📊 statistics

Principal stratification with recurrent events truncated by a terminal event: A nested Bayesian nonparametric approach

यह शोधपत्र मृत्यु-जनित ट्रंकेशन (death-truncated) वाले आवर्ती आयोजनों से होने वाले चयन पूर्वाग्रह (selection bias) को संबोधित करने के लिए एक समृद्ध डिपेंडेंट डिरिचलेट प्रोसेस (enriched dependent Dirichlet process) का उपयोग करते हुए एक नेस्टेड बेयसियन नॉनपैरामेट्रिक फ्रेमवर्क प्रस्तावित करता है, जो पारदर्शी संवेदनशीलता विश्लेषण को सक्षम बनाता है और पुन: अस्पताल भर्ती होने पर व्यायाम के प्रभाव जैसे कारण प्रभावों (causal effects) के अनुमान में उत्कृष्ट प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Yuki Ohnishi, Michael O. Harhay, Guangyu Tong, Fan Li

प्रकाशित 2026-03-18

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuki Ohnishi, Michael O. Harhay, Guangyu Tong, Fan Li

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

कल्पना कीजिए कि आप एक डॉक्टर हैं जो यह पता लगाने की कोशिश कर रहे हैं कि क्या एक नया व्यायाम कार्यक्रम हार्ट फेलियर (हृदय गति रुकने) के रोगियों के लिए मददगार है। आप जानना चाहते हैं: क्या व्यायाम मरीजों को दोबारा अस्पताल में भर्ती होने से रोकता है?

लेकिन इसमें एक पेच है। अध्ययन के दौरान कुछ मरीज गुजर जाते हैं। जब किसी मरीज की मृत्यु हो जाती है, तो वे अस्पताल आना बंद कर देते हैं, इसलिए हम उनकी अस्पताल यात्राओं की गिनती करना बंद कर देते हैं। इससे एक पेचीदा समस्या पैदा होती है:

यदि व्यायाम कार्यक्रम लोगों को अधिक समय तक जीवित रहने में मदद करता है, तो उनके बीमार होने और दोबारा अस्पताल में भर्ती होने का अधिक समय होता है।
यदि व्यायाम कार्यक्रम काम नहीं करता है, तो लोग जल्दी मर सकते हैं, और हम उनकी अस्पताल यात्राओं की गिनती जल्दी ही रोक देते हैं।

यदि आप केवल दोनों समूहों (व्यायाम समूह और कंट्रोल ग्रुप) के बीच अस्पताल जाने की कुल संख्या की तुलना करते हैं, तो आपको एक भ्रामक उत्तर मिल सकता है। आप केवल बीमारी के प्रभाव को नहीं माप रहे हैं; आप जीवन रक्षा (survival) के प्रभाव को भी माप रहे हैं, जो खेल के नियम बदल देता है।

यह शोध पत्र इस पहेली को सुलझाने के लिए एक चतुर नया तरीका प्रस्तावित करता है, जिसे प्रिंसिपल स्ट्रैटिफिकेशन (Principal Stratification) और एक शानदार सांख्यिकीय उपकरण एनरिच्ड डिपेंडेंट डिरिचलेट प्रोसेस (EDDP) कहा जाता है।

यहाँ इसे सरल शब्दों में समझाया गया है:

1. समस्या: "सर्वाइवर बायस" (जीवित बचे लोगों का पूर्वाग्रह) का जाल

कल्पना कीजिए कि आप यह गिन रहे हैं कि कितने लोग साइकिल से गिरते हैं।

समूह A चिकनी सड़क पर चलता है।
समूह B ऊबड़-खाबड़, खतरनाक पत्थरों पर चलता है।

यदि समूह B में इतनी जोर से दुर्घटना होती है कि उनकी साइकिल टूट जाती है और वे पूरी तरह से साइकिल चलाना बंद कर देते हैं, तो आप सोच सकते हैं, "वाह, समूह B में गिरना कम हुआ!" लेकिन ऐसा इसलिए है क्योंकि उन्होंने साइकिल चलाना ही बंद कर दिया। वे कम बार गिरे नहीं थे; बस उनके पास गिरने का अवसर ही नहीं बचा।

हार्ट फेलियर के अध्ययन में, मृत्यु साइकिल टूटने जैसी है। यदि हम अध्ययन के अंत में केवल जीवित बचे लोगों को देखते हैं, तो हम एक ऐसे समूह को देख रहे हैं जो मृत्यु द्वारा "फ़िल्टर" किया गया है। हमें सेब की तुलना सेब से करनी चाहिए: उन लोगों के साथ क्या होता जो किसी भी स्थिति में जीवित रहते?

