Effect modification and non-collapsibility leads to conflicting treatment decisions: a review of marginal and conditional estimands and recommendations for decision-making
यह शोध पत्र इस बात की समीक्षा करता है कि कैसे प्रभाव संशोधन (effect modification) और गैर-संकुलनीयता (non-collapsibility) की संयुक्त उपस्थिति सीमांत (marginal) और सप्रतिबंध (conditional) अनुमानों को विरोधाभासी उपचार रैंकिंग प्रदान करने के लिए प्रेरित कर सकती है, और यह निर्णय लेने के लिए व्यावहारिक सिफारिशें प्रदान करता है जो लक्षित जनसंख्या के लिए दोनों प्रकार के अनुमान उत्पन्न करने हेतु बहु-स्तरीय नेटवर्क मेटा-रिग्रेशन का लाभ उठाते हैं।
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
स्वास्थ्य सेवा की दुनिया में, डॉक्टर और नीति निर्माता एक निरंतर चुनौती का सामना करते हैं: यह तय करना कि लोगों के एक विशिष्ट समूह के लिए कौन सा उपचार सबसे अच्छा काम करता है। वे उत्तर खोजने के लिए क्लिनिकल ट्रायल्स (नैदानिक परीक्षणों) पर भरोसा करते हैं, जो सावधानीपूर्वक नियंत्रित प्रयोग होते हैं। हालाँकि, सभी लोग एक जैसे नहीं होते। कुछ में बीमारी के गंभीर रूप होते हैं, कुछ में हल्के रूप होते हैं, और कुछ में विशिष्ट जैविक मार्कर होते हैं जो यह बदलते हैं कि उनका शरीर दवा के प्रति कैसी प्रतिक्रिया देता है। जब कोई कारक इस तरह से उपचार की प्रभावशीलता को बदल देता है, तो वैज्ञानिक इसे "इफेक्ट मॉडिफिकेशन" (प्रभाव संशोधन) कहते हैं। यह एक स्थापित तथ्य है कि यदि कोई दवा एक प्रकार के रोगी के लिए चमत्कार करती है लेकिन दूसरे के लिए बहुत कम मदद करती है, तो पूरे समूह के लिए सबसे अच्छा विकल्प इस बात पर निर्भर करता है कि उस समूह में कौन शामिल है।
इन निर्णयों को लेने के लिए, शोधकर्ता अक्सर एक स्पष्ट तस्वीर पाने के लिए कई परीक्षणों के डेटा को मिलाते हैं। लेकिन इसमें एक गणितीय पेच है जो चीजों को जटिल बना देता है। जब उपचार की सफलता को मापते हैं, तो वैज्ञानिक अक्सर अनुपातों (रेशियो) का उपयोग करते हैं, जैसे कि ऑड्स रेश्यो या हैजर्ड रेश्यो, जो एक समूह बनाम दूसरे समूह में किसी घटना के होने की संभावना की तुलना करते हैं। ये माप "नॉन-कोलैप्सिबल" (गैर-संकोचनीय) होते हैं, जो तकनीकी रूप से कहने का एक तरीका है कि पूरे समूह के लिए औसत परिणाम केवल उसके भीतर के व्यक्तियों के परिणामों का भारित औसत (weighted average) नहीं होता है। इस कारण, औसत की गणना करने का तरीका मायने रखता है। आप प्रत्येक व्यक्ति पर प्रभाव को देखकर और फिर उन प्रभावों का औसत निकालकर औसत की गणना कर सकते हैं, या आप पूरे समूह के लिए समग्र घटना दरों को देखकर औसत की गणना कर सकते हैं। आमतौर पर, ये दोनों विधियाँ थोड़े अलग नंबर देती हैं, लेकिन वे आम तौर पर इस बात पर सहमत होती हैं कि कौन सा उपचार बेहतर है।
डेविड फिलिपो और उनके सहयोगियों का एक नया शोध पत्र प्रकट करता है कि यह सहमति सुनिश्चित नहीं है। शोधकर्ता दिखाते हैं कि जब 'इफेक्ट मॉडिफिकेशन' मौजूद होता है, तो औसत की गणना करने के ये दो तरीके पूरी तरह से विपरीत निष्कर्षों की ओर ले जा सकते हैं। एक विधि यह सुझाव दे सकती है कि उपचार A पूरी आबादी के लिए सबसे अच्छा विकल्प है, जबकि दूसरी विधि यह सुझाव दे सकती है कि उपचार B श्रेष्ठ है। ऐसा इसलिए होता है क्योंकि दोनों विधियाँ वास्तव में दो अलग-अलग प्रश्न पूछ रही हैं। एक पूछता है, "कौन सा उपचार व्यक्तिगत रोगियों को सबसे अच्छा औसत लाभ देता है?" जबकि दूसरा पूछता है, "किस उपचार के परिणामस्वरूप पूरी आबादी के लिए कुल मिलाकर कम बुरी घटनाएं होती हैं?" जब विभिन्न प्रकार के रोगियों के बीच उपचार की प्रभावशीलता काफी भिन्न होती है, तो इन दो प्रश्नों के उत्तर अलग हो सकते हैं।
