Effects conditional on post-treatment events generated by independent mechanisms

यहाँ पिकिनिनी और स्टेंसरुड के शोध पत्र "Effects Conditional on Post-Treatment Events Generated by Independent Mechanisms" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

अवलोकन संबंधी अध्ययनों (observational studies) और रैंडमाइज्ड कंट्रोल्ड ट्रायल्स (RCTs) दोनों में, शोधकर्ता अक्सर उपचार के बाद की घटनाओं (post-treatment events) (जैसे, ड्रॉपआउट, गैर-अनुपालन, मृत्यु) का सामना करते हैं जो उपचार ($A$) के निर्धारण के बाद लेकिन परिणाम ($Y$) के मापन से पहले घटित होती हैं।

• चुनौती: विशिष्ट कारण प्रभावों (जैसे, प्रत्यक्ष प्रभाव या जीवित बचे लोगों के बीच प्रभाव) को अलग करने के लिए इन उपचार के बाद की चरों ($D$) पर स्थितिजन्य (condition) होना अक्सर कोलाइडर स्ट्रैटिफिकेशन बायस (collider stratification bias) की ओर ले जाता है। यहाँ तक कि RCTs में भी, यदि $D$, $A$ से प्रभावित है और $Y$ के साथ अनमैपित (unmeasured) सामान्य कारणों ($U$) को साझा करता है, तो $D$ पर स्थितिजन्य होना $A$ और $Y$ के बीच एक गैर-कारण पथ (non-causal path) खोल देता है, जिससे मानक सशर्त तुलनाएं व्याख्या योग्य नहीं रह जातीं।
• वर्तमान सीमाएँ: मौजूदा कारण अनुमान (causal estimands) जो उपचार के बाद की घटनाओं को ध्यान में रखते हैं, जैसे कि कंडीशनल सेपरेबल इफेक्ट्स (CSE) और सर्वाइवर एवरेज कॉज़ल इफेक्ट्स (SACE), पहचान प्राप्त करने के लिए आमतौर पर अनमैपित कन्फाउंडर्स ($U$) या प्रॉक्सी चरों के मापन की आवश्यकता रखते हैं। कई व्यावहारिक सेटिंग्स में, $U$ को मापना असंभव है।

2. कार्यप्रणाली और मुख्य धारणाएँ (Methodology and Core Assumptions)

लेखक एक नवीन पहचान रणनीति प्रस्तावित करते हैं जो कन्फाउंडर्स के मापन के बजाय "स्वतंत्र तंत्र" (Independent Mechanisms) की अवधारणा पर निर्भर करती है।

कारण ढांचा (Causal Framework)

यह अध्ययन एक फिनेस्ट फुली रैंडमाइज्ड कॉज़ली इंटरप्रिटेड स्ट्रक्चर्ड ट्री ग्राफ (FFRCISTG) मॉडल का उपयोग करता है। मानक सेटअप में शामिल हैं:

• $A$: रैंडमाइज्ड उपचार।
• $D$: उपचार के बाद की घटना (जैसे, मृत्यु, गैर-अनुपालन)।
• $Y$: परिणाम (यदि $D$ घटित होता है तो अनिर्भाषित)।
• $U$: $D$ और $Y$ के अनमैपित सामान्य कारण।

मुख्य धारणाएँ (Key Assumptions)

कन्फाउंडर्स को मापे बिना कारण प्रभावों की पहचान उपचार और उपचार के बाद की घटना जनरेशन प्रक्रिया को विघटित करने पर निर्भर करती है:

1. उपचार विघटन (धारणाएँ 4 और 5): उपचार $A$ को दो स्वतंत्र घटकों के रूप में माना जाता है:

   • $A_D$: उपचार के बाद की घटना को प्रभावित करने वाला एक घटक (जैसे, मृत्यु का कारण बनने वाले एनेस्थेटिक दुष्प्रभाव)।
   • $A_Y$: सीधे परिणाम को प्रभावित करने वाला एक घटक (जैसे, जीवन की गुणवत्ता को प्रभावित करने वाली सर्जरी स्वयं)।
   • प्रेक्षित डेटा में, $A = A_D = A_Y$ है, लेकिन काल्पनिक हस्तक्षेप इन्हें असंगत रूप से सेट कर सकते हैं।

2. स्वतंत्र तंत्र (धारणाएँ 1, 2, और 3):