2. समाधान: "हमेशा जीवित रहने वाले" क्लब (The "Always-Survivor" Club)

लेखक एक विशेष काल्पनिक क्लब बनाते हैं जिसे "हमेशा-जीवित-रहने वाला स्ट्रैटम" कहा जाता है।

इस क्लब में केवल वे मरीज शामिल हैं जो एक निश्चित तिथि (जैसे, 4 वर्ष) तक जीवित रहते, चाहे वे व्यायाम करें या नहीं।
वे उन "नाजुक" मरीजों को बाहर कर देते हैं जो हर हाल में जल्दी मर जाते।
केवल इस क्लब पर ध्यान केंद्रित करके, वे निष्पक्ष रूप से पूछ सकते हैं: "उन लोगों के लिए जो वैसे भी जीवित रहने वाले थे, क्या व्यायाम ने उनके अस्पताल जाने के दौरों को कम किया?"

3. नवाचार: एक के बजाय दो घड़ियाँ (Two Clocks Instead of One)

पिछले तरीकों ने इस प्रश्न का उत्तर देने का प्रयास किया जिसमें केवल एक घड़ी का उपयोग किया गया था। उन्होंने पूछा: "वर्ष 4 तक जीवित बचे लोगों के कितने अस्पताल दौरे हुए?"

द दोष: जैसे-जैसे समय बीतता है, "जीवित बचे लोगों" का समूह बदल जाता है। वर्ष 1 में जीवित बचे लोग वर्ष 4 में जीवित बचे लोगों से अलग होते हैं। यह एक पेड़ के विकास को मापने जैसा है जहाँ आप हर साल एक अलग पेड़ को देख रहे हैं।

शोध पत्र का नया विचार: दो घड़ियाँ (Double-Indexing)
लेखक दो घड़ियों का उपयोग करते हैं:

घड़ी R (सर्वाइवल क्लॉक): यह "हमेशा-जीवित-रहने वाले" क्लब को परिभाषित करने के लिए एक निश्चित तिथि (जैसे, 4 वर्ष) निर्धारित करती है। यह समूह स्थिर रहता है।
घड़ी T (इवेंट क्लॉक): इस निश्चित समूह के भीतर एक विशिष्ट समय (जैसे, वर्ष 1, वर्ष 2, वर्ष 3) तक अस्पताल के दौरों को गिनती है।

उपमा: कल्पना कीजिए कि आप देखना चाहते हैं कि एक कार कितनी तेजी से आगे बढ़ती है।

पुराना तरीका: आप एक ऐसी कार चुनते हैं जो फिनिश लाइन तक चलती रहती है और हर मील पर उसकी गति मापते हैं। लेकिन जो कारें पहले ही खराब हो गईं, वे जा चुकी हैं, इसलिए आपका डेटा अव्यवधर है।
नया तरीका: आप कारों का एक विशिष्ट समूह चुनते हैं जिन्हें आप जानते हैं कि रेस पूरी करेंगे (वे "हमेशा-जीवित-रहने वाले")। फिर आप उसी समूह को मील 1, मील 2 और मील 3 पर देखते हैं। अब आप देख सकते हैं कि बिना समूह बदले, उनकी गति कैसे बदलती है।

