📊 statistics

Modeling Heterogeneous Mediation Effects in Survival Analysis via an Interpretable M-Learner Framework

यह शोध पत्र एम-सर्वाइवल लर्नर (M-survival learner) का प्रस्ताव करता है, जो सेंसर डेटा (censored survival data) में विषम मध्यस्थता प्रभावों (heterogeneous mediation effects) का अनुमान लगाने के लिए एक नवीन और व्याख्यात्मक ढांचा है, जिसमें विषमता को अलग करने के लिए एक नया सांख्यिकीय मानदंड शामिल है और इसे नियामक अनुमोदन के लिए सरोगेट एंडपॉइंट्स के मूल्यांकन का समर्थन करने हेतु सैद्धांतिक गारंटियों, सिमुलेशन और एक वास्तविक एचआईवी (HIV) नैदानिक परीक्षण के माध्यम से मान्य किया गया है।

मूल लेखक: Xingyu Li, Qing Liu, Xun Jiang, Hong Amy Xia, Brian P. Hobbs, Peng Wei

प्रकाशित 2026-03-17

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xingyu Li, Qing Liu, Xun Jiang, Hong Amy Xia, Brian P. Hobbs, Peng Wei

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: क्यों "एक ही नियम सबके लिए" चिकित्सा में विफल होता है

कल्पना कीजिए कि आप एक डॉक्टर हैं जो यह तय करने की कोशिश कर रहे हैं कि क्या एक नई दवा काम करती है। आमतौर पर, आपको यह देखने के लिए वर्षों इंतजार करना पड़ता है कि क्या मरीज लंबे समय तक जीवित रहे (यह "फाइनल एग्जाम" है)। लेकिन उस लंबे इंतजार के लिए समय बहुत कम है, खासकर गंभीर बीमारियों के लिए।

इसलिए, नियामक (जैसे FDA) दवा कंपनियों को सरोगेट एंडपॉइंट्स (Surrogate Endpoints) का उपयोग करने की अनुमति देते हैं। इन्हें "मिड-टर्म एग्जाम" के रूप में सोचें।

द फाइनल एग्जाम: ओवरऑल सर्वाइवल (क्या मरीज जीवित रहा?)।
द मिड-टर्म एग्जाम: एक बायोमार्कर, जैसे ट्यूमर का सिकुड़ना या किसी विशिष्ट रक्त गणना (blood count) का बढ़ना।

समस्या क्या है? सभी छात्र एक ही तरह से नहीं सीखते।
कभी-कभी, एक दवा "मिड-टर्म एग्जाम" के स्कोर को बढ़ा देती है (ट्यूमर सिकुड़ जाता है), लेकिन मरीज फिर भी लंबे समय तक जीवित नहीं रहता। दूसरी ओर, कभी-कभी स्कोर बढ़ता है, और मरीज वास्तव में लंबे समय तक जीवित रहता है।

दशकों से, वैज्ञानिकों ने इस संबंध को एक वैश्विक नियम माना है: "यदि ट्यूमर सिकुड़ता है, तो मरीज जीवित रहेगा।" लेकिन यह पेपर तर्क देता है कि यह कहने जैसा है कि, "यदि आप कड़ी मेहनत करेंगे, तो आपको 'A' ग्रेड मिलेगा।" यह कुछ छात्रों के लिए सच है, लेकिन शायद उन अन्य छात्रों के लिए नहीं जिनके सीखने के तरीके या पृष्ठभूमि अलग हैं।

यह पेपर एक नया टूल पेश करता है जिसे M-Survival Learner कहा जाता है, ताकि यह पता लगाया जा सके कि किन विशिष्ट मरीजों को "मिड-टर्म एग्जाम" से लाभ मिलता है और किन्हें नहीं।

