Optimal estimation of generalized causal effects in cluster-randomized trials with multiple outcomes

तकनीकी सारांश: बहु-परिणामों वाले क्लस्टर-रैंडमाइज्ड ट्रायल्स में सामान्यीकृत कारण प्रभावों का इष्टतम अनुमान

समस्या विवरण
समूह-स्तरीय हस्तक्षेपों (group-level interventions) के मूल्यांकन के लिए क्लस्टर-रैंडमाइज्ड ट्रायल्स (CRTs) का उपयोग तेजी से बढ़ रहा है, जो लाभ और जोखिम के पूरक आयामों को पकड़ने के लिए अक्सर बहु-परिणामों (multiple outcomes) को एकत्र करते हैं। जबकि अन्वेषक अक्सर उपचार प्रभावों के एकल वैश्विक सारांश की तलाश करते हैं, मौजूदा साहित्य मुख्य रूप से एकल-परिणाम अनुमानों (single-outcome estimands) पर केंद्रित है या उन मॉडल-आधारित प्रक्रियाओं पर निर्भर करता है जो अस्पष्ट कारण व्याख्याओं या सीमित मजबूती (robustness) से ग्रस्त हो सकते हैं। इसके अतिरिक्त, CRTs में बहु-परिणामों के लिए वर्तमान विधियाँ अक्सर विषम परिणाम प्रकारों, सूचनात्मक क्लस्टर आकारों (informative cluster sizes), और बेसलाइन कोवेरियेट्स के एकीकरण को बिना लक्षित अनुमानों (target estimands) से समझौता किए, स्पष्ट रूप से ध्यान देने में विफल रहती हैं। सामान्यीकृत कारण प्रभावों के लिए सुव्यवस्थित क्षमता वाले पोटेंशियल आउटकम अनुमानों (potential outcome estimands) की कमी है, जो इन जटिलताओं को समायोजित कर सकें और इष्टतम दक्षता एवं मजबूती प्रदान कर सकें।

कार्यप्रणाली
लेखक बहु-परिणामों वाले CRTs में सामान्यीकृत उपचार प्रभावों के लिए एक एकीकृत पोटेंशियल आउटकम फ्रेमवर्क विकसित करते हैं, जो गैर-प्राथमिकता प्राप्त (non-prioritized) और प्राथमिकता प्राप्त (prioritized) दोनों सेटिंग्स को संबोधित करता है।

1. कारण अनुमान (Causal Estimands):
   लेखक लचीले, संभवतः गैर-रेखीय युग्म कंट्रास्ट फलनों (pairwise contrast functions), $w(\cdot, \cdot)$ पर आधारित दो पूरक अनुमानों को परिभाषित करते हैं, जो बहुभिन्नतक तुलनाओं को एक एकल संख्यात्मक मान में मैप करते हैं:

• क्लस्टर-पेयर जनरलाइज्ड कॉज़ल इफेक्ट (cp-GCE): $\lambda_{C,a}$, जो क्लस्टर के आकार की परवाह किए बिना प्रत्येक युग्म को समान भार देता है।
• इंडिविजुअल-पेयर जनरलाइज्ड कॉज़ल इफेक्ट (ip-GCE): $\lambda_{I,a}$, जो प्रत्येक व्यक्ति के युग्म को समान भार देता है, जिससे सूचनात्मक क्लस्टर आकारों का लेखा-जोखा रखा जा सके।
  ये अनुमान पारंपरिक औसत उपचार प्रभावों (average treatment effects) और संभाव्य सूचकांकों (probabilistic indices) का सामान्यीकरण करते हैं। इन्हें क्रॉस-क्लस्टर तुलनाओं के माध्यम से निर्मित किया गया है ताकि गैर-रेखीय फलनों के तहत क्लस्टर के भीतर के कंट्रास्ट के संबंध में कारण अनुमान की मौलिक समस्या से बचा जा सके।

2. नॉनपैरामेट्रिक अनुमान (Nonparametric Estimation):
   प्रारंभिक अनुमानकों को भारित क्लस्टर्ड टू-सैंपल U-सांख्यिकी (weighted clustered two-sample U-statistics) के रूप में प्राप्त किया गया है। ये अनुमानक सुसंगत (consistent) और एसिम्प्टोटिक रूप से सामान्य (asymptotically normal) हैं, जिनके वेरिएंस अनुमानक क्रॉस-फिटिंग के तहत सुसंगत सिद्ध हुए हैं।