   • मध्यस्थता (Mediation): उपचार $D$ को केवल एक विशिष्ट उप-घटक $D_A$ (जो $A_D$ द्वारा मध्यस्थ है) के माध्यम से प्रभावित करता है।
   • स्वतंत्रता (Independence): $D_A$ (उपचार-प्रेरित घटना) उत्पन्न करने वाला तंत्र, अन्य कारणों (प्रतिनिधित्व $U$ द्वारा) के माध्यम से $D$ उत्पन्न करने वाले तंत्र से सांख्यिकीय रूप से स्वतंत्र है।
   • निश्चयात्मकता (Determinism): यदि विशिष्ट उपचार-प्रेरित घटना $D_A$ घटित होती है, तो सामान्य उपचार के बाद की घटना $D$ घटित होती है ($D_A=1 \implies D=1$)।

3. गुणात्मक उत्तरजीविता मॉडल (Multiplicative Survival Model): ये धारणाएँ निहित करती हैं कि उत्तरजीविता ($D=0$) की संभावना उपचार के एक फलन (function) और अनमैपित कन्फाउंडर्स के एक फलन के गुणनफल के रूप में विभाजित होती है:
   $$Pr(D^{a}=0 | U=u) = Pr(D=0 | U=u, D_A=0) \times Pr(D_A=0 | A=a)$$
   यह गुणात्मक संरचना पहचान परिणाम की गणितीय कुंजी है।

3. मुख्य योगदान और परिणाम (Key Contributions and Results)

A. कंडीशनल सेपरेबल इफेक्ट्स (CSE) की पहचान

प्राथमिक योगदान प्रपोजिशन 1 है, जो कहता है कि "स्वतंत्र तंत्र" की धारणाओं के तहत, Conditional Separable Effect को केवल उन लोगों के बीच प्रेक्षित डेटा का उपयोग करके पहचाना जा सकता है जिन्होंने उपचार के बाद की घटना का अनुभव नहीं किया है ($D=0$)।

• एस्टीमेटर (The Estimator):
  $$CSE(a') = E(Y | A=1, D=0) - E(Y | A=0, D=0)$$
• महत्व: यह परिणाम विरोधाभासी है क्योंकि मानक DAG सिद्धांत बताता है कि कोलाइडर ($D$) पर स्थितिजन्य होने से बायस उत्पन्न होता है। हालाँकि, लेखक सिद्ध करते हैं कि मल्टीप्लिकेटिव सर्वाइवल मॉडल के तहत, $U$ का वितरण (उत्तरजीविता की स्थिति में) उपचारों के बीच अपरिवर्तित रहता है। अतः, "नाइव" (naive) सशर्त तुलना वास्तव में $A_D$ को स्थिर रखते हुए $A_Y$ घटक के वैध कारण प्रभाव का अनुमान है।

B. सर्वाइवर एवरेज कॉज़ल इफेक्ट (SACE) की पहचान

लेखक इस तर्क को SACE (हमेशा जीवित रहने वालों के बीच प्रभाव) तक विस्तारित करते हैं। एक मोनोटोनिसिटी धारणा (धारणा 6) और एक क्रॉस-वर्ल्ड इंडिपेंडेंस धारणा (धारणा 7) जोड़कर, वे दिखाते हैं कि SACE को भी उसी फलन द्वारा पहचाना जा सकता है:
$$SACE = E(Y | A=1, D=0) - E(Y | A=0, D=0)$$

C. धारणाओं का शिथिल होना (Relaxation of Assumptions)

पेपर प्रपोजिशन 3 (परिशिष्ट D) प्रदान करता है, जो दिखाता है कि पहचान तब भी बनी रहती है यदि एक मापा गया चर $L$ मौजूद है जो $D_A$, $D$, और $Y$ का कारण बनता है, बशर्ते कि $L$ को अनुमान में समायोजित किया गया हो। यह इस पद्धति को उन सेटिंग्स के लिए लागू बनाता है जहाँ कुछ कन्फाउंडिंग मापी गई है, लेकिन सभी नहीं।

4. दृष्टांत उदाहरण (Illustrative Examples)

लेखक तीन अलग-अलग परिदृश्यों के माध्यम से अपने सिद्धांत को मान्य करते हैं:

1. प्लास्टिक सर्जरी (मृत्यु द्वारा ट्रंकेशन):

   • परिदृश्य: सर्जरी ($A$) जीवन की गुणवत्ता ($Y$) में सुधार करती है लेकिन विशिष्ट एनेस्थेटिक प्रतिक्रियाओं ($D_A$) के कारण मृत्यु ($D$) का जोखिम भी उठाती है।
   • अनुप्रयोग: यदि एनेस्थेटिक प्रतिक्रियाएं रोगी की कोमोरबिडिटीज ($U$) से स्वतंत्र हैं जो मृत्यु और जीवन की गुणवत्ता दोनों को प्रभावित करती हैं, तो जीवित बचे लोगों के बीच जीवन की गुणवत्ता में अंतर, एनेस्थेटिक जोखिम के बिना, सर्जरी के प्रभाव का सीधा अनुमान लगाता है।

