Robust Causal Inference for EHR-based Studies of Point Exposures with Missingness in Eligibility Criteria

तकनीकी सारांश: पात्रता मानदंडों में लुप्तता (Missingness) वाले EHR-आधारित अध्ययनों के लिए सुदृढ़ कारण अनुमान (Robust Causal Inference)

समस्या विवरण
इलेक्ट्रॉनिक हेल्थ रिकॉर्ड (EHR) डेटाबेस नैदानिक परीक्षणों (clinical trials) के विकल्प के रूप में अवलोकन संबंधी अनुसंधान (observational research) के लिए एक मूल्यवान विकल्प प्रदान करते हैं। हालाँकि, पूर्वव्यापी अध्ययनों (prospective studies) के विपरीत जहाँ पात्रता को कड़ाई से जांचा जाता है, EHR डेटा में अक्सर अध्ययन पात्रता को परिभाषित करने वाले चरों (variables) के लिए लुप्त मान (missing values) होते हैं (जैसे, BMI, A1c स्तर, दवा का इतिहास)। मानक अभ्यास में पात्रता के अधूरे डेटा वाले रोगियों को बाहर करना शामिल है, जो चयन पूर्वाग्रह (selection bias) उत्पन्न करता है यदि लुप्तता पूरी तरह से यादृच्छिक (MCAR) नहीं है। इसके विपरीत, शोधकर्ता अक्सर पुराने डेटा को खोजने के लिए "लुकबैक विंडोज़" (lookback windows) का विस्तार करने का प्रयास करते हैं, जो कि उन रोगियों को अनुचित रूप से शामिल करने का जोखिम उठाता है जो अध्ययन बेसलाइन पर अपात्र थे (उदाहरण के लिए, वे रोगी जिनका मधुमेह की स्थिति सर्जरी के समय अज्ञात थी लेकिन पुराने रिकॉर्ड से अनुमानित की गई है)।

लुप्त पात्रता को संभालने वाली मौजूदा विधियाँ, जैसे कि मल्टीपल इम्प्यूटेशन (multiple imputation) या इनवर्स प्रोबबिलिटी वेटिंग (IPW), अक्सर निरंतर अनुमान प्राप्त करने के लिए सभी घटक मॉडलों (परिणाम, उपचार, लुप्तता और इम्प्यूटेशन) के सही विनिर्देश (specification) की आवश्यकता रखती हैं। इसके अलावा, ये विधियाँ अक्सर लचीले मशीन लर्निंग (ML) तकनीकों के साथ संयोजन में संघर्ष करती हैं, जो आमतौर पर धीमी अभिसरण दर (convergence rates) से ग्रस्त होती हैं जो विषम अनुमान (asymptotic inference) को अमान्य कर देती हैं।

कार्यप्रणाली
लेखक अध्ययन योग्य पात्रों के बीच उपचार के औसत प्रभाव (ATTE), जिसे $\theta_{ATT}^{elig} = E[Y(1) - Y(0) \mid A=1, E=1]$ के रूप में दर्शाया गया है, का अनुमान लगाने के लिए एक ढांचा प्रस्तावित करते हैं। यह दृष्टिकोण $\theta_{ATT}^{elig}$ का अनुमान लगाने के लिए सेमीपैरामेट्रिक सिद्धांत (semiparametric theory) का उपयोग करता है ताकि मॉडल मिसस्पेसिफिकेशन के प्रति सुदृढ़ और आधुनिक मशीन लर्निंग के अनुकूल एस्टिमेटर्स विकसित किए जा सकें।

1. मान्यताएं और पहचान (Assumptions and Identification):

   • विधि निरंतरता (Consistency), सकारात्मकता (Positivity), और पात्र योग्य जनसंख्या के भीतर अनकन्फाउंडिंग (No Unmeasured Confounding) को मानती है।
   • महत्वपूर्ण रूप से, यह पूर्णतः प्रेक्षित चरों ($L^*$) और उपचार ($A$) के सापेक्ष पात्रता-निर्धारित चरों ($L_m$) के लिए मिसिंग एट रैंडम (MAR) को मानती है। विशेष रूप से, पूर्ण पात्रता डेटा का संकेतक ($R$) $L^*$ और $A$ के दिए जाने पर परिणाम ($Y$) और लुप्त चरों ($L_m$) से स्वतंत्र है।
   • लेखक प्रेक्षित डेटा लाइकलीहुड (likelihood) के एक नवीन गुणनखंड (factorization) को व्युत्पन्न करते हैं जो उपचार तंत्र, प्राप्ति तंत्र ($\eta$), लुप्त चरों के वितरण ($\lambda$), और परिणाम मॉडल ($\mu$) को अलग करता है।

