📊 statistics

Studying Competing Events with Federated Cumulative Incidence Curves

यह शोध पत्र एक नवीन फेडरेटेड लर्निंग पद्धति प्रस्तुत करता है जो गैर-पैरामीट्रिक संचयी घटना वक्रों (cumulative incidence curves) का निर्माण करके प्रतिस्पर्धी जोखिमों की गोपनीयता-संरक्षण करने वाली, बहु-स्थल पोस्ट-मार्केट सुरक्षा निगरानी को सक्षम बनाती है, जिसे यह प्रकट करने के लिए लागू किया गया था कि पूर्व-मौजूद गैर-एंडोक्राइन ऑटोइम्यून रोगों वाले कैंसर रोगी, इम्यून चेकपॉइंट इनहिबिटर उपचार के बाद एंडोक्राइन इम्यून-संबंधित प्रतिकूल घटनाओं के कारण, बिना ऐसे इतिहास वाले रोगियों की तुलना में इवेंट-फ्री सर्वाइवल समय के महत्वपूर्ण रूप से अधिक नुकसान का अनुभव करते हैं।

मूल लेखक: Malcolm Risk (Serena), Shuang Yang (Serena), Jiang Bian (Serena), Yi Guo (Serena), Hyojung Jang (Serena), Jingchuan (Serena), Guo, Xu Shi, Lili Zhao

प्रकाशित 2026-07-30

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Malcolm Risk (Serena), Shuang Yang (Serena), Jiang Bian (Serena), Yi Guo (Serena), Hyojung Jang (Serena), Jingchuan (Serena), Guo, Xu Shi, Lili Zhao

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 जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं, लेकिन संदिग्ध अलग-अलग, बंद कमरों में छिपे हुए हैं। आप उन सभी को एक ही पूछताछ कक्ष में नहीं ला सकते क्योंकि गोपनीयता के नियम इसकी अनुमति नहीं देते। यह आधुनिक चिकित्सा शोधकर्ताओं के लिए एक दैनिक चुनौती है जो यह अध्ययन करना चाहते हैं कि दवाएं रोगियों को कैसे प्रभावित करती हैं। उनके पास देश भर के अस्पतालों में संग्रहीत लाखों रोगी रिकॉर्ड तक पहुंच है, लेकिन वे उस डेटा को एक ही फ़ाइल में कॉपी और पेस्ट करके विश्लेषण नहीं कर सकते। इस समस्या को हल करने के लिए, वैज्ञानिक "फेडरेटेड लर्निंग" नामक एक चतुर तकनीक का उपयोग करते हैं। इसे ऐसे समझें जैसे जासूसों का एक समूह जो प्रत्येक अपने कमरे में रहता है लेकिन एक एकल, एन्क्रिप्टेड नोटबुक को इधर-उधर पास करता है। वे अपने स्वयं के कमरे में जो देखते हैं उसके आधार पर नोटबुक में सुरागों को अपडेट करते हैं, और फिर नोटबुक को अगले जासूस को सौंप देते हैं। कोई भी कभी भी दूसरों का कच्चा (raw) डेटा नहीं देखता है, लेकिन अंत तक, नोटबुक में रहस्य का समाधान होता है।

यह विशिष्ट रहस्य जिसे यह शोध पत्र संबोधित करता है, वह "प्रतिस्पर्धी जोखिमों" (competing risks) से संबंधित है। सर्वाइवल एनालिसिस (survival analysis) की दुनिया में, कल्पना कीजिए कि आप एक बस का इंतजार कर रहे हैं (वह घटना जिसकी आप परवाह करते हैं, जैसे कि दवा का एक दुष्प्रभाव)। लेकिन, इससे पहले कि बस कभी आए, आपको एक कार से टक्कर लग सकती है (एक अलग घटना, जैसे मृत्यु)। यदि आपको कार से टक्कर लगती है, तो आप कभी बस नहीं पकड़ पाएंगे। पारंपरिक तरीके यहाँ अक्सर भ्रमित हो जाते हैं, और कार दुर्घटना को इस बात को स्वीकार करने के बजाय कि आप दौड़ से पूरी तरह बाहर हो गए हैं, इसे ऐसे मान लेते हैं जैसे आप बस "बस स्टॉप छोड़ कर चले गए" हों। यह शोध पत्र एक नया तरीका पेश करता है जो व्यक्तिगत कहानियों को साझा किए बिना उन सभी बंद कमरों में ऐसे बस-और-कार परिदृश्यों को ट्रैक करने का एक तरीका है।

