📊 statistics

Estimating conditional Mann-Whitney effects using pseudo-observation-based regression

यह शोध पत्र ऑर्डिनल (क्रमिक) और राइट-सेंसर्ड (दायां-अवरुद्ध) परिणामों के लिए कंडीशनल मैन-व्हिटनी प्रभावों का अनुमान लगाने हेतु सूडो-ऑब्जर्वेशन का उपयोग करके एक डिस्ट्रीब्यूशन-फ्री रिग्रेशन फ्रेमवर्क प्रस्तुत करता है, जो सिमुलेशन और ब्रेस्ट कैंसर सर्वाइवल डेटा पर लागू किए गए अध्ययनों के माध्यम से प्रमाणित सुसंगत गुणांक अनुमान और बूटस्ट्रैप-आधारित परिकल्पना परीक्षण प्रदान करता है।

मूल लेखक: Dennis Dobler, Alina Schenk, Matthias Schmid

प्रकाशित 2026-04-02

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Dennis Dobler, Alina Schenk, Matthias Schmid

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

मुख्य चित्र: उपचारों की तुलना करने का एक नया तरीका

कल्पना कीजिए कि आप एक डॉक्टर हैं जो यह तय करने की कोशिश कर रहे हैं कि क्या एक नई दवा (उपचार A) पुराने मानक (उपचार B) से बेहतर है। पारंपरिक रूप से, सांख्यिकीविदों ने इसका उत्तर देने के लिए कॉक्स मॉडल (Cox model) जैसे उपकरणों का उपयोग किया है। कॉक्स मॉडल को एक बहुत ही सख्त रेफरी के रूप में समझें जो केवल तभी खेल को स्वीकार करता है जब खिलाड़ी एक विशिष्ट नियम का पालन करते हैं: "हैज़र्ड रेशियो" (hazard ratio) समय के साथ स्थिर रहना चाहिए। यदि खिलाड़ी खेल के बीच में अपनी गति या रणनीति बदलते हैं, तो यह रेफरी भ्रमित हो जाता है और गलत उत्तर दे सकता है।

इस शोध पत्र के लेखकों, डेनिस डोब्लर, अलीना शेन्क और मैथियास श्मिड ने एक नया रेफरी बनाने की इच्छा जताई जिसे उन सख्त नियमों की परवाह न हो। उन्होंने मैन-व्हिटनी प्रभाव (Mann-Whitney effect) नामक चीज़ पर आधारित एक विधि बनाई।

मूल अवधारणा: "कौन जीतता है?" की संभावना

यह पूछने के बजाय कि "उपचार A आपको कितनी तेज़ी से ठीक करता है?", वे एक सरल, अधिक सहज प्रश्न पूछते हैं:

"यदि मैं उपचार A समूह से एक यादृच्छिक (random) रोगी और उपचार B समूह से एक यादृच्छिक रोगी चुनूँ, तो क्या संभावना है कि उपचार A वाला रोगी अधिक समय तक जीवित रहेगा?"

यदि उत्तर 50% है, तो उपचार समान हैं।
यदि उत्तर 60% है, तो उपचार A आम तौर पर बेहतर है।
यदि उत्तर 40% है, तो उपचार B आम तौर पर बेहतर है।

यही मैन-व्हิตनी प्रभाव है। यह एक "सापेक्ष प्रभाव" (relative effect) है। यह समझने में आसान है क्योंकि यह केवल एक संभावना है, जैसे सिक्का उछालना।

समस्या: रोगियों के अंतर के बारे में क्या?

