A joint model for (un)bounded longitudinal markers, competing risks, and recurrent events using patient registry data

चिकित्सा अनुसंधान की दुनिया में, डॉक्टर और वैज्ञानिक यह समझने के लिए दो अलग-अलग प्रकार की जानकारी को ट्रैक करते हैं कि एक बीमारी शरीर के माध्यम से कैसे आगे बढ़ती है। पहली तरह की जानकारी समय के साथ ली गई मापों की एक श्रृंखला है, जैसे कि हर कुछ महीनों में किसी मरीज के रक्तचाप या फेफड़ों की क्षमता की जांच करना। इन्हें 'लॉन्जिट्यूडिनल मार्कर्स' (longitudinal markers) कहा जाता है, और ये परिवर्तन की कहानी बताते हैं, जिससे यह पता चलता है कि क्या कोई मरीज धीरे-धीरे बेहतर हो रहा है या बिगड़ रहा है। दूसरी तरह की जानकारी विशिष्ट क्षणों के बारे में है जब कुछ महत्वपूर्ण होता है, जैसे कि अचानक अस्पताल जाना, एक बड़ी जटिलता, या मृत्यु। इन्हें 'क्लिनिकल इवेंट्स' (clinical events) के रूप में जाना जाता है। दशकों से, शोधकर्ताओं ने इन दो डेटा धाराओं को जोड़ने के लिए गणितीय मॉडल बनाने की कोशिश की है, यह पूछते हुए कि मरीज के स्वास्थ्य मापों में होने वाले धीमे, निरंतर बदलाव किस प्रकार एक अचानक, गंभीर घटना कब घटित होगी, इसका पूर्वानुमान लगा सकते हैं। यह संबंध अत्यंत महत्वपूर्ण है क्योंकि यह डॉक्टरों को आपात स्थिति बनने से पहले समस्याओं का अनुमान लगाने की अनुमति देता है। हालांकि, वास्तविक जीवन का चिकित्सा डेटा शायद ही कभी सरल होता है। मरीजों को अक्सर एक ही प्रकार के संकट का कई बार अनुभव होता है, और वे एक-दूसरे के साथ प्रतिस्पर्धा करने वाले विभिन्न प्रकार के गंभीर परिणामों का सामना करते हैं, जैसे कि मृत्यु का जोखिम बनाम प्रत्यारोपण (ट्रांसप्लांट) की आवश्यकता का जोखिम। इसके अलावा, कई स्वास्थ्य माप 'बाउंडेड' (bounded) होते हैं, जिसका अर्थ है कि वे शून्य से नीचे नहीं जा सकते या एक निश्चित सीमा से ऊपर नहीं जा सकते, जो उन्हें उन मानक उपकरणों के साथ विश्लेषण करने में कठिन बनाता है जो यह मान लेते हैं कि संख्याएँ दोनों दिशाओं में अनंत तक फैल सकती हैं।