लेखक इन संघर्षों को समझाने के लिए सिमुलेशन की एक श्रृंखला का उपयोग करते हैं। एक परिदृश्य में, उन्होंने एक ऐसी आबादी का मॉडल बनाया जहाँ एक विशिष्ट बायोमार्कर ने एक उपचार को कुछ लोगों के लिए अत्यधिक प्रभावी बना दिया, लेकिन दूसरों के लिए कम प्रभावी बना दिया। जब उन्होंने व्यक्तिगत स्तर पर औसत लाभ की गणना की, तो डेटा ने एक दवा को स्पष्ट विजेता के रूप में दिखाया। हालाँकि, जब उन्होंने पूरे समूह के लिए समग्र घटना दर की गणना की, तो एक अलग दवा सबसे अच्छी दिखाई दी। इस विशिष्ट उदाहरण में, उस दवा को चुनने का अर्थ था जो बुरी घटनाओं की कुल संख्या को कम करती थी, से 75 प्रतिशत आबादी को ऐसा उपचार मिलता जो व्यक्तिगत रूप से उनके लिए निम्न स्तर का होता। इसके विपरीत, उस दवा को चुनने से जो औसत व्यक्ति के लिए सबसे अच्छी थी, पूरी आबादी में कुल बुरी घटनाओं की संख्या अधिक होती।
यह निष्कर्ष इस सामान्य धारणा को चुनौती देता है कि आबादी के लिए हमेशा एक ही "सर्वश्रेष्ठ" उपचार होता है। शोधकर्ताओं का तर्क है कि यह संघर्ष इसलिए उत्पन्न होता है क्योंकि विभिन्न उपचारों के लिए घटना की संभावना को दर्शाने वाले गणितीय वक्र (curves) एक-दूसरे को काट सकते हैं। यदि एक उपचार एक उपसमूह के लिए बेहतर है लेकिन दूसरे के लिए खराब है, और इन उपसमूहों को आपस में मिला दिया जाता है, तो समग्र औसत रैंकिंग को बदल सकता है। यह विशेष रूप से 'टाइम-टू-इवेंट' परिणामों के लिए प्रासंगिक है, जैसे कि जीवित रहने का समय (survival times), जहाँ किसी भी रोगी विशेषता की उपस्थिति, भले ही वह उपचार प्रभाव को न बदले, समय के साथ औसत जोखिम को बदल सकती है।
पत्र अध्ययन आबादी के बीच के इन अंतरों को समायोजित करने के लिए उपयोग किए जाने वाले उपकरणों की भी जांच करता है। 'मैचिंग-एडजस्टेड इनडायरेक्ट कंपेरिजन' और 'सिम्युलेटेड ट्रीटमेंट कंपेरिजन' जैसी विधियों का व्यापक रूप से उपयोग किया जाता है ताकि विशिष्ट लक्षित आबादी के अनुरूप परीक्षण परिणामों को ढाला जा सके। हालाँकि, लेखक प्रदर्शित करते हैं कि ये विधियाँ अक्सर ऐसे अनुमान प्रदान करती हैं जो केवल मूल अध्ययन की आबादी के लिए विशिष्ट होते हैं और उन्हें एक नई आबादी में आसानी से स्थानांतरित नहीं किया जा सकता है जिसमें अलग विशेषताएं हों। वे 'मल्टीलेवल नेटवर्क मेटा-रिग्रेशन' को एकमात्र वर्तमान दृष्टिकोण के रूप में पहचानते जो किसी भी लक्षित आबादी के लिए दोनों प्रकार के अनुमान (व्यक्तिगत और समूह के लिए) देने में सक्षम है।
अंततः, लेखक निर्णय लेने वालों को एक एकल संख्या पर निर्भर रहने के बजाय, दोनों स्तरों के अनुमानों—व्यक्तिगत स्तर और जनसंख्या स्तर—को देखने की सिफारिश करते हैं। यदि दोनों विधियाँ सर्वश्रेष्ठ उपचार पर सहमत होती हैं, तो निर्णय सीधा है। यदि वे असहमत हैं, तो यह संकेत देता है कि आबादी एकसमान नहीं है और सभी के लिए एक एकल निर्णय उप-इष्टतम (suboptimal) हो सकता है। ऐसे मामलों में, सबसे अच्छा मार्ग आबादी को उपसमूहों में विभाजित करना और प्रत्येक समूह को अलग उपचार सौंपना हो सकता है। यह दृष्टिकोण सुनिश्चित करता है कि रोगियों को वह उपचार मिले जो उनकी विशिष्ट विशेषताओं के लिए सबसे अच्छा है, बजाय इसके कि एक ऐसा समझौता किया जाए जो बहुमत को बदतर स्थिति में छोड़ दे। पत्र निष्कर्ष निकालता है कि हालांकि इन उपसमूहों की पहचान करना कठिन है और इसके लिए सावधानीपूर्वक सांख्यिकीय कार्य की आवश्यकता होती है, लेकिन 'इफेक्ट मॉडिफिकेशन' की उपस्थिति में व्यक्तिगत लाभ को अधिकतम करने और कुल हानि को न्यूनतम करने के बीच के संघर्ष को हल करने का यही एकमात्र तरीका है।
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।