📊 statistics

Nonparametric bounds for vaccine effects in randomized trials

यह शोध पत्र ब्लाइंड रैंडमाइज्ड ट्रायल्स में संक्रमण जोखिम और वैक्सीन विश्वास के बीच बिना मापे गए कन्फाउंडिंग (unmeasured confounding) की सुदृढ़ धारणा को शिथिल करता है ताकि लीनियर प्रोग्रामिंग और मोनोटोनिसिटी-आधारित विधियों का उपयोग करके वैक्सीन प्रभावकारिता के लिए नॉनपैरामीट्रिक कॉज़ल बाउंड्स (nonparametric causal bounds) प्राप्त किए जा सकें, और सिंथेटिक एवं सेमी-सिंथेटिक डेटा के माध्यम से उनके अनुप्रयोग का प्रदर्शन करता है।

मूल लेखक: Rachel Axelrod, Uri Obolski, Daniel Nevo

प्रकाशित 2026-03-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Rachel Axelrod, Uri Obolski, Daniel Nevo

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 यह पता लगाने की कोशिश कर रहे हैं कि एक नया छाता आपको सूखा रखने में कितना कारगर है। आप लोगों के एक समूह के आधे हिस्से को नया छाता (वैक्सीन) देते हैं और दूसरे आधे हिस्से को एक शानदार, लेकिन बेकार छड़ी (प्लेसबो) देते हैं। आप जानना चाहते हैं: क्या छाता वास्तव में बारिश (वायरस) को रोकता है, या लोग सिर्फ इसलिए भी गीले नहीं हुए क्योंकि उन्हें लगा कि उनके पास छाता है?

यह वैक्सीन ट्रायल्स की मूल समस्या है जब "ब्लाइंडिंग" (अंधापन/गुढ़ता) विफल हो जाती है।

समस्या: "टूटी हुई ब्लाइंडिंग" (The Broken Blind)

एक आदर्श परीक्षण में, किसी को पता नहीं होता कि उन्हें असली वैक्सीन मिली है या प्लेसबो। इसे "ब्लाइंडेड" होना कहा जाता है। लेकिन कभी-कभी, असली वैक्सीन से हाथ में दर्द या बुखार हो सकता है, जबकि प्लेसबो से नहीं। अचानक, लोग अनुमान लगाने लगते हैं, "ओह, मुझे लगता है कि मेरे पास असली वाला है!"

एक बार जब वे अनुमान लगा लेते हैं, तो उनका व्यवहार बदल जाता है। यदि उन्हें लगता है कि वे सुरक्षित हैं, तो वे मास्क पहनना बंद कर सकते हैं, भीड़भाड़ वाली पार्टियों में जा सकते हैं, या अधिक गले मिल सकते हैं।

इम्यूनोलॉजिकल इफेक्ट (प्रतिरक्षात्मक प्रभाव): वायरस से लड़ने की वैक्सीन की वास्तविक जैविक शक्ति।
बिहेवोरल इफेक्ट (व्यवहार संबंधी प्रभाव): वह व्यवहार परिवर्तन जो व्यक्ति के इस विचार के कारण होता है कि वह सुरक्षित है।

यदि आप केवल संक्रमण की अंतिम दरों को देखते हैं, तो आपको दोनों का एक मिला-जुला रूप मिलता है। यह एक कार के इंजन की क्षमता मापने जैसा है, लेकिन ड्राइवर इसलिए भी तेज़ गाड़ी चला रहा है क्योंकि उसे लगता है कि उसकी कार एक फेरारी है। आप यह नहीं बता सकते कि गति इंजन की वजह से है या ड्राइवर के आत्मविश्वास की वजह से।

पुराना समाधान बनाम नया समाधान

पहले, सांख्यिकीविद इन दो प्रभावों को अलग करने के लिए एक बहुत ही सख्त अनुमान लगाते थे: "कोई भी छिपा हुआ व्यक्तित्व लक्षण (personality trait) ऐसा नहीं है जो किसी व्यक्ति को यह अनुमान लगाने और अधिक जोखिम लेने, दोनों के लिए प्रेरित करे।"

