Surrogate-assisted optimal sampling for risk prediction under measurement constraints

तकनीकी सारांश: माप संबंधी बाधाओं के तहत जोखिम भविष्यवाणी के लिए सरोगेट-सहायता प्राप्त इष्टतम नमूनाकरण

समस्या का संदर्भ
कई जोखिम भविष्यवाणी परिदृश्यों में, जैसे कि इलेक्ट्रॉनिक हेल्थ रिकॉर्ड (EHR) विश्लेषण में, लक्षित जनसंख्या के लिए सहचर (covariates) और एक रिस्पॉन्स सरोगेट (जैसे नैदानिक कोड) उपलब्ध होते हैं, लेकिन वास्तविक रिस्पॉन्स (true response) को ज्ञात करना महंगा होता है और यह केवल एक सीमित उपसमुच्चय के लिए ही देखा जाता है। यह एक डिज़ाइन समस्या उत्पन्न करता है: एक निश्चित माप बजट (measurement budget) को आवंटित करने के लिए यह कैसे तय किया जाए कि किन अवलोकनों (observations) के वास्तविक रिस्पॉन्स को मापा जाना चाहिए ताकि एक इष्टतम भविष्यवाणी मॉडल बनाया जा सके।

मौजूदा सबसैंपलिंग विधियाँ अक्सर इस सेटिंग में सीमाओं का सामना करती हैं। सिंपल रैंडम सैंपलिंग (SRS) सूचनात्मकता (informativeness) में निहित विषमता का लाभ उठाने में विफल रहती है। पैरामीटर अनुमान को अनुकूलित करने वाली विधियाँ (जैसे वांग एट अल., 2018) डिज़ाइन के लिए प्रेक्षित रिस्पॉन्स की आवश्यकता रखती हैं, जो अनलेबल समूह के लिए उपलब्ध नहीं होते हैं। अन्य दृष्टिकोण (जैसे शेन और निंग, 2025; ली एट अल., 2023) पैरामीटर या भविष्यवाणियों के मीन स्क्वेयर्ड एरर (MSE) को कम करने पर ध्यान केंद्रित करते हैं, जो सीधे बाइनरी रिस्क प्रेडिक्शन प्रदर्शन के साथ संरेखित नहीं हो सकते हैं। इसके अलावा, कई मौजूदा विधियाँ यह मानती हैं कि सरोगेट सकारात्मक मामलों की सटीक पहचान करते हैं, जो व्यवहार में लागू नहीं हो सकता है।

कार्यप्रणाली
लेखक एक सरोगेट-असिस्टेड ऑप्टिमल सैंपलिंग फ्रेमवर्क प्रस्तावित करते हैं जो विशेष रूप से माप संबंधी बाधाओं के तहत बाइनरी रिस्क प्रेडिक्शन के लिए डिज़ाइन किया गया है।

1. सेटिंग:

   • माना कि $y_i \in \{0, 1\}$ वास्तविक रिस्पॉन्स है और $s_i$ एक सरोगेट इंडिकेटर है जहाँ $s_i=1 \implies y_i=1$।
   • $s_i=1$ वाले अवलोकन पुष्ट सकारात्मक मामले हैं जिनके रिस्पॉन्स ज्ञात हैं।
   • $s_i=0$ वाले अवलोकन अनलेबल हैं (जिनमें वास्तविक पॉजिटिव और नेगेटिव दोनों शामिल हैं)। लक्ष्य इन $s_i=0$ अवलोकनों के एक उपसमुच्चय को रिस्पॉन्स मापने के लिए चुनना है।
   • एक माप बजट $C$, $s_i=0$ समूह से चुने गए अवलोकनों की कुल संख्या को सीमित करता है।

2. अनुमान (Estimation):

   • एक प्रेडिक्शन मॉडल $p(x, \beta)$ द्वारा $P(Y=1|x)$ का अनुमान लगाया जाता है।
   • मॉडल पैरामीटर $\beta$ का अनुमान एक इनवर्स प्रोबेबिलिटी वेटेड (IPW) क्रॉस-एन्ट्रॉपी लॉस को कम करके लगाया जाता है:
     $$L_N(\beta) = -\sum_{i=1}^N \frac{\delta_i}{\pi_T(x_i)} [y_i \log p(x_i, \beta) + (1-y_i) \log(1-p(x_i, \beta))]$$
     जहाँ $\delta_i$ सैंपलिंग इंडिकेटर है और $\pi_T(x_i)$ कुल सैंपलिंग प्रोबेबिलिटी है।

