Truncation by death in the sufficient cause framework

यहाँ गोंसाल्वेस (Gonçalves), यामामोटो (Yamamoto), और सुजुकी (Suzuki) के शोध पत्र "ट्रंकेशन बाय डेथ इन द सफिशिएंट कॉज़ फ्रेमवर्क" (Truncation by death in the sufficient cause framework) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या का विवरण (Problem Statement)

यह शोध पत्र महामारी विज्ञान के अध्ययनों में 'मृत्यु द्वारा ट्रंकेशन' (truncation by death) की पद्धतिगत चुनौती को संबोधित करता है। यह तब होता है जब मूल्यांकन समय ($S=0$) से पहले ही व्यक्ति की मृत्यु हो जाती है और रुचि का परिणाम ($Y$) अनिर्धारित रह जाता है।

• मुख्य मुद्दा: मानक विश्लेषण जो देखे गए उत्तरजीविता (survival) पर आधारित होते हैं (जैसे, केवल उन लोगों के बीच परिणामों की तुलना करना जो फॉलो-अप के समय जीवित हैं), एक वैध कारणत्मक अनुमान (causal estimand) प्रदान नहीं करते हैं। वे विभिन्न उपचार स्तरों के तहत अलग-अलग उप-जनसंख्याओं की तुलना करते हैं, जिससे चयन पूर्वाग्रह (selection bias/collider bias) उत्पन्न होता है क्योंकि जीवित बचे लोगों का समूह उपचार समूहों के बीच भिन्न होता है।
• वर्तमान दृष्टिकोण: प्रिंसिपल स्ट्रैटिफिकेशन (Principal Stratification) दृष्टिकोण (पोटेंशियल आउटकम्स फ्रेमवर्क पर आधारित) एक मानक समाधान है। यह सर्वाइवर एवरेज कॉज़ल इफेक्ट (SACE) को परिभाषित करता है, जो "हमेशा जीवित रहने वालों" (वे व्यक्ति जो उपचार असाइनमेंट के बावजूद जीवित रहेंगे) के उप-जनसंख्या के लिए उपचार के प्रभाव का अनुमान लगाता है।
• अंतराल (The Gap): जबकि पोटेंशियल आउटकम्स फ्रेमवर्क इस समस्या के लिए अच्छी तरह से स्थापित है, लेखक तर्क देते हैं कि सफिशिएंट कॉज़ फ्रेमवर्क (कारणों के तंत्र और घटक कारणों पर आधारित) का इस संदर्भ में कम उपयोग किया गया है। उनका लक्ष्य पूर्वाग्रहों की गहरी समझ और उन स्थितियों का वर्णन करना है जिनमें कारणत्मक प्रभाव शून्य (null) होता है, ताकि 'ट्रंकेशन बाय डेथ' का एक यांत्रिक (mechanistic) विवरण प्रदान किया जा सके।

2. कार्यप्रणाली (Methodology)

लेखक उत्तरजीविता और परिणाम की संयुक्त प्रक्रियाओं को मॉडल करने के लिए सफिशिएंट कॉज़ फ्रेमवर्क का उपयोग करते हैं।

• कारण संरचना (Causal Structure):
  • चर (Variables): उपचार ($X$), उत्तरजीविता ($S$), परिणाम ($Y$), और उत्तरजीविता एवं परिणाम दोनों का एक सामान्य कारण ($U$, जैसे आयु)।
  • उत्तरजीविता के लिए पर्याप्त कारण ($S$): लेखक $X$, $\bar{X}$ (उपचार की अनुपस्थिति), $U$, $\bar{U}$, और पृष्ठभूमि कारकों ($A_k$) के संयोजनों को शामिल करते हुए उत्तरजीविता के लिए नौ प्रकार के पर्याप्त कारणों को सूचीबद्ध करते हैं।
  • परिणाम के लिए पर्याप्त कारण ($Y$): चूंकि यदि $S=0$ है तो $Y$ अनिर्धारित है, इसलिए $Y$ के सभी पर्याप्त कारणों में $S$ को एक घटक कारण के रूप में शामिल होना चाहिए। वे $S, X, U$ और पृष्ठभूमि कारकों ($B_k$) को शामिल करते हुए $Y$ के लिए नौ प्रकार के पर्याप्त कारणों को सूचीबद्ध करते हैं।
• मान्यताएँ (Assumptions):
  • सफिशिएंट कॉज़ पॉजिटिव मोनोटोनिसिटी (Sufficient Cause Positive Monotonicity): लेखक यह मानते हैं कि उपचार की अनुपस्थिति ($\bar{X}$) और जोखिम कारक ($U$) की उपस्थिति, उत्तरजीविता या परिणाम के किसी भी पर्याप्त कारण के आवश्यक घटक नहीं हैं। यह मॉडल को $S$ के लिए चार प्रकार के और $Y$ के लिए चार प्रकार के पर्याप्त कारणों में सरल बनाता है।
  • रिस्क स्टेटस टाइप्स (Risk Status Types): इन मान्यताओं के तहत, जनसंख्या को 256 विशिष्ट रिस्क स्टेटस टाइप्स में विभाजित किया गया है, जो उन विशिष्ट पृष्ठभूमि कारकों ($A_k, B_k$) द्वारा परिभाषित हैं जिनके प्रति व्यक्ति संवेदनशील है।
• विश्लेषणात्मक दृष्टिकोण (Analytical Approach):
  • लेखक इन 256 रिस्क स्टेटस टाइप्स को प्रिंसिपल स्ट्रेटा (Always-Survivors, Never-Survivors, Protectable, आदि) से जोड़ते हैं।
  • वे पृष्ठभूमि कारकों ($A_k, B_k$) और सामान्य कारण $U$ की जनसंख्या-स्तर की आवृत्तियों के संदर्भ में क्रूड एस्टिमेंड (Crude Estimand) (देखी गई उत्तरजीविता पर आधारित) और SACE के लिए गणितीय व्यंजक (expressions) प्राप्त करते हैं।
  • वे उन स्थितियों का विश्लेषण करते हैं जिनमें SACE शून्य होता है बनाम जब क्रूड एस्टिमेंड गैर-शून्य (non-null) होता है।

