📊 statistics

Doubly robust Methods for Recurrent Event Outcomes: Causal Effects of Blood Pressure Medications on Acute Kidney Injuries

यह शोध पत्र सिस्टोलिक ब्लड प्रेशर इंटरवेंशन ट्रायल डेटा का उपयोग करते हुए, समय-परिवर्तनीय कन्फाउंडिंग (time-varying confounding), मॉडल मिसस्पेसिफिकेशन, दवा के अनुपालन और मृत्यु के अर्ध-प्रतिस्पर्धी जोखिम को संबोधित करते हुए, पुनरावर्ती तीव्र किडनी चोटों पर मानक बनाम गहन रक्तचाप उपचारों के कारण प्रभावों का अनुमान लगाने के लिए उन्नत 'डबली रोबस्ट' विधियों का प्रस्ताव करता है।

मूल लेखक: Wenling Zhang, Cecilia Cotton, Lan Wen

प्रकाशित 2026-07-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Wenling Zhang, Cecilia Cotton, Lan Wen

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 यह पता लगाने की कोशिश कर रहे हैं कि क्या एक विशिष्ट आहार योजना (मान लीजिए कि हम उसे "इंटेंसिव डाइट" कहते हैं) "स्टैंडर्ड डाइट" की तुलना में अधिक पेट दर्द का कारण बनती है। लेकिन इसमें एक पेच है: लोग हमेशा आहार का पूरी तरह से पालन नहीं करते हैं, और कुछ लोग अन्य कारणों से इतने बीमार हो सकते हैं कि वे खाना ही छोड़ देते हैं (जिसे हम "ड्रॉप आउट" कह सकते हैं)।

यह शोध पत्र कैसे यह मापने का एक परिष्कृत जासूसी तरीका है कि इन आहारों का पेट दर्द पर वास्तविक प्रभाव क्या है, भले ही लोग आहार में हेरफेर करें या अध्ययन से बाहर हो जाएं। शोधकर्ताओं ने इस जासूसी कार्य को एक वास्तविक चिकित्सा अध्ययन पर लागू किया जिसे SPRINT कहा जाता है, जिसमें उच्च रक्तचाप के इलाज के दो तरीकों को देखा गया था: एक स्टैंडर्ड दृष्टिकोण और एक इंटेंसिव (अधिक सख्त) दृष्टिकोण।

यहाँ उनके काम का सरल उपमाओं का उपयोग करके विवरण दिया गया है:

1. समस्या: यह केवल एक बार का निर्णय नहीं है

आमतौर पर, जब वैज्ञानिक किसी उपचार का अध्ययन करते हैं, तो वे पूछते हैं, "क्या आपने शुरुआत में गोली ली थी?" लेकिन वास्तविक जीवन में, रक्तचाप की दवा लेना एक स्प्रिंट (तेज दौड़) नहीं, बल्कि एक मैराथन की तरह है। लोग एक महीने तक हर दिन अपनी गोलियां ले सकते हैं, फिर एक सप्ताह के लिए भूल सकते हैं, और फिर से उन्हें लेना शुरू कर सकते हैं।

शोधकर्ता यह जानना चाहते थे:

इन्टेंट-टू-ट्रीट (द "असाइनमेंट" व्यू): यदि हम किसी को "इंटेंसिव डाइट" के लिए असाइन करते हैं, तो क्या उन्हें स्टैंडर्ड डाइट की तुलना में अधिक पेट दर्द होता है, चाहे वे वास्तव में इसका पालन करें या न करें?
पर-प्रोटोकॉल (द "परफेक्ट एडहेरेंस" व्यू): यदि हम एक ऐसी दुनिया की कल्पना करें जहाँ हर कोई अपनी निर्धारित आहार योजना का पूरी तरह से पालन करता है, तो क्या इंटेंसिव डाइट अधिक पेट दर्द का कारण बनेगी?

