Nonparametric Estimation of Event-Free Survival for Data with Left-Truncated Death and Intermittently Assessed Nonfatal Events
यह शोध पत्र लेफ्ट ट्रंकेशन (left truncation), राइट-सेंसर्ड डेथ (right-censored death) और इंटरवल-सेंसर्ड नॉनफेटल इवेंट्स (interval-censored nonfatal events) द्वारा अभिलक्षित डेटा के लिए इवेंट-फ्री सर्वाइवल प्रोबेबिलिटीज (event-free survival probabilities) और रिस्ट्रिक्टेड मीन टाइम्स (restricted mean times) का अनुमान लगाने हेतु एक नवीन नॉनपैरामीट्रिक कर्नेल स्मूथिंग विधि प्रस्तावित करता है, जो पूरक डेटा स्रोतों का लाभ उठाता है और सिमुलेशन तथा एआरआईसी (ARIC) अध्ययन के एक अनुप्रयोग के माध्यम से इस दृष्टिकोण को प्रदर्शित करता है।
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
चिकित्सा अनुसंधान की दुनिया में, वैज्ञानिक अक्सर इस बात पर नज़र रखते हैं कि रोगी किसी विशिष्ट बीमारी या जटिलता से मुक्त रहने में कितना समय बिताते हैं। 'इवेंट-फ्री सर्वाइवल' (घटना-मुक्त उत्तरजीविता) के रूप में जाना जाने वाला यह माप एक शक्तिशाली उपकरण है क्योंकि यह केवल यह नहीं बताता कि व्यक्ति जीवित है या नहीं, बल्कि यह रोगी के स्वास्थ्य की पूरी कहानी बताता है। यह एक अधिक सूक्ष्म प्रश्न का उत्तर देता है: एक व्यक्ति स्ट्रोक या डिमेंशिया (स्मृति लोप) जैसे गंभीर संकट का सामना किए बिना कितने समय तक जीवित रह सकता है? इस उत्तर को खोजने के लिए, शोधकर्ताओं को लोगों का समय के साथ पीछा करना पड़ता है, और दो चीजों पर नज़र रखनी होती है: वह क्षण जब एक गैर-घातक स्वास्थ्य घटना घटित होती है, और मृत्यु का क्षण। हालाँकि, इस ज्ञान तक पहुँचने का मार्ग शायद ही कभी सीधा होता है। कई अध्ययनों में, रोगी अपनी बीमारी शुरू होने के बाद अनुसंधान में शामिल होते हैं, जिसका अर्थ है कि उनके प्रारंभिक इतिहास का रिकॉर्ड गायब है। इसके अलावा, जबकि मृत्यु दर्ज होते ही दर्ज कर ली जाती है, अन्य स्वास्थ्य घटनाओं का पता अक्सर समय-समय पर होने वाली जांचों के दौरान चलता है। यह समयरेखा में एक अंतराल पैदा करता है; शोधकर्ता जानते हैं कि एक घटना दो मुलाकातों के बीच कभी भी हुई होगी, लेकिन वे सटीक दिन नहीं जानते। यह अनिश्चितता, और इस तथ्य के साथ कि रोगी अपनी बीमारी के विभिन्न चरणों में अध्ययन में शामिल हुए, सटीक उत्तरजीविता समय की गणना करने को एक कठिन सांख्यिकीय पहेली बना देती है।
शोधकर्ताओं की एक टीम ने इस पहेली को हल करने का एक नया तरीका विकसित किया है, जिससे वे पहले की तुलना में इन उत्तरजीविता समयों का अधिक सटीक अनुमान लगा सकते हैं। उन्होंने जिस चुनौती का समाधान किया, वह तब उत्पन्न होती है जब एक अध्ययन में ऐसे रोगी शामिल होते हैं जो अनुसंधान में शामिल होने से पहले से ही कुछ समय से बीमारी के साथ जी रहे होते हैं, जिसे 'लेफ्ट ट्रंकेशन' (बायां