📊 statistics

Tree models for covariate-dependent method agreement with repeated measurements in clinical research

यह शोध पत्र कंडीशनल मेथड एग्रीमेंट ट्रीज़ (COAT) प्रस्तुत करता है, जो एक नवीन रिग्रेशन ट्री विधि है जो नैदानिक मापन तकनीकों के बीच विषम सहमति वाले कोवेरिएट-डिपेंडेंट उपसमूहों की पहचान करके बार-बार किए गए मापन को संभालने के लिए ब्लैंड-ऑल्टमैन विश्लेषण का विस्तार करती है।

मूल लेखक: Siranush Karapetyan, Achim Zeileis, Moritz Flick, Bernd Saugel, Alexander Hapfelmeier

प्रकाशित 2026-04-01

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Siranush Karapetyan, Achim Zeileis, Moritz Flick, Bernd Saugel, Alexander Hapfelmeier

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 डॉक्टर हैं और आपको मरीज के हृदय के प्रदर्शन (कार्डियक आउटपुट) को मापने के दो अलग-अलग तरीकों के बीच निर्णय लेना है। एक तरीका "गोल्ड स्टैंडर्ड" है: एक कैथेटर जिसे हृदय में डाला जाता है, जो सटीक तो है लेकिन आक्रामक (invasive) और जोखिम भरा है। दूसरा तरीका एक नया, हाई-टेक "फिंगर कफ" है जो गैर-आक्रामक (non-invasive) है और उपयोग में आसान है।

इससे पहले कि आप इस नए फिंगर कफ पर भरोसा कर सकें, आपको यह जानना होगा: क्या यह गोल्ड स्टैंडर्ड के समान रीडिंग देता है?

पुराना तरीका: "एक ही आकार सबके लिए" वाला परीक्षण

पारंपरिक रूप से, वैज्ञानिक ब्लैंड-ऑल्टमैन विश्लेषण (Bland-Altman analysis) नामक एक विधि का उपयोग करते हैं। इसे ऐसे समझें जैसे आप 50 लोगों का एक समूह लेते हैं, दोनों उपकरणों से उन्हें मापते हैं, और उनके औसत अंतर की गणना करते हैं।

समस्या: यह विधि मानती है कि सभी लोग एक जैसे हैं। यह मानती है कि फिंगर कफ एक 20 वर्षीय एथलीट, हृदय रोग से पीड़ित 70 वर्षीय व्यक्ति, और एक भारी शरीर वाले व्यक्ति के लिए उतना ही सटीक है जितना कि एक दुबले-पतले व्यक्ति के लिए।
वास्तविकता: वास्तविक दुनिया में, उपकरण अलग-अलग लोगों के लिए अलग तरह से व्यवहार करते हैं। हो सकता है कि फिंगर कफ युवाओं के लिए बहुत अच्छा काम करता हो लेकिन बुजुर्गों के लिए विफल हो जाए। हो सकता है कि यह कम हृदय गति पर अच्छा काम करे लेकिन हृदय की गति तेज होने पर भ्रमित हो जाए। पुराना तरीका इन छिपे हुए पैटर्न को पकड़ नहीं पाता क्योंकि यह सब कुछ औसत बनाकर पेश कर देता है।

नया तरीका: "पेड़" दृष्टिकोण (COAT)

लेखकों ने एक नया टूल पेश किया है जिसे COAT (कंडीशनल मेथड एग्रीमेंट ट्रीज़) कहा जाता है।

उपमा: जासूस का पेड़
कल्पना कीजिए कि आप एक जासूस हैं जो यह पता लगाने की कोशिश कर रहे हैं कि एक नया सुरक्षा कैमरा कभी-कभी संदिग्धों को क्यों चूक जाता है।

पुराना तरीका: आप सभी फुटेज देखते हैं, कुल चूक की गिनती करते हैं, और कहते हैं, "कैमरा 10% बार चूक जाता है।" आप वहीं रुक जाते हैं।
COAT तरीका: आप एक डिसीजन ट्री (निर्णय वृक्ष) बनाते हैं। आप संदिग्धों को समूहों में बांटने के लिए प्रश्न पूछते हैं:
- प्रश्न 1: "क्या संदिग्ध ने टोपी पहनी है?" (नहीं -> अच्छी सटीकता। हाँ -> खराब सटीकता)।
- प्रश्न 2: "क्या बारिश हो रही है?" (हाँ -> खराब सटीकता। नहीं -> अच्छी सटीकता)।
- प्रश्न 3: "क्या संदिग्ध तेजी से चल रहा है?"

