Pseudo-value Based Mean Cumulative Count Regression

तकनीकी सारांश: सूडो-वैल्यू आधारित मीन क्युमुलेटिव काउंट रिग्रेशन (Pseudo-value Based Mean Cumulative Count Regression)

समस्या विवरण
बायोमेडिकल अनुप्रयोगों में, जिनमें आवर्ती घटनाएँ (recurrent events) शामिल हैं (जैसे अस्पताल में भर्ती होना, बीमारी का बढ़ना), मानक विश्लेषण अक्सर घटना दरों या तीव्रता (intensities) पर ध्यान केंद्रित करता है। हालांकि, राइट-सेंसरिंग (right-censoring) और टर्मिनल घटनाओं (जैसे मृत्यु) की उपस्थिति में, वैज्ञानिक प्रश्न अक्सर एक चिकित्सकीय रूप से प्रासंगिक समय सीमा के भीतर संचयी रोग भार (cumulative disease burden) को समझने की ओर स्थानांतरित हो जाता है। इस भार के लिए दो स्वाभाविक सारांश हैं: मीन क्युमुलेटिव फंक्शन (MCF), जो समय $\tau$ तक संचित अपेक्षित घटनाओं की संख्या को दर्शाता है, और एरिया अंडर द MCF (AUMCF), जो कुल घटना-मुक्त समय की हानि को दर्शाता है।

जबकि इन मात्राओं का अनुमान लगाने और उपचारों की तुलना करने के लिए गैर-पैरामीट्रिक (nonparametric) विधियाँ मौजूद हैं, MCF और AUMCF पर कोवेरिएट प्रभावों (covariate effects) के आकलन के लिए प्रत्यक्ष रिग्रेशन मॉडलिंग अभी भी विकसित नहीं हो पाई है। मौजूदा इंटेंसिटी-आधारित मॉडल हमेशा संचयी भार के संदर्भ में व्याख्या योग्य प्रभावों में सीधे अनुवादित नहीं होते हैं, विशेष रूप से जब आवर्ती घटना प्रक्रिया मृत्यु द्वारा बाधित होती है। इसके अतिरिक्त, इन फंकशनल्स के लिए हालिया कोवेरिएट-समायोजित अनुमानकों ने केवल गैर-पैरामीट्रिक उपचार तुलनाओं या रैखिकीकृत टेस्ट स्टैटिस्टिक्स (linearized test statistics) पर ध्यान केंद्रित किया है, न कि सीधे कोवेरिएट प्रभावों को मॉडल करने के लिए एक सामान्य रिग्रेशन फ्रेमवर्क प्रदान करने पर।

कार्यप्रणाली (Methodology)
लेखक एक निश्चित ट्रंकेशन समय $\tau$ पर MCF और AUMCF पर कोवेरिएट प्रभावों का अनुमान लगाने के लिए एक सूडो-वैल्यू-आधारित रिग्रेशन दृष्टिकोण प्रस्तावित करते हैं।

1. रिग्रेशन लक्ष्य: यह विधि रिग्रेशन गुणांक ($\beta$) को किसी अंतर्निहित इंटेंसिटी मॉडल के मापदंडों के रूप में नहीं, बल्कि जनसंख्या अनुमानित समीकरणों (population estimating equations) के समाधान के रूप में परिभाषित करती है। विशेष रूप से, एक आइडेंटिटी लिंक के लिए, $\beta$ समीकरण $E[W \{ \theta(\tau | W) - W^\top \beta \}] = 0$ का अद्वितीय समाधान है, जहाँ $\theta$ को कोवेरिएट्स $W$ के सापेक्ष सशर्त MCF या AUMCF माना गया है। यह अनुमानित लक्ष्य को किसी विशिष्ट आवर्ती-घटना दर मॉडल के अनुमानों से अलग करता है।
2. सूडो-वैल्यू (Pseudo-values): इन लक्ष्यों का अनुमान लगाने के लिए, लेखक विषय-विशिष्ट (subject-specific) सूडो-वैल्यूज़ को परिणामों के रूप में उपयोग करते हैं।
   • एक्जेक्ट जैकनाइफ (Exact Jackknife): विषय $i$ के लिए सटीक सूडो-वैल्यू को $\hat{\xi}_i(\tau) = n\hat{\theta}(\tau) - (n-1)\hat{\theta}_{(-i)}(\tau)$ के रूप में परिभाषित किया गया है, जहाँ $\hat{\theta}_{(-i)}$ विषय $i$ को हटाने के बाद गणना किया गया अनुमानक है।
   • इन्फ्लुएंस फंक्शन एप्रोक्सिमेशन (Influence Function Approximation): $n$ बार 'लीव-वन-आउट' पुनर्गणना के कम्प्यूटेशनल बोझ से बचने के लिए, लेखक अनुभवजन्य इन्फ्लुएंस फंक्शन का उपयोग करके सूडो-वैल्यूज़ का अनुमान लगाते हैं: $\tilde{\xi}_i(\tau) = \hat{\theta}(\tau) + \hat{\phi}_i(\tau)$। शोध पत्र प्रदर्शित करता है कि इन्फ्लुएंस-फंक्शन-आधारित ये सूडो-वैल्यूज़, सटीक जैकनाइफ मानों के एसिम्प्टोटिक रूप से समतुल्य हैं।
3. अनुमान (Estimation): एक बार सूडो-वैल्यूज़ उत्पन्न हो जाने के बाद, मानक जनरलाइज्ड एस्टिमेटिंग इक्वेशन (GEE) तंत्र का उपयोग करके रिग्रेशन किया जाता है। एक आइडेंटिटी लिंक और विषय-अज्ञेय (subject-agnostic) वर्किंग वेरिएंस के तहत, यह ऑर्डिनरी लीस्ट स्क्वायर्स (OLS) में बदल जाता है। सूडो-वैल्यूज़ द्वारा प्रेरित सहसंबंध संरचना (correlation structure) को संभालने के लिए रोबस्ट वेरिएंस अनुमानकों का उपयोग किया जाता है।

