🧬 biology

A proxy-based approach for unmeasured confounding in electronic health records research

यह शोध पत्र इलेक्ट्रॉनिक हेल्थ रिकॉर्ड्स अनुसंधान में अपरिवर्तित कन्फाउंडिंग (unmeasured confounding) को समायोजित करने के लिए फैक्टर एनालिसिस का उपयोग करते हुए एक व्यावहारिक प्रॉक्सी-आधारित दृष्टिकोण प्रस्तुत करता है, जो मॉडल मिसस्पेसिफिकेशन के तहत इसकी मजबूती और सीने में दर्द वाले वृद्ध वयस्कों के लिए अस्पताल में भर्ती होने के प्रभाव का अनुमान लगाने में इसकी प्रभावशीलता को प्रदर्शित करता है।

मूल लेखक: Haley Colgate Kottler, Amy Cochran

प्रकाशित 2026-03-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Haley Colgate Kottler, Amy Cochran

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं: क्या मरीज को अस्पताल भेजना वास्तव में उसकी मदद करता है, या इससे चीजें और खराब हो जाती हैं?

चिकित्सा की दुनिया में, यह एक क्लासिक पहेली है। यदि आप डेटा देखते हैं, तो अक्सर ऐसा लगता है कि जिन मरीजों को अस्पताल भेजा जाता है, वे अधिक बीमार हो जाते हैं या बार-बार वापस आते हैं। लेकिन क्या यह इसलिए है क्योंकि अस्पताल ने समस्या पैदा की? या इसलिए क्योंकि जो मरीज अस्पताल गए थे, वे पहले से ही बहुत अधिक बीमार थे?

यह छिपा हुआ कारक—"बीमार होने का स्तर" जिसे डॉक्टर महसूस कर सकते हैं लेकिन कंप्यूटर में पूरी तरह से रिकॉर्ड नहीं किया जाता है—एक अनमैशर्ड कन्फाउंडर (unmeasured confounder) कहलाता है। यह वह अदृश्य भूत है जो डेटा के साथ खिलवाड़ कर रहा है।

समस्या: मशीन में छिपा भूत

आमतौर पर, शोधकर्ता इसे ठीक करने के लिए उन चीजों को देखने की कोशिश करते हैं जिन्हें वे देख सकते हैं (आयु, लिंग, रक्तचाप) और उसके लिए समायोजन करते हैं। लेकिन वे उस "भूत" (बीमारी की वास्तविक गंभीरता) को नहीं देख सकते।

कुछ शोधकर्ता इंस्ट्रूमेंटल वेरिएबल्स (Instrumental Variables) का उपयोग करने का प्रयास करते हैं (जैसे कि एक प्राकृतिक प्रयोग खोजना), लेकिन यह अंधेरे कमरे में एक विशिष्ट चाबी खोजने जैसा है; इसे ढूंढना कठिन है और यह अक्सर फिट नहीं बैठता।

अन्य लोग नेगेटिव कंट्रोल्स (Negative Controls) का उपयोग करने का प्रयास करते हैं (ऐसे चर जो उपचार से प्रभावित नहीं होने चाहिए)। यह एक स्मार्ट विचार है, लेकिन यह एक बहुत ही जटिल, कठोर नियमों वाले रूबिक क्यूब को हल करने जैसा है। यदि आप नियमों में एक छोटी सी भी गलती करते हैं, तो पूरा समाधान बिखर जाता है।

समाधान: "शैडो" टीम

यह पेपर उस भूत को पकड़ने का एक नया, अधिक लचीला तरीका पेश करता है। लेखक, हेली कॉटलर और एमी कोचरन, प्रॉक्सियों (proxies) की एक टीम का उपयोग करने का सुझाव देते हैं।

सोचिए कि अनमैशर्ड "भूत" (वास्तविक बीमारी) एक छिपी हुई वस्तु द्वारा डाली गई परछाई (shadow) है। आप वस्तु को नहीं देख सकते, लेकिन आप परछाई को देख सकते हैं।

पुराना तरीका: परछाई के केवल एक हिस्से को देखें (जैसे केवल लंबाई) और वस्तु के आकार का अनुमान लगाएं।
नया तरीका: हर कोण से पूरी परछाई को देखें।