अंत में, आपके पास केवल एक औसत त्रुटि दर नहीं होती। आपके पास एक मानचित्र होता है जो कहता है: "कैमरा उन लोगों के लिए एकदम सही है जिन्होंने धूप वाले दिन टोपी नहीं पहनी है, लेकिन बारिश के दौरान टोपी पहने हुए लोगों के लिए यह विफल हो जाता है।"

COAT कैसे काम करता है:

यह बार-बार किए गए मापों को संभालता है: क्लिनिकल अध्ययनों में, डॉक्टर अक्सर एक मरीज को कई बार मापते हैं (जैसे, लगातार 5 बार)। COAT इस "दोहराए गए" डेटा को बिना भ्रमित हुए संभालने में सक्षम है, जिससे यह एक एकल माप के "शोर" (noise) को वास्तविक पैटर्न से अलग कर देता है।
यह "उपसमूहों" को खोजता है: यह स्वचालित रूप से रोगी के डेटा (आयु, वजन, लिंग, स्वास्थ्य स्थितियां) को स्कैन करता है ताकि यह पता लगाया जा सके कि दोनों उपकरणों के बीच सहमति कहाँ टूट रही है।
यह सांख्यिकीय रूप से सुरक्षित है: लेखकों ने हजारों कंप्यूटर सिमुलेशन चलाकर यह सिद्ध किया है कि COAT केवल "भूतिया" पैटर्न (गलत अलार्म) नहीं ढूंढता। यह पेड़ को तभी विभाजित करता है जब वहां कोई वास्तविक, महत्वपूर्ण अंतर हो।

वास्तविक दुनिया का परीक्षण: हार्ट सर्जरी

लेखकों ने इसका परीक्षण हृदय सर्जरी के मरीजों के वास्तविक डेटा पर किया। उन्होंने आक्रामक कैथेटर (गोल्ड स्टैंडर्ड) की तुलना नए फिंगर कफ से की।

उन्होंने क्या पाया:

"औसत" का झूठ: यदि आप केवल औसत देखते, तो दोनों उपकरण ठीक लग रहे थे।
"ट्री" की सच्चाई: COAT ने खुलासा किया कि जब मरीज का कार्डियक आउटपुट बहुत अधिक (एक निश्चित स्तर से ऊपर) था, तो फिंगर कफ बहुत कम सटीक था। इसने यह भी संकेत दिया कि मरीज का लिंग और वजन भी इस बात को बदल सकता है कि दोनों उपकरणों के बीच कितनी सहमति है।

यह क्यों महत्वपूर्ण है

यह चिकित्सा अनुसंधान के लिए एक गेम-चेंजर है क्योंकि यह हमें "एक ही आकार सबके लिए" से हटाकर "सही मरीज के लिए सही उपकरण" की ओर ले जाता है।

इस डिवाइस के बारे में केवल यह कहने के बजाय कि "यह नया उपकरण अच्छा है," डॉक्टर अब कह सकते हैं:

"यह नया उपकरण 70 वर्ष से कम उम्र के और 30 से कम BMI वाले मरीजों के लिए उत्कृष्ट है, लेकिन हमें अधिक उम्र और अधिक वजन वाले मरीजों पर इसका उपयोग करते समय सावधान रहना चाहिए क्योंकि इसकी रीडिंग बदल सकती है।"

सारांश

समस्या: पुराने तरीके यह मानते हैं कि चिकित्सा उपकरण सभी के लिए एक समान काम करते हैं, जो कि सच नहीं है।
समाधान: COAT एक "स्मार्ट ट्री" है जो डेटा की गहराई में जाकर यह पता लगाता है कि किन विशिष्ट रोगी समूहों के लिए कोई उपकरण अच्छा या खराब काम करता है।
लाभ: यह डॉक्टरों को यह जानने में मदद करता है कि कोई नई चिकित्सा तकनीक वास्तव में कब और किनके लिए सुरक्षित और विश्वसनीय है, जिससे बेहतर रोगी देखभाल सुनिश्चित होती है।

लेखकों ने इस टूल को एक मुफ्त सॉफ्टवेयर पैकेज (जिसे coat कहा जाता है) के रूप में भी उपलब्ध कराया है ताकि अन्य शोधकर्ता भी अपने स्वयं के "एग्रीमेंट ट्री" बनाने के लिए इसका उपयोग कर सकें।