वास्तविक जीवन में, रोगी एक जैसे नहीं होते। कुछ युवा हैं, कुछ वृद्ध; कुछ में हल्के ट्यूमर हैं, कुछ में आक्रामक ट्यूमर।

पुराना तरीका: आप सभी के लिए "औसत" संभावना की गणना करने का प्रयास कर सकते हैं। लेकिन यह सच्चाई को छिपा देता है। हो सकता है कि उपचार A युवाओं के लिए अद्भुत हो लेकिन वृद्धों के लिए बहुत बुरा हो। एक औसत इसे पूरी तरह से मिस कर देगा।
नया लक्ष्य: लेखक यह कहने का एक तरीका बनाना चाहते थे कि: "50 वर्ष के व्यक्ति के लिए, जिसमें एक विशिष्ट प्रकार का ट्यूमर है, उपचार A पर बेहतर करने की क्या संभावना है?"

वे एक रिग्रेशन मॉडल (regression model) (एक गणितीय सूत्र) बनाना चाहते थे जो रोगी के विवरण (covariates) लेता है और उस "कौन जीतता है?" वाली संभावना की भविष्यवाणी करता है।

समाधान: "स्यूडो-ऑब्जर्वेशन" (Pseudo-Observation) का कमाल

यहाँ पेचीदा हिस्सा है: आप किसी एक व्यक्ति के लिए "कौन जीतता है?" की संभावना को आसानी से नहीं निकाल सकते क्योंकि इसके लिए बाकी सभी के साथ तुलना करने की आवश्यकता होती है। यह अपनी खुद की स्टॉपवॉच देखकर अपनी औसत गति की गणना करने जैसा है; आपको यह जानने के लिए कि आप तेज़ थे या नहीं, यह भी जानना होगा कि बाकी सब ने कैसे दौड़ा।

इसे हल करने के लिए, लेखकों ने स्यूडो-ऑब्जर्वेशन (Pseudo-Observations) नामक एक चतुर सांख्यिकीय ट्रिक का उपयोग किया।

उपमा: "अगर मैं यहाँ न होता?" का खेल
कल्पना कीजिए कि आप 100 लोगों के कमरे में हैं। आप यह जानना चाहते हैं कि आपकी उपस्थिति कमरे की औसत ऊंचाई को कैसे प्रभावित करती है।

आप पूरे कमरे की औसत ऊंचाई की गणना करते हैं।
फिर, आप कल्पना करते हैं कि आप वहाँ नहीं हैं। आप शेष 99 लोगों की औसत ऊंचाई की गणना करते हैं।
आप दोनों संख्याओं की तुलना करते हैं। अंतर आपको बताता है कि आपने औसत में कितना योगदान दिया।

लेखक अध्ययन के प्रत्येक रोगी के लिए ऐसा ही करते हैं। वे पूरे समूह के लिए "कौन जीतता है?" की संभावना की गणना करते हैं, फिर एक रोगी को हटा देते हैं, पुन: गणना करते हैं, और देखते हैं कि उस एक रोगी ने परिणाम को कितना बदल दिया। इससे प्रत्येक रोगी के लिए एक "स्यूडो-ऑब्जर्वेशन" बन जाता है—एक संख्या जो उपचार प्रभाव में उनके विशिष्ट योगदान का प्रतिनिधित्व करती है।

एक बार जब उनके पास सभी के लिए ये संख्याएँ आ जाती हैं, तो वे देख सकते हैं कि आयु, ट्यूमर का आकार या लिंग, जीतने की संभावना को कैसे बदलता है।

"जैकनीफ" (Jackknife) और "बूटस्ट्रैप" (Bootstrap) उपकरण

यह सुनिश्चित करने के लिए कि उनका नया रेफरी सटीक है, उन्होंने दो सांख्यिकीय उपकरणों का उपयोग किया:

जैकनीफ (The Jackknife): यह ऊपर वर्णित "अगर मैं यहाँ न होता?" वाला तरीका है। यह उन्हें अपनी गणनाओं की अनिश्चितता का अनुमान लगाने में मदद करता है।
बूटस्ट्रैप (The Bootstrap): कल्पना कीजिए कि आप कंचों (डेटा) का एक थैला ले रहे हैं, एक बाहर निकालते हैं, उसे लिखते हैं, उसे वापस रखते हैं, और 1,000 बार ऐसा करने से 1,000 नए "नकली" थैले बन जाते हैं। यह देखकर कि इन 1,000 नकली थैलों में परिणाम कैसे बदलते हैं, वे इस बात को लेकर बहुत आश्वस्त हो सकते हैं कि उनके वास्तविक परिणाम कितने सटीक हैं।

