📊 statistics

Sequential Randomization Tests Using e-values: Applications for trial monitoring

यह शोध पत्र विविध परीक्षण एंडपॉइंट्स के लिए गैर-पैरामीट्रिक, एनीटाइम-वैलिड अनुक्रमिक रैंडमाइजेशन टेस्ट (e-RT) के एक परिवार को प्रस्तुत करता है जो टेस्ट मार्टिंगेल बनाने के लिए बेटिंग फ्रेमवर्क का लाभ उठाते हैं, जिससे पैरामीट्रिक धारणाओं या एसिम्प्टोटिक सन्निकटन पर निर्भर किए बिना केवल रैंडमाइजेशन तंत्र के माध्यम से सख्त टाइप I एरर नियंत्रण की गारंटी मिलती है।

मूल लेखक: Fernando G Zampieri

प्रकाशित 2026-03-24

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Fernando G Zampieri

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 कैसीनो चला रहे हैं। आपके पास दो टेबल हैं: टेबल A (नया उपचार) और टेबल B (मानक उपचार)। आप यह जानना चाहते हैं कि क्या टेबल A वास्तव में अच्छे तरीके से संभावनाओं (odds) के साथ "धोखाधड़ी" कर रही है, या परिणाम केवल यादृच्छिक भाग्य (random luck) का परिणाम हैं।

पारंपरिक रूप से, किसी धोखेबाज को पकड़ने के लिए, आपको रात के अंत तक इंतजार करना होता है, सभी चिप्स गिनने होते हैं, और एक जटिल गणितीय सूत्र चलाना होता है। यदि आप आधे रास्ते में चिप्स को झाँककर देखते और खेल को इसलिए रोक देते क्योंकि टेबल A जीतती हुई दिख रही थी, तो कैसीनो कहता, "आप ऐसा नहीं कर सकते! आपने खेल के बीच में ही नियम बदल दिए, इसलिए आपका गणित अमान्य है।"

यह शोध पत्र नैदानिक परीक्षणों (clinical trials) की निगरानी करने का एक नया तरीका पेश करता है जिसे "e-RT" (e-value Randomized Trial) कहा जाता है।

अंत तक प्रतीक्षा करने के बजाय, यह एक "बेटिंग फ्रेमवर्क" (Betting Framework) का उपयोग करता है जो आपको बिना नियमों को तोड़े कभी भी परिणामों की जांच करने की अनुमति देता है।

यह कैसे काम करता है, यहाँ सरल उपमाओं (analogies) का उपयोग किया गया है:

1. मूल विचार: "स्मार्ट गैम्बलर" (चतुर जुआरी)

कल्पना कीजिए कि एक जासूस (सांख्यिकीविद्) खिलाड़ी किस टेबल से आया है, इस पर दांव लगा रहा है, उसके खेलने के तरीके के आधार पर।

सेटअप: हर बार जब एक मरीज परीक्षण पूरा करता है, तो हम उनका परिणाम देखते हैं (जैसे, "क्या वे ठीक हुए?")। हमें अभी तक यह नहीं पता कि वे किस टेबल पर थे।
दांव (The Bet): जासूस परिणाम को देखता है और कहता है, "हम्म, यह परिणाम ऐसा लग रहा है जैसे यह टेबल A से आया हो। मैं $1 का दांव लगाता हूँ कि ऐसा ही है।"
खुलासा (The Reveal): फिर, हम सच्चाई प्रकट करते हैं।
- यदि जासूस का अनुमान सही निकला: उसकी "संपत्ति" (साक्ष्य/evidence) बढ़ती है।
- यदि जासूस का अनुमान गलत निकला: उसकी संपत्ति घटती है।

जादुई नियम: यदि नया उपचार बेकार है (शून्य परिकल्पना/Null Hypothesis), तो जासूस केवल एक सिक्के के उछाल (coin flip) की तरह अनुमान लगा रहा है। समय के साथ, उसकी संपत्ति ऊपर-नीचे होती रहेगी लेकिन वह महत्वपूर्ण रूप से नहीं बढ़ेगी। यह एक निष्पक्ष खेल खेलने वाले जुआरी की तरह है; वह कुछ समय के लिए भाग्यशाली हो सकता है, लेकिन वह हमेशा के लिए नहीं जीत सकता।