यहाँ शोध पत्र "Tree models for covariate-dependent method agreement with repeated measurements in clinical research" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

नैदानिक अनुसंधान (clinical research) में, ब्लैंड-अल्टमैन (Bland-Altman - BA) विश्लेषण दो मापन तकनीकों (जैसे, एक नया गैर-आक्रामक उपकरण बनाम एक आक्रामक गोल्ड स्टैंडर्ड) के बीच सहमति (agreement) का आकलन करने के लिए मानक विधि है। BA विश्लेषण दो प्रमुख मापदंडों का अनुमान लगाता है:

बायस (Bias): विधियों के बीच औसत अंतर।
लिमिट्स ऑफ एग्रीमेंट (Limits of Agreement - LoA): अंतरों का 95% प्रेडिक्शन इंटरवल, जो अंतरों के मानक विचलन (standard deviation) से प्राप्त होता है।

मुख्य सीमा: पारंपरिक BA विश्लेषण इस मजबूत, अंतर्निहित धारणा पर निर्भर करता है कि विधि की सहमति सभी विषयों (subjects) में समरूप (homogeneous) होती है। यह मानता है कि बायस और LoA, रोगी की विशेषताओं (जैसे आयु, लिंग, BMI) या प्रयोगात्मक सेटिंग्स के बावजूद स्थिर रहते हैं।
चुनौती: वास्तव में, सहमति अक्सर सहचरों (covariates) के आधार पर बदलती रहती है। इसके अलावा, नैदानिक अध्ययनों में अक्सर प्रति विषय बार-बार किए गए माप (repeated measurements) शामिल होते हैं (या तो युग्मित/paired या युग्मित नहीं/unpaired), जो जटिल विचरण संरचनाओं (variance structures - विषय-दर-विषय और विषय-के-भीतर विचरण) को पेश करते हैं, जिन्हें मानक BA विश्लेषण औसत के माध्यम से संभालता है लेकिन सहचरों के फलन (function) के रूप में मॉडल करने में विफल रहता है।

2. कार्यप्रणाली (Methodology)

लेखक कंडीशनल मेथड एग्रीमेंट ट्रीज़ (Conditional Method Agreement Trees - COAT) का प्रस्ताव करते हैं, जो बार-बार किए गए मापों की उपस्थिति में सहचरों के साथ विधि सहमति को मॉडल करने के लिए डिज़ाइन किया गया एक कंडीशनल इन्फरेंस ट्रीज़ (Conditional Inference Trees - CTree) का एक नया विस्तार है।

A. सैद्धांतिक ढांचा (Theoretical Framework)

COAT एकल मापों के लिए पहले से उपयोग किए जाने वाले बहुभिन्नरूपी मॉडलिंग दृष्टिकोण का सामान्यीकरण करता है ताकि बार-बार किए गए मापों को संभाला जा सके। यह BA विश्लेषण के मापदंडों को विषय-विशिष्ट घटकों में विभाजित करता है:

बायस ( $E(Y|X)$ ): अंतर $Y = A - B$ का सशर्त माध्य (conditional expectation)।
विचरण ($Var(Y|X)$): अंतर का सशर्त विचरण (conditional variance), जो निम्नलिखित को ध्यान में रखता है:
- विषय-दर-विषय विचरण ( $\sigma^2_Y$ )।
- विषय-के-भीतर विचरण ( $\sigma^2_A, \sigma^2_B$ )।
  विधि दो मापन सेटिंग्स के बीच अंतर करती है जिन्हें ब्लांड और अल्टमैन द्वारा परिभाषित किया गया है:

अनपेयर्ड मेजरमेंट्स (Unpaired Measurements): एक अपरिवर्तनीय वास्तविक मान के बार-बार किए गए माप (जैसे, एक स्थिर वस्तु को कई बार मापना)।
पेयर्ड मेजरमेंट्स (Paired Measurements): एक बदलते हुए वास्तविक मान के बार-बार किए गए माप जहाँ माप समय/अव случа के अनुसार युग्मित होते हैं (जैसे, समय के साथ कार्डियक आउटपुट का मापन)।

B. एल्गोरिदम कार्यान्वयन (Algorithmic Implementation)

COAT कंडीशनल इन्फरेंस ट्रीज़ (CTree) का उपयोग करता है जिसमें बाइनरी आउटकम (बायस और विचरण दोनों को एक साथ) को संभालने के लिए एक विशिष्ट रूपांतरण फलन $h(\cdot)$ का उपयोग किया जाता है।