परीक्षण के लिए परखना: SUCCESS-A ट्रायल

लेखकों ने अपने नए तरीके का परीक्षण स्तन कैंसर के एक विशाल अध्ययन SUCCESS-A के वास्तविक डेटा पर किया।

पुराना दृष्टिकोण: मूल अध्ययन ने सख्त कॉक्स मॉडल का उपयोग किया और पाया कि नई दवा (जेमिसिटाबाइन/gemcitabine) और मानक दवा के बीच कोई समग्र अंतर नहीं था।
नया दृष्टिकोण: अपने लचीले "कौन जीतता है?" मॉडल का उपयोग करके, उन्होंने पाया कि उत्तर यह नहीं था कि "कोई अंतर नहीं है।" इसके बजाय, अंतर रोगी पर निर्भर करता था!
- आक्रामक, उन्नत ट्यूमर वाले रोगियों के लिए, नई दवा काफी बेहतर थी।
- कम आक्रामक ट्यूमर वाले रोगियों के लिए, मानक दवा वास्तव में थोड़ी बेहतर थी।

पुराने मॉडल ने इन दोनों समूहों को एक साथ औसत कर दिया और एक सपाट रेखा देखी (कोई प्रभाव नहीं)। नए मॉडल ने पहाड़ियों और घाटियों को देखा, जिससे यह पहचान हुआ कि किन रोगियों को लाभ होगा।

यह क्यों मायने रखता है

कोई सख्त नियम नहीं: पुराने तरीकों के विपरीत, इस नए दृष्टिकोण के लिए "हैज़र्ड रेशियो" को स्थिर रखने की आवश्यकता नहीं है। यह तब भी काम करता है जब उपचार का प्रभाव समय के साथ बदलता है।
समझने में आसान: भ्रमित करने वाले नंबरों जैसे "हैज़र्ड रेशियो" के बजाय, डॉक्टरों को संभावनाएँ मिलती हैं (जैसे, "इस बात की 65% संभावना है कि यह रोगी दवा A पर बेहतर करेगा")।
व्यक्तिगत चिकित्सा (Personalized Medicine): यह उपसमूहों (subgroups) की पहचान करने में मदद करता है। यह हमें बताता है कि "एक ही आकार सबके लिए उपयुक्त" (one-size-fits-all) वाला दृष्टिकोण गलत हो सकता है, और हमें रोगियों का इलाज उनकी विशिष्ट विशेषताओं के आधार पर करने की आवश्यकता है।

सारांश

लेखकों ने एक नया सांख्यिकीय उपकरण बनाया है जो एक लचीले, नियम तोड़ने वाले रेफरी की तरह काम करता है। यह पूछने के बजाय कि "उपचार कितना तेज़ है?", यह पूछता है कि "इस रोगी के जीतने की क्या संभावना है?" एक चतुर "अगर मैं यहाँ न होता?" ट्रिक (स्यूडो-ऑब्जर्वेशन) का उपयोग करके, वे विशिष्ट प्रकार के रोगियों के लिए इन संभावनाओं की भविष्यवाणी कर सकते हैं। जब उन्होंने स्तन कैंसर के डेटा पर इसे लागू किया, तो उन्होंने पाया कि एक दवा जिसे अप्रभावी माना जाता था, वास्तव में रोगियों के एक विशिष्ट समूह के लिए जीवन रक्षक थी—एक ऐसी सूक्ष्मता जिसे पुराने तरीकों ने पूरी तरह से मिस कर दिया था।