एक अस्पताल में, डॉक्टर ढेर सारा डेटा रिकॉर्ड करते हैं: हृदय गति, तापमान, सांस लेने की गति, मरीज ने कितनी देर प्रतीक्षा की, आदि। इनमें से कोई भी "वास्तविक बीमारी" नहीं है, लेकिन ये सभी प्रॉक्सी (proxies) हैं—ऐसे सुराग जो संकेत देते हैं कि नीचे क्या चल रहा है।

यह नई विधि कैसे काम करती है ("शैडो पपेट" सादृश्य)

लेखक एक दो-चरणीय प्रक्रिया प्रस्तावित करते हैं जो एक जादू के खेल जैसा लगता है:

चरण 1: शैडो पपेट (परछाई वाला कठपुतली) बनाएं।
"वास्तविक बीमारी" का सीधे अनुमान लगाने के बजाय, वे उन सभी प्रॉक्सी सुरागों (हृदय गति, तापमान, आदि) को लेते हैं और फैक्टर एनालिसिस (Factor Analysis) नामक एक सांख्यिकीय उपकरण का उपयोग करते हैं।
- सादृश्य: कल्पना कीजिए कि आपके पास बिखरे हुए पहेली के टुकड़ों का ढेर है (वाइटल्स)। आप अभी तक नहीं जानते कि तस्वीर क्या है। आप उन्हें एक साथ समूहबद्ध करते हैं ताकि आप देख सकें कि वे क्या आकार बनाते हैं। टूल कहता है, "हे, ये सभी टुकड़े एक ही छिपे हुए आकार की ओर इशारा कर रहे हैं।" वह आकार लेटेंट कन्फाउंडर (Latent Confounder) (भूत) है।
- वे इन टुकड़ों के आधार पर एक "समरी स्कोर" बनाते हैं। यह स्कोर उस अदृश्य बीमारी के विकल्प के रूप में कार्य करता है।
चरण 2: नाटक में कठपुतली का उपयोग करें।
अब, वे इस "समरी स्कोर" को एक मानक रिग्रेशन मॉडल (एक गणितीय समीकरण जिसका उपयोग परिणामों की भविष्यवाणी करने के लिए किया जाता है) में डालते हैं।
- सादृश्य: अब जब आपके पास भूत का प्रतिनिधित्व करने वाली एक कठपुतली है, तो आप उसे मंच पर अभिनेताओं (उपचार और परिणाम) के साथ रख सकते हैं। अब आप अंततः देख सकते हैं कि भूत नाटक को कैसे प्रभावित कर रहा है। इस कठपुतली को नियंत्रित करके, आप अंततः बता सकते हैं कि अस्पताल में भर्ती करना वास्तव में मदद करता है या नुकसान पहुँचाता है।

यह एक बड़ी बात क्यों है

1. यह मजबूत है (यह आसानी से टूटता नहीं है)
पेपर ने इस पद्धति का परीक्षण एक "परफेक्ट" दुनिया और एक "मेसी" (अव्यवस्थित) दुनिया के विरुद्ध किया।

मेसी दुनिया में, जहाँ गणित एकदम सटीक नहीं है (उदाहरण के लिए, बीमारी एक सीधी रेखा नहीं बल्कि एक वक्र है), अन्य तरीके विफल हो गए और गलत उत्तर दिए।
यह नई विधि एक स्विस आर्मी नाइफ की तरह थी। भले ही धारणाएं थोड़ी गलत थीं, फिर भी इसने एक उचित रूप से सटीक उत्तर दिया। जब डेटा अव्यवस्थित हुआ, तो यह बिखरा नहीं।

2. यह उसी का उपयोग करता है जो हमारे पास पहले से है
अस्पताल पहले से ही ये सभी "प्रॉक्सी" वाइटल्स एकत्र करते हैं। हमें नई डेटा संग्रह विधियों को आविष्कार करने की आवश्यकता नहीं है। हमें बस मौजूद सुरागों को अनदेखा करना बंद करने की आवश्यकता है।

वास्तविक दुनिया का परीक्षण: चेस्ट पेन मिस्ट्री (सीने में दर्द का रहस्य)

लेखकों ने इसका परीक्षण सीने में दर्द वाले वृद्ध वयस्कों के वास्तविक डेटा पर किया।