हालाँकि, यदि नया उपचार वास्तव में काम करता है, तो परिणाम अलग दिखने लगेंगे। जासूस अधिक बार सही अनुमान लगाने लगेगा। उसकी संपत्ति घातांकीय रूप से (exponentially) बढ़ने लगेगी।

2. यह गेम-चेंजर क्यों है

पारंपरिक परीक्षणों में, आपको पहले से तय करना होता है: "हम 50 मरीजों के बाद, फिर 100, फिर 150 मरीजों के बाद परिणाम की जांच करेंगे।" यदि आप बहुत जल्दी जांच करते हैं, तो आपको "गलत अलार्म" (Type I error) मिल सकता है।

e-RT के साथ, आप हर एक दिन जांच कर सकते हैं।

यदि जासूस की संपत्ति अचानक आसमान छूकर एक विशाल संख्या (जैसे, उनकी शुरुआती राशि का 20 गुना) तक पहुँच जाती है, तो आप जानते हैं कि उपचार काम कर रहा है। आप तुरंत परीक्षण रोक सकते हैं और पैसा/समय बचा सकते हैं।
यदि संपत्ति कम रहती है, तो आप जारी रखते हैं।
महत्वपूर्ण बात: क्योंकि गणित "बेटिंग" पर आधारित है, इसलिए यह मायने नहीं रखता कि आप कब रुकते हैं। यह गारंटी कि आप भाग्य से मूर्ख नहीं बन रहे हैं, यह सुनिश्चित करती है कि आप चाहे जब भी निर्णय लें, आपकी गणित वैध बनी रहती है।

3. विभिन्न "खेल" (Variants)

शोध पत्र बताता है कि विभिन्न प्रकार के चिकित्सा डेटा के लिए अलग-अलग बेटिंग रणनीतियों की आवश्यकता होती है, ठीक वैसे ही जैसे विभिन्न कैसीनो खेलों के लिए अलग-अलग नियमों की आवश्यकता होती है।

बाइनरी (e-RTb): सबसे सरल खेल। क्या मरीज को कोई घटना (event) हुई (हाँ/नहीं)?
- उपमा: एक सिक्के का उछाल। यदि उपचार काम करता है, तो टेबल A पर "Heads" अधिक बार आता है।
- रणनीति: जासूस उस पक्ष पर थोड़ा अधिक दांव लगाता है जो जीतता हुआ प्रतीत होता है, लेकिन सतर्क रहता है।
इवेंट-ओनली (e-RTe): कभी-कभी, यह ट्रैक करना कठिन होता है कि किसकी घटना नहीं हुई (जैसे, कौन जीवित है इसे ट्रैक करना आसान है, लेकिन कौन "स्वस्थ" है इसके लिए हर सप्ताह कॉल करना आवश्यक है)।
- उपमा: आप केवल "मृत्यु" या "विफलता" को देखते हैं। आप जीवित बचे लोगों को अनदेखा कर देते हैं।
- रणनीति: यह केवल दुर्लभ, नाटकीय क्षणों पर दांव लगाने जैसा है। यह कम कुशल (आपको अधिक डेटा की आवश्यकता है) है लेकिन इसे चलाना बहुत आसान है क्योंकि आपको हर एक मरीज का पीछा नहीं करना पड़ता है।
कंटीन्यूअस (e-RTc): परिणाम एक संख्या है (जैसे, "वेंटिलेटर पर कितने दिन?")।
- उपमा: सिक्के के उछाल के बजाय, आप डार्टबोर्ड पर दांव लगा रहे हैं। यदि एक मरीज वेंटिलेटर पर 2 दिन रहता है (बहुत कम), और उपचार आमतौर पर मदद करता है, तो जासूस भारी दांव लगाता है कि यह मरीज उपचार वाली टेबल पर था।
- रणनीति: यह पेचीदा है। यदि जासूस एक अजीब नंबर पर बहुत आक्रामक होकर दांव लगाता है, तो वह सब कुछ खो सकता है। इसलिए, रणनीति बहुत सावधानीपूर्ण और "अनुकूलनशील" (adaptive) है।
टाइम-टू-इवेंट (e-RTs): जब किसी घटना का समय मायने रखता है (जैसे, जीवित रहने का समय)।
- उपमा: एक दौड़। आप केवल तभी दांव लगाते हैं जब कोई फिनिश लाइन पार करता है (मरता है)।
- रणनीति: चूंकि आप केवल दुर्लभ रूप से दांव लगा सकते हैं (जब कोई मरता है), इसलिए आप थोड़े अधिक आक्रामक होने का जोखिम उठा सकते हैं क्योंकि आपको एक के बाद एक हजारों दांव नहीं लगाने पड़ते।
मल्टी-स्टेट (e-RTms): मरीज इधर-उधर जाते हैं (ICU -> वार्ड -> घर)।
- उपमा: एक बोर्ड गेम जहाँ खिलाड़ी आगे (अच्छा) या पीछे (बुरा) जाते हैं।
- रणनीति: हर बार जब मरीज हिलता है, तो आपको दांव लगाने का मौका मिलता है। यदि वे आगे बढ़ते हैं, तो आप दांव लगाते हैं कि वे "अच्छी" टेबल पर हैं।