मूल समस्या: "गेफ्टिनिब" (Geftinib) का रहस्य

लेखक एक वास्तविक उदाहरण का उपयोग करके समझाते हैं कि यह क्यों महत्वपूर्ण है।

दवा: गेफ्टिनब (Geftinib - एक फेफड़ों के कैंसर की दवा)।
मिड-टर्म एग्जाम: ट्यूमर का सिकुड़ना।
परिणाम: शुरू में, दवा बहुत अच्छी लगी क्योंकि कई मरीजों में ट्यूमर सिकुड़ा। इसे फास्ट-ट्रैक अप्रूवल मिल गया।
क्रैश (विफलता): बाद में, जब उन्होंने यह जांचा कि क्या मरीज वास्तव में लंबे समय तक जीवित रहे, तो सामान्य आबादी के लिए जवाब मिला: "नहीं"।
ट्विस्ट: जब उन्होंने बारीकी से देखा, तो पाया कि मरीजों के एक विशिष्ट सबग्रुप (जिनमें एक विशिष्ट जेनेटिक म्यूटेशन था) के लिए, यह दवा चमत्कारिक रूप से काम कर रही थी। बाकी सभी के लिए, ट्यूमर का सिकुड़ना उन्हें लंबे समय तक जीवित रहने में मदद नहीं कर रहा था।

सबक: "मिड-टर्म एग्जाम" (ट्यूमर का सिकुड़ना) कुछ लोगों के लिए एक वैध भविष्यवक्ता था, लेकिन दूसरों के लिए यह एक नकली भविष्यवक्ता था। हमें उन विशिष्ट समूहों को खोजने का एक तरीका चाहिए।

समाधान: "M-Survival Learner"

लेखकों ने इस समस्या को हल करने के लिए एक स्मार्ट कंप्यूटर सिस्टम (मशीन लर्निंग का उपयोग करके) बनाया है। यह कैसे काम करता है, यहाँ चरण-दर-चरण दिया गया है:

1. जासूसी कार्य (मेडिएशन एनालिसिस)

एक अपराध स्थल की कल्पना करें।

अपराधी: बीमारी।
नायक (Hero): दवा।
गवाह (Witness): सरोगेट (जैसे HIV में CD4 काउंट, या ट्यूमर का आकार)।

प्रश्न यह है: क्या नायक ने गवाह के माध्यम से अपराधी को हराया?

पथ A: दवा $\rightarrow$ ट्यूमर को सिकोड़ती है $\rightarrow$ मरीज जीवित रहता है। (अच्छा! सरोगेट वैध है)।
पथ B: दवा $\rightarrow$ मरीज जीवित रहता है (लेकिन ट्यूमर नहीं सिकुड़ा)। (यहाँ सरोगेट बेकार है)।
पथ C: दवा $\rightarrow$ ट्यूमर को सिकोड़ती है $\rightarrow$ फिर भी मरीज मर जाता है। (यहाँ सरोगेट भ्रामक है)।

"M-Learner" यह गणना करता है कि दवा की सफलता का कितना हिस्सा हर एक मरीज के लिए "गवाह" के माध्यम से वास्तव में गुजर रहा है।

2. सॉर्टिंग हैट (क्लस्टरिंग)

एक बार जब कंप्यूटर यह गणना कर लेता है, तो उसके पास नंबरों की एक अव्यवस्थित सूची होती है। कुछ मरीजों के लिए सरोगेट और उत्तरजीविता (survival) के बीच एक मजबूत संबंध है; अन्य के लिए यह कमजोर है।

लेखक इस जटिल डेटा को 2D मैप में बदलने के लिए t-SNE (इसे एक "जादुई मानचित्र निर्माता" समझें) नामक तकनीक का उपयोग करते हैं। इस मानचित्र पर, समान "सरोगेट कहानियों" वाले मरीज स्वाभाविक रूप से एक साथ क्लस्टर बनाते हैं, जैसे एक ही तरह के पक्षी झुंड में रहते हैं।

फिर, वे इन मरीजों को अलग-अलग उपसमूहों में समूहबद्ध करने के लिए K-Means clustering (कपड़े धोने के कपड़ों को ढेरों में छांटने जैसा) का उपयोग करते हैं।

3. अनुवादक (व्याख्या योग्य प्रोफाइलिंग)

एक कंप्यूटर क्लस्टर तब तक बेकार है जब तक कि एक डॉक्टर उसे समझ न सके। "क्लस्टर 4" का इंसान के लिए कोई अर्थ नहीं है।

इसलिए, लेखक क्लस्टर्स को सरल नियमों में अनुवाद करने के लिए डिसीजन ट्री (Decision Trees) (एक "चुनें अपने साहसिक कार्य" वाली किताब की तरह) का उपयोग करते हैं।