प्रश्न: क्या उन्हें अस्पताल में भर्ती करने से उनके वापस आने (री-एडमिशन) या मृत्यु के जोखिम को रोका जा सकता है?
पुराना दृष्टिकोण: मानक तरीकों ने कहा, "उन्हें भर्ती करने से उनके वापस आने की संभावना बढ़ जाती है।" (यह संभवतः इसलिए है क्योंकि सबसे बीमार लोगों को ही भर्ती किया जाता है, इसलिए वे ऐसा दिखाते हैं जैसे अस्पताल "बुरा" है)।
नया दृष्टिकोण: अपने "शैडो पपेट" तरीके का उपयोग करते हुए, उन्होंने एक अलग कहानी पाई: उन्हें भर्ती करने से वास्तव में वापस आने का जोखिम कम हो सकता है।

यह डॉक्टरों की अपेक्षाओं के साथ बेहतर मेल खाता है: यदि आप अस्पताल में जल्दी गंभीर हृदय संबंधी समस्या को पकड़ लेते हैं और उसका इलाज करते हैं, तो मरीज सुरक्षित होना चाहिए। पुराने तरीके "बीमार होने के भूत" से धोखा खा रहे थे।

निष्कर्ष

यह पेपर शोधकर्ताओं को एक नया चश्मा देने जैसा है।

पहले: वे डेटा को देखते थे और एक धुंधली, भ्रमित करने वाली तस्वीर देखते थे जहाँ अस्पताल खतरनाक लग रहा था।
बाद में: उन्होंने इन नए चश्मों को पहना (छिपी हुई बीमारी को पुनर्गठित करने के लिए प्रॉक्सी वेरिएबल्स का उपयोग करके), और अचानक तस्वीर स्पष्ट हो गई। अस्पताल खलनायक नहीं है; यह अक्सर नायक होता है, लेकिन "बीमारी" पर्दे के पीछे छिपी हुई थी।

यह उनके पास मौजूद डेटा के पहाड़ों का उपयोग करने का एक व्यावहारिक, मजबूत तरीका है ताकि बेहतर, जीवन रक्षक निर्णय लिए जा सकें, बिना किसी पूर्ण डेटा या असंभव धारणाओं के।

यहाँ कोटलर और कोचरन के शोध पत्र "A proxy-based approach for unmeasured confounding in electronic health records research" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

इलेक्ट्रॉनिक हेल्थ रिकॉर्ड्स (EHR) अवलोकन संबंधी नैदानिक अनुसंधान (observational clinical research) के लिए एक प्राथमिक संसाधन हैं, लेकिन वे महत्वपूर्ण रूप से अपरिभाषित कन्फाउंडिंग (unmeasured confounding) से ग्रस्त हैं। जबकि चिकित्सक कई चर (जैसे, वाइटल साइन्स, ट्राइएज एक्यूटी) दर्ज करते हैं जो रोगी की अंतर्निहित स्वास्थ्य स्थिति को दर्शाते हैं, उन्हें अक्सर केवल मापे गए कन्फाउंडर्स के रूप में माना जाता है या अनदेखा कर दिया जाता है।

चुनौती: मानक कारण अनुमान विधियाँ (जैसे, इनवर्स प्रोबेबिलिटी वेटिंग या इंस्ट्रूमेंटल वेरिएबल्स) अक्सर ऐसी धारणाओं पर निर्भर करती हैं जिन्हें सत्यापित करना या व्यवहार में लागू करना कठिन होता है।
अंतराल (The Gap): मौजूदा प्रॉक्सी-आधारित विधियाँ, जैसे कि प्रॉक्सिमल कॉज़ल इन्फरेंस (PCI), विशिष्ट डेटा संरचनाओं (नेगेटिव कंट्रोल एक्सपोज़र और आउटकम) की आवश्यकता रखती हैं और जटिल, इल-पोज़्ड इंटीग्रल समीकरणों (ब्रिज फंक्शन्स) को हल करने में शामिल होती हैं, जिससे उन्हें लागू करना कठिन और अस्थिर हो जाता है।
लक्ष्य: EHR डेटा में अपरिभाषित कन्फाउंडिंग को समायोजित करने के लिए एक व्यावहारिक, सुदृढ़ और आसानी से लागू होने वाली विधि विकसित करना, जो PCI की सख्त संरचनात्मक धारणाओं की आवश्यकता के बिना प्रॉक्सी चरों के वेक्टर का उपयोग कर सके।

2. कार्यप्रणाली (Methodology)