इस शोध पत्र के लेखक, जो मिशिगन और फ्लोरिडा जैसे विश्वविद्यालयों के सांख्यिकीविदों की एक टीम है, ने एक नया एल्गोरिदम बनाया है जो एक "फेडरेटेड संचयी घटना वक्र" (federated cumulative incidence curve) के रूप में कार्य करता है। सरल शब्दों में, यह एक ऐसा तरीका है जो यह दिखाने वाला मानचित्र खींचता है कि मरीज़ों के लिए समय के साथ एक विशिष्ट दुष्प्रभाव होने की कितनी संभावना है, जबकि इस तथ्य को ध्यान में रखता है कि कुछ लोग पहले ही मर चुके हैं। उन्होंने अपने तरीके का परीक्षण कंप्यूटर सिमुलेशन का उपयोग करके किया, जिसमें उन्होंने नकली रोगी डेटा बनाया यह देखने के लिए कि क्या उनका "नोटबुक-पासिंग" वाला तरीका उतना ही प्रभावी था जितना कि यदि उन्हें सारा डेटा एक साथ देखने की अनुमति दी गई होती। सिमुलेशन ने दिखाया कि उनका तरीका "गोल्ड स्टैंडर्ड" (सभी डेटा को मिलाने के तरीके) के समान सटीक था, लेकिन बिना किसी गोपनीयता जोखिम के। उन्होंने अपने दृष्टिकोण की तुलना मौजूदा तरीकों, जैसे कि "मेटा-एनालिसिस" से भी की, जो विभिन्न अध्ययनों के परिणामों को मिलाने का प्रयास करता है। उनका नया तरीका बहुत अधिक कुशल और सटीक साबित हुआ, विशेष रूप से उन अव्यवस्थित वास्तविक दुनिया के डेटा के मामले में जहाँ कई मरीज़ बीच में ही इलाज छोड़ देते हैं या उनकी मृत्यु हो जाती है।

अपने तरीके को वास्तविक दुनिया में काम करने के लिए सिद्ध करने हेतु, टीम ने OneFlorida+ नामक अस्पतालों के एक विशाल नेटवर्क पर इसे लागू किया। उन्होंने कैंसर के 10,281 रोगियों का अध्ययन किया जिनका उपचार इम्यून चेकपॉइंट इनहिबिटर्स (ICIs) नामक इम्युनोथेरेपी से किया गया था। ये दवाएं शक्तिशाली होती हैं, लेकिन ये कभी-कभी प्रतिरक्षा प्रणाली को शरीर पर हमला करने के लिए प्रेरित कर सकती हैं, जिससे "इम्यून-रिलेटेड एडवर्स इवेंट्स" (irAEs) हो सकते हैं। शोधकर्ता यह जानना चाहते थे कि: क्या पहले से मौजूद ऑटोइम्यून रोग वाले रोगियों में (जैसे ल्यूपस या रूमेटॉइड अर्थराइटिस, लेकिन थायराइड संबंधी समस्याओं के बिना) उन लोगों की तुलना में ये दुष्प्रभाव अधिक होते हैं जिनमें ऐसा इतिहास नहीं है?

