Estimating causal effects of functional treatments with modified functional treatment policies

तकनीकी सारांश: संशोधित कार्यात्मक उपचार नीति (MFTP) के साथ कार्यात्मक उपचारों के कारण प्रभावों का अनुमान लगाना

1. समस्या विवरण

पारंपरिक कारण अनुमान (causal inference) अक्सर स्केलर उपचारों (scalar treatments) से संबंधित होता है, लेकिन आधुनिक बायोमेडिकल अनुसंधान में तेजी से कार्यात्मक डेटा (functional data) का उपयोग किया जा रहा है (जैसे, निरंतर शारीरिक प्रक्षेपवक्र या मिनट-स्तर की शारीरिक गतिविधि)। जबकि मौजूदा साहित्य ने Causal Average Dose-Response Functional (ADRF) का अनुमान लगाने का प्रयास किया है, यह दृष्टिकोण दो प्रमुख दोषों से ग्रस्त है:

• मजबूत सकारात्मकता उल्लंघन (Strong Positivity Violations): ADRF के लिए यह आवश्यक है कि एक विशिष्ट उपचार प्रक्षेपवक्र $a(\cdot)$ जनसंख्या के प्रत्येक व्यक्ति के लिए व्यवहार्य हो। अनंत-आयामी स्थानों (infinite-dimensional spaces) में, यह अत्यधिक असंभावित है कि कोई भी एकल प्रक्षेपवक्र सभी विषयों के लिए लागू हो, जिससे यह अनुमानित (estimand) वैज्ञानिक रूप से अप्रासंगिक या अनिश्चित (unidentifiable) हो जाता है।
• खराब व्याख्यात्मकता (Poor Interpretability): ADRF स्वयं एक अनंत-आयामी कार्यात्मक है, जिससे इसे चिकित्सकों को समझाना या संक्षिप्त रूप में प्रस्तुत करना कठिन हो जाता है।

लेखक इन मुद्दों को संबोधित करने के लिए, "क्या होगा यदि हर कोई एक ही प्रक्षेपवक्र प्राप्त करे" पर ध्यान केंद्रित करने के बजाय, "क्या होगा यदि हर कोई अपने स्वयं के देखे गए प्रक्षेपवक्र में थोड़ा बदलाव करे" पर ध्यान केंद्रित करने का प्रयास करते हैं।

2. कार्यप्रणाली

यह शोध पत्र संशोधित कार्यात्मक उपचार नीति (Modified Functional Treatment Policy - MFTP) को प्रस्तुत करता है।

A. अनुमानित (The Estimand):
एक निश्चित $a(\cdot)$ के बजाय, MFTP एक उपचार संशोधन नीति $q(x, a(\cdot))$ के माध्यम से एक प्रति-तथ्यात्मक (counterfactual) परिदृश्य को परिभाषित करता है। यह फलन (function) व्यक्ति के सहचरों (covariates) $x$ और उनके देखे गए प्रक्षेपवक्र $a(\cdot)$ को लेता है और एक संशोधित प्रक्षेपवक्र $a_q(\cdot)$ उत्पन्न करता है। लक्षित अनुमानित है:
$$\mu_q = E[Y(q(X, A(\cdot)))]$$
यह "तर्कसंगत" हस्तक्षेपों की अनुमति देता है, जैसे कि प्रत्येक व्यक्ति के लिए रात की गतिविधि को 50% कम करना, न कि सभी को एक ही, संभावित रूप से असंभव गतिविधि प्रोफाइल में मजबूर करना।

B. अनंत-आयामीता पर विजय पाना:
एक मुख्य गणितीय चुनौती यह है कि कार्यात्मक चरों का घनत्व फलन (density function) नहीं होता है, जिससे मानक पुनरावृत्ति प्रत्याशा (iterative expectation) जो स्केलर MTPs में उपयोग की जाती है, अपरिभाषित हो जाती है। लेखक फंक्शनल प्रिंसिपल कंपोनेंट एनालिसिस (FPCA) का उपयोग करके कार्यात्मक चरों पर जनसंख्या औसत की एक नवीन परिभाषा प्रस्तावित करते हैं। वे औसत को पहले $K$ प्रिंसिपल कंपोनेंट्स पर प्रत्याशा के सीमा (limit) के रूप में परिभाषित करते हैं जब $K \to \infty$ होता है। वे सिद्ध करते हैं (लेम्मा 2 के माध्यम से) कि यह परिभाषा देखे गए परिणाम के मानक प्रत्याशा के अनुरूप है।