4. सीक्रेट सॉस: "एनरिच्ड" सांख्यिकीय उपकरण

इस गणित को करने के लिए, लेखकों को एक नया सांख्यिकीय उपकरण बनाना पड़ा।

पुराना उपकरण (Standard DP): कल्पना कीजिए कि आप मिश्रित मेवों (बादाम, अखरोट, काजू) के ढेर को बाल्टियों में छाँट रहे हैं। पुराना उपकरण बादामों (बार-बार होने वाले अस्पताल के दौरों) को छाँटने में इतना जुनूनी था कि उसने अखरोटों (मृत्यु) को नजरअंदाज कर दिया। इसने लोगों को अलग-अलग मृत्यु जोखिमों वाली एक ही बाल्टी में डाल दिया, जिससे मृत्यु के बारे में भविष्यवाणियां बहुत गलत हो गईं।
नया उपकरण (EDDP): यह एक "नेस्टेड" (एक के भीतर एक) सॉर्टर है। यह पहले अखरोटों (मृत्यु जोखिम) के आधार पर बड़े डिब्बों में मेवों को छाँटता है। फिर, प्रत्येक बड़े डिब्बे के अंदर, यह बादामों (अस्पताल के दौरों) को छोटे उप-डिब्बों में छाँटता है।
- यह सुनिश्चित करता है कि उच्च मृत्यु जोखिम वाले लोगों को पहले एक साथ रखा जाए, और फिर उनके अस्पताल जाने के पैटर्न का विश्लेषण उस सुरक्षित समूह के भीतर किया जाए। यह एक लाइब्रेरी को पहले शैली (मृत्यु जोखिम) के आधार पर, और फिर लेखक (अस्पताल पैटर्न) के आधार पर छाँटने जैसा है, न कि केवल लेखक के आधार पर।

5. "क्या होगा अगर" का खेल (Sensitivity Analysis)

एक चीज़ है जिसे हम कभी निश्चित रूप से नहीं जान सकते: "क्या होगा अगर" वाले परिदृश्य एक-दूसरे से कैसे संबंधित हैं?

प्रश्न: यदि एक मरीज व्यायाम के साथ 10 वर्षों तक जीवित रहता, तो क्या वह बिना व्यायाम के भी 10 वर्षों तक जीवित रहता?
लेखक स्वीकार करते हैं कि उन्हें इसका उत्तर नहीं पता। इसलिए, वे "क्या होगा अगर" का खेल खेलते हैं। वे इन दो परिदृश्यों के बीच संबंध के विभिन्न स्तरों (पूरी तरह से असंबंधित से लेकर पूरी तरह से जुड़े हुए तक) को मानकर गणित चलाते हैं।
परिणाम: उन्होंने पाया कि अधिकांश उचित अनुमानों के लिए, व्यायाम कार्यक्रम ने "हमेशा-जीवित-रहने वालों" के लिए अस्पताल के दौरों को वास्तव में कम किया। हालाँकि, यदि आप मानते हैं कि दोनों परिदृश्य पूरी तरह से जुड़े हुए हैं (एक बहुत ही चरम अनुमान), तो लाभ छोटा दिखाई देता है। यह पारदर्शिता डॉक्टरों को यह समझने में मदद करती है कि साक्ष्य वास्तव में कितने मजबूत हैं।

मुख्य निष्कर्ष (The Bottom Line)

लेखकों ने इसे वास्तविक HF-ACTION ट्रायल (एक प्रसिद्ध हार्ट फेलियर अध्ययन) पर लागू किया।

उन्होंने क्या पाया: व्यायाम कार्यक्रम ने न केवल लोगों को लंबे समय तक जीवित रहने में मदद की; बल्कि इसने उन मरीजों के लिए अस्पताल में भर्ती होने के कुल बोझ को भी कम किया जो वैसे भी जीवित रहने वाले थे।
सीख: व्यायाम का लाभ तुरंत नहीं मिला; यह समय के साथ बढ़ता गया। अपने नए "दो घड़ी" वाले तरीके का उपयोग करके, वे उस धीमी, निरंतर सुधार को देख सके जिसे पुराने तरीके चूक गए थे क्योंकि वे जीवित बचे लोगों के बदलते समूह के कारण भ्रमित थे।

संक्षेप में: उन्होंने एक बेहतर सांख्यिकीय सूक्ष्मदर्शी (microscope) बनाया जो हमें "जीवित बचे लोगों" को देखने की अनुमति देता है बिना मरने वाले लोगों से भ्रमित हुए, जिससे यह स्पष्ट होता है कि व्यायाम वास्तव में हार्ट फेलियर के मरीजों के लिए बार-बार अस्पताल जाने के तनाव को कम करने में मदद करता है।

