Counterfactual Optimization of Policy Interventions: Lexical Ordering and Leapfrogging

चिकित्सा और सार्वजनिक नीति की दुनिया में, एक मौलिक तनाव मौजूद है: बहुतों के लिए अच्छा करना और कुछ ही लोगों को नुकसान पहुँचाने से बचना। दशकों से, उपचार या हस्तक्षेप निर्धारित करने के लिए डिज़ाइन किए गए डेटा-संचालित सिस्टम एक सरल सिद्धांत पर काम करते आए हैं: औसत लाभ को अधिकतम करना। यदि एक नई दवा पुराने की तुलना में औसतन अधिक जीवन बचाती है, तो एल्गोरिदम उस सभी के लिए इसकी सिफारिश करता है जो उस प्रोफाइल में फिट बैठते हैं, चाहे वह विशिष्ट व्यक्तियों को कैसे भी प्रभावित करे। यह दृष्टिकोण, हालांकि कुशल है, एक महत्वपूर्ण नैतिक वास्तविकता की अनदेखी करता है: एक नीति जो स्प्रेडशीट पर अच्छी दिख सकती है, वह उन लोगों के एक बड़े हिस्से के लिए विनाशकारी हो सकती है जिन पर यह प्रभाव डालती है। चिकित्सा का प्राचीन सिद्धांत "सबसे पहले कोई नुकसान न पहुँचाएँ" (first do no harm) यह सुझाव देता है कि हमें केवल उच्चतम औसत स्कोर के पीछे नहीं भागना चाहिए यदि ऐसा करने से अनिवार्य रूप से एक संवेदनशील अल्पसंख्यक वर्ग पिस जाता है। आधुनिक वैज्ञानिकों के लिए चुनौती ऐसे निर्णय लेने वाले उपकरण बनाने की है जो इस सीमा का सम्मान करें, और एक ऐसा तरीका खोजें जिससे समग्र परिणाम में सुधार हो सके बिना उस रेखा को पार किए जहाँ बहुत अधिक लोग बदतर स्थिति में पहुँच जाएँ।

यही वह सटीक समस्या है जिसे कैम्ब्रिज विश्वविद्यालय और एकोल पॉलिटेक्निक फेडरल डी लाउज़ेन (École Polytechnique Fédérale de Lausanne) के शोधकर्ताओं ने हल किया है। उन्होंने नीतिगत परिवर्तनों को डिजाइन करने के लिए एक नई विधि विकसित की है जो व्यक्तिगत नुकसान के जोखिम को स्पष्ट रूप से ध्यान में रखती है। केवल यह पूछने के बजाय कि "औसत रूप से सबसे अच्छा क्या काम करता है?", उनका दृष्टिकोण पूछता है, "हम अपने वर्तमान उपचार से एक बेहतर उपचार की ओर कैसे बढ़ सकते हैं, जबकि यह सुनिश्चित किया जा सके कि किसी को नुकसान पहुँचाने की सबसे खराब स्थिति की संभावना एक विशिष्ट, स्वीकार्य सीमा से नीचे रहे?" शोधकर्ताओं ने पाया कि जब आप इस सख्त सुरक्षा प्रतिबंध को लागू करते हैं, तो नीतियों को बदलने का इष्टतम तरीका क्रमिक, चरण-दर-चरण सुधार नहीं होता है। इसके बजाय, सर्वोत्तम रणनीति में अक्सर एक "लीपफ्रॉगिंग" (कूदकर आगे बढ़ना) संरचना शामिल होती है। इसका अर्थ है कि रोगियों के किसी भी विशिष्ट समूह के लिए, प्रणाली या तो उन्हें उनके वर्तमान उपचार पर रखेगी या उन्हें सीधे उनके विशिष्ट प्रोफाइल के लिए उपलब्ध सबसे अच्छे विकल्प पर स्थानांतरित कर देगी। यह उन मध्यवर्ती उपचारों को छोड़ देती है जो शायद एक सुरक्षित मध्य मार्ग लग सकते हैं लेकिन अंततः नुकसान के विरुद्ध सर्वोत्तम सुरक्षा प्रदान करने में विफल रहते हैं।