3. एफिशिएंट इन्फ्लुएंस फंक्शन्स (EIFs) और मॉडल-रोबस्ट अनुमान:
   लेखक cp-GCE और ip-GCE के लिए EIFs को व्युत्पन्न करते हैं। ये EIFs मॉडल-रोबस्ट अनुमानों को प्रेरित करते हैं जो न्युसेंस फलनों (outcome means) के माध्यम से बेसलाइन कोवेरियेट्स को शामिल करते हैं। EIFs की नेमैन ऑर्थोगोनैलिटी (Neyman orthogonality) का लाभ उठाकर, ये अनुमानक तब भी सुसंगत और एसिम्प्टोटिक रूप से सामान्य रहते हैं जब वर्किंग न्युसेंस मॉडल गलत निर्दिष्ट (misspecified) हो। यदि न्युसेंस मॉडल सही ढंग से निर्दिष्ट है, तो ये अनुमानक सेमीपैरैमेट्रिक एफिशिएंसी लोअर बाउंड (semiparametric efficiency lower bound) प्राप्त करते हैं।

4. डिबायस्ड मशीन लर्निंग (DML):
   जटिल न्युसेंस फलनों को संभालने के लिए, यह शोध पत्र क्रॉस-फिटिंग का उपयोग करके DML अनुमानकों का प्रस्ताव देता है। न्युसेंस फलनों को लचीले, डेटा-अनुकूल मशीन लर्निंग तरीकों (जैसे, SuperLearner) का उपयोग करके अनुमानित किया जाता है। लेखक यह स्थापित करते हैं कि ये DML अनुमानक हल्के रेगुलैरिटी कंडीशंस (विशेष रूप से यह आवश्यकता कि न्युसेंस अनुमानक $m^{1/4}$ दर पर अभिसरित हो) के तहत सेमीपैरैमेट्रिक एफिशिएंसी प्राप्त करते हैं। महत्वपूर्ण रूप से, यह शोध पत्र एक क्लस्टर-स्प्लिटिंग योजना के तहत इन DML U-सांख्यिकी के लिए एक विश्लेषणात्मक वेरिएंस अनुमानक प्रदान करता है, जो यह सिद्ध करता है कि यह उन मजबूत डॉन्सर कंडीशंस (Donsker conditions) पर निर्भर किए बिना सुसंगत है जिनकी अक्सर बूटस्ट्रैप विधियों के लिए आवश्यकता होती है।

5. कंप्यूटेशनल दक्षता (Computational Efficiency):
   U-सांख्यिकी (जो $m^2$ के साथ स्केल करती है) के कम्प्यूटेशनल बोझ को दूर करने के लिए, लेखक सब-सैंपल्स का उपयोग करके अपूर्ण U-सांख्यिकी पर आधारित एक अनुमान प्रक्रिया प्रस्तावित करते हैं। वे प्रदर्शित करते हैं कि ये सब-सैंपल-आधारित अनुमानक पूर्ण-नमूना अनुमानकों के समान ही एसिम्प्टोटिक गुण (सुसंगतता और सामान्यता) बनाए रखते हैं, जिसमें नगण्य एसिम्प्टोटिक दक्षता हानि होती है।