यह कहने के बजाय कि: "क्लस्टर 1 का NIECC स्कोर उच्च है।"
वे कहते हैं: "यदि आपका बेसलाइन CD4 काउंट कम है और आपने पहले कभी HIV की दवाएं नहीं ली हैं, तो यह दवा CD4 काउंट के माध्यम से बहुत अच्छा काम करती है।"

यह परिणाम को डॉक्टरों के लिए व्याख्या योग्य (interpretable) और कार्रवाई योग्य बनाता है।

वास्तविक दुनिया का परीक्षण: HIV ट्रायल

लेखकों ने अपने टूल का परीक्षण एक प्रसिद्ध HIV ट्रायल (ACTG 175) पर किया।

सरोगेट: 20 हफ्तों पर CD4 सेल काउंट (इम्यून स्ट्रेंथ का एक माप)।
परिणाम: क्या मरीज जीवित रहा या उसे एड्स (AIDS) हुआ?

उन्होंने क्या पाया:

ग्रुप A (कम CD4, दवाओं के लिए नए): दवा पूरी तरह से काम कर रही थी। CD4 कोशिकाओं में वृद्धि वास्तव में एक संकेत था कि मरीज लंबे समय तक जीवित रहेगा। सरोगेट वैध था।
ग्रुप B (उच्च CD4, दवाओं के लिए नए): दवा ने वास्तव में उन्हें CD4 काउंट के माध्यम से लंबे समय तक जीवित रहने में मदद नहीं की। सरोगेट भ्रामक था।
ग्रुप C (उच्च CD4, पिछली दवाएं ली हुई): दवा ने मदद की, लेकिन इसका प्रभाव देरी से हुआ। CD4 काउंट एक वैध संकेत था, लेकिन आपको लाभ देखने के लिए इंतजार करना पड़ा।

यह क्यों मायने रखता है: यदि FDA ने केवल इन सभी समूहों के "औसत" को देखा होता, तो वे बारीकियों को मिस कर सकते थे। वे या तो दवा को सभी के लिए मंजूरी दे देते (जो जोखिम भरा है) या इसे खारिज कर देते (जो ग्रुप A के लिए अनुचित होता)। यह टूल उन्हें बताता है: "इसे मंजूर करें, लेकिन विशेष रूप से ग्रुप A के लिए।"

यह पेपर एक बड़ी उपलब्धि क्यों है?

यह "औसत" के जाल को रोकता है: यह स्वीकार करता है कि जीव विज्ञान जटिल है। जो "औसत" मरीज के लिए काम करता है, वह आपके लिए बेकार हो सकता है।
यह लचीला है: यह डेटा को एक साधारण सीधी रेखा में नहीं बांधता। यह जटिल और घुमावदार संबंधों को खोजने के लिए AI का उपयोग करता है।
यह ईमानदार है: यह एक सांख्यिकीय जांच प्रदान करता है ताकि यह सुनिश्चित हो सके कि जो समूह यह खोज रहा है वे वास्तविक हैं, न कि केवल रैंडम शोर (noise)।
यह जीवन और पैसा बचाता है: यह पहचानकर कि दवा वास्तव में किसके लिए काम करती है, हम उन परीक्षणों में समय बर्बाद करना बंद कर सकते हैं जो गलत मरीजों को शामिल करने के कारण विफल हो जाते हैं। यह नियामकों को स्मार्ट "त्वरित अनुमोदन" (Accelerated Approval) निर्णय लेने में मदद करता है।

निचोड़ (The Bottom Line)

यह पेपर हमें एक नया चश्मा देता है। एक ड्रग ट्रायल को देखकर औसत परिणाम देखने के बजाय, अब हम हाई-डेफिनिशन विवरण देख सकते हैं कि किन विशिष्ट मरीजों को उन बायोमार्कर से लाभ हो रहा है जिनका उपयोग हम उन्हें आंकने के लिए करते हैं। यह एक "शायद" को "हाँ, इन लोगों के लिए" में बदल देता है।

