📊 statistics

Balancing Evidentiary Value and Sample Size of Adaptive Designs with Application to Animal Experiments

यह शोध पत्र प्रयोगात्मक इकाई सूचना सूचकांक (EUII) का प्रस्ताव करता है, जो एक नवीन मीट्रिक है जो व्यक्तिगत प्रयोगात्मक इकाइयों के साक्ष्य मूल्य को मापने के लिए सांख्यिकीय त्रुटि दरों और नमूना आकार के बीच संतुलन बनाता है, जो विश्वसनीय निष्कर्षों को बनाए रखते हुए नमूना आकार को कम करने के लिए अनुकूलनशील पशु प्रयोगों को अनुकूलित करने में इसकी उपयोगिता को प्रदर्शित करता है।

मूल लेखक: Leonhard Held, Fadoua Balabdaoui, Saverio Fontana, Samuel Pawel

प्रकाशित 2026-05-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Leonhard Held, Fadoua Balabdaoui, Saverio Fontana, Samuel Pawel

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 जानवरों पर प्रयोग करने वाले एक वैज्ञानिक हैं। आपका लक्ष्य यह पता लगाना है कि क्या एक नया उपचार काम करता है। लेकिन आपकी एक नैतिक और व्यावहारिक जिम्मेदारी भी है: आप कम से कम जानवरों का उपयोग करना चाहते हैं ("कम करें" या "Reduce" सिद्धांत) और साथ ही यह भी सुनिश्चित करना चाहते हैं कि आपके परिणाम वास्तविक हों न कि केवल एक इत्तेफाक।

आमतौर पर, वैज्ञानिक एक कठिन संतुलन बनाने की कोशिश करते हैं। यदि वे बहुत कम जानवरों का उपयोग करते हैं, तो वे वास्तविक प्रभाव को पहचान नहीं पाएंगे। यदि वे बहुत अधिक जानवरों का उपयोग करते हैं, तो वे संसाधनों को बर्बाद कर रहे हैं। पारंपरिक रूप से, वे अलग-अलग प्रयोग डिजाइनों की तुलना दो नंबरों को देखकर करते हैं: वे कितनी बार गलत अलार्म (Type I error) देते हैं और वे कितनी बार एक वास्तविक प्रभाव को सफलतापूर्वक खोज पाते हैं (Power)।

लेकिन यह शोध पत्र इस समस्या को देखने का एक नया तरीका पेश करता है। यह पूछता है: "एक अकेले जानवर से वास्तव में कितना उपयोगी जानकारी मिलती है?"

यहाँ उनके विचार का सरल उपमाओं के साथ विवरण दिया गया है:

1. पुराने तरीके के साथ समस्या

कल्पना कीजिए कि आप अनुमान लगाने की कोशिश कर रहे हैं कि एक सिक्का निष्पक्ष है या पक्षपाती।

विधि A: आप सिक्के को 100 बार उछालते हैं। आपको एक स्पष्ट उत्तर मिलता है।
विधि B: आप सिक्के को 10 बार उछालते हैं, लेकिन आप थोड़ा "चीटिंग" करते हैं यानी परिणामों को जल्दी देख लेते हैं और यदि आपको कोई पैटर्न दिखता है तो रुक जाते हैं। आपको उत्तर तेजी से मिल जाता है, लेकिन आपकी "चीटिंग" के कारण आपकी त्रुटि दर (error rate) थोड़ी बढ़ जाती है।

पारंपरिक रूप से, विधि A और विधि B की तुलना करना कठिन है क्योंकि उनके "चीटिंग" के नियम (त्रुटि दर) और लागत (उछालों की संख्या) अलग-अलग हैं। आप केवल कच्चे नंबरों को देखकर यह नहीं कह सकते कि कौन सा "बेहतर" है।

2. नया टूल: "एनिमल इंफॉर्मेशन स्कोर" (EUII)