इस शोध के लेखक कहते हैं: "वह अनुमान बहुत मजबूत है। वह अवास्तविक है।"

उदाहरण: एक आशावादी व्यक्ति सोच सकता है, "मैं बहुत अच्छा महसूस कर रहा हूँ, मुझे ज़रूर वैक्सीन मिली है!" (सही अनुमान लगाना)। लेकिन वही आशावाद उसे अधिक सामाजिक और कम सावधान भी बना सकता है (व्यवहार)।
क्योंकि यह "छिपा हुआ व्यक्तित्व" (मान लीजिए इसे U कहें) मौजूद है, हम यह सटीक रूप से नहीं बता सकते कि वैक्सीन कितनी अच्छी तरह काम करती है। सटीक संख्या छिपी हुई है।

नया विचार: एक "बाड़" बनाना (Bounds)

एक सटीक संख्या खोजने के बजाय (जो बिना उस मजबूत अनुमान के असंभव है), लेखक एक "बाड़" (fence) बनाने का प्रस्ताव देते हैं। वे एक सीमा (range) की गणना करते हैं (एक निचली सीमा और एक ऊपरी सीमा) जहाँ वास्तविक उत्तर निश्चित रूप से स्थित होगा।

इसे इस तरह सोचें: बिना पिग्गी बैंक (गुल्लक) को तोड़े आप उसमें कितने पैसे हैं, यह ठीक-ठीक नहीं बता सकते। लेकिन अगर आप जानते हैं कि बैंक का वजन 2 से 3 पाउंड के बीच है, और आप जानते हैं कि अंदर कौन से सिक्के हैं, तो आप कह सकते हैं, "पैसे निश्चित रूप से $50 और$ 80 के बीच हैं।" आपको सटीक सेंट का पता नहीं है, लेकिन आपके पास एक उपयोगी, सुरक्षित सीमा है।

यह शोध पत्र इस बाड़ को बनाने के दो तरीके देता है:

1. "गणितीय पहेली" विधि (Linear Programming)

कल्पना कीजिए कि आपके पास एक विशाल जिग्सॉ पहेली है जिसमें कुछ टुकड़े गायब हैं। आप जानते हैं कि बॉक्स का आकार क्या है और आपके पास कुछ टुकड़े पहले से मौजूद हैं। आप उन सभी संभावित तरीकों से गायब टुकड़ों को फिट करने की कोशिश करते हैं जो पहेली के नियमों को नहीं तोड़ते।

आप वह व्यवस्था ढूंढते हैं जो वैक्सीन की न्यूनतम प्रभावशीलता देती है।
आप वह व्यवस्था ढूंढते हैं जो वैक्सीन की अधिकतम प्रभावशीलता देती है।
सच्चाई इन दोनों के बीच कहीं है। यह विधि बहुत कठोर है लेकिन कभी-कभी बहुत चौड़ी बाड़ दे सकती है (जैसे, "वैक्सीन 0% से 100% प्रभावी है"), जो बहुत उपयोगी नहीं है।

2. "कॉमन सेंस" विधि (Monotonicity)

यह विधि गणितीय पहेली में थोड़ा सा "कॉमन सेंस" जोड़ती है। यह मानती है कि यदि कोई छिपा हुआ कारक (जैसे आशावाद) किसी व्यक्ति को यह सोचने के लिए अधिक प्रेरित करता है कि उसे वैक्सीन मिली है, तो वह उसे संक्रमित होने के लिए भी अधिक प्रेरित करेगा (अधिक जोखिम लेकर)। यह मानता है कि ये चीजें एक ही दिशा में चलती हैं।

इस तर्कसंगत धारणा को जोड़ने से, बाड़ बहुत तंग (tight) हो जाती है। "0% से 100%" के बजाय, आपको "36% से 47%" मिल सकता है। यह डॉक्टरों और नीति निर्माताओं के लिए बहुत अधिक उपयोगी है।

वास्तविक दुनिया का परीक्षण: "सोर आर्म" (हाथ में दर्द) ट्रायल

लेखकों ने अपने नए गणित का परीक्षण एक वास्तविक कोविड-19 वैक्सीन ट्रायल (ENSEMBLE2) पर किया।

