Return-to-Baseline Testing via Empirically Calibrated e-processes

तकनीकी सारांश: अनुभवजन्य रूप से कैलिब्रेटेड e-प्रक्रियाओं के माध्यम से बेसलाइन-पर-वापसी (Return-to-Baseline) परीक्षण

समस्या का निरूपण
यह शोध पत्र उच्च-आवृत्ति निगरानी डेटा में "बेसलाइन-पर-वापसी" (Return to Baseline - RtB) का पता लगाने की समस्या को संबोधित करता है। इस परिवेश में, एक विषय-विशिष्ट बेसलाइन वितरण $P$ होता है जिससे $n$ अवलोकन एकत्र किए जाते हैं। एक हस्तक्षेप (intervention) होता है, जो $r$ अवधि के लिए अज्ञात $P_i$ नामक डेटा-जनरेटिंग वितरण को अस्थायी रूप से बदल देता है। लक्ष्य उस समय बिंदु की क्रमिक रूप से पहचान करना है जब वितरण पूर्व-हस्तक्षेप बेसलाइन $P$ के साथ पुनर्गठित हो जाता है।

यह समस्या शास्त्रीय क्रमिक परीक्षण (जैसे, वाल्ड का लाइकलीहुड रेशियो टेस्ट) या चेंज-पॉइंट डिटेक्शन (जैसे, CUSUM) से भिन्न है क्योंकि:

1. बेसलाइन वितरण $P$ अज्ञात है और इसे एक परिमित नमूने से अनुमानित किया जाना चाहिए, जिससे शून्य परिकल्पना (null hypothesis) एक मिश्रित (composite) परिकल्पना बन जाती है।
2. अनुमानात्मक लक्ष्य एक निश्चित शून्य मॉडल से विचलन का पता लगाने के बजाय, एक पूर्व में देखे गए वितरण पर वापसी को प्रमाणित करना है।
3. प्रक्रिया को निरंतर निगरानी और वैकल्पिक स्टॉपिंग (anytime-valid inference) के तहत वैध रहना चाहिए, जिसमें पूर्व-निर्धारित क्षितिज (horizon) की आवश्यकता न हो।

कार्यप्रणाली
लेखक e-प्रक्रियाओं पर आधारित एक क्रमिक, वितरण-मुक्त परीक्षण प्रक्रिया प्रस्तावित करते हैं, जो गैर-ऋणात्मक सुपर-मार्टिंगेल (non-negative super-martingales) के माध्यम से 'एनीटाइम-वैलिड' त्रुटि नियंत्रण प्रदान करती हैं। कार्यप्रणाली इस प्रकार है:

1. डेटा मॉडल: बेसलाइन डेटा को अर्ध-आवधिक (quasi-periodic) के रूप में मॉडल किया गया है। अवलोकन अवधियों के भीतर $t_{i,j}$ समय पर एकत्र किए जाते हैं, जहाँ सशर्त क्वांटाइल फलन (conditional quantile functions) $f^{(\tau)}(t)$ आवधिकता प्रदर्शित करते हैं। हस्तक्षेप के तहत, वितरण मनमाने ढंग से बदल सकता है, जिससे संभावित रूप से यह आवधिकता खो सकता है।
2. विसंगति माप (Discrepancy Measure): विधि यूनिवर्सल इन्फरेंस अवधारणाओं का उपयोग करती है। यह B-splines के साथ क्वांटाइल रिग्रेशन का उपयोग करके बेसलाइन डेटा से सशर्त क्वांटाइल फलन $\hat{f}^{(\tau)}$ का अनुमान लगाती है। एक नए अवलोकन वेक्टर $x$ के लिए, एक विसंगति सांख्यिकी $T^{(\tau, -k)}(x, S)$ को अनुमानित क्वांटाइल्स से अधिक बिंदुओं की गणना के आधार पर परिभाषित किया जाता है, जिसकी तुलना अपेक्षित गणना $(1-\tau)|S|$ से की जाती है।
3. अनुभवजन्य अंशांकन (Empirical Calibration): पारंपरिक e-प्रक्रियाओं के विपरीत, जो पैरामीट्रिक नल मॉडलों पर निर्भर करती हैं, यह विधि केवल बेसलाइन डेटा का उपयोग करके e-प्रक्रिया को अनुभवजन्य रूप से कैलिब्रेट करती है।
   • एक इंडेक्स का यादृच्छिक उपसमुच्चय $Z$ एक अधिकतम विसंगति $F(Z)$ की गणना करने के लिए चुना जाता है।
   • एक नॉर्मिंग स्थिरांक $D_\gamma$ को बेसलाइन डेटा पर इन विसंगतियों के वितरण (एक "लीव-वन-आउट" दृष्टिकोण का उपयोग करते हुए जहाँ प्रत्येक बेसलाइन अवधि को सत्यापन के लिए अलग रखा जाता है) के नमूना क्वांटाइल के रूप में प्राप्त किया जाता है।
   • यह अंशांकन सुनिश्चित करता है कि प्रक्रिया विषय-विशिष्ट है और इसके लिए किसी नल उप-मॉडल को निर्दिष्ट करने की आवश्यकता नहीं है।
4. E-प्रोसेस का निर्माण: e-प्रक्रिया $M_t$ को स्केल किए गए विसंगति पदों के रनिंग मिनिमम (running minimum) के रूप में बनाया जाता है।
   • $M_t = \frac{1}{n} \sum_{k=1}^n M^{(-k)}_t$, जहाँ प्रत्येक $M^{(-k)}_t$ एक रनिंग मिनिमम है।
   • रनिंग मिनिमम संरचना को विशेष रूप से इसलिए चुना गया है ताकि एक बार जब बेसलाइन वितरण से डेटा देखा जाता है, तो प्रक्रिया तुरंत गिर जाए, जिससे रनिंग एवरेज या उत्पादों से जुड़े अंतराल (lag) के बिना RtB का पता लगाया जा सके।
   • प्रक्रिया को तब रोका जाता है जब $M_t$ थ्रेशोल्ड $1/\alpha$ से नीचे गिर जाता है, जो RtB को प्रमाणित करता है।

प्रमुख योगदान

• निरूपण: RtB समस्या को अज्ञात बेसलाइन वितरणों और वैकल्पिक स्टॉपिंग वाले उच्च-आवृत्ति डेटा के लिए एक क्रमिक परीक्षण कार्य के रूप में स्पष्ट रूप से तैयार किया गया है।
• अनुभवजन्य रूप से कैलिब्रेटेड E-प्रोसेस: एक नवीन वितरण-मुक्त प्रक्रिया प्रस्तावित की गई है जहाँ e-प्रक्रिया को केवल बेसलाइन डेटा पर कैलिब्रेट किया जाता है, जिससे पैरामीट्रिक नल मॉडलों की आवश्यकता समाप्त हो जाती है।
• परिमित-नमूना सीमाएँ (Finite-Sample Bounds): लेख में अंशांकन त्रुटि के लिए परिमित-नमूना सीमाएँ स्थापित की गई हैं (थ्योरम 1)। ये सीमाएँ बेसलाइन डेटा ($n, p$), क्वांटाइल फलनों की स्मूथनेस ($\beta$), स्प्लाइन नॉट्स की संख्या ($d$), सब-सैंपलिंग आकार ($s$), और एक गैप पैरामीटर ($\delta$) पर निर्भर करती हैं। ये सीमाएँ रूढ़िवादिता (conservativeness) और शक्ति (power) के बीच के व्यापार-बंद (trade-offs) को स्पष्ट करती हैं।
• कंप्यूटेशनल विश्लेषण: विशेष रूप से उप-नमूना आकार $s$ और क्वांटाइल स्तरों के चयन के संबंध में कम्प्यूटेशनल जटिलता का विश्लेषण किया गया है।