2. जटिलता: "ड्रॉप आउट" कारक

SPRINT अध्ययन में, कुछ मरीज मर गए। चिकित्सा सांख्यिकी (मेडिकल स्टैटिस्टिक्स) में, मृत्यु एक जटिल विषय है। यदि कोई मरीज मर जाता है, तो वह भविष्य में पेट दर्द (या इस मामले में, एक तीव्र किडनी इंजरी, या AKI) का अनुभव नहीं कर सकता।

जाल: यदि आप उन लोगों को अनदेखा कर देते हैं जिनकी मृत्यु हो गई, तो आपको गलत उत्तर मिल सकता है। यह एक दौड़ में दौड़ने वाले लोगों की गिनती करने जैसा है, लेकिन केवल उन लोगों को गिनना जो दौड़ पूरी करके फिनिश लाइन तक पहुँचते हैं। यदि "इंटेंसिव डाइट" समूह में दौड़ पूरी करने वाले लोगों की संख्या कम थी क्योंकि वे पहले ही मर गए थे, तो आप गलत तरीके से यह सोच सकते हैं कि वे कम बार गिरे।
समाधान: शोधकर्ताओं ने मृत्यु को एक "सेमी-कंपेटिंग रिस्क" (अर्ध-प्रतिस्पर्धी जोखिम) के रूप में माना। इसे एक ऐसी दौड़ के रूप में सोचें जहाँ कुछ धावक अचानक ट्रैक से बाहर हो जाते हैं। उन्होंने एक ऐसा मॉडल बनाया जो इस तथ्य को ध्यान में रखता है कि मृत्यु भविष्य में किडनी की चोटों की संभावना को रोक देती है, जिससे यह सुनिश्चित होता है कि वे अनजाने में वास्तविक जोखिम को छिपा न दें।

3. उपकरण: "डबल-रोबस्ट" सुरक्षा जाल

इस समस्या को हल करने के लिए, लेखकों ने डबली रोबस्ट एस्टीमेशन (विशेष रूप से जिसे TMLE कहा जाता है) का उपयोग किया।

उपमा: कल्पना कीजिए कि आप मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। आपके पास दो अलग-अलग मौसम पूर्वानुमानकर्ता (मॉडल) हैं:

पूर्वानुमानकर्ता A हवा और बादलों को देखता है (उपचार/अनुपालन)।
पूर्वानुमानकर्ता B तापमान और आर्द्रता को देखता है (मरीज का इतिहास/परिणाम)।

आमतौर पर, यदि एक पूर्वानुमानकर्ता गलत होता है, तो आपकी भविष्यवाणी भी गलत होती है। लेकिन इस "डबल-रोबस्ट" पद्धति के साथ, आप तब तक सुरक्षित हैं जब तक कि आपके पास से कम से कम एक पूर्वानुमानकर्ता सही है। भले ही हवा का गणित उलझा हुआ हो, यदि तापमान का गणित ठोस है, तो भी आपको सही उत्तर प्राप्त होगा। यह परिणाम को बहुत विश्वसनीय बनाता है, भले ही शोधकर्ताओं के शुरुआती अनुमान सटीक न हों।

4. निष्कर्ष: उन्होंने क्या खोजा?

SPRP डेटा (जिसमें 9,000 से अधिक लोग शामिल थे) पर अपना जटिल गणित चलाने के बाद, उन्हें यह पता चला:

इंटेंसिव दृष्टिकोण अधिक किडनी इंजरी का कारण बनता है: चाहे उन्होंने समूह को असाइन किए गए आधार पर देखा हो या एक ऐसी दुनिया की कल्पना की हो जहाँ हर कोई नियमों का पालन करता है, इंटेंसिव ब्लड प्रेशर ट्रीटमेंट के परिणामस्वरूप पहले चार वर्षों में स्टैंडर्ड ट्रीटमेंट की तुलना में थोड़े अधिक तीव्र किडनी इंजरी (AKI) के मामले देखे गए।
अंतर छोटा है लेकिन वास्तविक है: यह वृद्धि छोटी थी (प्रति 100 लोगों में लगभग 1 या 2 अतिरिक्त घटनाएं), लेकिन सांख्यिकीय रूप से महत्वपूर्ण थी।
अनुपालन (Adherence) ने ज्यादा बदलाव नहीं किया: दिलचस्प बात यह है कि क्या लोगों ने वास्तव में अपनी गोलियां पूरी तरह से लीं या नहीं, इससे ज्यादा फर्क नहीं पड़ा। "परफेक्ट एडहेरेंस" के परिणाम "असाइनमेंट" वाले परिणामों के लगभग समान थे। इससे पता चलता है कि इस विशिष्ट अध्ययन में, अधिकांश लोग पहले से ही डॉक्टरों के निर्देशों का काफी अच्छी तरह से पालन कर रहे थे, इसलिए उन्हें "परफेक्ट" होने के लिए मजबूर करने से परिणाम में बहुत बड़ा बदलाव नहीं आया।
मृत्यु बनाम किडनी की समस्याएं: शोधकर्ताओं ने नोट किया कि चूंकि अध्ययन में मृत्यु दर कम (5% से कम) थी, इसलिए "टोटल इफेक्ट" (जिसमें मृत्यु का प्रभाव शामिल है) "डायरेक्ट इफेक्ट" (केवल किडनी की समस्याओं) के बहुत समान दिखाई दिया। हालांकि, उन्होंने चेतावनी दी कि अन्य अध्ययनों में, जहाँ मृत्यु दर अधिक होती है, मृत्यु को अनदेखा करने से बहुत गलत निष्कर्ष निकल सकते हैं।

5. मुख्य निष्कर्ष (The Bottom Line)

यह शोध पत्र यह नहीं कहता कि "इंटेंसिव ब्लड प्रेशर दवाओं को लेना बंद कर दें।" इसके बजाय, यह मापने का एक बेहतर तरीका प्रदान करता है।

यह पुष्टि करता है कि जबकि गहन रक्तचाप नियंत्रण हृदय के लिए बहुत अच्छा है, इसके साथ किडनी के लिए एक छोटा, मापने योग्य जोखिम भी जुड़ा है। शोधकर्ताओं ने सिद्ध किया कि उनके नए गणितीय "जासूसी उपकरण" वास्तविक दुनिया की जटिलताओं को संभाल सकते हैं—जैसे कि लोगों का समय के साथ व्यवहार बदलना और अध्ययन से बाहर होना—जिससे डॉक्टरों को जोखिम और लाभ की वास्तविक तस्वीर स्पष्ट रूप से मिल सके।

तकनीकी सारांश: पुनरावर्ती घटना परिणामों के लिए डबली रोबस्ट विधियाँ (Doubly Robust Methods)