लेखक एक दो-चरणीय ढांचे का प्रस्ताव करते हैं जो अपरिभाषित कन्फाउंडर का प्रतिनिधित्व करने वाले सहचरों (covariates) के निर्माण के लिए फैक्टर एनालिसिस (Factor Analysis) का लाभ उठाता है, जिनका उपयोग फिर एक मानक प्रतिगमन मॉडल (regression model) में किया जाता है।

A. कारण ढांचा (Causal Framework)

लेखक एक नॉन-पैरामीट्रिक स्ट्रक्चरल इक्वेशन मॉडल (NPSEM) को परिभाषित करते हैं जहाँ:

$X$ : मापे गए कन्फांडर्स।
$U$ : अपरिभाषित कन्फाउंडर्स (लेटेंट वेरिएबल्स)।
$Z$ : प्रॉक्सी वेरिएबल्स (अवलोकित माप जो $U$ से प्रभावित होते हैं)।
$A$ : उपचार (Treatment)।
$Y$ : परिणाम (Outcome)।
महत्वपूर्ण रूप से, यह विधि इस सख्त आवश्यकता को शिथिल करती है कि प्रॉक्सी $U$ के सापेक्ष उपचार और परिणाम से स्वतंत्र होने चाहिए (जैसा कि सरल समायोजन के लिए आवश्यक है)। यह उन परिदृश्यों की अनुमति देता है जहाँ प्रॉक्सी उपचार या परिणाम से प्रभावित हो सकते हैं, बशर्ते कि पोटेंशियल आउटकम्स फ्रेमवर्क में विशिष्ट स्वतंत्रता की शर्तें लागू हों।

B. पहचान रणनीति (Identification Strategy)

मुख्य सैद्धांतिक योगदान दो धारणाओं पर आधारित एक दो-चरणीय पहचान रणनीति है:

रिकवरेबिलिटी (Recoverability): एक फलन $g(U, X)$ मौजूद है जिसका अपेक्षित मान $E[g(U, X) | Z, A, X]$ अवलोकित डेटा से पहचाना जा सकता है।
सेपरेबिलिटी (Separability): पोटेंशियल आउटकम $E[Y(a) | U, X]$ को $\tau(a, X)'g(U, X)$ के रूप में लिखा जा सकता है।

थ्योरम 3.1 स्थापित करता है कि यदि ये धारणाएं मान्य हैं, तो कंडीशनल एवरेज ट्रीटमेंट इफेक्ट (CATE) को इस प्रकार पहचाना जा सकता है:
$\beta(Z, X) = (\tau(a_1, X) - \tau(a_0, X))' E[g(U, X) | Z, X]$

C. व्यावहारिक कार्यान्वयन ("फैक्टर-रिग्रेशन" दृष्टिकोण)

लेखक मल्टीपल इंडिकेटर्स मल्टीपल कॉजेस (MIMIC) मॉडल का उपयोग करके एक ठोस पैरामीट्रिक कार्यान्वयन का प्रस्ताव करते हैं:

चरण 1: लेटेंट वेरिएबल एस्टीमेशन (फैक्टर एनालिसिस):
- अवलोकित प्रॉक्सी $Z$ , उपचार $A$ , और सहचर $X$ के लिए एक MIMIC मॉडल फिट करें।
- यह मॉडल मानता है कि $Z$ , लेटेंट फैक्टर $U$ के शोर युक्त (noisy) माप हैं।
- यह मॉडल प्रत्येक रोगी के लिए कंडीशनल एक्सपेक्टेशन $\hat{E}[U | Z, A, X]$ का अनुमान लगाता है।
चरण 2: आउटकम रिग्रेशन:
- परिणाम के लिए एक वर्किंग मॉडल तैयार करें: $E[Y | Z, A, X] = \nu_0 + \nu_1' \hat{E}[U | Z, A, X] + \nu_2' \hat{E}[U | Z, A, X]A + \nu_3 A$ ।
- $A$ , $X$ , और अनुमानित लेटेंट स्कोर $\hat{E}[U | Z, A, X]$ पर $Y$ का लीनियर रिग्रेशन करें।
चरण 3: CATE गणना:
- रिकवर किए गए गुणांकों (coefficients) और काउंटरफैक्चुअल ट्रीटमेंट स्टेट के लिए अनुमानित लेटेंट स्कोर का उपयोग करके उपचार प्रभाव की गणना करें।