परिणाम

• सिमुलेशन: प्रक्रिया का परीक्षण विभिन्न बेसलाइन अवधियों ($n$), प्रति अवधि अवलोकनों ($p$), और उप-नमूना आकारों ($s$) वाले सिंथेटिक डेटा पर किया गया।
  • विधि ने उच्च संभाव्यता के साथ RtB का सटीक पता लगाया (उदाहरण के लिए, ~90% सिमुलेशन ने 0 या 1 यूनिट के विलंब के साथ RtB का पता लगाया)।
  • यह दिखाया गया कि विधि स्प्लाइन डिग्री ऑफ फ्रीडम ($df$) के चयन के प्रति मजबूत है।
  • अन्य विधियों (कैलिब्रेटेड p-वैल्यू जिन्हें e-वैल्यू में परिवर्तित किया गया और क्रमिक बोनफेरोनी) के साथ तुलनाओं ने दिखाया कि प्रस्तावित अनुभवजन्य रूप से कैलिब्रेटेड e-प्रोसेस, कैलिब्रेटेड e-वैल्यू दृष्टिकोण (जो कैलिब्रेटर फंक्शन के कारण शक्ति खो देता है) से बेहतर प्रदर्शन करता है और बोनफेरोनी दृष्टिकोण के बराबर है, जबकि पूर्व-निर्धारित क्षितिज के बिना 'एनीटाइम-वैलिड' गारंटी प्रदान करता है।
• क्लिनिकल केस स्टडी: इस विधि को कॉर्टिकोस्टेरॉइड प्रशासन के बाद NIEM-O अध्ययन से मातृ-भ्रूण निगरानी डेटा (भ्रूण हृदय गति) पर लागू किया गया।
  • एकल रोगी के डेटा का उपयोग करते हुए, प्रक्रिया ने प्रशासन के लगभग 35 घंटे बाद बेसलाइन पर वापसी का पता लगाया।
  • विश्लेषण को कई टेम्पोरल रेजोल्यूशन (15 से 50 मिनट के उप-खंडों) में किया गया, जो विधि की मल्टी-स्केल क्षमता को प्रदर्शित करता है।
  • परिणाम फार्माकोकाइनेटिक साक्ष्यों और मौजूदा साहित्य में मौजूद मोटे विश्लेषणों के अनुरूप थे, लेकिन वे सूक्ष्म टेम्पोरल रेजोल्यूशन और विषय-विशिष्ट निष्कर्ष प्रदान करते हैं।

महत्व और दावे
लेख दावा करता है कि प्रस्तावित प्रक्रिया आधुनिक उच्च-आवृत्ति निगरानी की कठोर आवश्यकताओं को सफलतापूर्वक पूरा करती है:

1. विषय-विशिष्ट: यह जनसंख्या-स्तरीय पैरामीट्रिक मॉडलों पर निर्भर रहने के बजाय व्यक्तिगत बेसलाइनों के अनुकूल होती है।
2. एनीटाइम-वैलिड: यह विले के असमानता (Ville's inequality) के माध्यम से निरंतर निगरानी और वैकल्पिक स्टॉपिंग के तहत वैध टाइप I त्रुटि नियंत्रण प्रदान करती है।
3. मजबूती (Robustness): यह वितरण-मुक्त है और आउटलेर्स एवं मॉडल मिस-स्पेसिफिकेशन के प्रति मजबूत है, क्योंकि अंशांकन अनुभवजन्य है।
4. कोई अंतराल नहीं (No Lag): रनिंग मिनिमम का उपयोग बेसलाइन पर वापसी का तत्काल पता लगाने की अनुमति देता है, जिससे अन्य क्रमिक विधियों में अंतर्निहित विलंब से बचा जा सकता है।

लेखक नोट करते हैं कि हालांकि सैद्धांतिक सीमाएँ स्मूथनेस धारणाओं (Hölder class) पर निर्भर करती हैं जिन्हें व्यवहार में सत्यापित नहीं किया जा सकता है, अंशांकन चरण तब भी वैध रहता है जब मॉडल मिस-स्पेसिफाइड हो। संख्यात्मक प्रयोगों से पता चलता है कि प्रक्रिया रूढ़िवादी (conservative) है, जिसका अर्थ है कि भविष्य के कार्यों में सैद्धांतिक सीमाओं में सुधार किया जा सकता है। इस ढांचे को कई संकेतों और सह-चरों (covariates) के लिए विस्तार योग्य भी बताया गया है।