अपने नए फेडरेटेड टूल का उपयोग करते हुए, उन्होंने एक स्पष्ट अंतर पाया। आयु और अन्य स्वास्थ्य स्थितियों जैसे कारकों को समायोजित करने के बाद, उन्होंने पाया कि पूर्व-मौजूदा गैर-एंडोक्राइन ऑटोइम्यून बीमारी वाले रोगियों ने बिना दुष्प्रभाव वाले समय को काफी अधिक कम कर दिया। विशेष रूप से, उपचार के पहले 18 महीनों में, पूर्व-मौजूदा स्थिति वाले रोगियों ने एंडोक्राइन-संबंधित irAEs के कारण औसतन 4.8 महीने का "दुष्प्रभाव-मुक्त" समय खो दिया। इसके विपरीत, पूर्व-मौजूदा स्थिति के बिना वाले रोगियों ने केवल 3.2 महीने खोए। यह सुझाव देता है कि पूर्व-मौजूदा ऑटोइम्यून स्थिति होना इन विशिष्ट दवा दुष्प्रभावों के प्रति रोगी को अधिक संवेदनशील बनाता है।

यह शोध पत्र यह दावा नहीं करता है कि इसने चिकित्सा अनुसंधान की हर समस्या को हल कर दिया है, न ही यह कहता है कि यह तरीका हर एक परिदृश्य के लिए पूर्ण है। उदाहरण के लिए, लेखक नोट करते हैं कि उनका तरीका एक्सपोजर के "कुल प्रभाव" (total effect) की गणना करता है, जो दुष्प्रभाव के प्रत्यक्ष जोखिम और मृत्यु जैसी प्रतिस्पर्धी घटनाओं के कारण अप्रत्यक्ष जोखिम दोनों को जोड़ता है। वे स्वीकार करते हैं कि इन दो प्रभावों को अलग करने के लिए भविष्य में और भी अधिक जटिल उपकरणों की आवश्यकता होगी। हालाँकि, उनका कार्य डॉक्टरों और नियामकों के लिए एक महत्वपूर्ण नया उपकरण प्रदान करता है। यह उन्हें कमजोर समूहों के रोगियों (जैसे ऑटोइम्यून रोगों वाले लोग जिन्हें अक्सर शुरुआती क्लिनिकल ट्रायल से बाहर रखा गया था) के लिए नए उपचारों के जोखिमों को देखने की अनुमति देता है, वह भी रोगी की गोपनीयता का उल्लंघन किए बिना। बिखरे हुए जटिल डेटा को एक स्पष्ट, साझा चित्र में बदलकर, यह तरीका यह सुनिश्चित करने में मदद करता है कि अगली पीढ़ी के कैंसर उपचार सभी के लिए सुरक्षित हों।

तकनीकी सारांश: फेडरेटेड संचयी घटना वक्रों (Cumulative Incidence Curves) के साथ प्रतिस्पर्धी घटनाओं का अध्ययन

समस्या विवरण
चिकित्सा उत्पादों की पोस्ट-मार्केट सुरक्षा निगरानी तेजी से कई संस्थानों के इलेक्ट्रॉनिक हेल्थ रिकॉर्ड (EHR) डेटा को संयोजित करने पर निर्भर करती है ताकि पर्याप्त नमूना आकार और सामान्यीकरण प्राप्त किया जा सके। हालांकि, गोपनीयता संबंधी चिंताएं और नियामक बाधाएं व्यक्तिगत स्तर के रोगी डेटा को साझा करने से रोकती हैं। जबकि फेडरेटेड लर्निंग (FL) डेटा ट्रांसफर के बिना मॉडल को विभिन्न साइटों पर फिट करने के लिए एक समाधान प्रदान करता है, प्रतिस्पर्धी जोखिम विश्लेषण (competing risks analysis) के लिए मौजूदा FL विधियां सीमित हैं। वर्तमान दृष्टिकोण अर्ध-पैरामीट्रिक मॉडल (जैसे फाइन-ग्ले) पर निर्भर करते हैं जिन्हें आनुपातिक जोखिम (proportional hazards) धारणाओं की आवश्यकता होती है जिन्हें मल्टी-सेंटर सेटिंग्स में सत्यापित करना कठिन है, या स्यूडो-ऑब्जर्वेशन विधियों पर जो स्थानीय जोखिम तालिकाओं (risk tables) को साझा करने की मांग करती हैं, जिससे गोपनीयता जोखिम उत्पन्न होते हैं क्योंकि व्यक्तिगत उत्तरजीविता समय (survival times) और घटना संकेतक पहचान योग्य हो जाते हैं। इसके अलावा, गैर-पैरामीट्रिक FL उपकरणों की कमी है जो प्रतिस्पर्धी जोखिमों के लिए सहज दृश्यीकरण और कारण व्याख्या (causal interpretation) की अनुमति देते हैं, जैसे कि संचयी घटना वक्र (CIF) और प्रतिबंधित माध्य समय हानि (RMTL)।

