Assessing survival models by interval testing with Poisson-binomial distributions

तकनीकी सारांश: पॉइसन-बाइनोमियल वितरणों के साथ अंतराल परीक्षण द्वारा उत्तरजीविता मॉडलों का आकलन

समस्या विवरण
फार्मास्युटिकल उत्पादों के लिए नियामक सबमिशन में, विशेष रूप से स्वास्थ्य प्रौद्योगिकी मूल्यांकन (HTA) के भीतर, उपयुक्त पैरामीट्रिक उत्तरजीविता मॉडल (survival model) का चयन आर्थिक मूल्यांकन और परीक्षण अवधि से परे उपचार प्रभावकारिता के विस्तार (extrapolation) के लिए महत्वपूर्ण है। हालांकि उपलब्ध मॉडलिंग दृष्टिकोणों (मानक पैरामीट्रिक, लचीले स्प्लाइन-आधारित, और बाहरी डेटा-एकीकृत मॉडल सहित) की संख्या बढ़ रही है, मॉडल चयन अभी भी चुनौतीपूर्ण बना हुआ है। वर्तमान मानक अभ्यास मुख्य रूप से एिकाई सूचना मानदंड (AIC), बेयसियन सूचना मानदंड (BIC) और व्यक्तिपरक विशेषज्ञ राय पर निर्भर करते हैं। यह शोध पत्र तर्क देता है कि ये विधियाँ मुख्य रूप से सापेक्ष 'गुडनेस-ऑफ-फिट' (goodness-of-fit) तुलनाएँ प्रदान करती हैं, और यह समझने में विफल रहती हैं कि क्या विचाराधीन सभी मॉडल प्रेक्षित डेटा के साथ असंगत हैं। इसके अतिरिक्त, वे उन विशिष्ट समय अंतरालों की पहचान नहीं करते हैं जहाँ एक फिट किया गया मॉडल खराब प्रदर्शन करता है, जो दीर्घकालिक विस्तार (extrapolation) की वैधता का आकलन करने के लिए अत्यंत महत्वपूर्ण है।

कार्यप्रणाली
लेखक एक 'गुडनेस-ऑफ-फिट' परीक्षण ढांचे का प्रस्ताव करते हैं जो उत्तरजीविता डेटा को समय अंतरालों में समूहित करने और एक फिट किए गए मॉडल से प्राप्त अपेक्षित गणनाओं (expected counts) के विरुद्ध प्रेक्षित घटनाओं की गणना (observed event counts) का मूल्यांकन करने पर आधारित है।

1. अंतराल निर्माण (Interval Construction):

   • सेंसर-परिभाषित अंतराल (Censor-Defined Intervals): अंतराल दाईं ओर सेंसर किए गए अवलोकनों ($t'_{j,0}$) के अद्वितीय समय द्वारा परिभाषित किए जाते हैं। अक्रातास (1988) पर आधारित यह दृष्टिकोण उप-अंतराल $(t'_{j-1,0}, t'_{j,0}]$ बनाता है।
   • निर्दिष्ट अंतराल (Specified Intervals): लेखक इस पद्धति को उपयोगकर्ता-परिभाषित अंतराल (जैसे, अंतिम सेंसर तक 10 समान रूप से विभाजित अंतराल) को शामिल करने के लिए विस्तारित करते हैं। निर्दिष्ट अंतराल ($V_k$) को सेंसर समय को उपयोगकर्ता-निर्धारित सीमाओं के साथ मिलाकर बनाया जाता है, जिससे उप-अंतरालों ($I'_i$) का एक सेट तैयार होता है।

2. सांख्यिकीय वितरण (Statistical Distribution):