यहाँ शोध पत्र "Modeling Heterogeneous Mediation Effects in Survival Analysis via an Interpretable M-Learner Framework" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र क्लिनिकल ट्रायल्स में उपयोग किए जाने वाले सरोगेट एंडपॉइंट्स (जैसे, बायोमार्कर, ट्यूमर रिस्पॉन्स) के मूल्यांकन में एक महत्वपूर्ण अंतर को संबोधित करता है, विशेष रूप से FDA के त्वरित अनुमोदन (Accelerated Approval) पथ के तहत।

मुख्य मुद्दा: वर्तमान नियामक और सांख्यिकीय ढांचे मुख्य रूप से सरोगेट वैधता को एक समरूप (homogeneous), जनसंख्या-स्तरीय गुण मानते हैं। वे यह मान लेते हैं कि यदि कोई सरोगेट औसतन नैदानिक लाभ की भविष्यवाणी करता है, तो वह सभी रोगियों के लिए ऐसा ही करेगा।
वास्तविकता: जैविक और नैदानिक विषमता (heterogeneity) का अर्थ अक्सर यह होता है कि सरोगेट और वास्तविक नैदानिक परिणाम (जैसे, ओवरऑल सर्वाइवल) के बीच का संबंध रोगी के उप-समूहों (subgroups) में काफी भिन्न होता है। एक सरोगेट एक उप-समूह के लिए वैध हो सकता है लेकिन दूसरे के लिए अमान्य हो सकता है।
परिणाम: जनसंख्या-औसत सत्यापन (population-averaged validation) पर भरोसा करने से त्रुटिपूर्ण त्वरित अनुमोदन, विफल पुष्टिकरण परीक्षण (confirmatory trials) और प्रिसिजन मेडिसिन के अवसरों को खोने जैसी स्थितियाँ उत्पन्न हो सकती हैं। मौजूदा विधियाँ (जैसे, प्रिंसिपल स्ट्रैटिफिकेशन, मेटा-एनालिसिस) मेडिएशन प्रभावों में जटिल, व्यक्तिगत स्तर की विषमता का पता लगाने में संघर्ष करती हैं, विशेष रूप से सेंसर्ड सर्वाइवल डेटा (censored survival data) के मामले में।

2. कार्यप्रणाली: M-सर्वाइवल लर्नर (Methodology: The M-Survival Learner)

लेखक एक नवीन ढांचा प्रस्तावित करते हैं जिसे M-survival learner कहा जाता है, जो विषम अप्रत्यक्ष उपचार प्रभावों (heterogeneous indirect treatment effects) का अनुमान लगाने के लिए कारण संबंधी मध्यस्थता विश्लेषण (causal mediation analysis), मशीन लर्निंग और क्लस्टरिंग को एकीकृत करता है।

A. सर्वाइवल डेटा के लिए कॉज़ल मेडिएशन फ्रेमवर्क

यह विधि समय-से-घटना (time-to-event) डेटा के लिए पोटेंशियल आउटकम्स फ्रेमवर्क के भीतर कार्य करती है:

चर (Variables): उपचार ( $W$ ), आधारभूत सह-चर ( $X$ ), मध्यस्थ/सरोगेट ( $M$ ), और घटना का समय ( $T$ ) सेंसरिंग ( $C$ ) के साथ।
मॉडल विनिर्देश (Model Specification):
- आउटकम मॉडल: एक कॉक्स प्रोपोर्शनल हैजर्ड मॉडल जहाँ हैजर्ड फंक्शन $\lambda(t|X,W,M)$ सह-चरों, उपचार और मध्यस्थ पर निर्भर करता है। लेखक सख्त रैखिकता के बजाय (मशीन लर्निंग के माध्यम से) गैर-रेखीय और लचीले कार्यों (nonlinear and flexible functions) की अनुमति देते हैं।
- मध्यस्थ मॉडल: $X$ और $W$ के फलन के रूप में मध्यस्थ $M$ के लिए एक रिग्रेशन मॉडल।
पहचान (Identification): मानक मान्यताओं (रैंडमाइजेशन, सीक्वेंशियल इग्नोरैबिलिटी, पॉजिटिविटी) और एक "दुर्लभ घटना" (rare event) धारणा के तहत, नेचुरल इनडायरेक्ट ट्रीटमेंट इफेक्ट (NIE) की पहचान की जाती है।
मुख्य मीट्रिक: विधि नेचुरल इनडायरेक्ट इफेक्ट कंडिशनल ऑन कोवेरियेट्स (NIECC) का अनुमान लगाती है, जिसे $\kappa_3(x)\kappa_5(x)$ के रूप में परिभाषित किया गया है। यह मध्यस्थ पर उपचार के प्रभाव और हैजर्ड पर मध्यस्थ के प्रभाव के गुणनफल का प्रतिनिधित्व करता है, जिससे अप्रत्यक्ष प्रभाव रोगी की विशेषताओं ( $X$ ) के अनुसार भिन्न हो सकता है।