यहाँ ओहनिशी और अन्य द्वारा लिखित शोध पत्र "Principal stratification with recurrent events truncated by a terminal event: A nested Bayesian nonparametric approach" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र उन नैदानिक परीक्षणों (clinical trials) में कारण अनुमान (causal inference) की एक महत्वपूर्ण चुनौती को संबोधित करता है जिनमें पुनरावर्ती घटनाएँ (recurrent events - जैसे अस्पताल में भर्ती होना) शामिल हैं जो एक अंतिम घटना (terminal event - जैसे मृत्यु) द्वारा खंडित (truncated) हो जाती हैं।

मुख्य मुद्दा: हृदय रोग (heart failure) जैसी पुरानी बीमारियों में, रोगियों को बार-बार अस्पताल में भर्ती होना पड़ सकता है। हालाँकि, मृत्यु एक ऐसी स्थिति है जो भविष्य की पुनरावर्ती घटनाओं के अवलोकन को रोक देती है। यह चयन पूर्वाग्रह (selection bias) उत्पन्न करता है: उपचार समूहों के बीच देखे गए अस्पताल में भर्ती होने की दरों की तुलना करना भ्रमित करने वाला हो सकता है क्योंकि उपचार जीवित रहने की अवधि को प्रभावित कर सकता है। जो रोगी अधिक समय तक जीवित रहते हैं, उनके पास अस्पताल में भर्ती होने के लिए अधिक "जोखिम का समय" होता है, जबकि जो जल्दी मर जाते हैं, उनकी पुनरावर्ती प्रक्रियाएं समय से पहले रुक जाती हैं।
मौजूदा विधियों की सीमाएँ:
- एकल-सूचकांक अनुमानित (Single-Index Estimands): पिछले दृष्टिकोण (जैसे, ल्यू एट अल., 2023) अक्सर एक एकल समय बिंदु $t$ पर "हमेशा जीवित रहने वाले" (always-survivor) उप-जनसंख्या को परिभाषित करते हैं। यह एक "स्नैपशॉट" प्रभाव पैदा करता है जहाँ $t$ बढ़ने के साथ लक्षित उप-जनसंख्या बदल जाती है, जिससे वास्तविक रोग भार पर उपचार प्रभावों और जीवित बचे हुए समूह की संरचना में बदलाव के बीच अंतर करना कठिन हो जाता है।
- पैरामीट्रिक धारणाएँ (Parametric Assumptions): मौजूदा विधियाँ अक्सर सख्त पैरामीट्रिक मॉडल (जैसे, समानुपाती जोखिम या विशिष्ट फ्रैलिटी वितरण) पर निर्भर करती हैं, जो जटिल डेटा-जनरेटिंग प्रक्रियाओं में मिसस्पेसिफिकेशन बायस (misspecification bias) के प्रति संवेदनशील होते हैं।
- मानक डिरिचलेट प्रोसेस (DP) की कमियाँ: संयुक्त मॉडलिंग के लिए DP प्रायर का उपयोग करने वाले मानक बेयसियन नॉनपैरामीट्रिक (BNP) दृष्टिकोण अक्सर ऐसे रैंडम पार्टिशन (random partitions) उत्पन्न करते हैं जो बार-बार होने वाली घटनाओं द्वारा हावी होते हैं। इससे अंतिम घटना (मृत्यु) के लिए खराब भविष्य कहने वाला प्रदर्शन होता है क्योंकि क्लस्टरिंग उच्च-मात्रा वाले पुनरावर्ती डेटा द्वारा संचालित होती है न कि दुर्लभ अंतिम घटनाओं द्वारा।

2. कार्यप्रणाली (Methodology)

लेखक प्रिंसिपल स्ट्रैटिफिकेशन (Principal Stratification) सेटिंग के भीतर एक बेयसियन नॉनपैरामीट्रिक (BNP) ढांचे का प्रस्ताव करते हैं।

अ. कारण अनुमानित (Causal Estimands): डबल-इंडेक्स दृष्टिकोण

एक एकल समय सूचकांक के बजाय, लेखक एक डबल-इंडेक्स $(t, r)$ का उपयोग करके सर्वाइवर-एवरेज नंबर ऑफ रिकरेंस (SANR) को परिभाषित करते हैं:

$r$ (सर्वाइवरशिप होराइजन): यह $AS(r) = \{i : D_i^0 > r, D_i^1 > r\}$ को परिभाषित करता है, जो उन रोगियों की उप-जनसंख्या है जो दोनों उपचार समूहों के तहत समय $r$ के बाद भी जीवित रहेंगे। यह लक्षित उप-जनसंख्या को स्थिर करता है।
$t$ (इवेंट होराइजन): यह वह समय है जहाँ तक पुनरावर्ती घटनाओं को गिना जाता है ( $t < r$ )।
अनुमानित (Estimand): $\text{SANR}(t; r) = g(\mu_1(t; r), \mu_0(t; r))$ , जहाँ $\mu_z(t; r)$ उपचार $z$ के तहत $AS(r) $स्ट्रैटम के लिए समय$ t$ तक पुनरावर्ती घटनाओं की अपेक्षित संख्या है।
लाभ: यह उप-जनसंख्या की परिभाषा को अवलोकन विंडो से अलग करता है, जिससे शोधकर्ताओं को एक निश्चित गुप्त समूह (latent subgroup) के लिए समय के साथ उपचार प्रभावों के संचय को ट्रैक करने की अनुमति मिलती है।

ब. ड्यूल-फ्रैलिटी और संवेदनशीलता विश्लेषण के माध्यम से पहचान (Identification)

चूंकि विभिन्न उपचारों के तहत संभावित परिणाम कभी भी संयुक्त रूप से नहीं देखे जाते, इसलिए क्रॉस-वर्ल्ड निर्भरता (cross-world dependence) की पहचान संभव नहीं है।

ड्यूल-फ्रैलिटी ढांचा (Dual-Frailty Framework): लेखक प्रत्येक इकाई के लिए एक द्विविचर फ्रैलिटी वेक्टर $\gamma_i = (\gamma_i^0, \gamma_i^1)$ $γ_{i} = (γ_{i}^{0}, γ_{i}^{1})$ पेश करते हैं।
- $\gamma_i^z$ उपचार $z$ के तहत टर्मिनल इवेंट और पुनरावर्ती घटनाओं के बीच 'विदिन-वर्ल्ड' (within-world) निर्भरता को नियंत्रित करता है।
- सहसंबंध $\rho = \text{Cor}(\gamma_i^0, \gamma_i^1)$ क्रॉस-वर्ल्ड निर्भरता को दर्शाता है।
आंशिक पहचान (Partial Identification): फ्रैलिटी का वितरण डेटा से अनुमानित किया जा सकता है, लेकिन $\rho$ अनुमानित नहीं है। लेखक $\rho$ को एक संवेदनशीलता पैरामीटर के रूप में मानते हैं, और विश्वसनीय निष्कर्षों की मजबूती का आकलन करने के लिए विभिन्न संभावित मूल्यों की सीमा में पारदर्शी संवेदनशीलता विश्लेषण करते हैं।

स. बेयसियन नॉनपैरामीट्रिक मॉडल: एनरिच्ड डिपेंडेंट डिरिचलेट प्रोसेस (EDDP)

मानक DP प्रायर की सीमाओं को दूर करने के लिए, लेखक एनरिच्ड डिपेंडेंट डिरिचलेट प्रोसेस (EDDP) का प्रस्ताव करते हैं:

नेस्टेड संरचना (Nested Structure): मॉडल एक दो-स्तरीय विभाजन का उपयोग करता है:
1. टॉप-लेवल ( $\phi$ -क्लस्टर्स): सर्वाइवल और पुनरावर्ती घटनाओं के संयुक्त वितरण के आधार पर विषयों को क्लस्टर करता है। यह स्तर सर्वाइवल के बारे में पर्याप्त शिक्षण सुनिश्चित करने के लिए टर्मिनल इवेंट द्वारा संचालित होता है।
2. नेस्टेड स्तर ( $\theta$ -सबक्लस्टर्स): प्रत्येक $\phi$ -क्लस्टर के भीतर, विषयों को पुनरावर्ती घटना प्रक्रिया के सूक्ष्म विवरणों के आधार पर और विभाजित किया जाता है।
कोवेरिएट निर्भरता: मॉडल $X$ और समय-परिवर्तनीय कोवेरिएट्स ( $V$ ) को एक डिपेंडेंट डिरिचलेट प्रोसेस (DDP) संरचना के माध्यम से शामिल करता है, जो एक्सचेंजैबिलिटी धारणा को शिथिल करता है।
फ्रैलिटी प्रोपेगेशन (Frailty Propagation): विषय-विशिष्ट फ्रैलिटी $\gamma_i$ को टॉप लेवल (जो सर्वाइवल को नियंत्रित करता है) पर सैंपल किया जाता है और फिर पुनरावर्ती इवेंट कर्नेल तक प्रसारित किया जाता है। यह सुनिश्चित करता है कि सर्वाइवल के लिए क्लस्टरिंग पुनरावर्ती घटनाओं की मात्रा से प्रभावित न हो।
अनुमान (Inference): एक पूर्णतः सुलभ गिब्स सैंपलिंग एल्गोरिदम विकसित किया गया है, जो सेंसर किए गए परिणामों और गुप्त क्लस्टर संकेतकों को इम्प्यूट (impute) करने के लिए डेटा ऑग्मेंटेशन का उपयोग करता है।