4. "वेज एसिमेट्री" (Wage Asymmetry - वेतन विषमता) (क्यों कुछ दांव सुरक्षित होते हैं)

शोध पत्र एक दिलचस्प बात बताता है कि आप कितनी बार दांव लगाते हैं।

"हाई-फ्रीक्वेंसी" का जाल: यदि आप हर एक मरीज पर दांव लगाते हैं (जैसे बाइनरी या कंटीन्यूअस गेम्स में), तो आप एक ऐसा खेल खेल रहे हैं जहाँ आप लगातार 1,000 दांव लगाते हैं। यदि आप बहुत आक्रामक होकर दांव लगाते हैं और दुर्भाग्यपूर्ण होते हैं, तो आपकी संपत्ति बहुत तेज़ी से शून्य हो जाएगी। आपको रूढ़िवादी (conservative) होना चाहिए।
"लो-फ्रीक्वेंसी" की स्वतंत्रता: यदि आप केवल एक दुर्लभ घटना होने पर ही दांव लगाते हैं (जैसे सर्वाइवल गेम में), तो आप शायद केवल 50 दांव लगाते हैं। भले ही आप आक्रामक दांव लगाएं और कुछ बार हार जाएं, आपके पास उबरने का समय होता है। आप अधिक आक्रामक होने का जोखिम उठा सकते हैं।

5. "यूनिवर्सल इंजन" (e-RTu)

अंत में, लेखक एक "यूनिवर्सल ट्रांसलेटर" का प्रस्ताव करते हैं। कल्पना कीजिए कि एक रोबोट है जिसे इस बात से फर्क नहीं पड़ता कि आप सिक्के के उछाल, डार्ट थ्रो या बोर्ड गेम की चालों पर दांव लगा रहे हैं। जब तक आप इसे "अच्छे" या "बुरे" संकेतों की एक धारा फीड करते हैं, यह बेटिंग एल्गोरिदम को स्वचालित रूप से चलाता है। यह भविष्य में किसी भी नए प्रकार के चिकित्सा डेटा पर इस पद्धति को लागू करना आसान बनाता है।

सारांश

e-RT विधि नैदानिक परीक्षणों के लिए एक "रियल-टाइम ट्रुथ डिटेक्टर" (वास्तविक समय का सत्य डिटेक्टर) की तरह है।

पुराना तरीका: अंत तक प्रतीक्षा करें, आशा करें कि आपने बहुत जल्दी झाँक नहीं लिया, और एक जटिल गणितीय परीक्षण चलाएं।
नया तरीका (e-RT): जैसे-जैसे परिणाम आते हैं, उन पर दांव लगाएं। यदि साक्ष्य की "संपत्ति" पर्याप्त बढ़ जाती है, तो आप जानते हैं कि उपचार काम कर रहा है, और आप तुरंत परीक्षण रोक सकते हैं।
लाभ: यह सुरक्षित है, अधिक लचीला है, और इसमें इस बात की सख्त धारणाओं की आवश्यकता नहीं है कि डेटा कैसे व्यवहार करता है। यह लगभग किसी भी प्रकार के चिकित्सा परिणाम के लिए काम करता है, साधारण "हाँ/नहीं" घटनाओं से लेकर जटिल रोगी यात्राओं तक।