स्थिति: जिन्हें वैक्सीन मिली थी, उनके हाथ में दर्द (साइड इफेक्ट्स) हुआ। जिन्हें प्लेसबो मिला था, उन्हें नहीं हुआ। इससे 'ब्लाइंडिंग' टूट गई।
परिणाम: मानक गणना ने कहा कि वैक्सीन लगभग 39% प्रभावी थी।
नई गणना:
- अतिरिक्त धारणाओं के बिना, "बाड़" चौड़ी थी (बहुत उपयोगी नहीं)।
- "कॉमन सेंस" धारणा (कि सुरक्षित महसूस करना लोगों को अधिक जोखिम लेने वाला बनाता है) के साथ, बाड़ सिमटकर 36.5% से 47.0% हो गई।
- इसने पुष्टि की कि वैक्सीन वास्तव में काम कर रही थी, लेकिन "वास्तविक-दुनिया" की प्रभावशीलता (व्यवहार परिवर्तनों सहित) शुद्ध जैविक प्रभाव से थोड़ी अलग थी।

यह क्यों महत्वपूर्ण है

एक ऐसी दुनिया में जहाँ लोग अक्सर अपनी उपचार स्थिति का अनुमान लगा लेते हैं (साइड इफेक्ट्स, समाचार या अफवाहों के कारण), हम हमेशा यह सटीक संख्या नहीं जान सकते कि वैक्सीन कितनी अच्छी तरह काम करती है।

यह शोध पत्र हमें एक "टूलबॉक्स" देता है जिससे हम कह सकते हैं: "हम सटीक संख्या नहीं जान सकते, लेकिन हम 100% सुनिश्चित हो सकते हैं कि उत्तर कम से कम X है और अधिक से अधिक Y है।" यह नीति निर्माताओं को सुरक्षित निर्णय लेने में मदद करता है, बिना इस दिखावे के कि मानव व्यवहार पूरी तरह से अनुमानित है या छिपे हुए व्यक्तित्व लक्षण मौजूद नहीं हैं।

संक्षेप में: जब ब्लाइंडिंग टूट जाए, तो घबराएं नहीं और एक संख्या का अनुमान न लगाएं। इसके बजाय, गणित और कॉमन सेंस का उपयोग करके सत्य के चारों ओर एक मजबूत बाड़ बनाएं, ताकि हमें पता चल सके कि उत्तर वास्तव में कहाँ स्थित है।

यहाँ एक्सलरोड, ओबोलस्की और नेवो के शोध पत्र "Nonparametric bounds for vaccine effects in randomized trials" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

टीकों के लिए रैंडमाइज्ड कंट्रोल्ड ट्रायल्स (RCTs) को आमतौर पर टीकाकरण के इम्यूनोलॉजिकल प्रभाव (immunological effect) को अलग करने के लिए 'ब्लाइंडेड' (blinded) डिज़ाइन किया जाता है। हालांकि, "ब्रोकन ब्लाइंडिंग" (broken blinding) तब होती है जब प्रतिभागी अपने उपचार असाइनमेंट का अनुमान लगा लेते हैं (जैसे कि स्थानीय प्रतिक्रियाओं जैसे साइड इफेक्ट्स के कारण), जिससे व्यवहार में परिवर्तन आता है (जैसे जोखिम मुआवजा या risk compensation)।

मुख्य मुद्दा: जब ब्लाइंडिंग टूट जाती है, तो मानक वैक्सीन एफिकेसी (VE) का अनुमान इम्यूनोलॉजिकल प्रभाव और व्यवहार संबंधी प्रभावों को मिला देता है।
मौजूदा विधियों की सीमाएं: हाल के कार्य (Stensons et al., 2024) ने प्रतिभागियों के अपने उपचार की स्थिति के बारे में विश्वास को मापकर इन प्रभावों को अलग करने के लिए 'कॉज़ल एस्टिमेंड्स' (causal estimands) प्रस्तावित किए। हालांकि, ये विधियाँ एक मजबूत पहचान धारणा (strong identification assumption) पर निर्भर करती हैं: कि विश्वास (belief) और संक्रमण के जोखिम को प्रभावित करने वाले कोई अमापित सामान्य कारण (unmeasured common causes) या कन्फाउंडर्स नहीं हैं।
अंतराल (Gap): संभावित कन्फाउंडर्स, जैसे व्यक्तित्व के गुण (उदाहरण के लिए, आशावाद जो टीकाकरण के प्रति "विशफुल थिंकिंग" और सामाजिक संपर्क में वृद्धि की ओर ले जाता है), संभवतः इस धारणा का उल्लंघन करते हैं। फलस्वरूप, वास्तविक दुनिया के परिदृश्यों में VE का पॉइंट आइडेंटिफिकेशन (point identification) अक्सर असंभव होता है।