लेखकों ने एक नया स्कोर बनाया जिसे एक्सपेरिमेंटल यूनिट इंफॉर्मेशन इंडेक्स (EUII) कहा जाता है। इसे आप एक "प्रति जानवर मूल्य" (Value per Animal) स्कोर के रूप में समझ सकते हैं।

इसे समझने के लिए, उन्होंने चिकित्सा निदान (medical diagnostics) की एक अवधारणा ली है जिसे डायग्नोस्टिक ऑड्स रेशियो (Diagnostic Odds Ratio) कहा जाता है।

कल्पना कीजिए कि किसी बीमारी के लिए एक मेडिकल टेस्ट है। एक "अच्छा" टेस्ट वह है जहाँ एक पॉजिटिव परिणाम दृढ़ता से संकेत देता है कि आपको बीमारी है, और एक नेगेटिव परिणाम दृढ़ता से संकेत देता है कि आप स्वस्थ हैं।
लेखकों ने महसूस किया कि एक सांख्यिकीय प्रयोग बिल्कुल एक मेडिकल टेस्ट की तरह है। "बीमारी" वह परिकल्पना (hypothesis) है कि उपचार काम करता है।
उन्होंने एक स्कोर की गणना की जो बताता है: "यदि मैं अपने प्रयोग में एक और जानवर जोड़ता हूँ, तो यह सच और झूठ के बीच अंतर करने की मेरी क्षमता में कितनी सुधार करता है?"

यदि स्कोर उच्च है, तो आपके द्वारा उपयोग किया गया प्रत्येक जानवर आपको एक स्पष्ट उत्तर देने के लिए कड़ी मेहनत कर रहा है। यदि स्कोर कम है, तो आप ऐसे डेटा पर जानवरों को बर्बाद कर रहे हैं जो बहुत अधिक मदद नहीं करता है।

3. "अर्ली स्टॉप" ट्रिक (एडैप्टिव डिजाइन)

यह शोध पत्र एडैप्टिव डिजाइन्स (Adaptive Designs) पर बहुत अधिक ध्यान केंद्रित करता है। यह एक जासूस की तरह है जो एक कठोर योजना पर नहीं टिका रहता।

योजना: "मैं 100 गवाहों का इंटरव्यू लूंगा।"
एडैप्टिव ट्विस्ट: "मैं एक-एक करके गवाहों का इंटरव्यू लूंगा। यदि मुझे 20वें गवाह पर ही कोई पुख्ता सबूत मिल जाता है, तो मैं तुरंत रुक जाऊंगा (Efficacy Stop)। यदि मुझे 30वें गवाह तक यह एहसास हो जाता है कि कहानी का कोई अर्थ नहीं निकल रहा है, तो मैं तुरंत रुक जाऊंगा क्योंकि यह समय की बर्बादी है (Futility Stop)।"

यह जानवरों (या गवाहों) को बचाता है क्योंकि यदि आप पहले से ही उत्तर जानते हैं, तो आप बाकी का इंटरव्यू नहीं लेते। हालांकि, जल्दी रुकने से गणित बदल जाता है। यह "प्रति जानवर मूल्य" की गणना को जटिल बना देता है क्योंकि उपयोग किए गए जानवरों की संख्या अब निश्चित नहीं है।

4. उन्होंने क्या पाया

लेखकों ने इस नए "प्रति जानवर मूल्य" स्कोर को वास्तविक पिछले जानवरों के प्रयोगों (लग लगभग 2,700 प्रयोगों) पर लागू किया ताकि यह देखा जा सके कि क्या होता यदि उन्होंने इन "अर्ली स्टॉप" नियमों का उपयोग किया होता।