यह नैदानिक परीक्षण को एक स्थिर परीक्षा से बदलकर डेटा और शोधकर्ताओं के बीच एक गतिशील, जीवंत संवाद में बदल देता है।

यहाँ फर्नांडो जी. ज़ैम्पिएरी के शोध पत्र "Sequential Randomization Tests Using e-values: Applications for trial monitoring" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

रैंडमाइज्ड कंट्रोल्ड ट्रायल्स (RCTs) की पारंपरिक अनुक्रमिक निगरानी (sequential monitoring) पैरामीट्रिक धारणाओं (जैसे, सामान्यता, आनुपातिक जोखिम) और पूर्व-निर्धारित स्टॉपिंग बाउंड्रीज़ (जैसे, $\alpha$ -स्पेंडिंग फंक्शन्स) पर निर्भर करती है। इन विधियों की महत्वपूर्ण सीमाएँ हैं:

धारणा निर्भरता (Assumption Dependence): यदि पैरामीट्रिक धारणाएँ विफल हो जाती हैं, तो टाइप I एरर नियंत्रण से समझौता हो जाता है।
कठोरता (Rigidity): इनके लिए निश्चित अंतरिम विश्लेषण (interim analysis) शेड्यूल्स की आवश्यकता होती है। उपलब्ध डेटा के बीच के साक्ष्य को अनदेखा किया जाता है, जिससे सुरक्षा संकेतों या प्रभावकारिता का पता लगाने में देरी हो सकती है।
डेटा अंतराल (Data Gaps): कई क्लिनिकल सेटिंग्स में (जैसे, ICU मृत्यु दर, ऑन्कोलॉजी प्रोग्रेशन), "गैर-घटनाओं" (जीवित बचे लोग या स्थिर रोगी) को ट्रैक करना परिचालन रूप से कठिन या असंभव होता है, जिससे मानक विधियाँ अप्रभावी हो जाती हैं।

यह शोध पत्र e-values और e-processes पर आधारित एक समाधान प्रस्तावित करता है, जो "एनीटाइम-वैलिड" (anytime-valid) निष्कर्ष प्रदान करते हैं। इसका अर्थ है कि बिना किसी पैरामीट्रिक धारणा के, किसी भी स्टॉपिंग टाइम पर टाइप I एरर नियंत्रण की गारंटी दी जा सकती है।

2. कार्यप्रणाली: e-RT ढांचा (Methodology: The e-RT Framework)

लेखक e-RT (e-value Randomized Trial) पेश करते हैं, जो गैर-पैरामीट्रिक अनुक्रमिक परीक्षणों का एक परिवार है। इसका मूल दर्शन एक बेटिंग फ्रेमवर्क (betting framework) है:

खेल (The Game): एक जुआरी (सांख्यिकीविद्) रोगी के देखे गए परिणाम ( $Y_i$ ) के आधार पर उसके उपचार असाइनमेंट ( $T_i$ ) पर दांव लगाता है।
शून्य परिकल्पना ( $H_0$ ): उपचार असाइनमेंट का परिणाम पर कोई प्रभाव नहीं है ( $Y_i \perp T_i$ )। $H_0$ के तहत, परिणामों से असाइनमेंट के बारे में कोई जानकारी नहीं मिलती; असाइनमेंट प्रभावी रूप से $p$ प्रायिकता वाला एक सिक्का उछाल (coin flip) है।
वेल्थ प्रोसेस ( $W_n$ ): सांख्यिकीविद् $W_0 = 1$ $W_{0} = 1$ वेल्थ के साथ शुरुआत करता है। प्रत्येक चरण $i$ $i$ पर, वह एक बेटिंग फ्रैक्शन $\lambda_i$ $λ_{i}$ चुनता है (जो इस बात की भविष्यवाणी करता है कि रोगी उपचार समूह में होने की कितनी संभावना है)।
- यदि भविष्यवाणी सही है, तो वेल्थ $\lambda_i/p$ (यदि $T_i=1$ ) या $(1-\lambda_i)/(1-p)$ (यदि $T_i=0$ ) के कारक से बढ़ती है।
- यदि गलत है, तो वेल्थ घट जाती है।
वैधता (Validity): $H_0$ के तहत, अपेक्षित वेल्थ मल्टीप्लायर ठीक 1 होता है। इस प्रकार, $(W_n)$ एक नॉन-नेगेटिव मार्टिंगेल (martingale) है। विले के असमानता (Ville's Inequality) के अनुसार, वेल्थ के कभी भी $1/\alpha$ से अधिक होने की प्रायिकता $\alpha$ से अधिक नहीं है। यह $H_0$ को खारिज करने की अनुमति देता है जैसे ही $W_n \geq 1/\alpha$ हो जाता है, जिससे किसी भी स्टॉपिंग नियम के बावजूद $\alpha$ स्तर पर टाइप I एरर नियंत्रित रहता है।