3. मुख्य योगदान (Key Contributions)

नया कारण अनुमानित (New Causal Estimand): डबल-इंडेक्स SANR अनुमानित का परिचय, जो एकल-इंडेक्स प्रिंसिपल स्ट्रैटिफिकेशन की "स्नैपशॉट" सीमा को हल करता है, जिससे एक निश्चित उप-जनसंख्या के भीतर समय के साथ उपचार प्रभाव के संचय का विश्लेषण संभव होता है।
आंशिक पहचान रणनीति (Partial Identification Strategy): एक ड्यूल-फ्रैलिटी ढांचा जो पहचान योग्य 'विदिन-वर्ल्ड' निर्भरता को गैर-पहचान योग्य 'क्रॉस-वर्ल्ड' निर्भरता से स्पष्ट रूप से अलग करता है, जिससे $\rho$ पैरामीटर के माध्यम से पारदर्शी संवेदनशीलता विश्लेषण सक्षम होता है।
नया BNP प्रायर (EDDP): एनरिच्ड डिपेंडेंट डिरिचलेट प्रोसेस का विकास, जो विशेष रूप से मानक DP प्रायर में "पुनरावर्ती-इवेंट प्रभुत्व" (recurrent-event dominance) की समस्या को संबोधित करता है। यह सुनिश्चित करता है कि टर्मिनल इवेंट (मृत्यु) प्राथमिक क्लस्टरिंग को संचालित करे, जिससे सर्वाइवल के लिए बेहतर भविष्य कहने वाला प्रदर्शन प्राप्त होता है।
एल्गोरिदम दक्षता: इस जटिल पदानुक्रमित मॉडल में पोस्टीरियर अनुमान के लिए एक कुशल ब्लॉकड गिब्स सैंपलर (blocked Gibbs sampler) विकसित किया गया है।

4. परिणाम (Results)

सिमुलेशन अध्ययन (Simulation Studies)

सेटअप: 300 डेटासेट ( $n=1000$ ) जिन्हें लेटेंट हेटेरोजेनिटी (latent heterogeneity) वाले जटिल मिश्रण मॉडलों से बनाया गया था।
तुलना: प्रस्तावित EDDPM की तुलना लीनियर मॉडल्स (LM), मानक डिरिचलेट प्रोसेस मिक्सचर्स (DPM), और डिपेंडेंट डिरिचलेट प्रोसेस मिक्सचर्स (DDPM) से की गई।
निष्कर्ष:
- सटीकता: सभी परिदृश्यों में EDDPM ने सबसे कम बायस (Bias) और रूट मीन स्क्वायर एरर (RMSE) प्राप्त किया।
- इंटरवल एस्टीमेशन: EDDPM ने अन्य विधियों की तुलना में नामित 95% स्तर के सबसे करीब कवरेज प्रोबेबिलिटी (CP) और छोटे औसत अंतराल (उच्च दक्षता) के साथ 95% क्रेडिबल इंटरवल प्रदान किए।
- मजबूती (Robustness): मानक DP मॉडल विभाजन संबंधी समस्याओं के कारण खराब सर्वाइवल प्रेडिक्शन से ग्रस्त थे, जबकि पैरामीट्रिक LM मॉडल मिसस्पेसिफिकेशन के प्रति संवेदनशील थे।