कार्यप्रणाली
लेखक प्रतिस्पर्धी जोखिमों के तहत कारण-विशिष्ट संचयी घटना कार्यों (CIF) और प्रतिबंधित माध्य समय हानि (RMTL) के अनुमान के लिए एक नवीन गैर-पैरामीट्रिक फेडरेटेड एल्गोरिदम का प्रस्ताव करते हैं, जिसमें इनवर्स प्रोपेंसिटी वेटिंग (IPW) के माध्यम से कोवेरिएट समायोजन (covariate adjustment) शामिल है।

डेटा संरचना: यह विधि उस अवलोकन संबंधी डेटा को संभालती है जहाँ रोगियों का पीछा तब तक किया जाता है जब तक कि कोई घटना (जैसे इम्यून-रिलेटेड एडवर्स इवेंट [irAE] या मृत्यु) या सेंसरिंग न हो जाए। यह दो प्रतिस्पर्धी घटना प्रकारों ( $\Omega=1$ मुख्य घटना के लिए, $\Omega=2$ मृत्यु के लिए) और एक बाइनरी एक्सपोजर (जैसे पूर्व-मौजूद ऑटोइम्यून रोग) को संबोधित करती है।
कोवेरिएट समायोजन: अवलोकन संबंधी डेटा में कन्फाउंडिंग को संबोधित करने के लिए, यह विधि IPW का उपयोग करती है। प्रोपेंसिटी स्कोर का अनुमान एक फेडरेटेड जनरल लाइनर मॉडल (GLM) दृष्टिकोण (जैसे रिन्यूएबल एस्टीमेशन या ODAL) का उपयोग करके लगाया जाता है। ये स्कोर सभी साइटों को व्यक्तिगत भार (weights) की गणना के लिए प्रसारित किए जाते हैं।
फेडरेटेड एस्टीमेशन प्रक्रिया: एल्गोरिदम संचार के तीन क्रमिक चरणों में साइटों के बीच संचालित होता है, जो नमूना आकार (सबसे बड़े से सबसे छोटे) के क्रम में व्यवस्थित हैं:
1. प्रोपेंसिटी स्कोर एस्टीमेशन: भार प्राप्त करने के लिए GLM गुणांकों का फेडरेटेड अनुमान।
2. सर्वाइवल फंक्शन एस्टीमेशन: काउंटरफैक्चुअल सर्वाइवल फंक्शन्स ( $\hat{S}^a(t)$ ) और एट-रिस्क फंक्शन्स ( $\hat{Y}^a(t)$ ) का अनुमान लगाने के लिए पहले से प्रकाशित फेडरेटेड वेटेड कपलान-मेयर (KM) विधि का उपयोग करना। गोपनीयता की रक्षा के लिए, इन्हें स्टेप फंक्शन्स के बजाय निरंतर मॉनोटोनिक पॉलीनोमियल स्प्लाइन फंक्शन्स के रूप में प्रसारित किया जाता है।
3. CIF एस्टीमेशन: यह मुख्य नवाचार है। कच्चे डेटा या रिस्क टेबल्स को साझा करने के बजाय, साइटें एम्पिरिकल इन्फ्लुएंस फंक्शन का उपयोग करके CIF अनुमान को पुनरावृत्ति (iteratively) के माध्यम से अपडेट करती हैं।
  - पहला साइट अपने स्थानीय डेटा के आधार पर एक प्रारंभिक CIF की गणना करता है और इसे स्प्लाइन प्रतिनिधित्व में परिवर्तित करता है।
  - बाद की साइटें वर्तमान स्प्लाइन पैरामीटर प्राप्त करती हैं और अपने स्थानीय डेटा का उपयोग करके उन्हें अपडेट करती हैं। अपडेट नियम को एस्टीमेटिंग इक्वेशन $\sum \psi(\hat{F}; o_i) = 0$ से प्राप्त किया जाता है, जहाँ $\psi$ एम्पिरिकल इन्फ्लुएंस फंक्शन है।
  - अपडेट चरण एक न्यूटन-जैसे मेथड का उपयोग करता है: $\hat{F}^{(r+1)} = \hat{F}^{(r)} + \frac{\text{Residual} + \sum \psi}{\text{Denominator}}$ ।
  - यह प्रक्रिया तब तक क्रमिक रूप से चलती है जब तक कि सभी साइटों को शामिल नहीं कर लिया जाता, जिससे कभी भी व्यक्तिगत रोगी रिकॉर्ड साझा किए बिना एक ग्लोबल काउंटरफैक्चुअल CIF प्राप्त होता है।
अनुमान (Inference) और RMTL: वेरिएंस एस्टीमेशन को साइटों के बीच स्क्वेर्ड इन्फ्लुएंस फंक्शन्स को जोड़कर किया जाता है। प्रतिबंधित माध्य समय हानि (RMTL) को समय $\tau$ तक CIF वक्र के नीचे के क्षेत्र के रूप में गणना की जाती है। इसका वेरिएंस CIF के इन्फ्लुएंस फंक्शन को एकीकृत करके अनुमानित किया जाता है, जो बूटस्ट्रैपिंग की आवश्यकता को समाप्त करता है जो फेडरेटेड सेटिंग्स में गणनात्मक रूप से अत्यधिक कठिन (prohibitive) है।