3. प्रमुख वेरिएंट्स (Key Variants - The e-RT Family)

पेपर में विभिन्न डेटा प्रकारों के लिए तैयार किए गए छह विशिष्ट वेरिएंट्स का विवरण दिया गया है, जो सभी एक ही वैधता प्रमाण साझा करते हैं लेकिन डेटा को दांव में बदलने के तरीके में भिन्न हैं:

A. बाइनरी आउटकम्स (e-RTb)

डेटा: प्रत्येक रोगी के लिए इवेंट/नो-इवेंट।
रणनीति: एक एडेप्टिव हाफ-केली (adaptive half-Kelly) रणनीति का उपयोग करता है। दांव $\lambda_i$ दोनों समूहों के बीच चल रहे इवेंट रेट्स के अंतर ( $\hat{\delta}$ ) पर आधारित होता है।
तंत्र: यदि हस्तक्षेप समूह (intervention arm) में कम घटनाएं होती हैं, तो रणनीति यह दांव लगाती है कि एक नई घटना संभवतः कंट्रोल समूह से आई है।
प्रतिबंध: जब सैंपल साइज छोटा हो, तो ओवर-बेटिंग को रोकने के लिए "बर्न-इन" और "रैंप" अवधि का उपयोग किया जाता है।

B. इवेंट-ओनली मॉनिटरिंग (e-RTe)

डेटा: केवल घटनाओं (जैसे, मृत्यु) का प्रवाह देखा जाता है; गैर-घटनाओं को अनदेखा किया जाता है।
रणनीति: घटनाओं के क्रम को बरनौली कॉइन फ्लिप की तरह मानती है: "क्या यह घटना उपचार समूह से आई है?"
लाभ: यह तब अत्यधिक कुशल है जब गैर-घटना ट्रैकिंग अव्यावहारिक हो। यह सिग्नल को केंद्रित करती है (raw risk difference की तुलना में "इवेंट कॉइन" का झुकाव अधिक होता है)।
समझौता (Trade-off): समान पावर प्राप्त करने के लिए इसे पूर्ण-सैंपल विधियों की तुलना में लगभग 2.5 $\times$ अधिक घटनाओं की आवश्यकता होती है, लेकिन यह परिचालन सरलता प्राप्त करती है।

C. कंटीन्यूअस आउटकम्स (e-RTc)

डेटा: निरंतर माप (जैसे, बायोमार्कर, वेंटिलेटर-फ्री डेज)।
रणनीति: एक डबली एडेप्टिव (doubly adaptive) दृष्टिकोण का उपयोग करती है।
1. "एक्सट्रीमनेस" (extremeness) निर्धारित करने के लिए नए अवलोकन को रनिंग मीडियन और MAD (Median Absolute Deviation) के विरुद्ध मानकीकृत किया जाता है।
2. दिशा निर्धारित करने के लिए इसे रनिंग कोहेन के $d$ (प्रभाव आकार अनुमान) के साथ जोड़ा जाता है।
प्रतिबंध: बहुत ही रूढ़िवादी बेटिंग (हाफ-केली) की आवश्यकता होती है क्योंकि अपडेट हर रोगी के साथ होते हैं; ओवर-बेटिंग से वेल्थ तेजी से नष्ट हो सकती है।