यह दृष्टिकोण इंटीग्रल समीकरणों को हल करने के बजाय, मानक फैक्टर एनालिसिस (जैसे, R के lavaan या MPlus के माध्यम से) और लीनियर रिग्रेशन पर निर्भर करता है।

3. मुख्य योगदान (Key Contributions)

नई पहचान मार्ग (New Identification Route): यह शोध पत्र एक ऐसी विधि पेश करता है जो प्रॉक्सी के एक वेक्टर को लेटेंट कन्फाउंडर के लिए सूचना के एकल स्रोत के रूप में मानती है, न कि PCI द्वारा अनिवार्य विशिष्ट NCE/NCO जोड़ी की आवश्यकता रखती है।
मिसस्पेसिफिकेशन के प्रति सुदृढ़ता (Robustness to Misspecification): लेखक प्रदर्शित करते हैं कि उनकी विधि मानक धारणाओं के उल्लंघन के प्रति आश्चर्यजनक रूप से सुदृढ़ है, जिसमें शामिल हैं:
- आउटकम मॉडल का गैर-रेखीय होना (जैसे, $U$ में क्वाड्रेटिक) जब एक लीनियर मॉडल का उपयोग किया जाता है।
- लेटेंट वेरिएबल का गैर-सामान्य वितरण (जैसे, स्क्यू-नॉर्मल)।
- निरंतर (continuous) के रूप में अनुमानित बाइनरी उपचार।
संरचनात्मक अस्पष्टता को संभालना (Handling Structural Ambiguity): यह विधि तब भी वैध रहती है जब प्रॉक्सी की कारण भूमिका संदिग्ध हो (जैसे, यदि कोई चर सीधे कन्फाउंडर के बजाय प्रॉक्सी है, या एक इंस्ट्रूमेंट है), बशर्ते कि मॉडल गंभीर रूप से मिसस्पेसिफाइड न हो।
व्यावहारिक सुलभता (Practical Accessibility): परिचित उपकरणों (फैक्टर एनालिसिस + रिग्रेशन) का उपयोग करके, यह विधि जटिल गणितीय आवश्यकताओं वाले PCI की तुलना में अनुप्रयुक्त शोधकर्ताओं (applied researchers) के लिए प्रवेश बाधा को कम करती है।

4. परिणाम (Results)

सिमुलेशन अध्ययन (Simulation Studies)

लेखकों ने अपनी विधि की तुलना इनवर्स प्रोबेबिलिटी वेटिंग (IPW), मानक लीनियर रिग्रेशन, इंस्ट्रूमेंटल वेरिएबल्स (IV), और प्रॉक्सिमल कॉज़ल इन्फरेंस (PCI) से की।

सटीकता: सही मॉडल स्पेसिफिकेशन के तहत, प्रस्तावित विधि ने IPW और मानक लीनियर रिग्रेशन को पछाड़ दिया। इसने सटीकता में PCI का मुकाबला किया लेकिन कम वेरिएंस के साथ।
प्रॉक्सी-टू-लेटेंट अनुपात: सटीकता में उल्लेखनीय सुधार हुआ जब प्रॉक्सी ( $p$ ) और लेटेंट आयामों ( $k$ ) का अनुपात $\geq 3$ था, जो फैक्टर एनालिसिस की आवश्यकताओं के अनुरूप है।
मिसस्पेसिफिकेशन सुदृढ़ता:
- जब वास्तविक आउटकम क्वाड्रेटिक था लेकिन लीनियर के रूप में मॉडल किया गया था, तो प्रस्तावित विधि लगभग निष्पक्ष (unbiased) रही, जबकि प्रतिस्पर्धी महत्वपूर्ण पूर्वाग्रह (bias) दिखाते थे।
- जब लेटेंट वेरिएबल स्क्यू-नॉर्मल था (नॉर्मलिटी धारणाओं का उल्लंघन), तो विधि ने अधिकांश प्रतिस्पर्धियों की तुलना में कम बायस बनाए रखा।
- जब एक सीधे कन्फाउंडर को गलत तरीके से प्रॉक्सी माना गया, तो विधि ने सही संकेत और ऑर्डर ऑफ मैग्नीट्यूड के साथ अनुमान दिए, हालांकि थोड़ा बायस था।
कवरेज (Coverage): विभिन्न परिदृश्यों में बूटस्ट्रैप कॉन्फिडेंस इंटरवल ने 95% के करीब कवरेज दर (0.94–0.97) प्राप्त की।