2. एस्टिमेटर्स (Estimators):
   लेखक कुशल प्रभाव फलन (efficient influence functions - EIF) पर आधारित दो प्राथमिक एस्टिमेटर्स पेश करते हैं:

   • $\hat{\theta}_{EIF}$ (एफिशिएंट इन्फ्लुएंस फंक्शन एस्टिमेटर): यह एस्टिमेटर सेमीपैरामेट्रिक एफिशिएंसी बाउंड को लक्षित करता है। यह "नेस्टेड" (nested) न्यूसेंस फंक्शन्स (जैसे, $\xi, \gamma, \chi$) के एक जटिल सेट का उपयोग करता है जो लुप्त चरों पर मार्जलाइजेशन करके पात्रता स्थिति की अनिश्चितता को नियंत्रित करता है। इसके लिए कई घटक फलनों ($\mu, u, \eta, \varepsilon$, आदि) के अनुमान की आवश्यकता होती है जो लचीले ML तरीकों (जैसे, SuperLearner) का उपयोग करते हैं। सैद्धांतिक परिणाम दिखाते हैं कि यदि इन न्यूसेंस फंक्शन्स के अनुमान त्रुटि का गुणनफल $o_P(n^{-1/2})$ की दर से अभिसरण करता है, तो एस्टिमेटर $\sqrt{n}$-कंसिस्टेंट और एसिम्प्टोटिकली नॉर्मल होता है।
   • $\hat{\theta}_{IF}$ (इन्फ्लुएंस फंक्शन एस्टिमेटर): यह एक कम्प्यूटेशनल रूप से सरल विकल्प है जो $\hat{\theta}_{EIF}$ के लिए आवश्यक कुछ गहरे नेस्टेड न्यूसेंस फंक्शन्स से बचता है। हालांकि यह सेमीपैरामेट्रिक एफिशिएंसी बाउंड प्राप्त करने में सक्षम नहीं हो सकता है, लेकिन यह कम्प्यूटेशनल जटिलता और पूर्वाग्रह न्यूनीकरण के बीच एक संतुलन प्रदान करता है।
   • बेसलाइन तुलनात्मक (Baseline Comparators): लेखक अपने प्रस्तावित दृष्टिकोण की आवश्यकता को प्रदर्शित करने के लिए एक कम्प्लीट केस (CC) एस्टिमेटर और एक इनवर्स वेटेड आउटकम रिग्रेशन (IWOR) एस्टिमेटर का भी मूल्यांकन करते हैं।

3. कार्यान्वयन (Implementation):
   अनुमान प्रक्रिया नॉनपैरामेट्रिक ML एल्गोरिदम का उपयोग करते समय वैध निष्कर्ष सुनिश्चित करने के लिए सैंपल स्प्लिटिंग (क्रॉस-फिटिंग) का उपयोग करती है। यह ओवरफिटिंग को रोकता है और एस्टिमेटर्स को आवश्यक अभिसरण दर प्राप्त करने की अनुमति देता है, भले ही न्यूसेंस फंक्शन्स का अनुमान जटिल एल्गोरिदम जैसे रैंडम फॉरेस्ट या जनरलाइज्ड एडिटिव मॉडल के माध्यम से लगाया गया हो।

प्रमुख योगदान

• लुप्त पात्रता के लिए औपचारिक ढांचा: यह पेपर विशेष रूप से EHR अध्ययनों में लुप्त पात्रता मानदंडों से उत्पन्न होने वाले चयन पूर्वाग्रह को संबोधित करने वाला पहला कठोर कारण अनुमान ढांचा प्रदान करता है, जो इसे मानक लुप्त डेटा समस्याओं से अलग करता है।
• सुदृढ़ता और दक्षता: प्रस्तावित एस्टिमेटर्स "मल्टीप्ली रूबस्ट" (multiply robust) हैं, जिसका अर्थ है कि वे तब भी सुसंगत रहते हैं जब न्यूसेंस मॉडल्स के विभिन्न संयोजनों को सही ढंग से निर्दिष्ट किया जाता है। वे लचीले ML तरीकों का उपयोग करते समय वैध एसिम्प्टोटिक अनुमान बनाए रखते हैं, जिससे उन धीमी अभिसरण समस्याओं पर काबू पाया जाता है जो आमतौर पर ऐसे दृष्टिकोणों को प्रभावित करती हैं।
• नवीन गुणनखंड (Novel Factorization): लुप्त पात्रता के अनकन्फाइंड स्ट्रेटा पर कंडीशन किए बिना ATTE की पहचान को सुगम बनाने के लिए एक विशिष्ट लाइकलीहुड गुणनखंड का व्युत्पन्न।