इसे समझने के लिए, स्तन कैंसर के लिए कई अलग-अलग उपचार विकल्पों वाले एक अस्पताल की कल्पना करें, जिनमें रोगी के विशिष्ट जैविक मार्करों के आधार पर सफलता की दर भिन्न होती है। पारंपरिक रूप से, एक डॉक्टर एक नई दवा की औसत सफलता दर देख सकता है और उसे उन सभी को देने का निर्णय ले सकता है जो थोड़ा सा सांख्यिकीय लाभ दिखाते हैं। हालाँकि, नई विधि यह प्रकट करती है कि यह औसत एक खतरनाक सच्चाई को छिपा सकता है: कुछ रोगियों के लिए, नई दवा एक चमत्कारिक इलाज हो सकती है, जबकि अन्य रोगियों के लिए, जिनकी जीव विज्ञान थोड़ी भिन्न है, यह अप्रभावी या यहाँ तक कि हानिकारक भी हो सकती है। शोधकर्ताओं का मॉडल प्रत्येक संभावित रोगी-उपचार संयोजन के लिए एक प्राथमिकता स्कोर की गणना करता है। यह स्कोर उपचार बदलने के संभावित लाभ और नुकसान पहुँचाने के सबसे खराब मामले के जोखिम के बीच संतुलन बनाता है। यदि किसी विशेष समूह के लिए नुकसान का जोखिम बहुत अधिक है, तो मॉडल निर्देश देता है कि उन्हें बिल्कुल भी नहीं बदला जाना चाहिए, भले ही औसत लाभ आशाजनक दिख रहा हो।

इस अध्ययन का परीक्षण I-SPY2 स्तन कैंसर परीक्षण के वास्तविक डेटा का उपयोग करके किया गया था, जो लगभग एक हजार रोगियों और दस अलग-अलग उपचार समूहों वाला एक बड़े पैमाने का अध्ययन है। शोधकर्ताओं ने अपने नए "हानि-जागरूक" (harm-aware) तर्क को इस डेटा पर लागू किया और परिणामों की तुलना मानक तरीकों से की जो केवल औसत लाभ देखते हैं। अंतर स्पष्ट था। मानक दृष्टिकोण, जो औसत लाभ के आधार पर प्राथमिकता देता है, उपचारों को रखने या छोड़ने के क्रम का एक निश्चित सुझाव देता है। इसके विपरीत, नया हानि-जागरूक दृष्टिकोण एक पूरी तरह से अलग रैंकिंग प्रस्तुत करता है। कुछ मामलों में, एक उपचार जो पुराने सिस्टम के तहत स्पष्ट विजेता लग रहा था, उसे कम प्राथमिकता दी गई क्योंकि मॉडल ने एक महत्वपूर्ण जोखिम की पहचान की कि वह रोगियों के एक विशिष्ट उपसमूह को नुकसान पहुँचा सकता है। शोधकर्ताओं ने प्रदर्शित किया कि नुकसान पहुँचाने वाले लोगों की संख्या पर एक छोटी, नियंत्रित सीमा स्वीकार करके, वे एक ऐसी नीति पथ बना सकते हैं जो पारंपरिक औसत-अधिकतम दृष्टिकोण की तुलना में नैतिक रूप से अधिक सुरक्षित और कई परिदृश्यों में अधिक सुदृढ़ है।

उनके कार्य का एक प्रमुख निष्कर्ष "लीपफ्रॉगिंग" समाधान की प्रकृति है। जब शोधकर्ताओं ने कई उपचार विकल्पों की अनुमति दी, तो उन्होंने पाया कि इष्टतम नीति में शायद ही कभी रोगियों को मध्यवर्ती चरणों के माध्यम से ले जाने की आवश्यकता होती है। उदाहरण के लिए, यदि एक रोगी वर्तमान में उपचार A पर है, और उपचार C सबसे अच्छा विकल्प है, तो मॉडल अक्सर निर्देश देता है कि रोगी को उपचार B पर जाने के बजाय सीधे उपचार C पर कूद जाना चाहिए। ऐसा इसलिए होता है क्योंकि मध्यवर्ती चरण सर्वोत्तम विकल्प का पूर्ण लाभ प्रदान किए बिना अनावश्यक नुकसान के जोखिम पैदा कर सकते हैं। उनके समाधान की गणितीय संरचना यह सुनिश्चित करती है कि प्रत्येक परिवर्तन या तो उस विशिष्ट रोगी के लिए सर्वोत्तम संभव देखभाल की ओर एक सीधा कदम है या कोई बदलाव नहीं है। यह एक स्पष्ट, पदानुक्रमित प्राथमिकता क्रम बनाता है, जहाँ सबसे महत्वपूर्ण परिवर्तन पहले होते हैं, और उच्च जोखिम वाले मामलों को तब तक अकेला छोड़ दिया जाता है जब तक कि सुरक्षा बजट उनकी अनुमति न दे दे।