2. कार्यप्रणाली (Methodology)

लेखक बिना यह माने कि अनमापे गए कन्फाउंडिंग का अभाव है, वैक्सीन एफिकेसी का अनुमान लगाने के लिए नॉनपैरामेट्रिक कॉज़ल बाउंड्स (nonparametric causal bounds) विकसित करते हैं। वे दो प्राथमिक गणितीय दृष्टिकोणों का उपयोग करते हैं:

A. कॉज़ल फ्रेमवर्क और नोटेशन (Causal Framework and Notation)

चर (Variables):
- $A$ : रैंडमाइज्ड ट्रीटमेंट असाइनमेंट (वैक्सीन/प्लेसबो)।
- $M$ : प्राप्त संदेश (ब्लाइंडेड, बताया गया कि टीका लगा है, बताया गया कि प्लेसबो है)।
- $B$ : विश्वास (क्या प्रतिभागी विश्वास करता है कि उसे टीका लगा है?)।
- $S$ : प्रतिकूल घटनाएँ (Adverse Events - AEs), जो ट्रायल में देखी गईं।
- $Y$ : परिणाम (संक्रमण)।
- $U$ : अमापित सामान्य कारण (जैसे व्यक्तित्व, शारीरिक दुर्बलता)।
एस्टिमेंड्स (Estimands): शोध पत्र विभिन्न VE मापों को परिभाषित करता है:
- $VE(m) $: संदेश$ m$ के तहत इम्यूनोलॉजिकल प्रभाव।
- $VE_M(a)$ : संदेश का व्यवहार संबंधी प्रभाव उपचार स्तर $a$ पर।
- $VE_T$ : कुल प्रभाव (वास्तविक दुनिया का परिदृश्य जहाँ सभी को अपनी स्थिति पता है)।

B. कॉज़ल स्ट्रक्चर (Causal Structures - DAGs)

लेखक चार अलग-अलग कॉज़ल परिदृश्यों का विश्लेषण करते हैं जो डायरेक्टेड एसिक्लिक ग्राफ्स (DAGs) पर आधारित हैं:

पॉइंट आइडेंटिफिकेशन (Point Identification): विश्वास ( $B$ ) और परिणाम ( $Y$ ) के बीच कोई अमापित कन्फाउंडिंग नहीं है।
चित्र 2 (बेसलाइन अनआइडेंटिफाइड): अनमापे गए कन्फाउंडर $U$ का प्रभाव $B$ और $Y$ दोनों पर है। $S$ या तो अनऑब्जर्व्ड है या कन्फाउंडिंग को मध्यस्थ (mediate) नहीं करता है।
चित्र 3a: $U$ का प्रभाव $B$ और $Y$ पर है, लेकिन $S$ देखा जा सकता है और $B$ को प्रभावित करता है बिना $U$ से प्रभावित हुए या $Y$ को सीधे प्रभावित किए बिना।
चित्र 3b–3d: जटिल परिदृश्य जहाँ $U$ का प्रभाव $B$ , $S$ , और $Y$ पर है, या जहाँ $S$ सीधे $Y$ को प्रभावित करता है।