यहाँ डोबलर, शेन्क और श्मिड के शोध पत्र "Estimating conditional Mann-Whitney effects using pseudo-observation-based regression" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र मैन-व्हिटनी प्रभाव (जिसे सापेक्ष उपचार प्रभाव या संभावabilistic इंडेक्स भी कहा जाता है) के विश्लेषण की चुनौती को संबोधित करता है, जिसे $\theta = P(T_1 > T_2)$ के रूप में परिभाषित किया गया है, जहाँ $T_1$ और $T_2$ दो स्वतंत्र समूहों से घटना के समय (event times) हैं। जबकि अनकंडीशनल मैन-व्हिटनी प्रभाव दो-नमूनों (two-sample) की तुलना के लिए एक मानक गैर-पैरामीट्रिक माप है, मौजूदा विधियों में अक्सर निम्नलिखित क्षमताओं का अभाव होता है:

कोवेरिएट्स के लिए समायोजन (Adjust for covariates): रोगी-विशिष्ट विशेषताओं ( $Z$ ) को शामिल करना ताकि एक कंडीशनल प्रभाव $\theta(z_1, z_2) = P(T_1 > T_2 | Z_1=z_1, Z_2=z_2)$ का अनुमान लगाया जा सके।
सेंसर्ड डेटा को संभालना (Handle censored data): प्रतिबंधात्मक पैरामीट्रिक धारणाओं (जैसे प्रोपोर्शनल हैजार्ड्स) पर निर्भर रहे बिना, रैंडमली राइट-सेंसर्ड (right-censored) टाइम-टू-इवेंट डेटा को मजबूती से प्रबंधित करना।
व्याख्यात्मकता (Interpretability): लॉग-हैजार्ड स्केल के बजाय प्रोबेबिलिटी स्केल पर परिणाम प्रदान करना, जो नैदानिक रूप से व्याख्या करने में अक्सर कठिन होता है।

लेखक एक डिस्ट्रीब्यूशन-फ्री रिग्रेशन फ्रेमवर्क विकसित करने का लक्ष्य रखते हैं जो मैन-व्हिटनी प्रभाव को कोवेरिएट्स के एक रैखिक संयोजन (linear combination) से जोड़ता है, जो पूर्णतः प्रेक्षित (fully observed) और राइट-सेंसर्ड दोनों प्रकार के डेटा पर लागू होता है।

2. कार्यप्रणाली (Methodology)

प्रस्तावित दृष्टिकोण स्यूडो-ऑब्जर्वेशन (pseudo-observations) को जनरलाइज्ड एस्टिमेटिंग इक्वेशंस (GEE) के साथ जोड़ता है।

A. मॉडल (The Model)

लेखक कंडीशनल मैन-व्हिटनी प्रभाव के लिए एक रिग्रेशन मॉडल को परिभाषित करते हैं:
$\theta(z_1, z_2) = \mu(\beta_0 + \beta_1^\top z_1 + \beta_2^\top z_2)$
जहाँ:

$\mu(\cdot)$ एक स्ट्रिक्टली मोनोटोन इनवर्स लिंक फंक्शन है (जैसे आइडेंटिटी या लॉजिस्टिक)।
$\beta$ पैरामीटर वेक्टर है।
$z_1$ और $z_2$ क्रमशः समूह 1 और समूह 2 के व्यक्तियों के कोवेरिएट वेक्टर हैं।
मॉडल प्रत्येक समूह में कोवेरिएट्स के अलग-अलग सेटों की अनुमति देता है, हालांकि विशेष मामला $z_1 = z_2 = z$ मानक धारणाओं के तहत कॉज़ल इन्फरेंस (causal inference) व्याख्या की अनुमति देता है।

B. स्यूडो-ऑब्जर्वेशन निर्माण (Pseudo-Observation Construction)

मॉडल को फिट करने के लिए, लेखक टू-सैंपल जैकनीफ (two-sample jackknife) तकनीक को अनुकूलित करते हैं ताकि स्यूडो-ऑब्जर्वेशन ( $\tilde{\theta}_{i_1 i_2}$ ) उत्पन्न किए जा सकें।