रूपांतरण फलन (Transformation Function): कच्चे अंतरों को मॉडल करने के बजाय, एल्गोरिदम डेटा को BA मापदंडों के विषय-विशिष्ट घटकों में बदल देता है।
- अनपेयर्ड डेटा के लिए: $h(\cdot) = (y_i, \hat{\sigma}^2_{Yi})$ , जहाँ $y_i$ विषय का माध्य अंतर है और $\hat{\sigma}^2_{Yi}$ विषय-विशिष्ट विचरण घटक है।
- पेयर्ड डेटा के लिए: $h(\cdot) = (n m_i y_i / \sum m_i, \hat{\sigma}^2_{Yi})$ , जिसमें प्रतिकृति (replicates) की संख्या के लिए वेटिंग (weighting) शामिल है।
स्प्लिटिंग तंत्र (Splitting Mechanism): ट्री पुनरावृत्ति (recursively) के आधार पर डेटा को उन सहचरों ( $X$ ) के आधार पर विभाजित करता है जो रूपांतरित आउटकम के साथ सांख्यिकीय रूप से महत्वपूर्ण संबंध दिखाते हैं। यह स्प्लिट्स निर्धारित करने के लिए परम्यूटेशन टेस्ट का उपयोग करता है, जो बोनफेरोनी सुधार (Bonferroni correction) के माध्यम से मल्टीपल टेस्टिंग को नियंत्रित करता है।
आउटपुट: परिणामी ट्री उन उपसमूहों (subgroups) को परिभाषित करता है जहाँ बायस और LoA महत्वपूर्ण रूप से भिन्न होते हैं, जिससे विषमता (heterogeneity) स्पष्ट रूप से मॉडल होती है।

C. सॉफ्टवेयर (Software)

इस विधि को ओपन-सोर्स R पैकेज coat में लागू किया गया है।

3. प्रमुख योगदान (Key Contributions)

बार-बार किए गए मापों के लिए विस्तार: प्राथमिक योगदान एकल मापन से बार-बार किए गए मापों (दोनों पेयर्ड और अनपेयर्ड) के जटिल, सामान्य परिदृश्य में कंडीशनल मेथड एग्रीमेंट का सामान्यीकरण करना है।
सहवर्ती मॉडलिंग (Simultaneous Modeling): अलग-अलग बायस या विचरण को मॉडल करने वाले मानक रिग्रेशन ट्रीज़ के विपरीत, COAT एक बाइनरी ट्रांसफॉर्मेशन का उपयोग करके बायस और विचरण (पूर्ण BA मापदंडों) के संयुक्त वितरण (joint distribution) को मॉडल करता है।
उपसमूह खोज (Subgroup Discovery): COAT स्पष्ट रूप से उन रोगियों के उपसमूहों की पहचान करता है जहाँ सहमति भिन्न होती है, न कि एक वैश्विक औसत मानकर चलता है।
दो-नमूना परीक्षण (Two-Sample Testing): यह ढांचा एक बाइनरी सहचर (जैसे, पुरुष बनाम महिला) को लागू करके दो पूर्व-निर्धारित समूहों के बीच सहमति की तुलना करने के लिए एक औपचारिक सांख्यिकीय परीक्षण की अनुमति देता है।

4. परिणाम (Results)

A. सिमुलेशन अध्ययन (Simulation Study)

5,000 पुनरावृत्तियों वाले एक सिमुलेशन अध्ययन ने टाइप-I त्रुटि, पावर और उपसमूह पहचान सटीकता (Adjusted Rand Index - ARI) का आकलन किया।

टाइप-I त्रुटि नियंत्रण: COAT ने दोनों पेयर्ड और अनपेयर्ड मापों के लिए, अलग-अलग सैंपल साइज ( $N=50$ से $300$) के साथ, टाइप-I त्रुटि दर को नाममात्र स्तर (0.05) पर सफलतापूर्वक नियंत्रित किया।
पावर और ARI:
- बायस-ओनली विषमता (Bias-only heterogeneity): मानक CTree ने बायस-ओनली परिवर्तनों का पता लगाने में COAT की तुलना में थोड़ा बेहतर प्रदर्शन किया क्योंकि COAT एक बाइनरी आउटकम (2 डिग्री ऑफ फ्रीडम) का परीक्षण करता है जबकि CTree का यूनिवेरिएट (1 डिग्री ऑफ फ्रीडम) है, जिससे इस विशिष्ट संकीर्ण मामले में थोड़ी कम पावर मिलती है।
- LoA (विचरण) विषमता: जब सहचर केवल लिमिट्स ऑफ एग्रीमेंट (विचरण) को प्रभावित करता है लेकिन बायस को नहीं, तब COAT ने मानक CTree की तुलना में काफी बेहतर प्रदर्शन किया। मानक CTree इन संबंधों का पता लगाने में पूरी तरह विफल रहा।
- जटिल परिदृश्य: "ट्री" परिदृश्यों में जहाँ नेस्टेड सहचर बायस और LoA दोनों को प्रभावित करते हैं, COAT ने उच्च ARI मान (0.9 तक) प्राप्त किया, जिससे सैंपल साइज बढ़ने के साथ वास्तविक उपसमूहों का सटीक पुनर्निर्माण हुआ।