अनुप्रयोग और परिणाम
कार्यप्रणाली को 2008 और 2011 के बीच बेरिएट्रिक सर्जरी (रौक्स-एन-वाई गैस्ट्रिक बाईपास [RYGB] बनाम स्लीव गैस्ट्रेशनोस्टोमी [SG]) से गुजर रहे 14,809 रोगियों के एक समूह (कोहॉर्ट) पर लागू किया गया है (काइसर पर्सिफिकेंट DURABLE अध्ययन)। यह अध्ययन दीर्घकालिक वजन परिवर्तन और टाइप 2 डायबिटीज (T2DM) रिमिशन का मूल्यांकन करता है।

• ऑपरेशनलाइजेशन के प्रति संवेदनशीलता: लेखकों ने पात्रता मानदंडों (BMI और T2DM के लिए लुकबैक विंडो को बदलते हुए) के 40 विभिन्न ऑपरेशनलाइजेशन का विश्लेषण किया।
• मानक दृष्टिकोणों में पूर्वाग्रह: कम्प्लीट केस (CC) एस्टिमेटर ने महत्वपूर्ण पूर्वाग्रह दिखाया (वजन परिवर्तन के लिए -7.1% से -6.2% और रिमिशन के लिए 3.7% से 8.2%), जो यह सुझाव देता है कि लुप्त पात्रता डेटा वाले रोगियों को बाहर करने से उपचार प्रभाव का व्यवस्थित रूप से अति-अनुमान (overestimate) होता है।
• प्रस्तावित एस्टिमेटर्स का प्रदर्शन: प्रस्तावित इन्फ्लुएंस-फंक्शन-आधारित एस्टिमेटर्स ($\hat{\theta}_{EIF}$ और $\hat{\theta}_{IF}$) ने इन प्रभावों को शून्य की ओर कम किया।
  • वजन परिवर्तन के लिए, $\hat{\theta}_{EIF}$ ने अभी भी SG की तुलना में RYGB के लाभ का संकेत दिया, हालांकि इसका परिमाण CC एस्टिमेटर की तुलना में औसतन 19.5% कम था।
  • T2DM रिमिशन के लिए, परिणाम अधिक सूक्ष्म थे। जबकि CC एस्टिमेटर ने RYGB के लिए पर्याप्त लाभ का सुझाव दिया, मजबूत एस्टिमेटर्स ने बहुत छोटा प्रभाव दिखाया (सीमा 0.1% से 7.4%), जिसके कॉन्फिडेंस इंटरवल अक्सर शून्य को शामिल करते हैं। यह सुझाव देता है कि पिछले अध्ययनों में RYGB के लिए स्पष्ट लाभ संभवतः चयन पूर्वाग्रह से प्रेरित था।
• संवेदनशीलता विश्लेषण (Sensitivity Analysis): एक टिपिंग पॉइंट विश्लेषण ने दिखाया कि RYGB के लिए वजन घटाने के लाभों के संबंध में निष्कर्ष MAR धारणा के उल्लंघन के प्रति सुदृढ़ है, जिसके लिए लुप्तता की संभावनाओं में अत्यधिक बड़े अंतर की आवश्यकता होगी। हालांकि, T2DM रिमिशन के निष्कर्ष ऐसे उल्लंघनों के प्रति अधिक संवेदनशील थे।

महत्व और दावे
लेखक दावा करते हैं कि उनका कार्य EHR-आधारित अनुसंधान में एक महत्वपूर्ण, अक्सर अनदेखे पूर्वाख स्रोत को संबोधित करता है। यह प्रदर्शित करके कि मानक निष्कासन रणनीतियाँ उपचार प्रभावों के अनुमानों को बढ़ा सकती हैं, यह पेपर सेमीपैरामेट्रिक, सुदृढ़ तरीकों को अपनाने का तर्क देता है।

अध्ययन निष्कर्ष निकालता है कि जबकि RYGB संभवतः SG की तुलना में बेहतर दीर्घकालिक वजन घटाने की पेशकश करता है, पूर्ण-केस विश्लेषणों का उपयोग करने वाले अध्ययनों की तुलना में T2DM रिमिशन दर के लिए बेहतर साक्ष्य कम निर्णायक है। लेखक सुझाव देते हैं कि यह सुदृढ़ साक्ष्य आधार वर्तमान नैदानिक दिशानिर्देशों का समर्थन करता है और इन विशिष्ट परिणामों के लिए नए बड़े पैमाने के यादृच्छिक परीक्षणों की आवश्यकता के विरुद्ध तर्क देता है, क्योंकि पर्याप्त नैदानिक इक्विपोइज (equipoise) मौजूद नहीं हो सकता है। यह कार्य शोधकर्ताओं को मनमाने निष्कासन या संभावित रूप से पक्षपाती लुकबैक रणनीतियों के बजाय लुप्त पात्रता डेटा को संभालने के लिए एक व्यावहारिक टूलकिट प्रदान करता है।