पूर्णतः प्रेक्षित मामला (Fully Observable Case): समूह 1 से $i_1$ -वें अवलोकन और समूह 2 से $i_2$ -वें अवलोकन को हटाकर, एस्टिमेटर की पुनर्गणना करके और इन लीव-वन-आउट अनुमानों को मिलाकर $(i_1, i_2)$ के लिए स्यूडो-ऑब्जर्वेशन प्राप्त किया जाता है। अनसेंसर्ड मामले में, यह इंडिकेटर फंक्शन $1\{T_{1i_1} > T_{2i_2}\}$ के रूप में सरल हो जाता है।
सेंसर्ड मामला (Censored Case): मानक एस्टिमेटर $\hat{\theta}$ को कपलान-मेयर सर्वाइवल एस्टिमेटर्स ( $\hat{S}_1, \hat{S}_2$ ) से जुड़े एक इंटीग्रल द्वारा प्रतिस्थापित किया जाता है। स्यूडो-ऑब्जर्वेशन को सेंसर्ड डेटा से प्राप्त कपलान-मेयर एस्टिमेटर्स पर आधारित उसी जैकनीफ लॉजिक का उपयोग करके बनाया जाता है।
टाई करेक्शन (Tie Correction): टाइड इवेंट टाइम्स (tied event times) के लिए एक निरंतरता सुधार (continuity correction) लागू किया जाता है, जो प्रोबेबिलिटी एस्टिमेट में $0.5 \cdot P(T_1 = T_2)$ जोड़ता है।

C. पैरामीटर एस्टीमेशन (Parameter Estimation)

रिग्रेशन पैरामीटर्स $\beta$ को एक जनरलाइज्ड एस्टिमेटिंग इक्वेशन (GEE) को हल करके अनुमानित किया जाता है:
$U(\beta) = \sum_{i_1} \sum_{i_2} A_{i_1 i_2} (\tilde{\theta}_{i_1 i_2} - \mu_{i_1 i_2}) = 0$
जहाँ $A_{i_1 i_2}$ बीटा के सापेक्ष लिंक फंक्शन का डेरिवेटिव है, और $\mu_{i_1 i_2}$ मॉडल-प्रेडिक्टेड वैल्यू है।

D. एसिम्प्टोटिक थ्योरी और इन्फरेंस (Asymptotic Theory and Inference)

कंसिस्टेंसी और नॉर्मलिटी (Consistency and Normality): लेखक एक सेंट्रल लिमिट थ्योरम (CLT) सिद्ध करते हैं जो यह दर्शाता है कि एस्टिमेटर $\hat{\beta}$ सुसंगत (consistent) और एसिम्प्टोटिकली नॉर्मल है, भले ही राइट-सेंसोरिंग मौजूद हो।
हाइपोथेसिस टेस्टिंग: चूंकि एसिम्प्टोटिक वेरिएंस स्ट्रक्चर जटिल है, इसलिए लेखक कोवेरिएट प्रभावों की सार्थकता का अनुमान लगाने के लिए बूटस्ट्रैप-आधारित हाइपोथेसिस टेस्ट (विशेष रूप से दक्षता के लिए वार्प-स्पीड बूटस्ट्रैप का उपयोग करके) का प्रस्ताव करते हैं। चार टेस्ट स्टैटिस्टिक्स का मूल्यांकन किया गया है:
1. एम्पेरिकल स्टैंडर्ड डेविएशन।
2. इंटर-क्वार्टाइल रेंज (IQR)।
3. मीडियन एब्सोल्यूट डेविएशन (MAD)।
4. पर्सेंटाइल मेथड।

3. मुख्य योगदान (Key Contributions)