विच्छेदन) कहा जाता है। इन मामलों में, उत्तरजीविता की गणना के लिए उपयोग की जाने वाली मानक विधियाँ अक्सर विफल हो जाती हैं क्योंकि वे मानती हैं कि सभी को उनकी बीमारी की शुरुआत से ही देखा जा रहा था। इसके अतिरिक्त, शोधकर्ताओं को इस तथ्य को भी ध्यान में रखना पड़ा कि गैर-घातक घटनाओं, जैसे कि डिमेंशिया का निदान, का पता केवल तभी चलता है जब कोई रोगी क्लिनिक जाता है, जिससे एक सटीक क्षण के बजाय समय का एक "धुंधला" अंतराल बन जाता है। टीम ने एक नया गणितीय दृष्टिकोण प्रस्तावित किया जो इन अंतरालों को सुचारू बनाता है और गायब प्रारंभिक इतिहास को ठीक करता है। गणना को दो भागों में विभाजित करके—एक मृत्यु के जोखिम के लिए और दूसरा गैर-घातक घटना के जोखिम के लिए—उन्होंने एक ऐसी विधि बनाई जो इस डेटा को संभाल सकती है जहाँ रोगी अध्ययन में देर से प्रवेश करते हैं और जहाँ घटनाएँ केवल रुक-रुक कर पाई जाती हैं।
अपने नए तरीके का परीक्षण करने के लिए, शोधकर्ताओं ने हजारों कंप्यूटर सिमुलेशन चलाए। उन्होंने रोगियों की आभासी आबादी बनाई जिसमें बीमारी के विभिन्न पैटर्न और मुलाकातों के अलग-अलग कार्यक्रम थे। इन सिमुलेशन में, उन्होंने अपने नए दृष्टिकोण की तुलना पुराने, मानक तरीकों से की। परिणामों ने दिखाया कि पारंपरिक तरीके अक्सर पक्षपाती उत्तर देते थे, या तो यह अधिक अनुमान लगाते थे या कम कि रोगी कितने समय तक स्वस्थ रहेंगे। हालाँकि, नया तरीका वास्तविक मूल्यों के बहुत करीब रहा, भले ही डेटा अव्यवस्थित या अधूरा था। शोधकर्ताओं ने यह भी पाया कि उनके तरीके को अतिरिक्त जानकारी जोड़कर सुधारा जा सकता है। यदि किसी अध्ययन में ऐसे रोगियों का डेटा हो जिन्हें केवल मृत्यु के लिए ट्रैक किया गया था, बिना गैर-घातक घटनाओं को ट्रैक किए, तो इस जानकारी को मुख्य समूह के साथ मिलाकर अनुमानों को और भी सटीक बनाया जा सकता था। इसी प्रकार, उन रोगियों का डेटा जोड़ना जो अध्ययन में शामिल हुए जब उनकी बीमारी शुरू हुई थी, उन लोगों के अंतराल को भरने में मदद कर सकता था जो वर्षों से बीमारी के साथ जी रहे थे।
टीम ने फिर अपने नए तकनीक को 'एथेरोस्क्लेरोसिस रिस्क इन कम्युनिटीज' अध्ययन के वास्तविक डेटा पर लागू किया, जो एक लंबे समय से चल रहा प्रोजेक्ट है जिसने 1987 से हजारों अमेरिकियों का अनुसरण किया है। उन्होंने उन लोगों पर ध्यान केंद्रित किया जिन्होंने दिल का दौरा (हार्ट अटैक) दिया था और जानना चाहते थे कि वे डिमेंशिया विकसित होने से पहले कितने समय तक जीवित रहने की उम्मीद कर सकते हैं। डेटा उन कठिनाइयों का एक आदर्श संगम प्रस्तुत करता था जिनका समाधान करने के लिए शोधकर्ताओं ने प्रयास किया था: कई प्रतिभागियों को डिमेंशिया के लिए मूल्यांकन किए जाने से कई साल पहले हार्ट अटैक आया था, और डिमेंशिया की जाँच केवल विशिष्ट अंतराल पर होती थी। अपने नए तरीके का उपयोग करते हुए, शोधकर्ताओं ने अनुमान