3. मुख्य योगदान (Key Contributions)

1. पूर्वाग्रह की यांत्रिक व्याख्या (Mechanistic Interpretation of Bias): यह शोध पत्र प्रदर्शित करता है कि क्रूड एस्टिमेंड (देखी गई उत्तरजीविता पर आधारित) की गैर-कारण प्रकृति इसलिए उत्पन्न होती है क्योंकि यह अलग-अलग रिस्क स्टेटस टाइप्स वाले व्यक्तियों की तुलना करता है। विशेष रूप से, कुछ रिस्क प्रकार उपचार समूह (जहाँ वे जीवित रहते हैं) में डेटा योगदान करते हैं लेकिन नियंत्रण समूह (जहाँ वे मर जाते हैं) में नहीं, या इसके विपरीत। यह एक कारणत्मक विषमता के बजाय अलग-अलग जनसंख्याओं की तुलना बनाता है।
2. SACE का लक्षण वर्णन (Characterization of the SACE): लेखक पृष्ठभूमि कारकों की आवृत्तियों के आधार पर SACE और स्ट्रैटम-विशिष्ट SACE ($S_u$) के लिए स्पष्ट सूत्र प्रदान करते हैं। यह अमूर्त पोटेंशियल आउटकम्स अवधारणा को ठोस कारण तंत्रों से जोड़ता है।
3. शून्य प्रभावों की स्थितियाँ (Conditions for Null Effects): यह शोध पत्र सटीक स्थितियाँ स्थापित करता है जिनके तहत SACE शून्य होता है।
   • $SACE_u = 0$ यदि, एक विशिष्ट $U$ वाले 'हमेशा जीवित रहने वालों' के बीच, ऐसे व्यक्तियों की कमी है जो उन पर्याप्त कारणों के प्रति संवेदनशील हैं जहाँ उपचार का प्रभाव गैर-शून्य है।
   • महत्वपूर्ण रूप से, लेखक दिखाते हैं कि भले ही SACE शून्य हो (हमेशा जीवित रहने वालों में कोई कारणत्मक प्रभाव नहीं है), फिर भी क्रूड एस्टिमेंड गैर-शून्य हो सकता है क्योंकि उपचार समूहों के बीच जीवित बचे लोगों की संरचना भिन्न होती है।
4. प्रभाव संशोधन ($U$) की भूमिका (Role of Effect Modification): अध्ययन इस बात पर प्रकाश डालता है कि "हमेशा जीवित रहने वाले" स्ट्रैटम की सदस्यता स्थिर नहीं है; यह सामान्य कारण $U$ के मान पर निर्भर करती है। उदाहरण के लिए, एक व्यक्ति युवा होने पर ($U=1$) "हमेशा जीवित रहने वाला" हो सकता है, लेकिन वृद्ध होने पर ($U=0$) "कभी जीवित न रहने वाला" हो सकता है। यह गतिशील सदस्यता SACE के भार (weighting) और व्याख्या को प्रभावित करती है।

4. मुख्य परिणाम (Key Results)