प्रमुख योगदान

प्रथम गैर-पैरामीट्रिक फेडरेटेड CIF: यह गैर-पैरामीट्रिक प्रतिस्पर्धी जोखिम उपकरणों (CIF और RMTL) को फेडरेटेड संदर्भ में विस्तारित करने वाला पहला तरीका है, जो ODACoR जैसे अर्ध-पैरामीट्रिक फेडरेटेड मॉडल द्वारा आवश्यक आनुपातिक जोखिम धारणाओं को समाप्त करता है।
उन्नत गोपनीयता: स्यूडो-ऑब्जर्वेशन विधियों के विपरीत, जिन्हें स्थानीय रिस्क टेबल्स साझा करने की आवश्यकता होती है (जो व्यक्तिगत उत्तरजीविता समय लीक कर सकते हैं), यह विधि केवल सारांश स्प्लाइन पैरामीटर और इन्फ्लुएंस फंक्शन सांख्यिकी साझा करती है, जिससे गोपनीयता जोखिम काफी कम हो जाते हैं।
व्याख्यात्मकता (Interpretability): यह विधि सहज, नैदानिक रूप से सार्थक आउटपुट (संचयी घटना वक्र और समय हानि) प्रदान करती है जो ब्लैक-बॉक्स मशीन लर्निंग भविष्यवाणियों या जटिल हैजर्ड रेशियो की तुलना में चिकित्सकों और नियामकों को समझाने में आसान होते हैं।
छोटे साइटों के प्रति मजबूती: एल्गोरिदम बहुत छोटी नमूना आकार वाली साइटों (एक अवलोकन के रूप में भी) को समायोजित कर सकता है, जबकि मेटा-एनालिसिस दृष्टिकोणों को अक्सर स्थिर साइट-विशिष्ट अनुमानों की आवश्यकता होती है जो छोटे साइट प्रदान नहीं कर सकते।