सांख्यिकीविदों और महामारी विज्ञानियों की एक टीम ने इस जटिल जानकारी के इन टुकड़ों को जोड़ने का एक नया, अधिक परिष्कृत तरीका विकसित किया है। उनका कार्य सिस्टिक फाइब्रोसिस (cystic fibrosis) पर केंद्रित है, जो एक गंभीर आनुवंशिक विकार है जो फेफड़ों और पाचन तंत्र को नुकसान पहुँचाता है। इस स्थिति वाले मरीजों की बारीकी से निगरानी दो प्रमुख संकेतकों के लिए की जाती है: उनका बॉडी मास इंडेक्स (BMI), जो उनकी पोषण संबंधी स्थिति को दर्शाता है, और उनके फेफड़ों के कार्य का एक माप जिसे 'प्रेडिक्टेड फोर्स्ड एक्सपिरेटरी वॉल्यूम इन वन सेकंड' (percent of predicted FEV1) का प्रतिशत कहा जाता है। यह फेफड़ों का माप एक प्रतिशत है जो आमतौर पर शून्य से सौ के बीच रहता है, हालांकि प्रभावी उपचार के साथ यह कभी-कभी थोड़ा अधिक भी हो सकता है। चूंकि यह संख्या एक विशिष्ट सीमा के भीतर बंधी होती है, इसलिए मानक सांख्यिकीय तरीके इसे सटीक रूप से मॉडल करने में संघर्ष करते हैं, और कभी-कभी नकारात्मक फेफड़ों की क्षमता जैसे असंभव परिणाम दे देते हैं। शोधकर्ताओं को इस तथ्य को भी ध्यान में रखने की आवश्यकता थी कि मरीज बार-बार फेफड़ों के संक्रमण का शिकार हो सकते हैं, जिन्हें पल्मोनरी एक्सacerbेशन (pulmonary exacerbations) कहा जाता है, और वे अपनी यात्रा के अंत में दो अलग-अलग, प्रतिस्पर्धी जोखिमों का सामना करते हैं: श्वसन विफलता से मृत्यु या एक फेफड़ा प्रत्यारोपण प्राप्त करना। पिछले तरीकों ने अक्सर शोधकर्ताओं को इस जानकारी को अनदेखा करने के लिए मजबूर किया, जैसे कि कई संक्रमणों को एक एकल घटना के रूप में मानना या मृत्यु और प्रत्यारोपण को एक ही श्रेणी में मिला देना, जिससे महत्वपूर्ण विवरण छिप गए।

इन समस्याओं को हल करने के लिए, शोधकर्ताओं ने एक एकीकृत सांख्यिकीय ढांचा बनाया जो इन सभी जटिलताओं को एक साथ संभाल सकता है। फेफड़ों के कार्य के डेटा को एक मानक वक्र (standard curve) में जबरन फिट करने के बजाय, जो असंभव मूल्यों की अनुमति देता है, उन्होंने एक लचीले गणितीय आकार का उपयोग किया जो विशेष रूप से एक निर्धारित सीमा के भीतर रहने वाली संख्याओं के लिए डिज़ाइन किया गया है। यह दृष्टिकोण सुनिश्चित करता है कि मॉडल केवल यथार्थवादी फेफड़ों के मूल्यों की भविष्यवाणी करे। इसके बाद, उन्होंने इस बेहतर माप मॉडल को बार-बार होने वाले संक्रमणों के समय और मृत्यु एवं प्रत्यारोपण के प्रतिस्पर्धी जोखिमों से जोड़ा। ऐसा करके, वे देख सके कि रोगी के फेफड़ों के कार्य और शरीर के वजन का प्रक्षेपवक्र (trajectory) भविष्य के संक्रमण या एक घातक घटना की संभावना को कैसे प्रभावित करता है, जबकि इस तथ्य को भी ध्यान में रखा कि एक मरीज जिसे प्रत्यारोपण प्राप्त होता है, वह उसी तरह से श्वसन विफलता से मरने के जोखिम में नहीं रहता। टीम ने इस नई पद्धति का परीक्षण संयुक्त राज्य अमेरिका में सिस्टिक फाइब्रोसिस वाले बीस-तीन हजार से अधिक व्यक्तियों के स्वास्थ्य रिकॉर्ड वाले एक विशाल डेटाबेस का उपयोग करके किया, जो लगभग दो दशकों तक फैला हुआ था। इस डेटासेट में लाखों व्यक्तिगत माप शामिल थे और इसने हजारों अस्पताल में भर्ती होने, प्रत्यारोपण और मृत्यु को ट्रैक किया।