D. टाइम-टू-इवेंट (e-RTs / e-Survival)

डेटा: सेंसरिंग के साथ सर्वाइवल टाइम।
रणनीति: एक अनुक्रमिक लॉग-रैंक स्कोर का उपयोग करके केवल इवेंट टाइम्स पर वेल्थ को अपडेट करती है।
तंत्र: एक फिक्स्ड वेजर ( $\lambda = 0.25$ ) का उपयोग करती है जिसका दिशात्मक बदलाव (cumulative Log-Rank score के आधार पर) एडेप्टिव होता है।
तर्क: चूंकि अपडेट विरल (sparse) होते हैं (केवल मृत्यु/विफलता के समय), इसलिए वेल्थ प्रक्रिया मध्यम ओवर-बेटिंग के प्रति मजबूत होती है, जिससे एक फिक्स्ड और आक्रामक वेजर साइज की अनुमति मिलती है।

E. मल्टी-स्टेट ट्राजेक्टरीज (e-RTms)

डेटा: जटिल रोगी प्रक्षेपवक्र (जैसे, ICU $\to$ वार्ड $\to$ घर/मृत्यु)।
रणनीति: प्रत्येक ट्रांजिशन को "अच्छा" (रिकवरी) या "बुरा" (गिरावट) के रूप में वर्गीकृत करती है और ट्रांजिशन की गुणवत्ता के बाइनरी आउटकम पर दांव लगाती है।
महत्व: यह क्लिनिकल सुधार को कैप्चर करता है, भले ही मृत्यु दर अपरिवर्तित हो, जिससे जटिल कम्पेटिंग रिस्क मॉडलिंग से बचा जा जा सकता है।

F. यूनिवर्सल एब्स्ट्रैक्शन (e-RTu)

अवधारणा: एक डोमेन-अज्ञेय (domain-agnostic) इंजन जो किसी भी बाइनरी-वर्गीकृत सिग्नल (अच्छा/बुरा, उपचार/नियंत्रण) के स्ट्रीम को स्वीकार करता है। यह अन्य वेरिएंट्स के तर्क को एकीकृत करता है, सिग्नल जनरेशन को बेटिंग इंजन से अलग करता है।

4. प्रमुख योगदान (Key Contributions)

एनीटाइम-वैलिड मॉनिटरिंग: एक कठोर, धारणा-मुक्त विधि प्रदान करता है जो किसी भी स्टॉपिंग टाइम पर निरंतर ट्रायल मॉनिटरिंग सुनिश्चित करता है और टाइप I एरर नियंत्रण की गारंटी देता है।
परिचालन लचीलापन (Operational Flexibility): e-RTe पेश करता है, जो उन सेटिंग्स में वैध निगरानी सक्षम बनाता है जहाँ केवल इवेंट्स को ट्रैक किया जाता है (जैसे, EMR-आधारित मृत्यु दर अध्ययन), एक ऐसी स्थिति जहाँ पारंपरिक विधियाँ विफल हो जाती हैं।
सिद्धांतिक बेटिंग एसिमेट्री (Principled Betting Asymmetry): यह पेपर कड़ाई से विश्लेषण करता है कि क्यों विभिन्न वेरिएंट्स को अलग-अलग बेटिंग रणनीतियों की आवश्यकता होती है (सेक्शन 9):
- सघन अपडेट (Dense updates - Binary/Continuous): क्योंकि ओवर-बेटिंग तेजी से संचयी (compound) होकर वेल्थ को नष्ट कर सकती है, इसलिए इन्हें रूढ़िवादी, एडेप्टिव रणनीतियों (हाफ-केली) की आवश्यकता होती है।
- विरल अपडेट (Sparse updates - Survival/Event-Only): ये फिक्स्ड या फुल-केली रणनीतियों को सहन कर सकते हैं क्योंकि अपडेट की सीमित संख्या त्रुटियों के विनाशकारी संचय को रोकती है।
एकीकृत ढांचा (Unified Framework): यह प्रदर्शित करता है कि विविध क्लिनिकल एंडपॉइंट्स (बाइनरी, कंटीन्यूअस, सर्वाइवल, मल्टी-स्टेट) को रैंडमाइजेशन एक्सचेंजबिलिटी पर आधारित एकल बेटिंग लॉजिक में बदला जा सकता है।

5. सिमुलेशन परिणाम (Simulation Results)