प्रमुख परिणाम

• सैद्धांतिक गुण: प्रस्तावित अनुमानकों (नॉनपैरामेट्रिक, मॉडल-रोबस्ट, और DML) को सुसंगत और एसिम्प्टोटिक रूप से सामान्य दिखाया गया है। DML अनुमानक हल्के रेगुलैरिटी कंडीशंस के तहत सेमीपैरैमेट्रिक एफिशिएंसी बाउंड्स प्राप्त करने के लिए सिद्ध होते हैं।
• वेरिएंस अनुमान: DML दृष्टिकोण के लिए व्युत्पन्न विश्लेषणात्मक वेरिएंस अनुमानक क्रॉस-फिटिंग के तहत सुसंगत सिद्ध हुए हैं, जो नॉनपैरामेट्रिक बूटस्ट्रैपिंग के लिए एक कम्प्यूटेशनल रूप से कुशल विकल्प प्रदान करते हैं।
• सिमुलेशन अध्ययन: $m=30$ और $m=60$ क्लस्टरों के साथ व्यापक सिमुलेशन दर्शाते हैं कि:
  • प्रस्तावित अनुमानकों में बहुत कम या कोई पूर्वाग्रह (bias) नहीं है।
  • DML अनुमानक सबसे कुशल है, जो सूचनात्मक क्लस्टर आकारों या कोवेरियेट्स की अनदेखी करने वाले मौजूदा मॉडल-आधारित दृष्टिकोणों (जैसे, स्मिथ एट अल., 2025) की तुलना में बेहतर प्रदर्शन करता है।
  • वेरिएंस अनुमानक सुसंगत हैं, हालांकि छोटे नमूनों में कवरेज प्रोबेबिलिटी में सुधार के लिए परिमित-नमूना समायोजन (degrees-of-freedom correction) सहायक होते हैं।
• डेटा अनुप्रयोग: इन विधियों को क्रोनिक पेन के लिए कॉग्निटिव बिहेवियरल थेरेपी हस्तक्षेप का मूल्यांकन करने वाले एक CRT पर लागू किया गया है। प्राथमिकता प्राप्त और गैर-प्राथमिकता प्राप्त दोनों आउटकम सेटिंग्स में, DML अनुमानक ने विन रेशियो (win ratios) के लिए सबसे सटीक अनुमान प्रदान किया, जो लगातार सुझाव देता है कि हस्तक्षेप 'यूज़ुअल केयर' की तुलना में अधिक प्रभावी था। मॉडल-रोबस्ट अनुमानक कभी-कभी गैर-महत्वपूर्ण (non-significant) परिणाम देता है, जो परिमित नमूनों में मॉडल मिसस्पेसिफिकेशन की क्षमता को उजागर करता है, जबकि DML दृष्टिकोण मजबूती और सटीकता बनाए रखता है।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह बहु-परिणामों वाले CRTs में कारण अनुमान के लिए एक एकीकृत ढांचा प्रदान करता है जो सूचनात्मक क्लस्टर आकारों और विषम आउटकम प्रकारों को स्पष्ट रूप से संभालता है। इसके प्राथमिक योगदान हैं:

1. एकीकृत ढांचा: सामान्यीकृत कारण प्रभाव अनुमानों (cp-GCE और ip-GCE) को परिभाषित करना जो विभिन्न सारांश मापों (नेट बेनिफिट, विन रेशियो, विन ऑड्स) को एकीकृत करते हैं और प्राथमिकता प्राप्त एवं गैर-प्राथमिकता प्राप्त परिणामों को समायोजित करते हैं।
2. इष्टतम अनुमान: ऐसे अनुमानक विकसित करना जो सेमीपैरैमेट्रिक एफिशिएंसी प्राप्त करने के लिए डीबायस्ड मशीन लर्निंग को U-सांख्यिकी के साथ एकीकृत करते हैं और मॉडल मिसस्पेसिफिकेशन के प्रति रोबस्ट रहते हैं।
3. तकनीकी प्रगति: CRTs के लिए सेमीपैरैमेट्रिक एफिशिएंसी थ्योरी का कठोर उपचार प्रदान करना, जिसमें EIFs का व्युत्पन्न करना और क्रॉस-फिटेड DML U-सांख्यिकी के लिए सुसंगत विश्लेषणात्मक वेरिएंस अनुमानकों का निर्माण शामिल है, जो उन सीमाओं को पार करता है जहाँ पिछला साहित्य मजबूत डॉन्सर कंडीशंस या बूटस्ट्रैपिंग पर निर्भर था।
4. व्यावहारिक उपयोगिता: यह प्रदर्शित करना कि लचीली मशीन लर्निंग के माध्यम से बेसलाइन कोवेरियेट्स का लाभ उठाना जटिल, मल्टी-लेवल ट्रायल संरचनाओं में अनुमान सटीकता में महत्वपूर्ण सुधार करता है, जैसा कि डेटा अनुप्रयोग और सिमुलेशन अध्ययनों से स्पष्ट है।

लेखक इस कार्य को आधुनिक CRTs में अधिक मजबूत और कुशल कारण अनुमान की ओर एक कदम के रूप में देखते हैं, जो एकल-परिणाम, मॉडल-निर्भर विश्लेषणों से आगे बढ़कर उपचार प्रभावों के लचीले, डेटा-अनुकूल सारांशों की ओर बढ़ता है।