A joint model of the individual mean and within-subject variability of a longitudinal outcome with a competing risks time-to-event outcome
यह शोध पत्र एक स्केलेबल, अर्ध-पैरामीट्रिक संयुक्त मॉडल प्रस्तावित करता है जो प्रतिस्पर्धी-जोखिम वाले समय-से-घटना परिणामों के साथ-साथ अनुदैर्ध्य बायोमार्कर के माध्य और विषय-के-भीतर की परिवर्तनशीलता का एक साथ अनुमान लगाता है, और सिमुलेशन तथा MESA कोहोर्ट के माध्यम से यह प्रदर्शित करता है कि विषम परिवर्तनशीलता को ध्यान में रखने से शास्त्रीय मॉडलों की तुलना में निष्कर्ष और जोखिम भविष्यवाणी में महत्वपूर्ण सुधार होता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप किसी विशेष शहर के लिए मौसम का पूर्वानुमान लगाने की कोशिश कर रहे हैं। अधिकांश मौसम विज्ञानी कल बारिश होगी या नहीं, इसका अनुमान लगाने के लिए पिछले एक महीने के औसत तापमान को देखते हैं। लेकिन क्या होगा यदि तापमान हर दिन जमा देने वाली ठंड और झुलसा देने वाली गर्मी के बीच बुरी तरह से झूल रहा हो, भले ही औसत समान रहे? वह उथल-पुथल—डेटा की "घबराहट" (jitters)—वास्तव में सबसे महत्वपूर्ण सुराग हो सकती है। चिकित्सा विज्ञान की दुनिया में, शोधकर्ता लंबे समय से इस बात का अध्ययन करते आए हैं कि हमारा शरीर समय के साथ कैसे बदलता है, जैसे कि रक्तचाप (ब्लड प्रेशर) या ब्लड शुगर को ट्रैक करना। पारंपरिक रूप से, वे "औसत" स्तर पर ध्यान केंद्रित करते थे: क्या आपका रक्तचाप उच्च है या कम? लेकिन शोध का एक बढ़ता हुआ समूह सुझाव देता है कि परिवर्तनशीलता (variability)—यानी आपके नंबर दिन-प्रतिदिन में कितनी बार और कितनी अधिक ऊपर-नीचे होते हैं—स्वयं औसत जितना ही महत्वपूर्ण है। यदि आपका शरीर एक कार है, तो औसत गति आपको बताती है कि आप कितनी तेज़ चल रहे हैं, लेकिन परिवर्तनशीलता आपको बताती है कि इंजन झटके ले रहा है या सुचारू रूप से चल रहा है। इन "घबराहटों" को समझना डॉक्टरों को यह अनुमान लगाने में मदद कर सकता है कि संकट आने से बहुत पहले ही किन लोगों को गंभीर स्वास्थ्य घटनाओं, जैसे हृदय विफलता या मृत्यु का जोखिम है।
यहीं पर शानपेंग ली और उनकी टीम का एक नया शोध पत्र काम आता है। उन्होंने एक पेचीदा समस्या का समाधान किया: जब लोग बीमार होने या मृत्यु के कारण अध्ययनों से बाहर हो जाते हैं, तो इन "घबराहटों" (जिसे वैज्ञानिक 'विदिन-सब्जेक्ट वेरिएबिलिटी' कहते हैं) का अध्ययन कैसे किया जाए। कल्पना कीजिए कि आप एक कार के चलते समय उसके इंजन के कंपन को मापने की कोशिश कर रहे हैं, लेकिन कुछ कारें बीच परीक्षण में ही दुर्घटनाग्रस्त होकर रुक जाती हैं। यदि आप केवल उन कारों को देखते हैं जिन्होंने दौड़ पूरी की, तो आप इस तथ्य को मिस कर सकते हैं कि जो कारें दुर्घटनाग्रस्त हुईं, वे सबसे अधिक हिल रही थीं। लेखकों ने महसूस किया कि पुराने तरीके अक्सर इस "ड्रॉप-आउट" (अध्ययन छोड़ने) के मुद्दे को अनदेखा कर देते थे या यह मान लेते थे कि हर किसी का शरीर एक ही अनुमानित तरीके से हिलता है, जो कि सच नहीं है। इसे ठीक करने के लिए, उन्होंने एक नया गणितीय उपकरण बनाया—एक "जॉइंट मॉडल"—जो एक सुपर-स्मार्ट जासूस की तरह काम करता है। यह उपकरण एक साथ दो चीजों को देखता है: स्वास्थ्य मार्कर (जैसे रक्तचाप) का औसत स्तर और यह कि उसमें कितनी अधिक उथल-पुथल होती है, जबकि साथ ही यह भी नज़र रखता है कि गंभीर घटनाएं कब घटित होती हैं।
टीम ने अपने नए उपकरण का परीक्षण MESA नामक एक विशाल डेटासेट का उपयोग करके किया, जिसने विविध पृष्ठभूमि के 6,700 से अधिक लोगों का पीछा किया जो शुरू में स्वस्थ थे। वे यह देखना चाहते थे कि रक्तचाप की "घबराहट" (jitters) औसत रक्तचाप स्तर को ध्यान में रखने के बाद भी, हृदय विफलता और मृत्यु से जुड़ी है या नहीं। उनके सिमुलेशन ने दिखाया कि उनकी नई विधि पुराने उपकरणों की तुलना में सच्चाई को पकड़ने में बहुत बेहतर है। जब उन्होंने वास्तविक दुनिया के MESA डेटा पर इसे लागू किया, तो उन्हें कुछ रोमांचक पता चला: जिन लोगों का रक्तचाप बहुत अधिक ऊपर-नीचे होता था, उनमें हृदय विफलता और मृत्यु का जोखिम वास्तव में अधिक था, भले ही उनका औसत रक्तचाप सामान्य दिखता था। यह सुझाव देता है कि "घबराहट" एक वास्तविक चेतावनी संकेत है जो विभिन्न प्रकार के लोगों पर लागू होता है, न कि केवल उन लोगों पर जो सख्त क्लिनिकल ट्रायल में होते हैं। इसके अलावा, इन उतार-चढ़ाव को अपने भविष्यवाणियों में शामिल करके, मॉडल यह बताने में बेहतर हो गया कि किसे बीमारी होगी और किसे नहीं, जिससे खतरे को पहचानने की इसकी क्षमता में सुधार हुआ। लेखकों ने एक मुफ्त सॉफ्टवेयर पैकेज भी जारी किया है ताकि अन्य वैज्ञानिक अपने स्वयं के डेटा पर इस नए जासूसी उपकरण का उपयोग कर सकें, जिससे सभी के लिए स्वास्थ्य भविष्यवाणियां अधिक सटीक बनाने में मदद मिल सके।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।