A Bayesian hierarchical push-forward method for cluster Randomized Controlled Trial power calculations in complex humanitarian settings
यह शोध पत्र एक बेयसियन पदानुक्रमित पुश-फॉरवर्ड पद्धति प्रस्तुत करता है जो जटिल मानवीय परिवेशों में क्लस्टर-यादृच्छिक नियंत्रित परीक्षणों के लिए शक्ति गणना और परीक्षण डिजाइन को बेहतर बनाने हेतु क्लस्टर और व्यक्तिगत ड्रॉपआउट पर पूर्व सूचना को एकीकृत करता है, जिसे बांग्लादेश में एक आगामी अध्ययन और एक सार्वजनिक रूप से उपलब्ध आर शाइनी (R Shiny) एप्लिकेशन के माध्यम से प्रदर्शित किया गया 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
मानवीय संकट के अराजक बाद के समय में, जहाँ विस्थापित परिवार अप्रत्याशित रूप से चलते हैं और संसाधन दुर्लभ होते हैं, एक चिकित्सा अध्ययन का डिज़ाइन तैयार करना अनिश्चितता के बीच रास्ता खोजने जैसा है। शोधकर्ता अक्सर क्लस्टर रैंडमाइज्ड ट्रायल्स (cluster randomized trials) की ओर रुख करते हैं, जो एक ऐसी विधि है जहाँ लोगों के पूरे समूहों, जैसे कि गाँवों या शरणार्थी शिविरों को, एक नया स्वास्थ्य हस्तक्षेप प्राप्त करने या एक मानक उपचार प्राप्त करने के लिए आवंटित किया जाता है। यह दृष्टिकोण उन स्थानों पर उपचारों का परीक्षण करने के लिए महत्वपूर्ण है जहाँ व्यक्तिगत ट्रैकिंग असंभव है, लेकिन इसमें एक अनूकहा जोखिम भी है: संघर्ष, विस्थापन या सुरक्षा संबंधी चिंताओं के कारण पूरे समूह अध्ययन से गायब हो सकते हैं। जब ये समूह गायब हो जाते हैं, तो डेटा अधूरा हो जाता है, और अध्ययन इस बात का पता लगाने की क्षमता खो सकता है कि क्या कोई उपचार वास्तव में काम करता है। इसे हल करने के लिए, वैज्ञानिकों को इस बारे में साधारण अनुमान लगाने से आगे बढ़कर एक ऐसे ढांचे को अपनाना चाहिए जो अनिश्चितता को एक दोष के रूप में नहीं, बल्कि गणना के एक केंद्रीय हिस्से के रूप में देखता है।
सांख्यिकीविदों और सार्वजनिक स्वास्थ्य विशेषज्ञों की एक टीम ने इन कठिन अध्ययनों की योजना बनाने का एक नया तरीका विकसित किया है, जो इस तथ्य को स्वीकार करता है कि भविष्य शायद एक एकल, निश्चित बिंदु नहीं होता। केवल यह गणना करने के बजाय कि किसी अध्ययन के सफल होने की कितनी संभावना है, उन्होंने एक ऐसी विधि बनाई जो संभावनाओं की एक पूर्ण श्रृंखला उत्पन्न करती है, जो यह दिखाती है कि स्थितियाँ बदलने पर सफलता की दर कैसे बदलती है। उनका कार्य कॉक्स बाजार, बांग्लादेश में होने वाले एक आगामी परीक्षण द्वारा प्रेरित था, जिसका उद्देश्य म्यांमार के शरणार्थियों को हृदय रोग और हेपेटाइटिस सी के प्रबंधन में मदद करना है। इस परिवेश में, शोधकर्ता जानते थे कि लोग अध्ययन क्षेत्र छोड़ सकते हैं या पूरे शिविर अप्राप्य हो सकते हैं, जिससे पारंपरिक नियोजन विधियाँ अविश्वसनीय हो जाती हैं। एक 'बेयसियन दृष्टिकोण' (Bayesian approach) का उपयोग करके, जो उन्हें पिछले अध्ययनों से ज्ञात जानकारी को शामिल करने और वर्तमान की अराजकता को स्पष्ट रूप से मॉडल करने की अनुमति देता है, उन्होंने एक ऐसा उपकरण बनाया जो नुकसान और व्यवधान के कई विभिन्न परिदृश्यों के तहत एक परीक्षण की मजबूती की भविष्यवाणी करता है।