वास्तविक दुनिया के डेटा पर इस नए मॉडल को लागू करने के परिणामों ने बीमारी के बढ़ने की एक स्पष्ट तस्वीर पेश की। विश्लेषण से पता चला कि एक मरीज के फेफड़ों के संक्रमण का जोखिम बढ़ जाता है यदि उनके अतीत में कई संक्रमण रहे हों, जो इस बात की पुष्टि करता है कि बीमारी दौरों के रूप में क्लस्टर (समूहबद्ध) होती है। इससे भी महत्वपूर्ण बात यह है कि मॉडल ने प्रदर्शित किया कि फेफड़ों का कार्य और बॉडी मास इंडेक्स दोनों ही भविष्य के जोखिमों के शक्तिशाली भविष्यवक्ता हैं। विशेष रूप से, फेफड़ों के कार्य में तेजी से गिरावट मृत्यु के उच्च जोखिम से मजबूती से जुड़ी हुई थी, जबकि बॉडी मास इंडेक्स में परिवर्तनों का संचयी इतिहास एक और संक्रमण के जोखिम से जुड़ा था। अध्ययन में पाया गया कि मृत्यु का जोखिम और प्रत्यारोपण की आवश्यकता का जोखिम इन संकेतकों द्वारा अलग-अलग तरह से प्रभावित होता है, जिससे यह सिद्ध होता है कि उन्हें एक ही परिणाम के रूप में मानना महत्वपूर्ण बारीकियों को छोड़ देता। उदाहरण के लिए, मॉडल ने दिखाया कि फेफड़ों के कार्य में एक इकाई की गिरावट और गिरावट की तीव्र दर, दोनों ही मृत्यु के खतरे को अलग-अलग मात्रा में बढ़ाते हैं, जो केवल वर्तमान मूल्य के बजाय परिवर्तन की गति को ट्रैक करने के महत्व को उजागर करता है। शोधकर्ताओं ने यह भी खोजा कि जो मरीज अधिक 'फ्रैइल' (frail) थे—एक शब्द जो भेद्यता की सामान्य स्थिति का वर्णन करता है—उनमें संक्रमण होने, प्रत्यारोपण प्राप्त करने या मृत्यु होने की संभावना काफी अधिक थी।

इस अध्ययन ने यह परीक्षण करने के लिए भी एक परीक्षण के रूप में कार्य किया कि क्या पुराने, सरल तरीकों का उपयोग करने से गलत निष्कर्ष निकलेंगे। जब शोधकर्ताओं ने एक ऐसा डेटा सिम्युलेट किया जहाँ फेफड़ों का कार्य सख्ती से सीमित (bounded) था और फिर पारंपरिक तरीकों से उसका विश्लेषण करने की कोशिश की जो यह मानते हैं कि संख्याएँ कहीं भी जा सकती हैं, तो परिणाम पक्षपाती थे। पुराने दृष्टिकोण ने त्रुटिपूर्ण अनुमान दिए, जिससे यह सुझाव मिला कि फेफड़ों के स्वास्थ्य और मृत्यु के जोखिम के बीच का संबंध वास्तव में जितना था उससे बहुत कमजोर था। इसने पुष्टि की कि नया तरीका केवल एक मामूली सुधार नहीं है बल्कि सटीक विश्लेषण के लिए एक आवश्यक सुधार है। टीम ने अपने नए मॉडल को एक मुफ्त सॉफ्टवेयर पैकेज के माध्यम से अन्य वैज्ञानिकों के लिए उपलब्ध कराया, जिससे अन्य शोधकर्ता समान जटिल डेटा संरचनाओं वाली अन्य बीमारियों पर भी यही कठोर दृष्टिकोण लागू कर सकें। एक मरीज की स्वास्थ्य यात्रा की पूरी कहानी को पकड़कर—बार-बार होने वाली बाधाओं, प्रतिस्पर्धी खतरों और उनके महत्वपूर्ण संकेतों की सीमित प्रकृति को—यह कार्य बीमारी के बढ़ने को समझने के लिए एक अधिक सटीक उपकरण प्रदान करता है। यह सबसे महत्वपूर्ण नैदानिक संकेतों और जीवन-घातक घटनाओं के बीच के संबंध को मापने का एक तरीका प्रदान करता है, जो पहले असंभव था, जिससे भविष्य में डॉक्टरों को इन स्थितियों को अधिक प्रभावी ढंग से प्रबंधित करने में मदद मिल सकती है।