C. व्युत्पत्ति दृष्टिकोण (Derivation Approaches)

लीनियर प्रोग्रामिंग (LP) बाउंड्स:
- बाल्के-पर्ल (Balke-Pearl) फ्रेमवर्क पर आधारित।
- समस्या को एक ऑप्टिमाइज़ेशन टास्क के रूप में तैयार करता है ताकि देखे गए डेटा की संभावनाओं से प्राप्त बाधाओं (constraints) के अधीन, कॉज़ल एस्टिमेंड के न्यूनतम और अधिकतम मानों को खोजा जा सके।
- यह "पोटेंशियल रिस्पॉन्स टाइप्स" का उपयोग करता है ताकि देखे गए डेटा को अनऑब्जर्व्ड काउंटरफैक्टुअल्स से मैप किया जा सके।
- लाभ: घोषित धारणाओं के तहत शार्प (सबसे सटीक) बाउंड्स प्रदान करता है।
  - हानि: गणनात्मक रूप से गहन हो सकता है और यदि डेटा विरल (sparse) है तो व्यापक अंतराल दे सकता है।
मोनोटोनिसिटी-आधारित बाउंड्स (Monotonicity-Based Bounds):
- यह धारणा पर निर्भर करता है कि अनमापा गया कन्फाउंडर $U$ विश्वास ( $B$ ) और परिणाम ( $Y$ ) दोनों के साथ एक मोनोटोनिक संबंध रखता है।
- यह मानता है कि संदेश ( $M$ ) का परिणाम पर प्रभाव की दिशा ज्ञात है (जैसे, टीकाकरण का विश्वास होने से जोखिम बढ़ता है क्योंकि इससे रिस्क कंपनसेशन होता है)।
- लाभ: जब धारणाएँ लागू होती हैं, तो LP विधियों की तुलना में काफी संकीर्ण (narrower) बाउंड्स प्रदान करता है।
- हानि: धारणाओं के उल्लंघन के प्रति संवेदनशील है; यदि मोनोटोनिटी की दिशा गलत है, तो बाउंड्स अमान्य हो सकते हैं।

3. मुख्य योगदान (Key Contributions)

मजबूत धारणाओं का सरलीकरण (Relaxation of Strong Assumptions): यह शोध पत्र जब "कोई अनमापे गए कन्फाउंडिंग नहीं है" वाली मजबूत धारणा (जो पॉइंट आइडेंटिफिकेशन के लिए आवश्यक है) का उल्लंघन होता है, तो VE का अनुमान लगाने के लिए एक कठोर ढांचा प्रदान करता है।
दोहरी कार्यप्रणाली (Dual Methodology): यह टूटे हुए ब्लाइंडिंग और मापे गए विश्वासों वाले वैक्सीन ट्रायल्स के लिए अनुकूलित दो अलग-अलग बाउंडिंग रणनीतियों (LP और Monotonicity) को पेश करता है और उनकी तुलना करता है।
कॉज़ल स्ट्रक्चर संवेदनशीलता (Causal Structure Sensitivity): लेखक दिखाते हैं कि बाउंड्स की चौड़ाई और वैधता महत्वपूर्ण रूप से अंतर्निहित कॉज़ल स्ट्रक्चर (विशेष रूप से प्रतिकूल घटनाओं $S$ $S$ और अनमापे गए कन्फाउंडर्स $U$ $U$ की भूमिका) पर निर्भर करती है।
- वे दिखाते हैं कि $S$ को देखने से केवल तभी बाउंड्स संकीर्ण होते हैं जब $S$ स्वयं एक कन्फाउंडर न हो (चित्र 3a)। यदि $S$ , $U$ से प्रभावित है या $Y$ को सीधे प्रभावित करता है (चित्र 3b–3d), तो $S$ बाउंड्स को बेहतर नहीं बना सकता।
वास्तविक दुनिया का अनुप्रयोग: इन विधियों को ENSEMBLE2 कोविड-19 वैक्सीन ट्रायल पर लागू किया गया है, जो एक ऐसा केस स्टडी है जहाँ डिफरेंशियल AE दरों के कारण टूटी हुई ब्लाइंडिंग का संदेह था।

4. परिणाम (Results)