लगाया कि, औसतन, एक व्यक्ति जो हार्ट अटैक से बच जाता है, वह घटना के बाद के पांच वर्षों में लगभग 2.87 वर्ष तक डिमेंशिया के बिना जीवित रहने की उम्मीद कर सकता है। बीस वर्षों की लंबी अवधि में, वह संख्या बढ़कर लगभग 5.72 वर्ष हो जाती है। जब उन्होंने अपने परिणामों की तुलना पुराने तरीकों से की, तो पारंपरिक दृष्टिकोणों ने सुझाव दिया कि लोग डिमेंशिया-मुक्त बहुत लंबे समय तक रहेंगे, संभवतः इसलिए क्योंकि वे स्थिति का पता लगाने में होने वाली देरी और इस तथ्य को पहचानने में विफल रहे कि कई रोगी अध्ययन शुरू होने से पहले से ही हार्ट अटैक के साथ जी रहे थे।
अध्ययन ने यह भी देखा कि क्या ये उत्तरजीविता समय नस्ल, लिंग या आयु के आधार पर भिन्न थे। शोधकर्ताओं ने पाया कि अल्प या दीर्घ अवधि में पुरुषों और महिलाओं, या अश्वेत और श्वेत प्रतिभागियों के बीच कोई महत्वपूर्ण अंतर नहीं था। हालाँकि, आयु ने लंबे समय में स्पष्ट अंतर पैदा किया। जबकि कम उम्र और अधिक उम्र के रोगियों के लिए पहले पांच वर्षों में उत्तरजीविता समय समान था, जो लोग 74 वर्ष की आयु से पहले हार्ट अटैक का शिकार हुए थे, वे हार्ट अटैक के समय अधिक उम्र वाले लोगों की तुलना में अगले बीस वर्षों में डिमेंशिया के बिना लगभग 3.51 वर्ष अधिक जीने की उम्मीद कर सकते थे। यह सुझाव देता है कि प्रारंभिक हार्ट अटैक का समय दीर्घकालिक मस्तिष्क स्वास्थ्य परिणामों में महत्वपूर्ण भूमिका निभाता है।
शोधकर्ता इस बात पर जोर देते हैं कि उनका कार्य केवल एक सैद्धांतिक अभ्यास नहीं है, बल्कि जटिल चिकित्सा रिकॉर्ड को समझने के लिए एक व्यावहारिक उपकरण है। वास्तविक दुनिया में, डेटा अक्सर अपूर्ण होता है; रोगी अपॉइंटमेंट मिस करते हैं, डॉक्टर घटनाओं को अलग-अलग समय पर रिकॉर्ड करते हैं, और लोग जीवन के विभिन्न चरणों में अध्ययन में शामिल होते हैं। नया तरीका इस अपूर्ण डेटा से विश्वसनीय उत्तर निकालने का एक तरीका प्रदान करता है, बिना इसे उस आकार में बदलने के जो यह नहीं है। अंतराल को स्वीकार करके और इस विशिष्ट तरीके को समझकर कि रोगी अध्ययन में कैसे प्रवेश करते हैं, यह विधि बीमारी के बढ़ने की एक स्पष्ट तस्वीर पेश करती है। लेखक नोट करते हैं कि हालांकि उनका दृष्टिकोण अच्छी तरह काम करता है, लेकिन यह इस धारणा पर निर्भर करता है कि रोगी की मुलाकातों का समय स्वयं बीमारी के लक्षणों के कारण नहीं होता है। यदि रोगी केवल इसलिए डॉक्टर के पास जाते हैं क्योंकि वे अस्वस्थ महसूस करते हैं, तो इस तरीके को और अधिक समायोजन की आवश्यकता हो सकती है। फिर भी, यह नया दृष्टिकोण मौजूदा चिकित्सा डेटा की विशाल मात्रा का उपयोग करके बीमारी के प्रसार को अधिक सटीक रूप से समझने का द्वार खोलता है, जिससे संभावित रूप से रोगियों को लंबे समय तक स्वस्थ रखने के बारे में बेहतर अंतर्दृष्टि मिल सकती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।