C. अनुमान ढांचा (Estimation Framework):
लेखक पहचाने गए MFTP के आधार पर तीन अनुमानक (estimators) व्युत्पन्न करते हैं:

1. आउटकम रिग्रेशन (OR) अनुमानक: संशोधित उपचार के तहत परिणामों की भविष्यवाणी करने के लिए एक मॉडल $\hat{m}(x, a(\cdot))$ का उपयोग करता है।
2. इनवर्स प्रोबेबिलिटी वेटिंग (IPW) अनुमानक: संशोधित उपचार बनाम देखे गए उपचार के प्रिंसिपल कंपोनेंट स्कोर्स के घनत्व अनुपात (density ratio) का उपयोग करता है।
3. डबली रोबस्ट (AIPW) ऑगमेंटेड अनुमानक: OR और IPW को जोड़ता है। इस अनुमानक का निर्माण सैंपल स्प्लिटिंग (sample splitting) का उपयोग करके किया गया है ताकि आसंपतिक सामान्यता (asymptotic normality) सुनिश्चित हो सके और ओवरफिटिंग से बचा जा सके।

3. प्रमुख योगदान

• नया कारण अनुमानित (New Causal Estimand): MFTP, ADRF का एक अधिक लचीला, व्याख्यात्मक और गणितीय रूप से व्यवहार्य विकल्प प्रदान करता है।
• गणितीय आधार: FPCA को कारण अनुमान सिद्धांत के साथ जोड़कर MFTPs की कारण पहचान क्षमता (causal identifiability) स्थापित की गई।
• मजबूत डबल रोबस्टनेस (Strong Double Robustness): उन्होंने सिद्ध किया कि ऑगमेंटेड अनुमानक root-$n$ स्थिरता (consistency) प्राप्त करता है, भले ही न्यूसेंस मॉडल (outcome regression और density ratio) धीमी दरों पर अनुमानित किए गए हों, बशर्ते उनकी संयुक्त अभिसरण दर (convergence rate) एक विशिष्ट थ्रेशोल्ड ($\alpha_m + \alpha_e \geq 1/2$) को पूरा करती हो।
• आयाम न्यूनीकरण (Dimension Reduction): उन्होंने प्रदर्शित किया कि अनंत-आयामी समस्या को परिमित-आयामी प्रिंसिपल कंपोनेंट स्कोर्स को वेटिंग देकर प्रभावी ढंग से संभाला जा सकता है।

4. परिणाम

• सिमुलेशन अध्ययन: लेखकों ने सत्यापित किया कि AIPW अनुमानक विभिन्न परिदृश्यों में, जिसमें मॉडल मिसस्पेसिफिकेशन भी शामिल है, root-$n$ अभिसरण और उच्च कवरेज दर बनाए रखता है। उन्होंने यह भी दिखाया कि प्रिंसिपल कंपोनेंट्स ($K$) की संख्या बढ़ाने से आमतौर पर MSE में सुधार होता है, विशेष रूप से वेटिंग अनुमानक के लिए।
• NHANES अनुप्रयोग: एक्सीलरोमीटर डेटा का उपयोग करते हुए, इस ढांचे को शारीरिक गतिविधि के कारण होने वाली मृत्यु दर (all-cause mortality) के प्रभाव का अनुमान लगाने के लिए लागू किया गया।
  • रात्रि गतिविधि: उन्होंने दिखाया कि "विघटनकारी" रात्रि गतिविधि (तीव्रता $< 10$ यूनिट) को कम करने से मृत्यु दर में कमी आती है।
  • कम-गतिविधि (सेडेंटरी) समय: उन्होंने प्रदर्शित किया कि मृत्यु दर पर लाभकारी प्रभाव डालने के लिए दिन के समय की "कम-गतिविधि" अवधि (सेडेंटरी अवधि को कम करने के लिए) के दौरान गतिविधि की तीव्रता बढ़ाना भी फायदेमंद है।

5. महत्व

यह कार्य कार्यात्मक कारण अनुमान (Functional Causal Inference) में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। ADRF की कठोर आवश्यकताओं से हटकर, लेखक एक ऐसा ढांचा प्रदान करते हैं जो गणितीय रूप से सटीक और वास्तविक दुनिया के अनुदैर्ध्य (longitudinal) और उच्च-आवृत्ति निगरानी डेटा के लिए व्यावहारिक है। यह शोधकर्ताओं को ऐसे "क्या-होगा-यदि" प्रश्न पूछने की अनुमति देता है जो नैदानिक रूप से प्रासंगिक हैं (जैसे, "क्या होगा यदि हम सेडेंटरी समय को कम करें?") और विविध जनसंख्या पर एक एकल सार्वभौमिक उपचार प्रक्षेपवक्र लागू करने की असंभवता को दरकिनार करते हैं।