शोधकर्ताओं ने यह भी पता लगाया कि संभावित परिणामों के बीच संबंध के बारे में विभिन्न धारणाएं इन निर्णयों को कैसे प्रभावित करती हैं। वास्तविक दुनिया में, हम शायद ही कभी जानते हैं कि एक रोगी ने उस उपचार के प्रति कैसी प्रतिक्रिया दी होती जो उन्हें नहीं दिया गया। मॉडल इस अनिश्चितता को ध्यान में रखते हुए विभिन्न परिदृश्यों की एक श्रृंखला पर विचार करता है, जो उपचारों के परस्पर क्रिया के बारे में सबसे आशावादी से लेकर सबसे निराशावादी तक हो सकते हैं। उन्होंने पाया कि इस गहरी अनिश्चितता को ध्यान में रखने के बावजूद, लीपफ्रॉगिंग संरचना बनी रही। चाहे उन्होंने उपचारों के विफल होने के सबसे खराब मामले को माना हो या परिणामों के बीच एक मध्यम सहसंबंध को, परिणाम समान था: एक ऐसी नीति जो क्रमिक, जोखिम भरे परिवर्तनों के बजाय सीधे, सुरक्षित संक्रमणों को प्राथमिकता देती है। यह सुझाव देता है कि यह निष्कर्ष किसी विशिष्ट गणितीय धारणा का संयोग नहीं है, बल्कि नुकसान को सख्ती से सीमित करने के साथ अच्छा करने का एक मौलिक गुण है।

स्तन कैंसर के डेटा के अपने विश्लेषण में, शोधकर्ताओं ने रोगियों को प्राथमिकता के "स्तरों" (tiers) में समूहबद्ध करके इन निष्कर्षों को दृश्य रूप में प्रस्तुत किया। उन्होंने दिखाया कि उपचारों को रैंक करने के लिए आप किस विधि का उपयोग करते हैं, इसके आधार पर विफल चिकित्सा को बंद करने की शीर्ष प्राथमिकता पूरी तरह से अलग हो सकती है। मानक औसत-लाभ पद्धति के तहत, एक विशिष्ट दवा और रोगी प्रकार का संयोजन सबसे पहले हटाया जाने वाला होगा। नई हानि-जागरूक पद्धति के तहत, एक अलग संयोजन उस स्थान को लेता है, अक्सर इसलिए क्योंकि मानक पद्धति एक छोटे लेकिन महत्वपूर्ण समूह के लिए छिपे हुए खतरे को देखने में विफल रही। इस पुनर्व्यवस्था के नैदानिक परीक्षणों के संचालन और उपचारों की स्वीकृति के तरीके पर गहरे निहितार्थ हैं। यह सुझाव देता है कि नियामकों और डॉक्टरों को यह फिर से विचार करने की आवश्यकता हो सकती है कि कौन से उपचार जारी रखना सुरक्षित है, न कि केवल इस आधार पर कि किसे सबसे अधिक लाभ होता है, बल्कि इस आधार पर भी कि किसे परिवर्तन से नुकसान होने की संभावना सबसे कम है।

यह कार्य यह दावा नहीं करता है कि यह चिकित्सा में हर नैतिक दुविधा को हल कर देगा, न ही यह एक ऐसा जादुई सूत्र प्रदान करता है जो सभी जोखिमों को समाप्त कर देता है। शोधकर्ता स्पष्ट हैं कि उनकी विधि जनसंख्या स्तर पर अपेक्षित नुकसान को नियंत्रित करती है; यह गारंटी नहीं देती कि प्रत्येक व्यक्ति की रक्षा की जाएगी। ऐसे परिदृश्य हैं जहाँ गणित यह निर्देश देता है कि शेष लोगों के लिए बड़ा लाभ प्राप्त करने के लिए कुछ लोगों को जोखिम के संपर्क में आना ही होगा। हालाँकि, इस समझौते को स्पष्ट और मापने योग्य बनाकर, यह विधि बातचीत को अस्पष्ट नैतिक चिंताओं से ठोस, प्रबंधनीय सीमाओं की ओर ले जाती है। यह नीति निर्माताओं को यह कहने की अनुमति देता है, "हम औसत परिणाम में सुधार करेंगे, लेकिन केवल तभी जब हम सबसे खराब स्थिति के नुकसान को इस विशिष्ट सीमा के नीचे रख सकें।"

अंततः, यह शोध चिकित्सा निर्णय लेने की जटिल मशीनरी को देखने के लिए एक नया दृष्टिकोण प्रदान करता है। यह इस लंबे समय से चली आ रही धारणा को चुनौती देता है कि सबसे अच्छी नीति वह है जो केवल उच्चतम औसत स्कोर देती है। इसके बजाय, यह प्रस्तावित करता है कि सबसे नैतिक और प्रभावी मार्ग वह है जो मानवीय सुरक्षा की सीमाओं का सम्मान करता है, प्रत्यक्ष, उच्च-विश्वास वाले सुधारों को प्राथमिकता देता है और क्रमिक, अनिश्चित परिवर्तनों के फिसलन भरे ढलान से बचता है। "लीपफ्रॉगिंग" प्रकृति के अनुकूल संक्रमणों पर ध्यान केंद्रित करके, यह अध्ययन अच्छे काम करने और नुकसान न पहुँचाने के बीच के कठिन संतुलन को नेविगेट करने के लिए एक व्यावहारिक ढांचा प्रदान करता है, यह सुनिश्चित करता है कि प्रगति की खोज कमजोर वर्गों की कीमत पर न हो।