बड़ी जीत: उन्होंने पाया कि "अर्ली स्टॉप" नियमों (विशेष रूप से एक विशिष्ट प्रकार जिसे पोकोक डिजाइन (Pocock design) कहा जाता है) का उपयोग करने से जानवरों की भारी संख्या बचाई जा सकती है। उनके सिमुलेशन में, वे उन अध्ययनों में कई जानवरों को बचा सकते थे यदि वे स्पष्ट परिणाम दिखने पर तुरंत रुक जाते।
समझौता (Trade-off): कभी-कभी, जल्दी रुकने का मतलब यह होता है कि आप "नल हाइपोथीसिस" (null hypothesis) को कठोर डिजाइन की तुलना में थोड़ा कम बार खारिज करते हैं (यह कहना कि उपचार काम करता है)। लेकिन लेखक तर्क देते हैं कि यह ठीक है क्योंकि शेष बचे हुए प्रति जानवर सूचना की गुणवत्ता अधिक होती है।
विजेता: विभिन्न "अर्ली स्टॉप" रणनीतियों में से, पोकोक विधि (जो जल्दी रुकने के लिए एक सुसंगत, थोड़े ढीले थ्रेशोल्ड का उपयोग करती है) ने आम तौर पर उच्चतम "प्रति जानवर मूल्य" स्कोर दिया। यह हर एक जानवर से अधिकतम जानकारी निकालने में सबसे कुशल थी।

5. "N-हैकिंग" विवाद

शोध पत्र ने "N-हैकिंग" (या "कन्स्ट्रेंड सैंपल ऑग्मेंटेशन") नामक एक पद्धति को भी देखा, जिसे रेनगेल (Reinagel) नामक एक अन्य शोधकर्ता द्वारा प्रस्तावित किया गया था।

विचार: यदि परिणाम "लगभग महत्वपूर्ण" दिख रहे हैं, तो कुछ और जानवर जोड़ें ताकि यह देखा जा सके कि क्या यह सीमा पार करता है। यदि यह निराशाजनक लग रहा है, तो रुक जाएं।
सावधानी: यह पद्धति तकनीकी रूप से गलत अलार्म (Type I error) की संभावना को बढ़ा देती है।
निर्णय: लेखकों ने पाया कि इस उच्च त्रुटि दर के बावजूद, रेनगेल की पद्धति जानवरों को बचाने में बहुत कुशल थी और इसका "प्रति जानवर मूल्य" स्कोर भी उच्च था। हालांकि, उन्होंने नोट किया कि पोकोक विधि (जो त्रुटियों को सख्ती से नियंत्रित करती है) अभी भी एक बहुत मजबूत दावेदार थी और स्थिति के आधार पर अक्सर उतना ही या उससे बेहतर प्रदर्शन करती थी।

मुख्य निष्कर्ष (The Bottom Line)

यह शोध पत्र केवल यह नहीं कहता कि "कम जानवर उपयोग करें।" यह एक गणितीय पैमाने (mathematical ruler) प्रदान करता है जिससे यह सटीक रूप से मापा जा सके कि प्रत्येक जानवर कितनी जानकारी योगदान देता है।

इस पैमाने का उपयोग करके, उन्होंने दिखाया कि प्रयोगों को जल्दी रोकना (जब उत्तर स्पष्ट हो या जब उम्मीद खत्म हो गई हो) "कम करें" (Reduce) सिद्धांत का पालन करने का एक स्मार्ट तरीका है। यह उन्हें विज्ञान की विश्वसनीयता से समझौता किए बिना, कम जानवरों का उपयोग करके विश्वसनीय उत्तर प्राप्त करने की अनुमति देता है। "प्रति जानवर मूल्य" प्राप्त करने के लिए पोकोक डिजाइन एक शीर्ष सिफारिश के रूप में उभरा।

तकनीकी सारांश: एडेप्टिव डिज़ाइन्स के साक्ष्य मूल्य और नमूना आकार के बीच संतुलन: पशु प्रयोगों पर अनुप्रयोग