समस्या विवरण
पुनरावर्ती घटना परिणामों (जैसे, तीव्र किडनी इंजरी (AKI) के एपिसोड) पर उपचार रणनीतियों के औसत कारण प्रभावों (ACE) का मूल्यांकन करना नैदानिक अनुसंधान में महत्वपूर्ण है, लेकिन यह पद्धतिगत रूप से चुनौतीपूर्ण है। मानक विश्लेषण अक्सर समय-परिवर्तनीय उपचारों, समय-परिवर्तनीय कन्फाउंडिंग (confounding), और गैर-अनुपालन (non-adherence) से जुड़े अनुदैर्ध्य (longitudinal) परिवेश की जटिलता को संबोधित करने में विफल रहते हैं। इसके अलावा, पुनरावर्ती घटनाओं के लिए ACE का अनुमान लगाने वाले पिछले अध्ययनों ने मुख्य रूप से पॉइंट एक्सपोजर सेटिंग्स पर ध्यान केंद्रित किया है, जो निरंतर उपचार अनुपालन की बारीकियों की उपेक्षा करते हैं। इसके अतिरिक्त, "सेमी-कंपेटिंग रिस्क" (semi-competing risks), जैसे कि मृत्यु, की उपस्थिति पुनरावर्ती गैर-अंतिम घटनाओं के विश्लेषण को जटिल बनाती है, क्योंकि मृत्यु भविष्य की घटनाओं के जोखिम सेट को समाप्त कर देती है। सिस्टोलिक ब्लड प्रेशर इंटरवेंशन ट्रायल (SPRINT) डेटा एक विशिष्ट मामला प्रस्तुत करता है जहाँ गहन (intensive) बनाम मानक रक्तचाप प्रबंधन तीव्र किडनी इंजरी (AKI) की पुनरावृत्ति और मृत्यु दर को अलग-अलग तरह से प्रभावित कर सकता है, जिसके लिए प्रभावों को अलग करने हेतु मजबूत कारण अनुमान (causal inference) विधियों की आवश्यकता है।

कार्यप्रणाली
लेखक समय-परिवर्तनीय उपचारों और अनुपालन व्यवस्थाओं के तहत कारण प्रभावों का अनुमान लगाने के लिए काउंटरफैक्चुअल मॉडल और लॉन्गिट्यूडिनल जी-फॉर्मूला (longitudinal g-formula) पर आधारित एक ढांचा प्रस्तावित करते हैं।

डेटा संरचना और पहचान:
- अध्ययन एक अनुदैर्ध्य डेटा संरचना को परिभाषित करता है जिसमें बेसलाइन चर ( $L_0$ ), समय-परिवर्तनीय कोवेरिएट्स ( $L_k$ ), उपचार असाइनमेंट ( $Z$ ), समय-परिवर्तनीय अनुपालन ( $A_k$ ), और बाइनरी पुनरावर्ती घटना संकेतक ( $Y_k$ ) शामिल हैं।
- कारण पहचान तीन मानक धारणाओं पर निर्भर करती है: कंडीशनल एक्सचेंजेबिलिटी (Conditional Exchangeability), पॉजिटिविटी (Positivity), और कंसिस्टेंसी (Consistency)।
- लक्षित एस्टिमेंड (estimand) पुनरावर्ती घटनाओं की अपेक्षित संचयी गणना ( $E[R_{K+1}^{z, \bar{a}_K}]$ ) है, जो उपचार ( $z$ ) और अनुपालन ( $\bar{a}_K$ ) के लिए विशिष्ट हस्तक्षेप व्यवस्थाओं के तहत है। इसे एक इटरेटिवली कंडीशनल एक्सपेक्टेशन (ICE) रूप के माध्यम से व्यक्त किया गया है।
TMLE के माध्यम से डबली रोबस्ट अनुमान:
- लेखक एक डिस्क्रीट टाइम ग्रिड पर पुनरावर्ती घटना परिणामों को संभालने के लिए लॉन्गिट्यूडिनल टार्गेटेड मैक्सिमम लाइकलीहुड एस्टीमेशन (TMLE) का विस्तार करते हैं।
- विधि एफिशिएंट इन्फ्लुएंस फंक्शन (EIF) का उपयोग करती है ताकि ऐसे एस्टिमेटर्स का निर्माण किया जा सके जिनमें डबल रोबस्टनेस (double robustness) हो: एस्टिमेटर तब भी सुसंगत (consistent) रहता है यदि या तो प्रोपेंसिटी स्कोर मॉडल (उपचार/अनुपालन तंत्र) या आउटकम रिग्रेशन मॉडल सही ढंग से निर्दिष्ट (specified) हो।
- कार्यान्वयन में न्युसेंस फंक्शन (nuisance function) के अनुमान के लिए मशीन लर्निंग एल्गोरिदम (जैसे, एक्सट्रीम ग्रेडिएंट बूस्टिंग, जनरलाइज्ड एडिटिव मॉडल्स) का उपयोग किया गया है ताकि मॉडल मिसस्पेसिफिकेशन बायस को कम किया जा सके।
- इस एल्गोरिदम में एक इटरेटिव अपडेट प्रक्रिया शामिल है जहाँ आउटकम रिग्रेशन मॉडल को प्रोपेंसिटी स्कोर से प्राप्त फ्लक्चुएशन पैरामीटर का उपयोग करके लक्षित एस्टिमेंड के लिए समायोजित किया जाता है।
सेमी-कंपेटिंग रिस्क को संभालना:
- मृत्यु द्वारा पुनरावर्ती घटना अवलोकन को बाधित करने के मुद्दे को संबोधित करने के लिए, मृत्यु ( $D_k$ ) को केवल एक सेंसरिंग इवेंट के रूप में नहीं जिसे हटाया जाना है, बल्कि एक सेमी-कंपेटिंग रिस्क के रूप में मॉडल किया गया है।
- मृत्यु को समय-परिवर्तनीय कोवेरिएट्स ( $L_k^*$ ) के एक घटक के रूप में शामिल किया गया है, जिसमें एक नियतात्मक संबंध है जहाँ मृत्यु भविष्य के AKI घटनाओं की समाप्ति को दर्शाती है ( $D_k=1 \implies Y_k=0$ )। यह टोटल इफेक्ट के अनुमान की अनुमति देता है, जिसमें मृत्यु द्वारा मध्यस्थता वाले पथ (pathways) शामिल हैं।