• रिस्क स्टेटस गणना (Risk Status Enumeration): लेखकों ने 256 संभावित रिस्क स्टेटस टाइप्स की पहचान की।
  • हमेशा जीवित रहने वाले (Always-Survivors): जब $U=1$ हो तो 192 प्रकार और जब $U=0$ हो तो 128 प्रकार होते हैं।
  • शून्य SACE की स्थितियाँ:
    • $U=1$ के लिए, SACE शून्य है यदि जनसंख्या में उन व्यक्तियों की कमी है जो $A$ और $B$ कारकों के विशिष्ट संयोजनों (विशेष रूप से वे जहाँ उपचार परिणाम बदल देता है) के प्रति संवेदनशील हैं।
    • $U=0$ के लिए, समान स्थितियाँ लागू होती हैं लेकिन इसमें अलग-अलग पृष्ठभूमि कारकों के उपसमुच्चय (subsets) शामिल होते हैं।
• एस्टिमेंड्स का विचलन (Divergence of Estimands): यह शोध पत्र गणितीय रूप से सिद्ध करता है कि $E[Y|S=1, X=1] - E[Y|S=1, X=0]$ (क्रूड अंतर) गैर-शून्य हो सकता है, भले ही $SACE = 0$ हो। ऐसा इसलिए होता है क्योंकि उपचार समूह में जीवित बचे लोगों का सेट उन रिस्क प्रकारों को शामिल करता है जो नियंत्रण समूह में मौजूद नहीं हैं (या मर जाते हैं), जिससे "संभावित परिणामों" के बजाय "जीवित बचे लोगों" की एक पक्षपाती तुलना होती है।
• सूत्र (Formulas): शोध पत्र एक व्यापक तालिका (तालिका 2) प्रदान करता है जो विभिन्न एस्टिमेंड्स (SACE, क्रूड प्रभाव और उत्तरजीविता संभावनाओं सहित) को पृष्ठभूमि कारकों ($A_k, B_k$) और $U$ की संयुक्त संभावनाओं के फलन (function) के रूप में व्यक्त करती है।

5. महत्व (Significance)

• सैद्धांतिक प्रगति: यह कार्य पोटेंशियल आउटकम्स फ्रेमवर्क (आधुनिक कारण अनुमान में प्रमुख) और सफिशिएंट कॉज़ फ्रेमवर्क (तंत्रों को समझने के लिए ऐतिहासिक रूप से महत्वपूर्ण) के बीच के अंतर को पाटता है। यह दिखाता है कि पर्याप्त कारण ढांचा यह समझने के लिए अनूठे अंतर्दृष्टि प्रदान कर सकता है कि कुछ एस्टिमेंड क्यों विफल होते हैं और वे वास्तव में किन विशिष्ट तंत्रों को पकड़ते हैं।
• प्रिंसिपल स्ट्रैटिफिकेशन का स्पष्टीकरण: अपने घटक रिस्क स्टेटस टाइप्स में तोड़कर, लेखक "हमेशा जीवित रहने वाले" जनसंख्या की अधिक गहरी समझ प्रदान करते हैं, जो अमूर्त परिभाषाओं से आगे बढ़कर यांत्रिक विवरणों तक पहुँचती है।
• व्यावहारिक निहितार्थ: निष्कर्ष इस बात को पुख्ता करते हैं कि उपचार के बाद के चरों (जैसे उत्तरजीविता) पर आधारित होना कारण अनुमान के लिए स्वाभाविक रूप से समस्याग्रस्त है। शून्य प्रभावों के लिए विस्तृत व्युत्पन्न शोधकर्ताओं को यह समझने में मदद करता है कि देखे गए प्रभाव की कमी वास्तविक उपचार प्रभावकारिता की कमी के बजाय जीवित बचे जनसंख्या की विशिष्ट संरचना के कारण तो नहीं है।
• भविष्य की दिशाएँ: लेखक सुझाव देते हैं कि इस ढांचे को अन्य उपचार-पश्चात समस्याओं (जैसे उपचार अनुपालन) और मात्रात्मक परिणामों (हैज़र्ड मॉडल के माध्यम से) तक विस्तारित किया जा सकता है, जो जटिल कारण अनुमान सेटिंग्स में पर्याप्त कारण मॉडलों के एकीकरण को प्रोत्साहित करता है।

संक्षेप में, यह शोध पत्र मृत्यु द्वारा ट्रंकेशन का एक कठोर, तंत्र-आधारित पुनर्मूल्यांकन प्रदान करता है, यह प्रदर्शित करता है कि कैसे पर्याप्त कारण ढांचा मानक विश्लेषणों में पूर्वाग्रहों को स्पष्ट करता है और मृत्यु की उपस्थिति में वैध कारण अनुमान के लिए आवश्यक संरचनात्मक स्थितियों को स्पष्ट करता है।