Implementing the principal stratum strategy for intercurrent events with survival outcomes: a tutorial
यह ट्यूटोरियल पेपर ICH E9 (R1) एस्टिमैंड फ्रेमवर्क के भीतर सर्वाइवल एनालिसिस में इंटरकरेंट इवेंट्स को संभालने के लिए प्रिंसिपल स्ट्रैटम रणनीति के कार्यान्वयन की समीक्षा और प्रदर्शन करता है, जो एक क्लिनिकल ऑन्कोलॉजी उदाहरण और सिमुलेशन अध्ययनों के माध्यम से कार्यप्रणाली, धारणाओं, संवेदनशीलता विश्लेषण और R कोड पर एक विस्तृत मार्गदर्शिका प्रदान करता है।
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 दौड़ आयोजित कर रहे हैं यह देखने के लिए कि दो जूतों में से कौन सा (जूता A बनाम जूता B) लोगों को सबसे लंबे समय तक दौड़ने में मदद करता है। आप यादृच्छिक रूप से (randomly) आधे धावकों को जूता A और बाकी आधे को जूता B देते हैं।
लेकिन यहाँ एक समस्या है: दौड़ के दौरान, कई धावक अपने निर्धारित जूते पहनना छोड़ देते हैं। शायद जूता A उनके पैरों में दर्द करता है, इसलिए वे जूता B पर स्विच कर लेते हैं। शायद जूता B टूट जाता है, इसलिए वे पूरी दौड़ ही छोड़ देते हैं।
एक मानक विश्लेषण (standard analysis) में, आप केवल यह देखेंगे कि कौन पहले दौड़ पूरी करता है, चाहे उन्होंने अपना निर्धारित जूता पहना हो या नहीं। इसे "इन्टेन्शन-टू-ट्रीट" (Intention-to-Treat) कहा जाता है। यह निष्पक्ष है, लेकिन यह आपको यह नहीं बताता कि क्या जूता A वास्तव में लोगों को दौड़ने में मदद करने के लिए बेहतर है, या क्या वे लोग जिन्होंने जूटा पहनना छोड़ दिया, वे शुरू से ही धीमे धावक थे।
यह शोध पत्र वैज्ञानिकों के लिए एक ट्यूटोरियल (एक चरण-दर-चरण मार्गदर्शिका) है कि इस बहुत कठिन प्रश्न का उत्तर कैसे दिया जाए: "यदि कोई धावक पूरे समय अपना निर्धारित जूता पहने रहता, तो उसका प्रदर्शन कैसा होता?"
लेखक इस रणनीति को "प्रिंसिपल स्ट्रैटम स्ट्रैटेजी" (Principal Stratum Strategy) कहते हैं। यहाँ वे इसे सरल अवधारणाओं का उपयोग करके समझाते हैं:
1. "टाइम ट्रैवल" की समस्या
यह जानने के लिए कि एक जूता काम करता है या नहीं, आपको यह जानने की आवश्यकता है कि क्या होता यदि धावक ने कभी भी अपना जूता पहनना नहीं छोड़ा होता। लेकिन आप टाइम ट्रैवल नहीं कर सकते। आप केवल वही देख सकते हैं जो वास्तव में हुआ।
- आप एक धावक को देखते हैं जिसने 10 मिनट तक जूता A पहना और फिर छोड़ दिया।
- आप नहीं जानते कि यदि उन्हें जूता B दिया गया होता, तो क्या वे फिर भी छोड़ देते।
- आप नहीं जानते कि यदि उन्हें जूता A दिया गया होता, तो क्या वे चलते रहते।
चूंकि आप "क्या होता" को देख नहीं सकते, इसलिए ये समूहों के धावक अदृश्य (latent) हैं। शोध पत्र इन अदृश्य समूहों को "प्रिंसिपल स्ट्रेटा" (Principal Strata) कहता है।
2. चार अदृश्य टीमें
लेखक कल्पना करते हैं कि हर धावक एक ऐसी अदृश्य टीम का हिस्सा है कि वे जूतों के प्रति कैसे प्रतिक्रिया देंगे, चाहे उन्हें कोई भी जूता मिला हो:
- "हमेशा-जारी-रखने वाले" (The Always-Continuers): वे लोग जो कोई भी जूटा मिलने पर उसे पहनना जारी रखेंगे। (ये वे लोग हैं जिन्हें हम वास्तव में अध्ययन करना चाहते हैं ताकि देख सकें कि क्या जूता काम करता है)।
- "हमेशा-छोड़ने वाले" (The Always-Quitters): वे लोग जो कोई भी जूता मिलने पर उसे छोड़ देंगे।
- "स्विच करने वाले" (The Switchers): वे लोग जो "खराब" जूता मिलने पर छोड़ देंगे लेकिन "अच्छे" जूते के साथ चलते रहेंगे।
- "रिवर्स स्विचर्स" (The Reverse Switchers): वे लोग जो "अच्छे" जूते के साथ छोड़ देंगे लेकिन "खराब" जूते के साथ चलते रहेंगे।
चूंकि आप यह नहीं देख सकते कि व्यक्ति किस टीम पर है, इसलिए आपको गणित का उपयोग करके अनुमान लगाना होगा।
3. अदृश्य टीमों का अनुमान लगाने के दो तरीके
शोध पत्र इन अदृश्य टीमों को अलग करने और परिणाम की गणना करने के लिए दो अलग-अलग गणितीय "जादुई ट्रिक्स" सिखाता है:
- विधि 1: मिश्रण मॉडल (द "ब्लेंडर" दृष्टिकोण)