B. क्लस्टरिंग और प्रोफाइलिंग रणनीति

निरंतर व्यक्तिगत-स्तर के NIECC अनुमानों को कार्रवाई योग्य नैदानिक उप-समूहों में अनुवादित करने के लिए, लेखक दो-चरणीय रणनीति प्रस्तावित करते हैं:

समानता-आधारित क्लस्टरिंग (Similarity-Based Clustering):
- वे उच्च-आयामी (high-dimensional) NIECC डेटा को कम-आयामी स्थान में प्रोजेक्ट करने के लिए एक संशोधित t-SNE (t-Distributed Stochastic Neighbor Embedding) का उपयोग करते हैं, जो मेडिएशन प्रभावों के आधार पर युग्म-वार समानता को संरक्षित करता है।
- इसके बाद इस एम्बेडेड स्पेस में रोगियों को समान मेडिएशन प्रोफाइल के आधार पर समूहबद्ध करने के लिए K-means क्लस्टरिंग लागू की जाती है।
व्याख्या योग्य प्रोफाइलिंग (Interpretable Profiling - Decision Trees):
- चूंकि t-SNE और K-means "ब्लैक बॉक्स" हैं और इनिशियलाइजेशन के प्रति संवेदनशील हैं, इसलिए लेखक परिणामी क्लस्टर्स पर एक डिसीजन ट्री (Decision Tree) फिट करते हैं।
- यह व्याख्या योग्य नियमों का एक सेट बनाता है (जैसे, "यदि CD4 < 200 और पूर्व उपचार = हाँ, तो समूह A"), जो उप-समूहों को परिभाषित करते हैं।
चयन मीट्रिक (Selection Metric):
- क्लस्टर्स की इष्टतम संख्या निर्धारित करने और ओवर-पार्टिशनिंग से बचने के लिए, वे लाइकलीहुड रेशियो टेस्ट (LRT) पर आधारित एक सांख्यिकीय मानदंड पेश करते हैं।
- वे एक मानक कॉक्स मॉडल की तुलना क्लस्टर-विशिष्ट इंटरैक्शन वाले मॉडल से करते हैं। एक कस्टम मीट्रिक ( $p_{leaf}$ ) का उपयोग उस क्लस्टरिंग समाधान को चुनने के लिए किया जाता है जो टाइप I एरर को नियंत्रित करते हुए महत्वपूर्ण विषमता को सर्वोत्तम रूप से कैप्चर करता है।

3. प्रमुख योगदान (Key Contributions)

सरोगेट वैधता का पुनर्गठन: यह शोध पत्र सरोगेट वैधता को एक वैश्विक स्थिरांक के बजाय एक विषम, व्यक्तिगत-स्तर के गुण के रूप में औपचारिक रूप देता है, जिससे प्रतिमान "क्या सरोगेट वैध है?" से बदलकर "किसके लिए सरोगेट वैध है?" हो जाता है।
लचीला M-लर्नर फ्रेमवर्क: यह सर्वाइवल विश्लेषण में अप्रत्यक्ष उपचार प्रभावों का अनुमान लगाने के लिए एक मशीन लर्निंग-आधारित लर्नर पेश करता है, जो उपचार, सह-चर और समय-से-घटना परिणामों के बीच जटिल, गैर-रेखीय संबंधों को समायोजित करता है।
व्याख्या योग्य उप-समूह खोज: t-SNE, K-means और डिसीजन ट्री का संयोजन जटिल सांख्यिकीय पैटर्न और नैदानिक निर्णय लेने के बीच के अंतर को पाटते हुए, विशिष्ट मेडिएशन पाथवे वाले नैदानिक रूप से व्याख्या योग्य उप-समूहों की पहचान करने का एक सिद्धांतपूर्ण तरीका प्रदान करता है।
सांख्यिकीय गारंटी: लेखक NIECC की पहचान के लिए सैद्धांतिक गुणों को स्थापित करते हैं और शोर (noise) से वास्तविक विषमता को अलग करने के लिए एक कठोर अंशांकन (calibration) प्रक्रिया प्रदान करते हैं।