नया रिग्रेशन फ्रेमवर्क: यह पहला शोध पत्र है जो मैन-व्हिटनी प्रभाव के लिए एक रिग्रेशन मॉडल प्रस्तावित करता है जो रैंडमली राइट-सेंसर्ड और टाइड डेटा को डिस्ट्रीब्यूशन-फ्री दृष्टिकोण का उपयोग करके संभालता है।
स्यूडो-ऑब्जर्वेशन विस्तार: यह एक-नमूने (one-sample) समस्याओं से दो-नमूने (two-sample) सेटिंग तक जैकनीफ स्यूडो-ऑब्जर्वेशन पद्धति का विस्तार करता है, जो एस्टिमेटर के एसिम्प्टोटिक गुणों के लिए एक कठोर सैद्धांतिक आधार प्रदान करता है।
लचीला कोवेरिएट हैंडलिंग: मॉडल दोनों समूहों में कोवेरिएट के विभिन्न सेटों की अनुमति देता है, जिससे यह अलग-अलग स्रोतों (जैसे ऐतिहासिक नियंत्रण बनाम नए परीक्षण) के डेटा की तुलना करने के लिए उपयुक्त हो जाता है।
व्याख्यात्मकता: कॉक्स मॉडल के विपरीत, जो लॉग-हैजार्ड रेश्यो का अनुमान लगाते हैं, यह विधि प्रोबेबिलिटी स्केल ( $P(T_1 > T_2)$ ) पर प्रभाव का अनुमान लगाती है, जो सीधे नैदानिक व्याख्या प्रदान करती है।
कॉज़ल इंटरप्रिटेशन: उस विशेष मामले में जहाँ कोवेरिएट्स समान ( $z_1=z_2$ ) हैं, मॉडल उपचार लाभ की संभावना के लिए एक कॉज़ल एस्टिमेंड (causal estimand) को स्पष्ट रूप से परिभाषित करता है।

4. परिणाम (Results)

सिमुलेशन अध्ययन (Simulation Study)

सेटअप: वेबुल-डिस्ट्रीब्यूटेड (Weibull-distributed) इवेंट टाइम्स के साथ व्यापक सिमुलेशन किए गए, जिसमें सैंपल साइज, सेंसिंग अनुपात (75% तक), और कोवेरिएट डाइमेंशन को बदला गया।
टाइप-I एरर: एम्पेरिकल स्टैंडर्ड डेविएशन और एम्पेरिकल क्वांटाइल्स पर आधारित बूटस्ट्रैप टेस्ट ने उच्च सेंसिंग के तहत भी टाइप-I एरर रेट को अच्छी तरह से नियंत्रित किया (नाममात्र 5% के करीब)। IQR और MAD पर आधारित टेस्ट थोड़े उदार (liberal) पाए गए।
पावर (Power): प्रस्तावित टेस्टों ने संतोषजनक पावर प्रदर्शित की, जो कॉक्स रिग्रेशन मॉडल के z-टेस्ट के तुलनीय थी, बशर्ते सेंसिंग 50% से अधिक न हो।
कॉक्स के साथ तुलना: कॉक्स मॉडल का z-टेस्ट छोटे नमूनों में अक्सर बहुत उदार (liberal) था। प्रस्तावित विधि बिना प्रोपोर्शनल हैजार्ड्स की धारणा रखे एक मजबूत विकल्प प्रदान करती है।

वास्तविक डेटा अनुप्रयोग (SUCCESS-A ट्रायल)

इस पद्धति को डिजीज-फ्री सर्वाइवल (DFS) के विश्लेषण के लिए ब्रेस्ट कैंसर ट्रायल SUCCESS-A (3,754 रोगी) पर लागू किया गया।