सिमुलेशन अध्ययन (Simulation Study):
- चौड़ाई (Width): जब धारणाएँ सही थीं, तो मोनोटोनिसिटी-आधारित बाउंड्स, LP-आधारित बाउंड्स की तुलना में लगातार संकीर्ण थे।
- मजबूती (Robustness): जब मोनोटोनिटी धारणाओं का उल्लंघन हुआ (जैसे, $U$ का $B$ और जोखिम पर विपरीत प्रभाव था), तो मोनोटोनिटी बाउंड्स अमान्य हो गए (लोअर बाउंड > अपर बाउंड)। LP बाउंड्स वैध रहे लेकिन अधिक व्यापक थे।
- मिस्पेसिफिकेशन (Misspecification): सरल कॉज़ल स्ट्रक्चर को गलत तरीके से मानने (जैसे, $S \to Y$ को अनदेखा करना) से अमान्य बाउंड्स मिले, विशेष रूप से टोटल इफेक्ट ( $VE_T$ ) के लिए।
ENSEMBLE2 ट्रायल का अनुप्रयोग:
- पॉइंट एस्टीमेट्स: मजबूत धारणाओं के तहत, $VE(0)$ का अनुमान 44.5% लगाया गया था।
- बाउंड्स:
  - मोनोटोनिटी धारणाओं के बिना, बाउंड्स अत्यंत व्यापक थे (जैसे, $VE(0) \in [-\infty, 97.7\%]$ ), जो उच्च अनिश्चितता को दर्शाता है।
  - मोनोटोनिटी धारणाओं के साथ (यह मानते हुए कि टीकाकरण का विश्वास जोखिम बढ़ाता है), बाउंड्स काफी संकीर्ण हो गए। उदाहरण के लिए, $VE(0)$ को 36.5% और 47.0% के बीच सीमित किया गया।
- व्याख्या: विश्लेषण बताता है कि हालांकि वास्तविक इम्यूनोलॉजिकल प्रभाव को सटीक रूप से नहीं पहचाना जा सकता है, लेकिन यदि व्यवहार संबंधी जोखिम मुआवजे को ध्यान में रखा जाए, तो यह सकारात्मक और संभावित रूप से नैव (naive) अनुमान से अधिक है।

5. महत्व (Significance)

मेथोडोलॉजिकल प्रगति: यह कार्य वैक्सीन ट्रायल्स में आदर्शित कॉज़ल इन्फरेंस (पॉइंट आइडेंटिफिकेशन) और अव्यवस्थित वास्तविक दुनिया के डेटा (अनमापे गए कन्फाउंडिंग) के बीच के अंतर को पाटता है। यह एक "पार्शियल आइडेंटिफिकेशन" रणनीति प्रदान करता है जो व्यक्तित्व-जनित कन्फाउंडिंग के प्रति मजबूत है।
नीतिगत प्रासंगिकता: जैसे-जैसे वैक्सीन ट्रायल्स में ब्लाइंडिंग (साइड इफेक्ट्स या सार्वजनिक जागरूकता के कारण) की चुनौतियाँ बढ़ रही हैं, यह शोध पत्र नीति निर्माताओं को व्यवहार संबंधी परिवर्तनों को अलग करते हुए टीकों के वास्तविक सुरक्षात्मक प्रभाव का अनुमान लगाने के लिए एक टूलकिट प्रदान करता है।
व्यावहारिक मार्गदर्शन: लेखक सबसे रूढ़िवादी कॉज़ल स्ट्रक्चर (चित्र 3d) का उपयोग करने की सिफारिश करते हैं जब वास्तविक तंत्र अज्ञात हो, ताकि अमान्य बाउंड्स से बचा जा सके, भले ही इसके परिणामस्वरूप व्यापक अंतराल प्राप्त हों। वे यह भी रेखांकित करते हैं कि डोमेन ज्ञान का समर्थन मिलने पर अंतराल को कम करने के लिए मोनोटोनिटी धारणाओं की उपयोगिता है।

संक्षेप में, यह शोध पत्र स्थापित करता है कि हालांकि टूटी हुई ब्लाइंडिंग और अनमापे गए कन्फाउंडिंग सटीक वैक्सीन एफिकेसी की गणना को रोकते हैं, फिर भी नॉनपैरामेट्रिक बाउंड्स उपयुक्त धारणाओं और सावधानीपूर्वक कॉज़ल स्ट्रक्चर के परीक्षण के साथ वैक्सीन प्रभावों के परिमाण और दिशा के बारे में सार्थक जानकारी निकाल सकते हैं।