प्रमुख योगदान

पद्धतिगत विस्तार: पेपर पुनरावर्ती घटना परिणामों के लिए समय-परिवर्तनीय उपचार और अनुपालन के तहत लक्षित कारण एस्टिमेंड्स और डेटा संरचनाओं को औपचारिक रूप देता है, जो इस विशिष्ट संदर्भ में लॉन्गिट्यूडिनल TMLE का विस्तार करता है।
व्यावहारिक कार्यान्वयन: यह मशीन लर्निंग का उपयोग करके डबली रोबस्ट एस्टिमेटर्स बनाने के लिए एक पारदर्शी, चरण-दर-चरण कार्यान्वयन मार्गदर्शिका (एल्गोरिदम 1) प्रदान करता है, जिससे वास्तविक दुनिया के अध्ययनों में इसका अनुप्रयोग सुलभ होता है।
जटिलता को संभालना: ढांचा स्पष्ट रूप से समय-परिवर्तनीय कन्फाउंडिंग, गैर-अनुपालन (इंटेंट-टू-ट्रीट और पर-प्रोटोकॉल दोनों विश्लेषणों की अनुमति देते हुए), और मृत्यु के सेमी-कंपेटिंग रिस्क को संबोधित करता है, जो उन काल्पनिक हस्तक्षेपों पर निर्भर नहीं है जो मृत्यु को समाप्त कर देते हैं।

परिणाम (SPRINT अनुप्रयोग)
प्रस्तावित विधियों को चार वर्षों की अवधि में AKI पुनरावृत्तियों पर गहन ( $<120$ mm Hg) बनाम मानक ( $<140$ mm Hg) रक्तचाप कम करने वाली थेरेपी के प्रभावों का मूल्यांकन करने के लिए SPRINT डेटासेट (9,322 विषय) पर लागू किया गया।