निष्कर्ष: जबकि मूल विश्लेषण ने कोई समग्र उपचार लाभ नहीं पाया, प्रस्तावित रिग्रेशन ने उपचार प्रभावों में महत्वपूर्ण विषमता (heterogeneity) की पहचान की:
- हस्तक्षेप (Gemcitabine) से लाभ: उन्नत ट्यूमर स्टेज (pT2–pT4), खराब डिफरेंशिएशन (G3), और ट्रिपल-नेगेटिव मॉलिक्यूलर सबटाइप वाले रोगियों में हस्तक्षेप से लाभ की उच्च संभावना देखी गई।
- कंट्रोल से लाभ: शुरुआती चरण के ट्यूमर, हार्मोन रिसेप्टर-पॉजिटिव (ER+/PR+) स्थिति, और अप्रभावित लिम्फ नोड्स वाले रोगियों में केवल मानक कीमोथेरेपी से लाभ की उच्च संभावना देखी गई।
कॉक्स के साथ तुलना: प्रस्तावित मॉडल ने कुछ कोवेरिएट्स (जैसे ट्यूमर स्टेज) के लिए कॉक्स मॉडल की तुलना में अलग दिशा के प्रभाव की पहचान की। लेखक इसका कारण अलग-अलग एस्टिमेंड्स को बताते हैं: प्रस्तावित मॉडल एक सीमित समय क्षितिज ( $\tau = 5.5$ वर्ष) पर ट्रंकेटेड (truncated) प्रभाव का उपयोग करता है, जबकि कॉक्स मॉडल प्रोपोर्शनल हैजार्ड्स मानते हुए एक अनट्रंकेटेड प्रभाव का अनुमान लगाता है।
नैदानिक उपयोगिता: मॉडल ने सफलतापूर्वक व्यक्तिगत रोगियों को "इंटरवेंशन-बेनिफिट" और "कंट्रोल-बेनिफिट" समूहों में वर्गीकृत किया, जो व्यक्तिगत उपचार निर्णयों के लिए इसकी क्षमता को दर्शाता है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र टाइम-टू-इवेंट डेटा के विश्लेषण के लिए कॉक्स प्रोपोर्शनल हैजार्ड्स मॉडल का एक शक्तिशाली, डिस्ट्रीब्यूशन-फ्री विकल्प प्रदान करता है। इसका महत्व निम्नलिखित में निहित है:

धारणाओं को कम करना: यह प्रोपोर्शनल हैजार्ड्स की आवश्यकता को समाप्त करता है, जिसका अक्सर क्लिनिकल ट्रायल्स में उल्लंघन होता है।
प्रत्यक्ष प्रोबेबिलिटी व्याख्या: यह जटिल सर्वाइवल डेटा को सहज प्रोबेबिलिटी ( $P(T_1 > T_2)$ ) में अनुवादित करता है, जिससे चिकित्सकों और रोगियों के साथ बेहतर संचार की सुविधा मिलती है।
सबग्रुप विश्लेषण: यह प्रेडिक्टिव कोवेरिएट्स और उन रोगी उपसमूहों की पहचान करने के लिए एक एकीकृत ढांचा प्रदान करता है जिन्हें विशिष्ट उपचारों से सबसे अधिक लाभ होता है, जो ऑन्कोलॉजी में प्रिसिजन मेडिसिन की बढ़ती आवश्यकता को संबोधित करता है।
मजबूती (Robustness): यह विधि उच्च दर वाली सेंसिंग और टाइड इवेंट टाइम्स के साथ भी वैध रहती है, जो वास्तविक दुनिया के क्लिनिकल डेटा में सामान्य समस्याएं हैं।

लेखक निष्कर्ष निकालते हैं कि मैन-व्हिटनी प्रभाव के लिए स्यूडो-ऑब्जर्वेशन-आधारित रिग्रेशन आधुनिक सर्वाइवल एनालिसिस के लिए एक मजबूत, लचीला और व्याख्यात्मक उपकरण है, विशेष रूप से जब लक्ष्य उपचार की श्रेष्ठता की कंडीशनल प्रोबेबिलिटी का अनुमान लगाना हो।