بالغ الأهمية في الدراسات الطولية التي تعاني من التسرب. ويجادل المؤلفون بضرورة عدم اعتماد الباحثين على نهج "الميول أولاً" القياسي عندما تكون البيانات مفقودة ويكون هيكل التغاير المشترك معقداً أو متغيراً مع الزمن.

وبناءً على ذلك، يوصون بـ:

1. فحص نمط البيانات المفقودة.
2. استخدام نهج التباين المشترك (تحديداً الاستراتيجية 2ب عبر النماذج الخطية المختلطة) لضمان التقدير غير المتحيز للارتباط بين معدلات التغير.
3. الإدراك بأن نهج "الميول أولاً" قد يؤدي إلى استنتاجات علمية خاطئة في وجود تغاير مشترك غير ثابت وتسرب في البيانات.

يوفر هذا العمل تبريراً رياضياً رسمياً للتحيز في الممارسات الشائعة، ويقدم بديلاً غير متحيز وقابلاً للتطبيق حاسوبياً لعلماء الإحصاء الحيوي وباحثي التصوير العصبي.