समस्या विवरण
पशु अनुसंधान में, 3R सिद्धांतों (रिप्लेस, रिड्यूस, रिफाइन) का "रिड्यूस" (कम करना) स्तंभ विश्वसनीय सांख्यिकीय निष्कर्ष बनाए रखते हुए प्रयोगात्मक इकाइयों की संख्या को न्यूनतम करने की वकालत करता है। मानक सांख्यिकीय परिकल्पना परीक्षण आमतौर पर टाइप-I त्रुटि दर ( $\alpha$ ) को नियंत्रित करने और पावर (शक्ति) को अधिकतम करने पर ध्यान केंद्रित करते हैं, अक्सर अपेक्षित नमूना आकार (expected sample size) को अनदेखा करते हैं या इसे एक निश्चित बाधा के रूप में मानते हैं। यह विभिन्न प्रयोगात्मक डिज़ाइनों, विशेष रूप से एडेप्टिव डिज़ाइन्स (जैसे, ग्रुप-सीक्वेंशियल डिज़ाइन्स) की तुलना करने में चुनौती पैदा करता है जो प्रभावकारिता (efficacy) या निरर्थकता (futility) के लिए शीघ्र रुकने (early stopping) की अनुमति देते हैं। ऐसे डिज़ाइन यादृच्छिक नमूना आकार (random sample sizes) उत्पन्न करते हैं, जिससे टाइप-I त्रुटि दरों या विभिन्न प्रकार के डिज़ाइन के मामले में पावर और त्रुटि दरों की सीधी तुलना करना कठिन हो जाता है। मौजूदा प्रदर्शन स्कोर अक्सर नमूना आकार के उतार-चढ़ाव को समझने में विफल रहते हैं या घटकों के मनमाने भारण (weighting) की आवश्यकता होती है। यह शोध एक एकीकृत मीट्रिक की आवश्यकता को संबोधित करता है जो एक एकल प्रयोगात्मक इकाई के साक्ष्य मूल्य (evidentiary value) को मापने के लिए टाइप-I त्रुटि, पावर और नमूना आकार को संतुलित करता है।

कार्यप्रणाली
लेखक एक नया माप प्रस्तावित करते हैं जिसे एक्सपेरिमेंटल यूनिट इंफॉर्मेशन इंडेक्स (EUII) कहा जाता है। यह कार्यप्रणाली निम्नलिखित तार्किक चरणों पर आधारित है:

डायग्नोस्टिक लाइकलीहुड रेश्यो (नैदानिक संभाव्यता अनुपात): लेखक सांख्यिकीय परिकल्पना परीक्षण से डायग्नोस्टिक परीक्षण की अवधारणाओं को अनुकूलित करते हैं। वे एक परीक्षण परिणाम के लिए पॉजिटिव और नेगेटिव लाइकलीहुड रेश्यो ( $LR_+$ और $LR_-$ ) को परिभाषित करते हैं:
- $LR_+ = \text{Power} / \text{Type-I error rate}$
- $LR_- = (1 - \text{Power}) / (1 - \text{Type-I error rate})$
  ये अनुपात इस बात से संबंधित हैं कि महत्वपूर्ण या गैर-महत्वपूर्ण परिणाम मिलने पर वैकल्पिक परिकल्पना ( $H_1$ ) के सत्य होने की संभावना क्या है।
डायग्नोस्टिक ऑड्स रेशियो (DOR): DOR को इन लाइकलीहुड रेश्यो के अनुपात के रूप में परिभाषित किया गया है ( $DOR = LR_+ / LR_-$ )। यह $H_1$ और $H_0$ के बीच भेदभाव करने की क्षमता को मापता है, जिसे $H_1$ बनाम $H_0$ (फ्रीक्वेंटिस्ट) के तहत महत्व के ऑड्स के अनुपात, और महत्वपूर्ण बनाम गैर-महत्वपूर्ण परिणाम के तहत $H_1$ के पोस्टीरियर ऑड्स (बेयसियन) के अनुपात के रूप में समझा जा सकता है।
नमूना आकार के लिए सामान्यीकरण (EUII): नमूना इकाइयों की संख्या ( $n$ ) को ध्यान में रखने के लिए, लेखक DOR का $n$ -वाँ मूल (n-th root) लेने का प्रस्ताव करते हैं:
$EUII = DOR^{1/n} = \frac{(LR_+)^{1/n}}{(LR_-)^{1/n}}$
यह एक एकल प्रयोगात्मक इकाई के समग्र साक्ष्य मूल्य में ज्यामितीय औसत योगदान का प्रतिनिधित्व करता है। एक उपयोगी परीक्षण के लिए $EUII > 1$ होना चाहिए।
एडेप्टिव डिज़ाइन्स के लिए विस्तार: उन एडेप्टिव डिज़ाइन्स के लिए जहाँ नमूना आकार $N$ यादृच्छिक है, लेखक EUII को सामान्यीकृत करते हैं। चूंकि लाइकलीहुड रेश्यो ऑड्स पर गुणात्मक रूप से कार्य करते हैं, इसलिए इंडेक्स को महत्वपूर्ण ( $N_+$ ) और गैर-महत्वपूर्ण ( $N_-$ ) निष्कर्षों के लिए अपेक्षित व्युत्क्रम नमूना आकारों (expected inverse sample sizes) का उपयोग करके परिभाषित किया गया है:
$EUII = (LR_+)^{E(1/N_+)} / (LR_-)^{E(1/N_-)}$
यह सूत्र नमूना आकार की परिवर्तनशीलता (coefficient of variation के माध्यम से) को ध्यान में रखता है और $H_1$ की पूर्व प्रायिकता (prior probability), $Pr(H_1)$ , के लिए एक इनपुट की आवश्यकता रखता है ताकि $H_0$ और वैकल्पिक परिकल्पना के तहत अपेक्षित व्युत्क्रम नमूना आकारों को भारित किया जा सके।