कुल इंटेंट-टू-ट्रीट (ITT) प्रभाव: रोगियों को गहन थेरेपी असाइन करने के परिणामस्वरूप मानक थेरेपी की तुलना में AKI घटनाओं में सांख्यिकीय रूप से महत्वपूर्ण वृद्धि देखी गई। अनुमानित अंतर 0.019 (95% CI: [0.011, 0.026]) था।
कुल पर-प्रोटोकॉल (PP) प्रभाव: निर्धारित व्यवस्थाओं के पूर्ण अनुपालन के काल्पनिक परिदृश्य के तहत, गहन थेरेपी समूह ने भी मानक समूह की तुलना में AKI पुनरावृत्तियों की अपेक्षित संख्या में मामूली उच्च स्तर दिखाया। अनुमानित अंतर 0.017 (95% CI: [0.007, 0.027]) था।
अनुपालन प्रभाव: अनुपालन के लिए पॉपुलेशन इंटरवेंशन इफेक्ट (PIE) के पूरक विश्लेषणों ने संकेत दिया कि देखे गए अनुपालन से पूर्ण अनुपालन की ओर बढ़ने से AKI पुनरावृत्ति दरों पर नगण्य प्रभाव पड़ा, जो यह सुझाव देता है कि ITT और PP अनुमानों के बीच समानता अध्ययन की जनसंख्या में उच्च बेसलाइन अनुपालन के कारण है।
मजबूती (Robustness): टेम्पोरल डिस्क्रीटीकरण (द्विवार्षिक बनाम वार्षिक) और विभिन्न मशीन लर्निंग एल्गोरिदम (GLM, XGB, GAM) के उपयोग के संबंध में संवेदनशीलता विश्लेषण ने सुसंगत परिणाम दिए, जिससे कारण निष्कर्षों की मजबूती की पुष्टि हुई।

महत्व और दावे
पेपर का दावा है कि इसकी कार्यप्रणाली सेमी-कंपेटिंग रिस्क की उपस्थिति में पुनरावर्ती घटनाओं पर उपचार रणनीतियों के कुल कारण प्रभाव (total causal effect) का अनुमान लगाने के लिए एक कठोर दृष्टिकोण प्रदान करती है। मृत्यु को समाप्त करने वाले काल्पनिक हस्तक्षेपों पर निर्भर रहने वाले तरीकों के बजाय, मृत्यु को एक ट्रंकेटिंग इवेंट के रूप में मानकर, लेखक तर्क देते हैं कि उनका दृष्टिकोण नियंत्रित प्रत्यक्ष प्रभावों (जो मृत्यु को समाप्त करने के बारे में अस्पष्ट धारणाओं की आवश्यकता रखते हैं) पर निर्भर विधियों की तुलना में वास्तविक सार्वजनिक स्वास्थ्य निहितार्थों को अधिक सटीक रूप से दर्शाता है।

लेखक निष्कर्ष निकालते हैं कि जबकि गहन रक्तचाप कम करना मृत्यु दर को कम करता है, यह AKI के पुनरावर्ती एपिसोड की आवृत्ति में मामूली वृद्धि से जुड़ा है। वे इस बात पर जोर देते हैं कि उनका डबली रोबस्ट, मशीन लर्निंग-संवर्धित TMLE ढांचा चिकित्सकों और शोधकर्ताओं को जटिल अनुपालन और प्रतिस्पर्धी जोखिम संरचना वाले अनुदैर्ध्य अध्ययनों में कार्डियोवैस्कुलर लाभ और रीनल (वृक्क) जोखिमों के बीच संतुलन बनाने के लिए एक विश्वसनीय उपकरण प्रदान करता है। पेपर विनम्रतापूर्वक नोट करता है कि अनुपालन की परिभाषा की वैधता इस धारणा पर निर्भर करती है कि अंतराल-स्तर के अनुपालन माप वास्तविक अनुपालन को सटीक रूप से दर्शाते हैं, जो कम अनुपालन वाली आबादी में अधिक स्पष्ट हो सकती है।

1. समस्या: यह केवल एक बार का निर्णय नहीं है

2. जटिलता: "ड्रॉप आउट" कारक

3. उपकरण: "डबल-रोबस्ट" सुरक्षा जाल

4. निष्कर्ष: उन्होंने क्या खोजा?

5. मुख्य निष्कर्ष (The Bottom Line)

इसी तरह के और पेपर