   • इस शून्य परिकल्पना (null hypothesis) के तहत कि मॉडल $M(\beta)$ घटना उत्पन्न करने वाली प्रक्रिया का सही वर्णन करता है, किसी भी अंतराल में घटनाओं की संख्या को पॉइसन-बाइनोमियल वितरण का उपयोग करके मॉडल किया जाता है।
   • एक विशिष्ट अंतराल के लिए, घटनाओं की संख्या एक बाइनोमियल वितरण $Binomial(N_{risk}, p)$ का अनुसरण करती है, जहाँ $N_{risk}$ जोखिम में मौजूद रोगियों की संख्या है और $p$ अंतराल में एक घटना होने की संभावना है (उस अंतराल के प्रारंभ तक जीवित रहने की स्थिति में)।
   • जब एक निर्दिष्ट अंतराल के भीतर उप-अंतरालों को एकत्रित किया जाता है, तो अलग-अलग संभावनाओं वाले स्वतंत्र बाइनोमिअल्स का योग एक पॉइसन-बाइनोमियल वितरण का अनुसरण करता है। यह दृष्टिकोण पारंपरिक ची-स्क्वायर परीक्षणों (जैसे अक्रातास) के लिए आवश्यक 'एसिम्प्टोटिक नॉर्मलिटी' (asymptotic normality) धारणाओं से बचता है।

3. परीक्षण सांख्यिकी (Test Statistics):

   • व्यक्तिगत अंतराल परीक्षण (Individual Interval Testing): प्रत्येक अंतराल के लिए पी-वैल्यू (p-values) की गणना की जाती है। लेखक पुनरुत्पादकता के लिए "मिडपॉइंट पी-वैल्यू" का उपयोग करते हैं, हालांकि वे सैद्धांतिक एकरूपता के लिए "रैंडमाइज्ड पी-वैल्यू" को भी स्वीकार करते हैं।
   • बोनफेरोनी परीक्षण (Bonferroni Test): फैमिलीवाइज एरर रेट (familywise error rate) को कड़ाई से नियंत्रित करने के लिए उपयोग किया जाता है। एक अंतराल को तब चिह्नित किया जाता है यदि उसका पी-वैल्यू अंतरालों की संख्या के सापेक्ष अत्यधिक (बहुत कम या बहुत अधिक) हो।
   • ट्रांसफॉर्मड फिशर टेस्ट (TFT): एक निरंतर परीक्षण सांख्यिकी ($T_{cont} = -2 \sum \log(U_j)$) जो असामान्य रूप से केंद्रित चरम मानों (उच्च और निम्न दोनों) का पता लगाने के लिए पी-वैल्यू को एकत्रित करती है, जो $\chi^2$ वितरण का अनुसरण करती है।
   • प्रोटेक्शन अगेंस्ट वेरी स्मॉल इंटरवल्स (PAVSI): एक असतत (discrete) परीक्षण सांख्यिकी ($T_{pavsi}$) जो उन अंतरालों की संख्या गिनती है जिनके पी-वैल्यू केंद्रीय 95% (अर्थात, $p < 0.025$ या $p > 0.975$) से बाहर हैं। यह सांख्यिकी एक बाइनोमियल वितरण का अनुसरण करती है और एकल, अत्यंत चरम पी-वैल्यू के प्रभाव को कम करने के लिए डिज़ाइन की गई है।