मुख्य योगदान और परिणाम

सैद्धांतिक गुण: लेखक निश्चित नमूना आकारों के लिए EUII के स्पर्शोन्मुखी मान (asymptotic value) को व्युत्पन्न करते हैं। एक वन-सैंपल $z$ -टेस्ट के लिए, $\lim_{n \to \infty} EUII = \exp(\delta^2/2)$ , जहाँ $\delta$ मानकीकृत प्रभाव आकार (standardized effect size) है। दो-नमूना परीक्षण के लिए, सीमा $\exp(\delta^2/8)$ है। यह दर्शाता है कि स्पर्शोन्मुखी साक्ष्य मूल्य पूरी तरह से वैकल्पिक परिकल्पना के तहत अनुमानित प्रभाव आकार पर निर्भर करता है।
प्रेरक केस स्टडी (Bonapersona et al., 2021): लेखकों ने न्यूरोसाइंस और मेटाबॉलिज्म में 2,738 पशु प्रयोगों का पुन: विश्लेषण किया। अंतरिम विश्लेषणों का अनुकरण करके, उन्होंने प्रदर्शित किया कि निरर्थकता रोकने (futility stopping) वाले ग्रुप-सीक्वेंशियल डिज़ाइन ने पर्याप्त संख्या में जानवरों को बचाया (उदाहरण के लिए, निरर्थकता रोकने वाले Pocock डिज़ाइन ने डेटासेट में ~13,500 जानवरों को बचाया) जबकि उचित रिजेक्शन रेट बनाए रखा।
ग्रुप-सीक्वेंशियल डिज़ाइन्स की तुलना: Pocock, O'Brien-Fleming, और Haybittle-Peto (निरर्थकता रोकने के साथ और बिना) डिज़ाइन्स की तुलना करने वाले सिमुलेशन में, EUII ने खुलासा किया कि:
- एडेप्टिव डिज़ाइन आमतौर पर निश्चित नमूना आकार वाले डिज़ाइन्स की तुलना में उच्च EUII मान प्रदान करते हैं।
- Pocock विधि ने लगातार उच्चतम EUII प्रदर्शित किया, विशेष रूप से निरर्थकता रोकने के साथ। इसका श्रेय इसके निरंतर नाममात्र महत्व स्तरों (constant nominal significance levels) को दिया जाता है, जो $H_0$ के तहत शीघ्र रुकने की अनुमति देते हैं, जिससे गैर-महत्वपूर्ण निष्कर्षों के लिए अपेक्षित नमूना आकार कम हो जाता है।
- EUII, $Pr(H_1)$ की पूर्व प्रायिकता के प्रति संवेदनशील है, हालांकि विधियों की सापेक्ष रैंकिंग अक्सर स्थिर रहती है।
"कंस्ट्रेंड सैंपल ऑग्मेंटेशन" (N-hacking) का मूल्यांकन: पेपर ने Reinagel (2023) की "कंस्ट्रेंड सैंपल ऑग्मेंटेशन" विधि का मूल्यांकन किया, जिसमें यदि "महत्व की ओर रुझान" (trend to significance) देखा जाता है, तो डेटा जोड़ा जाता है, बशर्ते कि यदि $p > 0.1$ $p > 0.1$ हो तो निरर्थकता रोक (futility stop) लागू की जाए।
- हालांकि यह विधि टाइप-I त्रुटि दर को बढ़ा देती है, EUII विश्लेषण ने दिखाया कि यह प्रति इकाई उच्च साक्ष्य मूल्य प्राप्त कर सकती है, जो अक्सर बिना निरर्थकता रोकने वाले मानक ग्रुप-सीक्वेंशियल तरीकों से बेहतर प्रदर्शन करती है।
- हालांकि, जब मानक ग्रुप-सीक्वेंशियल विधियों (जैसे Pocock) को भी निरर्थकता रोकने (predictive power के आधार पर) के साथ सुसज्जित किया जाता है, तो वे अक्सर Reinagel के दृष्टिकोण के EUII के बराबर या उससे अधिक हो जाते हैं, विशेष रूप से बड़े प्रभाव आकार के लिए।