3. इष्टतम नमूनाकरण डिज़ाइन (Optimal Sampling Design):

   • लेखक अपेक्षित आउट-ऑफ-सैंपल क्रॉस-एन्ट्रॉपी लॉस के लीडिंग टर्म (leading term) को व्युत्पन्न करते हैं, जो $s_i=0$ समूह के लिए सैंपलिंग प्रोबबिलिटी $\pi(z)$ पर निर्भर करता है।
   • इष्टतम सैंपलिंग प्रोबेबिलिटी को बजट बाधा के अधीन इस लीडिंग टर्म के एम्पिरिकल काउंटरपार्ट को न्यूनतम करके प्राप्त किया जाता है।
   • इसका समाधान इस रूप में होता है:
     $$\hat{\pi}_i \propto \sqrt{a_i(\hat{\beta})}$$
     जहाँ $a_i(\hat{\beta})$ क्रॉस-एन्ट्रॉपी लॉस के एसिम्प्टोटिक वेरिएंस (asymptotic variance) में $i$-वें अवलोकन के योगदान को दर्शाता है, और $\hat{\beta}$ एक प्रारंभिक अनुमानक (preliminary estimator) है।
   • दो-चरणीय प्रक्रिया: चूंकि $\hat{\beta}$ प्रारंभ में अज्ञात है, लेखक एक दो-चरणीय एल्गोरिदम प्रस्तावित करते हैं:
     1. एक पायलट सैंपल या सिंपल रैंडम सैंपलिंग का उपयोग करके एक प्रारंभिक अनुमानक $\tilde{\beta}$ प्राप्त करें।
     2. $\tilde{\beta}$ और $\hat{\pi}$ के आधार पर इष्टतम सैंपलिंग प्रोबेबिलिटी की गणना करें और अंतिम मॉडल को फिट करने के लिए रि-सैंपल/रिस्पॉन्स मापें।

4. सैद्धांतिक गुण:

   • नियमित शर्तों (कॉम्पैक्ट पैरामीटर स्पेस, स्मूथनेस, इनवर्टिबिलिटी ऑफ हेसियन) के तहत, प्रस्तावित अनुमानक $\hat{\beta}_{\pi}$ को कंसिस्टेंट (consistent) और एसिम्प्टोटिकली नॉर्मल (asymptotically normal) दिखाया गया है।
   • थ्योरम 3 यह स्थापित करता है कि प्रस्तावित डिज़ाइन समान बजट वाले सभी स्वीकार्य सैंपलिंग रणनीतियों में से अपेक्षित आउट-ऑफ-सैंपल क्रॉस-एन्ट्रॉपी लॉस के लीडिंग-ऑर्डर टर्म को न्यूनतम करता है।

मुख्य योगदान

1. सामान्य प्रयोज्यता: यह विधि स्मूथ पैरामेट्रिक रिस्क प्रेडिक्शन मॉडल्स के एक सामान्य वर्ग पर लागू होती है, जो केवल लॉजिस्टिक रिग्रेशन या विशिष्ट जनरल लाइनियर मॉडल्स (GLMs) तक सीमित नहीं है।
2. बाधाओं के तहत व्यवहार्यता: यह डिज़ाइन डिज़ाइन चरण के दौरान लक्षित अनलेबल अवलोकनों के लिए वास्तविक रिस्पॉन्स की आवश्यकता नहीं रखता है, बल्कि केवल सहचर (covariates), सरोगेट और एक प्रारंभिक अनुमानक पर निर्भर करता है।
3. भविष्यवाणी-उन्मुख मानदंड: मौजूदा विधियों के विपरीत, जो पैरामीटर एस्टीमेशन MSE या प्रेडिक्शन MSE को कम करती हैं, यह फ्रेमवर्क सीधे अपेक्षित क्रॉस-एन्ट्रॉपी लॉस को अनुकूलित करता है, जिससे बाइनरी रिस्क प्रेडिक्शन के लक्ष्य के साथ सैंपलिंग रणनीति संरेखित होती है।