शोधकर्ताओं ने म्यांमार में हाल ही में पूरे किए गए एक समान परीक्षण को देखकर शुरुआत की, जहाँ उन्होंने विश्लेषण किया कि कितने लोग अध्ययन में रहे और प्रतिभागियों के नुकसान का वितरण विभिन्न गाँवों में कैसे हुआ। उन्होंने पाया कि कभी-कभी लोग व्यक्तिगत रूप से अध्ययन छोड़ देते हैं, लेकिन अन्य समय में, संघर्ष के कारण पूरे गाँव फॉलो-अप से गायब हो जाते हैं। उन्होंने इस वास्तविक दुनिया के डेटा का उपयोग एक गणितीय मॉडल बनाने के लिए किया जो बांग्लादेश के आगामी परीक्षण के हजारों संभावित संस्करणों का अनुकरण (simulate) करता है। प्रत्येक सिमुलेशन में, उन्होंने क्लस्टरों की संख्या, समूहों के आकार और लोगों के बाहर जाने की दर को बदला, जिसमें पूरे क्लस्टरों के गायब होने वाले परिदृश्य भी शामिल थे। इस प्रक्रिया को, जिसे वे "पुश-फॉरवर्ड" (push-forward) विधि कहते हैं, में यह देखा जाता है कि कैसे लोगों के शेष रहने के बारे में अनिश्चितता को अध्ययन के डिज़ाइन के माध्यम से आगे बढ़ाया जाता है ताकि अंतिम परिणामों को देखा जा सके।
उनके सिमुलेशन के परिणामों ने जिस तरीके से अध्ययन अक्सर नियोजित किए जाते हैं, उसमें एक गंभीर खामी उजागर की। पारंपरिक विधियाँ आमतौर पर एक एकल संख्या प्रदान करती हैं, जैसे कि सफलता की 80 प्रतिशत संभावना, जो सुरक्षा की झूठी भावना दे सकती है। नई विधि ने दिखाया कि भले ही सफलता की औसत संभावना अच्छी दिख रही हो, फिर भी एक महत्वपूर्ण जोखिम बना रहता है कि अध्ययन की वास्तविक शक्ति (power) बहुत कम हो सकती है। उदाहरण के लिए, कुछ परिदृश्यों में, जबकि औसत शक्ति पर्याप्त दिख रही थी, फिर भी इस बात की पैंतीस प्रतिशत संभावना थी कि अध्ययन वास्तविक प्रभाव का पता लगाने के लिए बहुत कमजोर होगा। ऐसा इसलिए होता है क्योंकि पूरे समूहों का नुकसान, व्यक्तियों के एक-एक करके खो जाने की तुलना में एक अलग प्रकार की अनिश्चितता पैदा करता है। शोधकर्ताओं ने पाया कि केवल प्रत्येक समूह में लोगों की संख्या बढ़ा देना हमेशा समस्या को हल नहीं करता है; कभी-कभी, कुछ गाँवों के नुकसान को सहने के लिए अधिक क्लस्टर जोड़ना कहीं अधिक प्रभावी होता है।
जब उन्होंने म्यांमार अध्ययन के डेटा का उपयोग करके अपने बांग्लादेश परीक्षण पर इस नए ढांचे को लागू किया, तो परिणाम आश्वस्त करने वाले लेकिन सूक्ष्म थे। उन्होंने लोगों के अध्ययन छोड़ने के छह अलग-अलग परिदृश्यों का परीक्षण किया, जो यादृच्छिक व्यक्तिगत प्रस्थान से लेकर कई संपूर्ण क्लस्टरों के नुकसान तक विस्तृत थे। प्रत्येक परिदृश्य में, अध्ययन के सफल होने की मध्यिका (median) संभावना उच्च बनी रही, जो अक्सर 87 प्रतिशत से ऊपर थी। हालाँकि, इस विधि ने यह भी रेखांकित किया कि सबसे खराब स्थिति में, जहाँ कई क्लस्टर खो जाते हैं, अभी भी 35 प्रतिशत संभावना थी कि अध्ययन 80 प्रतिशत पावर थ्रेशोल्ड के मानक से चूक जाएगा। विवरण का यह स्तर शोधकर्ताओं को अधिक सूचित निर्णय लेने में सक्षम बनाता है, जिससे वे न केवल यह समझ पाते हैं कि एक अध्ययन के सफल होने की कितनी संभावना है, बल्कि यह भी कि मानवीय संकटों में सामान्य व्यवधानों के प्रति वह कितना संवेदनशील है।
इस जटिल उपकरण को अन्य वैज्ञानिकों और सार्वजनिक स्वास्थ्य कर्मियों के लिए सुलभ बनाने के लिए, टीम ने एक निःशुल्क, इंटरैक्टिव सॉफ्टवेयर एप्लिकेशन बनाया जिसे कोई भी अपने स्वयं के परीक्षणों को डिजाइन करने के लिए उपयोग कर सकता है। यह उपकरण अन्वेषकों को लोगों के बाहर जाने के बारे में अपनी धारणाओं को दर्ज करने और विभिन्न अध्ययन आकारों के जोखिमों और पुरस्कारों का एक दृश्य प्रतिनिधित्व देखने की अनुमति देता है। एकल बिंदु अनुमान से संभावनाओं की एक श्रृंखला की ओर बातचीत को बदलकर, यह कार्य शोधकर्ताओं को ऐसे अध्ययन डिजाइन करने में मदद करता है जो संकट क्षेत्रों की अप्रत्याशितता में जीवित रहने के लिए पर्याप्त मजबूत हों। यह खुले मन से योजना बनाने का एक तरीका प्रदान करता है, यह स्वीकार करते हुए कि मानवीय सेटिंग्स में, एकमात्र निश्चितता यह है कि चीजें बदलेंगी, और एक अच्छा अध्ययन डिज़ाइन उस वास्तविकता को ध्यान में रखने के लिए पर्याप्त लचीला होना चाहिए।
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।