टाइप I एरर: सभी वेरिएंट्स ने सख्त नियंत्रण बनाए रखा, देखे गए एरर रेट लगातार 2% और 4% के बीच थे (नाममात्र 5% से नीचे), जो मार्टिंगेल प्रॉपर्टी की पुष्टि करते हैं।
पावर और अर्ली स्टॉपिंग:
- पारंपरिक विधियों का उपयोग करके 80% पावर के लिए डिज़ाइन किए गए ट्रायल्स में, यदि वास्तविक प्रभाव मौजूद था, तो e-RT वेरिएंट्स ने ~50% जल्दी रुकने की संभावना (आमतौर पर नियोजित सैंपल साइज का 45-56%) हासिल की।
- e-RTe (इवेंट-ओनली): जब बेसलाइन इवेंट रेट कम (15-25%) थी, तो इसने सिग्नल के केंद्रीकरण के कारण e-RTb को पछाड़ दिया, बावजूद इसके कि इसने कम डेटा पॉइंट्स देखे।
- e-RTms: मृत्यु दर में अंतर नगण्य होने पर भी प्रक्षेपवक्र सुधारों का पता लगाने में उच्च पावर (89%) दिखाया।
मजबूती (Robustness): विधियों ने बिना किसी वितरण संबंधी धारणा के विभिन्न प्रभाव आकारों (effect sizes) और सेंसरिंग परिदृश्यों में अच्छा प्रदर्शन किया।

6. महत्व और निहितार्थ (Significance and Implications)

पारंपरिक विधियों का पूरक: e-RT अनिवार्य रूप से फिक्स्ड-सैंपल विश्लेषण का स्थान लेने के लिए नहीं है, बल्कि एक शक्तिशाली पूरक है। यह $\alpha$ -स्पेंडिंग पेनल्टी के बिना "मुफ्त" अर्ली स्टॉपिंग विकल्प प्रदान करता है। यदि थ्रेशोल्ड पार नहीं होता है, तो ट्रायल नियोजित विश्लेषण तक चलता रहता है।
वास्तविक दुनिया में प्रयोज्यता: यह विशेष रूप से क्रिटिकल केयर और ऑन्कोलॉजी ट्रायल्स के लिए मूल्यवान है जहाँ डेटा संग्रह एसिंक्रोनस (asynchronous) होता है, गैर-घटनाओं को सत्यापित करना कठिन होता है, या रोगी प्रक्षेपवक्र जटिल होते हैं।
दार्शनिक बदलाव: ध्यान "एक पैरामीटर का अनुमान लगाने" से हटकर "एक्सचेंजेबिलिटी के परीक्षण" पर केंद्रित होता है। यह पूछता है: क्या हम परिणामों के आधार पर उपचार असाइनमेंट की भविष्यवाणी कर सकते हैं? यदि हाँ, तो उपचार काम करता है।
सीमाएँ और भविष्य का कार्य: लेखक नोट करते हैं कि ये प्रयोगात्मक विधियाँ हैं। वर्तमान में इनमें पॉइंट एस्टीमेट्स और कॉन्फिडेंस इंटरवल की कमी है। एडेप्टिव लर्निंग के लिए बर्न-इन अवधि की आवश्यकता होती है, और विधियों को गैर-स्थिर प्रभावों (जैसे, यदि मध्य-ट्रायल में उपचार प्रभाव बदल जाता है) के साथ संघर्ष करना पड़ सकता है। भविष्य के कार्य में समय-परिवर्तनीय प्रभावों को संभालने के लिए एडेप्टिव वेटिंग स्कीम्स शामिल हो सकते हैं।

निष्कर्ष:
यह शोध पत्र e-RT को एक मजबूत, धारणा-मुक्त टूलकिट के रूप में स्थापित करता है। e-values के माध्यम से बेटिंग फ्रेमवर्क का लाभ उठाकर, यह विविध डेटा प्रकारों और परिचालन बाधाओं को संभालने में सक्षम, पैरामीट्रिक ग्रुप-सिक्वेंशियल डिज़ाइनों के लिए एक लचीला विकल्प प्रदान करता है, जो केवल रैंडमाइजेशन तंत्र के तहत सांख्यिकीय वैधता की गारंटी देता है।