परिणाम
लेखक व्यापक सिमुलेशन और दो वास्तविक-डेटा अनुप्रयोगों के माध्यम से विधि को मान्य करते हैं:

• सिमुलेशन:

  • सही सरोगेट्स (Correct Surrogates): जब सरोगेट्स सकारात्मक मामलों की सही पहचान करते हैं ($P(Y=1|S=1)=1$), तो प्रस्तावित क्रॉस-एन्ट्रॉपी (CE) विधि MSE-आधारित ऑप्टिमल सैंपलिंग (ली एट अल., 2023), OSCA और SRS की तुलना में सबसे कम क्रॉस-एन्ट्रॉपी लॉस और प्रतिस्पर्धी MSE, सेंसिटिविटी और स्पेसिफिसिटी प्राप्त करती है।
  • गलत निर्दिष्ट सरोगेट्स (Misspecified Surrogates): जब $P(Y=1|S=1)=1$ की धारणा का उल्लंघन होता है (अर्थात सरोगेट समूह में फाल्स पॉजिटिव मौजूद हैं), तो CE विधि बेहतर मजबूती (robustness) प्रदर्शित करती है। यह प्रतिस्पर्धियों की तुलना में कम क्रॉस-एन्ट्रॉपी लॉस और बेहतर वर्गीकरण स्थिरता बनाए रखती है, जिनका प्रदर्शन फाल्स-पॉजिटिव संदूषण के तहत काफी गिर जाता है।
  • दुर्लभ परिणाम (Rare Outcomes): कम प्रचलन ($\approx 5\%$) और बिना सरोगेट जानकारी वाले परिदृश्य में, CE विधि SRS और OSCA (जो इस मामले में SRS में बदल जाता है) से बेहतर प्रदर्शन करती है और MSE-आधारित विधि में देखे गए संख्यात्मक क्षरण (numerical degeneracy) से बचती है।

• वास्तविक डेटा अनुप्रयोग:

  • डिप्रेशन प्रेडिक्शन (MIMIC-III): ICU एडमिशन रिकॉर्ड का उपयोग करते हुए, CE विधि विभिन्न सैंपलिंग बजट ($C=100$ से $400$) में प्रतिस्पर्धी विधियों की तुलना में लगातार कम क्रॉस-एन्ट्रॉपी लॉस और उच्च AUC प्राप्त करती है।
  • स्ट्रोक प्रेडिक्शन (Kaggle): कम प्रचलन वाले परिवेश में बिना सरोगेट इंडिकेटर के, CE विधि ने सबसैंपलिंग विधियों में सबसे स्थिर भविष्यवाणियां और उच्चतम AUC प्रदान किया, जो फुल-डेटा बेंचमार्क के करीब पहुंच गया।

महत्व और दावे
पेपर का दावा है कि प्रस्तावित फ्रेमवर्क संसाधन-बाधित जोखिम भविष्यवाणी के लिए एक सैद्धांतिक रूप से सुदृढ़ और व्यावहारिक रूप से प्रभावी समाधान प्रदान करता है। सीधे क्रॉस-एन्ट्रॉपी लॉस को लक्षित करके, यह विधि सुनिश्चित करती है कि सैंपलिंग डिज़ाइन पैरामीटर अनुमान के बजाय भविष्य कहनेवाला सटीकता (predictive accuracy) के लिए सबसे अधिक सूचनात्मक अवलोकनों को प्राथमिकता दे। लेखक सरोगेट मिसस्पेसिफिकेशन के प्रति अपनी विधि की मजबूती और दुर्लभ परिणामों वाले सेटिंग्स में भी प्रभावी ढंग से कार्य करने की क्षमता पर जोर देते हैं, जहाँ पारंपरिक इष्टतम सैंपलिंग रणनीतियाँ विफल हो सकती हैं। यह कार्य माप-बाधित प्रायोगिक डिज़ाइन और बाइनरी क्लासिफिकेशन प्रदर्शन के बीच के अंतर को पाटता है, जो उन परिदृश्यों के लिए एक व्यवहार्य रणनीति प्रदान करता है जहाँ लेबलिंग महंगी है और सरोगेट अपूर्ण हैं।