अनुप्रयोग: HF-ACTION ट्रायल

इस विधि को क्रोनिक हार्ट फेलियर के रोगियों में पुन: अस्पताल में भर्ती होने के प्रभाव का मूल्यांकन करने के लिए HF-ACTION ट्रायल पर लागू किया गया।

मॉडल फिट: EDDPM में उच्चतम लॉग स्यूडो मार्जिनल लाइक्लीहुड (LPML) था, जो LM, DPM और DDPM की तुलना में बेहतर भविष्य कहने वाला फिट दर्शाता है।
कारण निष्कर्ष (प्राथमिक विश्लेषण, $\rho=0.5$ ):
- व्यायाम प्रशिक्षण ने 'हमेशा जीवित रहने वालों' (always-survivors) के बीच अपेक्षित संचयी पुन: अस्पताल में भर्ती होने की संख्या को कम किया।
- यह लाभ समय-निर्भर था: अस्पताल में भर्ती होने के बोझ में कमी समय के साथ अधिक स्पष्ट हो गई (जैसे, 1 वर्ष में ~4% की कमी बनाम 4 वर्षों में ~10% की कमी)।
- डबल-इंडेक्स अंतर्दृष्टि: सर्वाइवरशिप स्ट्रैटम ( $r$ ) को स्थिर करने से पता चला कि उपचार प्रभाव विभिन्न जोखिम स्ट्रेटा में भिन्न थे। उदाहरण के लिए, उन रोगियों के लिए लाभ के प्रमाण अधिक मजबूत था जो 4 वर्षों ( $r=1440$ ) तक जीवित रहेंगे, तुलनात्मक रूप से उन लोगों के जो केवल 3 वर्षों ( $r=1080$ ) तक जीवित रहेंगे, जो कि सिंगल-इंडेक्स विधियों में छिप जाता है।
संवेदनशीलता विश्लेषण:
- परिणाम मध्यम क्रॉस-वर्ल्ड कोरिलेशन ( $\rho \in [0.1, 0.7]$ ) के लिए मजबूत थे।
- अत्यधिक 'नियर-परफेक्ट' क्रॉस-वर्ल्ड डिपेंडेंसी ( $\rho=0.9$ , जो एक साझा फ्रैलिटी के करीब है) के तहत, लाभ का प्रमाण कम हो गया, और इंटरवल में 'नल' (null) शामिल हो गया। यह उपचार प्रभावों को छिपाने से बचने के लिए ड्यूल-फ्रैलिटी फॉर्मूलेशन के महत्व को रेखांकित करता है।

5. महत्व (Significance)

मेथोडोलॉजिकल प्रगति: यह शोध पत्र कारण अनुमान (प्रिंसिपल स्ट्रैटिफिकेशन) और जटिल पुनरावर्ती घटना विश्लेषण के बीच की खाई को पाटता है, जो प्रतिबंधात्मक पैरामीट्रिक धारणाओं पर निर्भर किए बिना मृत्यु द्वारा खंडित होने वाले मामलों को संभालने के लिए एक कठोर ढांचा प्रदान करता है।
नैदानिक प्रासंगिकता: HF-ACTION पर इस विधि को लागू करके, लेखक यह प्रदर्शित करते हैं कि संरचित एरोबिक व्यायाम प्रशिक्षण हृदय रोग के रोगियों के लिए अस्पताल में भर्ती होने के बोझ में संचयी, दीर्घकालिक कमी प्रदान करता है, जो कि पारंपरिक 'टाइम-टू-फर्स्ट-इवेंट' या सिंगल-इंडेक्स विश्लेषण द्वारा गलत समझा जा सकता है।
व्यावहारिक उपयोगिता: प्रस्तावित ढांचा अन्य पुरानी बीमारियों के परीक्षणों के विश्लेषण के लिए एक टेम्पलेट प्रदान करता जहाँ रुग्णता (पुनरावर्ती घटनाएं) और मृत्यु आपस में जुड़े हुए हैं, जो एकल साझा फ्रैलिटी मानने के बजाय स्पष्ट रूप से क्रॉस-वर्ल्ड निर्भरता को मॉडल करने की आवश्यकता पर जोर देता है।