2. जन्म भार विरोधाभास (Birth Weight Paradox):

   • परिदृश्य: मातृ धूम्रपान ($A$) कम जन्म भार ($D$) और शिशु मृत्यु दर ($Y$) से जुड़ा है। धूम्रपान करने वाली माताओं के कम जन्म भार वाले शिशुओं में गैर-धूम्रपान करने वालों की तुलना में कम मृत्यु दर देखी जाती है (विरोधाभास)।
   • अनुप्रयोग: लेखक तर्क देते हैं कि यदि "धूम्रपान के कारण कम जन्म भार" ($D_A$) कम जन्म भार/मृत्यु दर के अन्य कारणों ($U$) से यांत्रिक रूप से स्वतंत्र है, तो उच्च-जन्म-भार वाले शिशुओं ($D=0$) के बीच धूम्रपान और मृत्यु दर के बीच का संबंध मृत्यु दर पर धूम्रपान के प्रत्यक्ष प्रभाव का एक वैध अनुमान है, जो सभी कन्फाउंडर्स को मापने की आवश्यकता के बिना इस विरोधाभास को हल करता है।

3. धूम्रपान छोड़ना (गैर-अनुपालन):

   • परिदृश्य: ई-सिगरेट बनाम निकोटीन पैच की तुलना। गैर-अनुपालन ($D$) दुष्प्रभावों ($D_A$) द्वारा संचालित होता है।
   • अनुप्रयोग: यदि दुष्प्रभाव (जैसे, पैच से त्वचा में जलन) गैर-अनुपालन के अन्य कारणों से स्वतंत्र हैं, तो अनुपालन करने वालों के बीच उपचार असाइनमेंट का प्रभाव, साइड-इफेक्ट प्रोफाइल से स्वतंत्र होकर, डिलीवरी सिस्टम (जैसे, पैच बनाम ई-सिगरेट) के प्रभाव का अनुमान लगाता है।

5. महत्व और निहितार्थ (Significance and Implications)

• "अनमैपित कन्फाउंडर" की बाधा को पार करना: यह कार्य इस धारणा को चुनौती देता कि उपचार के बाद की घटनाओं पर स्थितिजन्य होने के लिए हमेशा बायस से बचने के लिए कन्फाउंडर्स को मापना आवश्यक है। यह प्रदर्शित करता है कि उपचार के बाद की घटना के बारे में विशिष्ट संरचनात्मक धारणाएं कन्फाउंडर्स के डेटा का विकल्प हो सकती हैं।
• व्यावहारिक उपयोगिता: यह उन RCTs में "पर-प्रोटोकॉल" या "सर्वाइवर" आबादी के विश्लेषण के लिए एक कठोर औचित्य प्रदान करता है जब उपचार के बाद की घटना एक विशिष्ट, अलग तंत्र (जैसे, एक विशिष्ट दवा का दुष्प्रभाव) द्वारा संचालित होती है।
• सैद्धांतिक सेतु: यह सेपरेबल इफेक्ट्स, प्रिंसिपल स्ट्रैटिफिकेशन और इंस्ट्रुमेंटल वेरिएबल विश्लेषण को जोड़ता है, यह दिखाते हुए कि विशिष्ट "स्वतंत्र तंत्र" स्थितियों के तहत, सरल सशर्त अपेक्षाएं जटिल कारण अनुमान प्रदान करती हैं।
• चेतावनी (Caveat): परिणामों की वैधता पूरी तरह से "स्वतंत्र तंत्र" धारणा की तर्कसंगतता पर टिकी है। कई वास्तविक दुनिया के परिदृश्यों में, उपचार-प्रेरित घटनाएं रोगी की विशेषताओं ($U$) के साथ सह-संबंधित हो सकती हैं, जिससे बिना मजबूत विषय-वस्तु ज्ञान के इस धारणा को उचित ठहराना कठिन हो जाता है।

संक्षेप में, पिकिनिनी और स्ट्रेसरुड एक शक्तिशाली सैद्धांतिक ढांचा प्रदान करते हैं जो शोधकर्ताओं को उपचार के बाद की घटनाओं की उपस्थिति में सशर्त संबंधों को कारण प्रभावों के रूप में व्याख्या करने की अनुमति देता है, बशर्ते कि घटना एक ऐसे तंत्र के माध्यम से उत्पन्न होती है जो परिणाम के अनमैपित कारणों से स्वतंत्र हो।