कल्पना कीजिए कि आपके पास चार अलग-अलग फलों (चार टीमों) से बना एक स्मूदी है। आप स्मूदी का स्वाद ले सकते हैं (डेटा), लेकिन आप व्यक्तिगत फलों को नहीं देख सकते। यह विधि कंप्यूटर का उपयोग करके उस स्मूदी को "अन-ब्लेंड" (un-blend) करने के लिए करती है। यह स्वाद और रेसिपी (मान्यताओं) के आधार पर सामग्री के बारे में अनुमान लगाती है। यह बहुत लचीली है लेकिन इसके लिए बहुत अधिक कंप्यूटर पावर और सावधानीपूर्वक अनुमान की आवश्यकता होती है। - विधि 2: वेटिंग विधि (द "स्केल" दृष्टिकोण)
यह विधि एक तराजू पर वजन रखने की तरह है। यह उन धावकों को देखती है जिन्होंने वास्तव में छोड़ दिया और उन धावकों को खोजने की कोशिश करती है जिन्होंने नहीं छोड़ा लेकिन वे बिल्कुल उनके जैसे दिखते हैं (समान आयु, समान स्वास्थ्य, आदि)। फिर यह डेटा को "वेट" (weight) देती है ताकि यह दिखावा किया जा सके कि अदृश्य टीमें दृश्यमान हैं। यह विधि तेज़ है और अक्सर अधिक सटीक होती है, लेकिन यह एक सख्त नियम पर निर्भर करती है: कि छोड़ने के "अदृश्य" कारण पूरी तरह से उस जानकारी द्वारा स्पष्ट किए गए हैं जो हमारे पास पहले से मौजूद है (जैसे आयु या स्वास्थ्य)।
4. वास्तविक दुनिया का परीक्षण: कैंसर ट्रायल
इन विधियों के काम करने को साबित करने के लिए, लेखकों ने किडनी कैंसर के बारे में एक वास्तविक चिकित्सा अध्ययन पर इनका परीक्षण किया।
- परिदृश्य: रोगियों को एक नई दवा या एक मानक दवा दी गई। कई लोग दुष्प्रभावों (विषाक्तता) के कारण नई दवा लेना बंद कर देते हैं।
- लक्ष्य: वे जानना चाहते थे कि: "यदि उन रोगियों ने नई दवा लेना जारी रखा होता जिन्होंने इसे छोड़ दिया था, तो क्या वे अधिक समय तक जीवित रहते?"
- परिणाम: दोनों विधियाँ बड़े चित्र पर सहमत थीं:
- "हमेशा-जारी-रखने वालों" (वे लोग जो दवा को सहन कर सकते थे) के लिए, नई दवा ने जीवित रहने के समय में पुरानी दवा की तुलना में बहुत बड़ा अंतर नहीं दिखाया।
- हालाँकि, गणित ने दिखाया कि परिणाम अनिश्चित थे। "कॉन्फिडेंस इंटरवल" (त्रुटि की सीमा) बहुत विस्तृत थी। यह कहने जैसा है कि, "नया जूता मदद कर सकता है, या नुकसान पहुँचा सकता है, या कुछ भी नहीं कर सकता—हम अभी निश्चित नहीं हो सकते।"
5. "क्या होगा अगर" सुरक्षा जांच (सेंसिटिविटी एनालिसिस)
चूंकि ये विधियां अदृश्य लोगों के बारे में अनुमान लगाने पर निर्भर करती हैं, इसलिए लेखक सेंसिटिविटी एनालिसिस (Sensitivity Analysis) के महत्व पर जोर देते हैं।
इसे एक स्ट्रेस टेस्ट के रूप में सोचें। आप पूछते हैं: "क्या होगा यदि अदृश्य टीमों के बारे में मेरा अनुमान थोड़ा गलत था?"
- यदि अनुमान को बदलने पर उत्तर नाटकीय रूप से बदल जाता है, तो परिणाम नाजुक है।
- यदि उत्तर लगभग वैसा ही रहता है, तो परिणाम मजबूत (robust) है।
शोध पत्र दिखाता है कि जब उन्होंने अपनी मान्यताओं को बदला, तब भी मुख्य निष्कर्ष (कि दवा ने "हमेशा-जारी-रखने वालों" के लिए स्पष्ट रूप से मदद नहीं की) वही रहा।
सारांश
यह शोध पत्र उन वैज्ञानिकों के लिए एक मार्गदर्शिका है जो क्लिनिकल ट्रायल्स में लोगों के इलाज छोड़ने के "शोर" (noise) से परे देखना चाहते हैं। यह उन्हें यह समझने के लिए उन्नत गणित का उपयोग करना सिखाता है कि उन विशिष्ट लोगों के समूह को कैसे अलग किया जाए जो उपचार के साथ बने रह सकते हैं, ताकि यह देखा जा सके कि उपचार वास्तव में उनके लिए काम करता है या नहीं।
लेखक निष्कर्ष निकालते हैं कि हालांकि यह रणनीति शक्तिशाली है और मानक तरीकों की तुलना में गहरी अंतर्दृष्टि प्रदान करती है, लेकिन यह जटिल है और अक्सर अनिश्चित उत्तरों का परिणाम देती है क्योंकि हम उन चीजों को मापने की कोशिश कर रहे हैं जिन्हें हम सीधे नहीं देख सकते। वे वैज्ञानिकों से आग्रह करते हैं कि वे इन उपकरणों का सावधानीपूर्वक उपयोग करें, अपनी मान्यताओं की जांच करें, और दोनों विधियों ( "ब्लेंडर" और "स्केल") का उपयोग करें ताकि वे देख सकें कि क्या वे सहमत हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।