B. अनुप्रयोग: कार्डियक आउटपुट (CO) मॉनिटरिंग

इस विधि को 51 कार्डियक सर्जरी रोगियों के डेटा पर लागू किया गया, जिसमें एक गैर-आक्रामक फिंगर-कफ विधि (NiCCI) की तुलना पल्मोनरी आर्टरी कैथेटर (संदर्भ) से की गई।

अनपेयर्ड विश्लेषण: कम CO मापों ( $\leq 6.548$ L/min) वाले रोगियों के लिए सहमति काफी बेहतर (कम बायस और संकीर्ण LoA) थी।
पेयर्ड विश्लेषण: कम CO मानों पर बेहतर सहमति के समान परिणाम पाए गए।
अन्वेषणात्मक निष्कर्ष (Exploratory Findings): जब उपसमूहों को खोजने के लिए महत्व सीमाओं (significance thresholds) को शिथिल किया गया, तो विश्लेषण ने लिंग और वजन (जैसे, $\leq 79$ किग्रा के पुरुषों में बेहतर सहमति) के आधार पर संभावित अंतरों का सुझाव दिया, हालांकि इन विशिष्ट विभाजनों में प्राथमिक मॉडल में सख्त सांख्यिकीय महत्व की कमी थी।
दो-नमूना परीक्षण: संवहनी रोग (vascular disease) के लिए एक परीक्षण ने सहमति में कोई महत्वपूर्ण अंतर नहीं दिखाया ( $p=0.705$ )।

5. महत्व और निहितार्थ (Significance and Implications)

नैदानिक प्रासंगिकता: यह अध्ययन दर्शाता है कि विधि की सहमति सार्वभौमिक नहीं है। कार्डियक आउटपुट मॉनिटरिंग के लिए, गैर-आक्रामक उपकरणों की सटीकता रोगी की शारीरिक स्थिति (मापन परिमाण) और संभावित रूप से उनकी जनसांख्यिकी पर निर्भर करती है। इसका रोगी की सुरक्षा और विशिष्ट उप-जनसंख्या के लिए डिवाइस चयन पर सीधा प्रभाव पड़ता है।
सांख्यिकीय प्रगति: COAT नैदानिक मूल्यांकन में व्याप्त समरूपता की धारणा से आगे बढ़कर, विधि तुलना अध्ययनों में "उपसमूह विश्लेषण" के लिए एक कठोर, सांख्यिकीय रूप से सुदृढ़ ढांचा प्रदान करता है।
व्यावहारिक उपयोगिता: एक ओपन-सोर्स R पैकेज के रूप में कार्यान्वित होने के कारण, COAT उन्नत, सहचर-निर्भर विधि सहमति विश्लेषण को नैदानिक शोधकर्ताओं के लिए सुलभ बनाता है, जिससे उन्हें यह निर्धारित करने में मदद मिलती है कि एक नई मापन तकनीक किनके लिए वैध है।

निष्कर्ष (Conclusion)

यह शोध पत्र COAT को बार-बार किए गए मापों के साथ विधि सहमति के विश्लेषण के लिए एक सैद्धांतिक रूप से आधारित, लचीले उपकरण के रूप में प्रस्तुत करता है। यह विधि सहमति की समरूपता संबंधी धारणाओं की सीमा को सफलतापूर्वक संबोधित करता है, जिससे ऐसे उपसमूहों का पता लगाने और उन्हें परिभाषित करने का एक तरीका मिलता है जहाँ मापन बायस या परिशुद्धता (precision) भिन्न होती है, जिससे नैदानिक विधि तुलना अध्ययनों की विश्वसनीयता में सुधार होता है।