प्रमुख योगदान और परिणाम

• स्थानीय मिसफिट की पहचान (Identification of Local Misfit): AIC/BIC के विपरीत, प्रस्तावित विधि उन विशिष्ट समय अंतरालों को उजागर करती है जहाँ मॉडल विफल होता है, जो मॉडल चयन और विस्तार (extrapolation) की वैधता के लिए कार्रवाई योग्य अंतर्दृष्टियाँ प्रदान करता है।
• सिमुलेशन सत्यापन (Simulation Validation): 12 परिदृश्यों (मरीज की संख्या और डेटा परिपक्वता में भिन्नता) और प्रति परिदृश्य 10,000 पुनरावृत्तियों (iterations) वाले एक सिमुलेशन अध्ययन का संचालन किया गया।
  • टाइप I एरर नियंत्रण: रैंडमाइज्ड पी-वैल्यू के लिए, सेंसर-परिभाषित और 10 समान रूप से विभाजित अंतराल दोनों दृष्टिकोणों ने नाममात्र 5% स्तर के करीब अनुभवजन्य टाइप I एरर दर बनाए रखी।
  • मिडपॉइंट पी-वैल्यू: मिडपॉइंट पी-वैल्यू (व्यावहारिक अनुप्रयोग के लिए अनुशंसित) का उपयोग करने पर, सेंसर-परिभाषित अंतराल दृष्टिकोण अत्यधिक रूढ़िवादी (Type I error अक्सर 0 या <2% के पास) साबित हुआ, विशेष रूप से अपरिपक्व डेटा के लिए TFT सांख्यिकी हेतु। इसके विपरीत, 10 समान रूप से विभाजित अंतराल दृष्टिकोण बेहतर प्रदर्शन किया, जिसमें टाइप I एरर दर आमतौर पर 0.02 और 0.05 के बीच रही, जो मरीज की संख्या बढ़ने के साथ नाममात्र स्तर के करीब पहुँच जाती है।
• अनुप्रयोग उदाहरण:
  • उदाहरण 1 (एक्सपोनेंशियल मॉडल): इसने बोनफेरोनी रिजेक्शन के माध्यम से वक्र के टेल (extrapolation क्षेत्र) पर खराब फिट का पता लगाने की क्षमता प्रदर्शित की, जिसे केवल दृश्य निरीक्षण (visual inspection) से अनदेखा किया जा सकता था।
  • उदाहरण 2 (HTA परिदृश्य): सात पैरामीट्रिक मॉडलों की तुलना की गई। सेंसर-परिभाषित दृष्टिकोण छोटे अंतराल के आकार के कारण खराब फिट का पता लगाने में विफल रहा, जबकि 10 समान रूप से विभाजित अंतराल दृष्टिकोण ने 7 में से 6 मॉडलों में महत्वपूर्ण मिसफिट की पहचान की, जिससे अधिक लचीले मॉडलों (जैसे स्प्लिन्स) के चयन में मार्गदर्शन मिला।

महत्व और दावे
यह शोध पत्र दावा करता है कि प्रस्तावित पॉइसन-बाइनोमियल अंतराल परीक्षण पद्धति शास्त्रीय दृष्टिकोणों की तुलना में एक महत्वपूर्ण प्रगति है क्योंकि यह:

1. एसिम्प्टोटिक धारणाओं को हटाती है: यह ची-स्क्वायर परीक्षणों में निहित एसिम्प्टोटिक नॉर्मलिटी धारणाओं पर निर्भर नहीं है, जिससे यह छोटे नमूना आकार या जटिल सेंसरिंग पैटर्न के लिए उपयुक्त हो जाती है।
2. विस्तृत नैदानिक क्षमता (Granular Diagnostic Capability): यह केवल सापेक्ष मॉडल रैंकिंग से आगे बढ़कर पूर्ण 'गुडनेस-ऑफ-फिट' मूल्यांकन प्रदान करती है, विशेष रूप से यह बताती है कि समय क्षितिज (time horizon) में कहाँ एक मॉडल डेटा के साथ असंगत है।
3. व्यावहारिक उपयोगिता: लेखक व्यावहारिक उपयोग के लिए 10 समान रूप से विभाजित अंतराल दृष्टिकोण को मिडपॉइंट पी-वैल्यू के साथ मिलाने की सिफारिश करते हैं, क्योंकि यह टाइप I एरर नियंत्रण और वास्तविक दुनिया के परिदृश्यों (जैसे प्रदान किया गया HTA उदाहरण) में मिसफिट का पता लगाने की क्षमता के बीच संतुलन बनाता है।

लेखक निष्कर्ष निकालते हैं कि हालांकि यह विधि प्रारंभिक मॉडल अवलोकन और अस्वीकृति के लिए एक मजबूत उपकरण है, इसे केवल निर्णय मानदंड के रूप में नहीं, बल्कि अन्य मेट्रिक्स (जैसे AIC/BIC) और दृश्य निरीक्षण के साथ मिलकर उपयोग किया जाना चाहिए। वे नोट करते हैं कि यह विधि अंतराल चयन की विभिन्न रणनीतियों को समायोजित करने के लिए पर्याप्त लचीली है और इसे रिस्क-स्कोर मॉडल तक विस्तारित किया जा सकता है।