मुख्य परिणाम
लेखकों ने अपने प्रस्तावित तरीके का व्यापक सिमुलेशन अध्ययनों और एक वास्तविक-डेटा अनुप्रयोग के माध्यम से मूल्यांकन किया:

• सूडो-वैल्यू वैलिडेशन: सिमुलेशन ने पुष्टि की कि इन्फ्लुएंस-फंक्शन-आधारित सन्निकटन (approximation), सटीक जैकनाइफ सूडो-वैल्यूज़ के साथ अत्यधिक सुसंगत ($R^2 = 1.00$) है, जिसमें माध्य पूर्ण अंतर केवल 0.4% है।
• अनुमान सटीकता और कवरेज: विभिन्न नमूना आकारों ($N=100, 200$), ट्रंकेशन समय और आवर्ती-घटना दर मापदंडों में, रिग्रेशन अनुमानक निष्पक्ष (unbiased) थे। मॉडल-आधारित मानक त्रुटियों का उपयोग करके निर्मित कॉन्फिडेंस इंटरवल ने नाममात्र 95% कवरेज प्राप्त किया।
• मजबूती (Robustness): यह पद्धति उन परिदृश्यों में भी मजबूत रही जहाँ:
  • मृत्यु और आवर्ती घटनाएँ एक साझा मल्टीप्लिकेटिव फ्रैलिटी (multiplicative frailty) के माध्यम से निर्भर थीं।
  • कोवेरिएट्स ने आवर्ती घटना दर के बजाय टर्मिनल इवेंट प्रक्रिया (मृत्यु दर) को प्रभावित किया।
• सांख्यिकीय अनुमान (Statistical Inference): शून्य परिकल्पना के तहत टाइप I एरर दर अच्छी तरह से कैलिब्रेटेड थी। पावर (Power) नमूना आकार और उपचार प्रभाव के परिमाण के साथ बढ़ी, जिसमें MCF और AUMCF-आधारित परीक्षण समान प्रदर्शन दिखाते हैं।
• डेटा अनुप्रयोग: इस पद्धति को प्राइमर प्रोग्रेसिव मल्टीपल स्केलेरोसिस (PPMS) के लिए ORATORIO क्लिनिकल ट्रायल पर लागू किया गया। बेसलाइन क्लिनिकल और बायोमार्कर कोवेरिएट्स (जैसे EDSS, T2 लीजन वॉल्यूम) का उपयोग करके, लेखकों ने विकलांगता प्रगति के AUMCF को मॉडल किया। विश्लेषण ने बेसलाइन EDSS और 9HPT को महत्वपूर्ण प्रोग्नोस्टिक कारकों के रूप में पहचाना। उल्लेखनीय रूप से, कोवेरिएट समायोजन ने अन-एडजस्टेड अनुमान की तुलना में उपचार प्रभाव के मानक त्रुटि को 13.6% और ऑगमेंटेशन के माध्यम से कोवेरिएट समायोजन की तुलना में 8.4% कम कर दिया।

महत्व और दावे
शोध पत्र का दावा है कि सूडो-वैल्यू-आधारित रिग्रेशन, संचयी आवर्ती-घटना भार के लिए कोवेरिएट प्रभावों को मॉडल करने हेतु एक "सरल और व्याख्या योग्य ढांचा" प्रदान करता है। इसके प्राथमिक योगदान हैं:

1. प्रत्यक्ष मॉडलिंग: यह जटिल इंटेंसिटी मॉडल मापदंडों को संचयी भार के संदर्भ में व्याख्या करने की आवश्यकता के बिना, सीधे MCF और AUMCF के रिग्रेशन को सक्षम बनाता है।
2. कम्प्यूटेशनल दक्षता: इन्फ्लुएंस-फंक्शन-आधारित सूडो-वैल्यूज़ का उपयोग करके, यह विधि सटीकता बनाए रखते हुए बार-बार 'लीव-वन-आउट' अनुमान की कम्प्यूटेशनल लागत से बचती है।
3. लचीलापन: यह दृष्टिकोण मानक GEE/OLS सॉफ्टवेयर का लाभ उठाता है, जिससे यह शोधकर्ताओं के लिए सुलभ हो जाता है। यह रैंडमाइज्ड ट्रायल्स में परिशुद्धता (precision) में सुधार के लिए कोवेरिएट समायोजन की अनुमति देता है और सबग्रुप विश्लेषण के लिए इंटरैक्शन टर्म्स को शामिल करने की अनुमति देता है।
4. व्याख्यात्मकता: प्राप्त गुणांक प्रति इकाई कोवेरिएट परिवर्तन के लिए अपेक्षित संचयी घटना गणना या घटना-मुक्त समय की हानि में परिवर्तन का प्रतिनिधित्व करते हैं, जो चिकित्सकीय रूप से सार्थक सारांश प्रदान करते हैं और टर्मिनल घटनाओं की उपस्थिति में भी वैध रहते हैं।

लेखक गैर-सूचनात्मक सेंसरिंग (non-informative censoring) के संबंध में एक सीमा का उल्लेख करते हैं, और सुझाव देते हैं कि भविष्य का कार्य इनवर्स-प्रोबेबिलिटी-ऑफ-सेंसरिंग वेट्स (inverse-probability-of-censoring weights) के माध्यम से कोवेरिएट-निर्भर सेंसरिंग को संभालने के लिए इस ढांचे का विस्तार कर सकता है।