परिणाम

सिमुलेशन: इस विधि का मूल्यांकन विभिन्न घटना वितरणों (एक्सपोनेंशियल और वेइबुल) और सेंसरिंग दरों वाले तीन सिमुलेशन परिदृश्यों में किया गया। एक पूल्ड "गोल्ड स्टैंडर्ड" विश्लेषण की तुलना में, फेडरेटेड विधि ने नगण्य पूर्वाग्रह (bias) और समकक्ष सांख्यिकीय दक्षता प्रदर्शित की। इसके विपरीत, मेटा-एनालिसिस दृष्टिकोणों ने निम्नतम दक्षता दिखाई (विशेष रूप से उच्च सेंसरिंग के तहत) और बढ़े हुए टाइप I एरर रेट या कम शक्ति (power) से ग्रस्त रहे।
वास्तविक दुनिया का अनुप्रयोग: इस विधि को वनफ्लोरा+ (OneFlorida+) नेटवर्क ( $N=10,281$ $N = 10, 281$ रोगी, $K=10$ $K = 10$ साइट) पर इम्यून चेकपॉइंट इनहिबिटर (ICI) उपचार के बाद एंडोक्राइन irAEs का अध्ययन करने के लिए लागू किया गया था, जिनमें पूर्व-मौजूद नॉन-एंडोक्राइन ऑटोइम्यून डिजीज (AID) थी।
- कोवेरिएट समायोजन के बाद, पूर्व-मौजूद AID वाले रोगियों ने पहले 18 महीनों के भीतर एंडोक्राइन irAEs के लिए औसतन 4.8 महीने (95% CI: 4.3, 5.2) का इवेंट-फ्री सर्वाइवल समय खो दिया।
- यह उन रोगियों की तुलना में काफी अधिक था जिन्होंने पूर्व AID नहीं देखा था, जिनका औसत समय 3.2 महीने (95% CI: 3.1, 3.3) था।
- अध्ययन ने पुष्टि की कि पूर्व-मौजूद AID एंडोक्राइन irAEs की उच्च घटना से जुड़ा है, जो उन आबादी के लिए साक्ष्य प्रदान करता है जिन्हें शुरू में क्लिनिकल ट्रायल्स से बाहर रखा गया था।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य पोस्ट-मार्केट सुरक्षा निगरानी के लिए एक महत्वपूर्ण विकल्प प्रदान करता है जहाँ डेटा साझाकरण प्रतिबंधित है। आनुपातिक जोखिम धारणा से बचकर, यह विधि मल्टी-सेंटर अध्ययनों के लिए अधिक लचीला और मजबूत दृष्टिकोण प्रदान करती है जहाँ समय-परिवर्तनीय प्रभाव (time-varying effects) आम हैं। व्यक्तिगत रोगी-स्तर के डेटा को साझा किए बिना समायोजित संचयी घटना वक्र और RMTL अनुमान उत्पन्न करने की क्षमता फेडरेटेड एनालिटिक्स में एक महत्वपूर्ण अंतर को संबोधित करती है। लेखक इसे एक ऐसे उपकरण के रूप में प्रस्तुत करते हैं जो "सूचनात्मक कारण तुलना" और "सहज दृश्यीकरण" को सक्षम करता है, जिससे विशिष्ट रोगी उपसमूहों में प्रतिकूल घटना जोखिमों के संबंध में चिकित्सकों और नियामकों के लिए बेहतर निर्णय लेना आसान हो जाता है। पेपर स्वीकार करता है कि हालांकि यह विधि एक्सपोजर के कुल प्रभाव (प्रतिस्पर्धी घटनाओं के माध्यम से प्रत्यक्ष और अप्रत्यक्ष प्रभावों को मिलाकर) का अनुमान लगाती है, यह वर्तमान में इन प्रभावों को अलग नहीं करती है, जो यह सुझाव देता है कि प्रत्यक्ष प्रभाव अनुमान के लिए इनवर्स प्रोबेबिलिटी ऑफ सेंसरिंग वेटिंग (IPCW) को शामिल करना भविष्य के कार्य के लिए एक दिशा है।

इसी तरह के और पेपर