महत्व और दावे
पेपर का दावा है कि EUII "एक प्रयोगात्मक इकाई के साक्ष्य मूल्य के माप" के रूप में कार्य करता है जो अलग-अलग टाइप-I त्रुटि दरों, पावर स्तरों और अपेक्षित नमूना आकारों वाले सांख्यिकीय डिज़ाइनों की सीधी तुलना करने की अनुमति देता है।

व्यावहारिक उपयोगिता: लेखक तर्क देते हैं कि EUII पशु अनुसंधान के लिए विशेष रूप से उपयोगी है जहाँ लक्ष्य प्रति जानवर सूचना को अधिकतम करना है। यह त्रुटि दरों और नमूना आकार दक्षता के बीच ट्रेड-ऑफ को संतुलित करने के लिए एक एकल मीट्रिक प्रदान करता है।
डिज़ाइन चयन: परिणाम बताते हैं कि पशु प्रयोगों के लिए, निरंतर महत्व थ्रेशोल्ड (जैसे Pocock) के साथ ग्रुप-सीक्वेंशियल डिज़ाइन अक्सर इष्टतम होते हैं, क्योंकि वे $H_0$ के तहत अपेक्षित नमूना आकार को कम करते हैं बिना साक्ष्य मूल्य से समझौता किए।
सीमित दायरा: लेखक स्वीकार करते हैं कि EUII, $Pr(H_1)$ की पूर्व प्रायिकता और अनुमानित प्रभाव आकार के विनिर्देश पर निर्भर करता है। वे नोट करते हैं कि व्यवहार में, EUII के लिए अक्सर सिमुलेशन के माध्यम से अनुमान की आवश्यकता होती है। पेपर यह दावा नहीं करता है कि EUII पावर गणनाओं का विकल्प है, बल्कि यह डिज़ाइन चयन और अनुकूलन, विशेष रूप से 3R सिद्धांतों के संदर्भ में, के लिए एक पूरक मीट्रिक है।

पेपर निष्कर्ष निकालता है कि EUII सफलतापूर्वक फ्रीक्वेंटिस्ट त्रुटि दरों और बेयसियन पोस्टीरियर ऑड्स को एक नमूना-समायोजित मीट्रिक में एकीकृत करता है, जो प्रीक्लिनिकल रिसर्च में मूल्यांकन और अनुकूलन के लिए एक मजबूत ढांचा प्रदान करता है।