केस स्टडी: वृद्ध वयस्कों में चेस्ट पेन (Chest Pain in Older Adults)

इस विधि को MIMIC-IV डेटा (7,081 ED विज़िट) पर लगाया गया ताकि 65+ आयु वर्ग के चेस्ट पेन वाले रोगियों के लिए 30-दिवसीय पुन: प्रवेश/मृत्यु (readmission/mortality) पर अस्पताल में भर्ती बनाम डिस्चार्ज के प्रभाव का अनुमान लगाया जा सके।

संदर्भ: अस्पताल में भर्ती होने से जोखिम (डीकंडीशनिंग, संक्रमण) होता है, लेकिन डिस्चार्ज करने से गंभीर स्थितियों के छूटने का जोखिम रहता है। अपरिभाषित कन्फाउंडिंग (बीमारी की गंभीरता) एक प्रमुख चिंता है।
तुलना के परिणाम:
- अनएडजस्टेड/IPW/लीनियर: इन सभी ने भर्ती होने के सकारात्मक प्रभाव (पुन: प्रवेश/मृत्यु का बढ़ता जोखिम) का सुझाव दिया, जिसके अनुमान 0.074 से 0.648 के बीच थे।
- PCI: सकारात्मक अनुमानों की एक सीमा प्रदान की (मध्यिका 0.089)।
- प्रस्तावित विधि: एक नकारात्मक प्रभाव (-0.021) का अनुमान लगाया, जो सुझाव देता है कि अस्पताल में भर्ती होना पुन: प्रवेश के जोखिम को कम कर सकता है।
व्याख्या: नकारात्मक अनुमान नैदानिक अपेक्षाओं और पूर्व साहित्य के साथ बेहतर ढंग से मेल खाता है, जो बताता है कि अन्य विधियाँ अपरिभाषित कन्फाउंडिंग (अधिक बीमार रोगियों को भर्ती किया गया, जिससे भर्ती का आभासी जोखिम बढ़ गया) द्वारा बायस्ड थीं।

5. महत्व (Significance)

यह कार्य EHR अनुसंधान में अपरिभाषित कन्फाउंडिंग को संबोधित करने के लिए एक व्यावहारिक, सुदृढ़ और सुलभ विकल्प प्रदान करता है।

सिद्धांत और व्यवहार को जोड़ना: यह प्रॉक्सी-आधारित कॉज़ल इन्फरेंस को ब्रिज फंक्शन्स को हल करने की सैद्धांतिक जटिलता से हटाकर मानक सांख्यिकीय सॉफ्टवेयर का उपयोग करने वाले व्यावहारिक अनुप्रयोग की ओर ले जाता है।
नैदानिक प्रभाव: केस स्टडी प्रदर्शित करती है कि अपरिभाषित कन्फाउंडिंग को अनदेखा करना या कम सुदृढ़ विधियों का उपयोग करना नैदानिक रूप से भ्रामक निष्कर्षों (जैसे, यह निष्कर्ष निकालना कि भर्ती होना हानिकारक है जबकि यह फायदेमंद हो सकता है) की ओर ले जा सकता है।
भविष्य की दिशा: लेखक सुझाव देते हैं कि यह दृष्टिकोण प्रॉक्सी चरों को सही ढंग से पहचानने की शर्त पर, स्वास्थ्य सेवा अनुसंधान में प्रॉक्सी-आधारित विधियों के व्यापक उपयोग को प्रोत्साहित कर सकता है। भविष्य का कार्य प्रॉक्सी और कन्फाउंडर्स के बीच अंतर को स्वचालित करने पर केंद्रित है।

सीमाएँ: विधि लेटेंट वेरिएबल के लिए एक विशिष्ट पैरामीट्रिक रूप (नॉर्मलिटी) और आउटकम मॉडल में रैखिकता (linearity) मानती है (हालांकि कुछ विचलन के लिए सुदृढ़ है)। यह कॉन्फिडेंस इंटरवल के लिए बूटस्ट्रैपिंग पर भी निर्भर करती है, जो गणनात्मक रूप से गहन और रूढ़िवादी (conservative) हो सकती है। निश्चित नैदानिक सत्यापन के लिए रैंडमाइज्ड कंट्रोल्ड ट्रायल्स (RCT) के माध्यम से सत्यापन अभी भी आवश्यक है।