4. परिणाम (Results)

सिमुलेशन अध्ययन:
- विधि का परीक्षण रैखिक और जटिल (गैर-रेखीय) दोनों मान्यताओं के तहत किया गया।
- परिणामों ने प्रदर्शित किया कि M-सर्वाइवल लर्नर ने विषम मेडिएशन प्रभावों के क्षेत्रों की सफलतापूर्वक पहचान की, उन्हें समरूप या शून्य परिदृश्यों से अलग किया।
- प्रस्तावित चयन मीट्रिक ने प्रभावी ढंग से टाइप I एरर रेट को नियंत्रित किया और सही संख्या में उप-समूहों की सटीक पहचान की।
वास्तविक-डेटा अनुप्रयोग (ACTG 175 HIV ट्रायल):
- विधि को एक फेज़ III HIV ट्रायल पर लागू किया गया, जिसमें ज़िडोवुडिन (ZDV) मोनोथेरेपी बनाम ZDV + डिडानोसिन (DDI) की तुलना की गई, जिसमें सर्वाइवल के सरोगेट के रूप में 20 सप्ताह पर CD4 काउंट का उपयोग किया गया।
- निष्कर्ष: विश्लेषण ने तीन विशिष्ट उप-समूहों का खुलासा किया:
  1. निम्न आधारभूत CD4: एक मजबूत, सकारात्मक अप्रत्यक्ष प्रभाव दिखाया (CD4 यहाँ एक वैध सरोगेट है)।
  2. उच्च आधारभूत CD4 (उपचार-नाइव): नगण्य मेडिएशन दिखाया (CD4 ने उपचार प्रभाव को कैप्चर नहीं किया)।
  3. उच्च आधारभूत CD4 (पूर्व ART एक्सपोजर): एक विलंबित लेकिन सार्थक अप्रत्यक्ष प्रभाव दिखाया।
- ये निष्कर्ष जैविक तर्कसंगतता (प्रतिरक्षा रिजर्व और उपचार इतिहास) के अनुरूप थे और इस बात पर प्रकाश डालते हैं कि सरोगेट की वैधता आधारभूत प्रतिरक्षा स्थिति और पूर्व उपचार पर अत्यधिक निर्भर करती है।

5. महत्व और निहितार्थ (Significance and Implications)

नियामक प्रभाव: यह ढांचा सरोगेट एंडपॉइंट्स की विश्वसनीयता के संबंध में FDA की चिंताओं को सीधे संबोधित करता है। उप-समूह-विशिष्ट सरोगेट वैधता का स्पष्ट रूप से आकलन करके, यह त्वरित अनुमोदन के लिए एक अधिक मजबूत साक्ष्य आधार प्रदान करता है और उन दवाओं के अनुमोदन को रोकने में मदद कर सकता है जो केवल विशिष्ट, अज्ञात आबादी में काम करती हैं।
प्रिसिजन मेडिसिन: यह विधि विशिष्ट रोगी आबादी के लिए अनुकूलित फेज़ II ट्रायल्स में "गो/नो-गो" निर्णयों को सक्षम बनाती है, जिससे देर चरण के परीक्षण विफलताओं का जोखिम कम हो जाता है।
पद्धतिगत प्रगति: यह ग्रिड-आधारित या लेटेंट-स्ट्रेटा विधियों की सीमाओं को पार करता है, जिससे सह-चर स्थान (covariate space) में उन क्षेत्रों का पता लगाने के लिए लचीली मशीन लर्निंग का उपयोग किया जाता है जहाँ सरोगेसी (surrogacy) बनी रहती है।
भावी उपयोगिता: लेखक एक R पैकेज (MLearner) जारी करने की योजना बना रहे हैं, जो समृद्ध परीक्षणों (enriched trials) को डिजाइन करने और बायोमार्कर डेटा की व्याख्या में सुधार करने के लिए इस ढांचे को अपनाने की सुविधा प्रदान करेगा।