📊 epidemiology

Bias and Variance of Adjusting for Instruments

इस शोध पत्र का सिमुलेशन यह प्रदर्शित करता है कि बड़े पैमाने पर प्रोपेंसिटी स्कोर एडजस्टमेंट के ढांचे के भीतर, 0.5 से कम उपचार सहसंबंध वाले उपकरणों और 0.5 से अधिक इक्विपॉइज़ प्रेफरेंस स्कोर को शामिल करने से केवल मामूली पूर्वाग्रह उत्पन्न होता है, जो सीमित कंफाउंडर्स की पहचान करने के बजाय कई कोवेरियेट्स के लिए समायोजन करने की रणनीति का समर्थन करता है।

मूल लेखक: Hripcsak, G., Anand, T., Chen, H. Y., Zhang, L., Chen, Y., Suchard, M. A., Ryan, P. B., Schuemie, M. J.

प्रकाशित 2026-03-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hripcsak, G., Anand, T., Chen, H. Y., Zhang, L., Chen, Y., Suchard, M. A., Ryan, P. B., Schuemie, M. J.

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं: क्या दवा A वास्तव में मरीजों को ठीक करने में मदद करती है, या यह केवल अन्य कारकों के कारण ऐसा लगता है?

वास्तविक दुनिया में, हम ऐसे आदर्श प्रयोग नहीं कर सकते जहाँ हम लोगों को यादृच्छिक रूप से (randomly) दवा या प्लेसबो लेने के लिए आवंटित करते हैं (यह कई स्थितियों के लिए अनैतिक या असंभव होगा)। इसके बजाय, हम "अवलोकन संबंधी डेटा" (observational data) देखते हैं—यानी वे रिकॉर्ड कि वास्तव में लोगों ने क्या किया।

समस्या कन्फाउंडिंग (Confounding) की है।

परिदृश्य: हो सकता है कि जो लोग दवा A लेते हैं, वे शुरू से ही सामान्य रूप से स्वस्थ हों। यदि वे तेजी से ठीक हो जाते हैं, तो क्या यह दवा के कारण है, या उनके अच्छे स्वास्थ्य के कारण?
समाधान (प्रोपेंसिटी स्कोर): इसे ठीक करने के लिए, सांख्यिकीविद् "प्रोपेंसिटी स्कोर" नामक एक "मैचमेकर" टूल का उपयोग करते हैं। यह एक मरीज के सैकड़ों विवरणों (आयु, वजन, अन्य दवाएं, पिछला इतिहास) को देखता है और एक "स्कोर" बनाता है जो कहता है, "यह व्यक्ति बहुत समान है जैसा कि वह जिसने दवा ली थी, और यह व्यक्ति भी समान है जैसा कि वह जिसने नहीं ली।" इन मेल खाए गए समूहों की तुलना करके, हम दवा के वास्तविक प्रभाव को अलग करने की उम्मीद करते हैं।

बड़ी बहस: "अधिक बेहतर है" बनाम "कम ही पर्याप्त है"

दशकों से, शोधकर्ता इस बात पर बहस कर रहे हैं कि इस मैचमेकर टूल में कौन से विवरण डालने चाहिए:

"चुनने और छोड़ने" वाली टीम (Pick and Choose Team): "केवल स्पष्ट संदिग्धों (कन्फाउंडर्स) को शामिल करें। यदि हम बहुत अधिक वेरिएबल्स शामिल करते हैं, तो हम चीजों को बिगाड़ सकते हैं।"
"सब कुछ डाल देने" वाली टीम (LSPS): "उपचार शुरू होने से पहले हमारे पास मौजूद हर डेटा को शामिल करें। कंप्यूटर को तय करने दें कि क्या महत्वपूर्ण है।"

डर: "चुनने और छोड़ने" वाली टीम इंस्ट्रूमेंट्स (Instruments) से डरती है।
एक इंस्ट्रूमेंट एक चालाक वेरिएबल है। यह इस बात को प्रभावित करता है कि किसे दवा मिलती है, लेकिन इसका इस बात पर कोई प्रभाव नहीं होता कि वे बेहतर होते हैं या बदतर।

सादृश्य (Analogy): कल्पना कीजिए कि एक डॉक्टर जो हमेशा उन मरीजों को दवा A निर्धारित करता है जो एक विशिष्ट ज़िप कोड में रहते हैं। ज़िप कोड एक "इंस्ट्रूमेंट" है। यह दवा की भविष्यवाणी करता है, लेकिन उस ज़िप कोड में रहने से आप स्वस्थ नहीं होते हैं।
चिंता: यदि आप गलती से "ज़िप कोड" को अपने मैचमेकर टूल में शामिल कर देते हैं, तो आप परिणामों को विकृत कर सकते हैं, जिससे दवा वास्तव में जितनी अच्छी या बुरी है, उससे बहुत अलग दिख सकती है।

इस पेपर ने क्या किया: "खींचातानी" का सिमुलेशन (The "Tug-of-War" Simulation)

लेखकों (मेडिकल डेटा वैज्ञानिकों की एक टीम) ने इस बहस को सुलझाने के लिए एक विशाल कंप्यूटर सिमुलेशन चलाया। वे देखना चाहते थे: यदि हम गलती से अपने मैचमेकर टूल में एक "चालाक इंस्ट्रूमेंट" शामिल कर देते हैं, तो यह वास्तव में हमारे परिणामों को कितना नुकसान पहुँचाता है?

उन्होंने एक परिदृश्य बनाया जिसमें शामिल थे:

एक वास्तविक कन्फाउंडर: एक कारक जो परिणामों को बिगाड़ देता है (जैसे "अच्छा स्वास्थ्य")।
एक चालाक इंस्ट्रूमेंट: एक कारक जो केवल दवा की भविष्यवाणी करता है (जैसे "ज़िप कोड")।
परीक्षण: उन्होंने सिमुलेशन को हजारों बार चलाया, जिससे "ज़िप कोड" का दवा के चुनाव पर प्रभाव और अधिक मजबूत होता गया, और देखा कि क्या हुआ।

आश्चर्यजनक खोज

परिणाम विरोधाभासी लेकिन बहुत आश्वस्त करने वाले थे:

1. "शोर" बनाम "संकेत" (Noise vs. Signal)
भले ही "चालाक इंस्ट्रूमेंट" दवा प्राप्त करने वाले लोगों की भविष्यवाणी करने में "कन्फाउंडर" की तुलना में 20 गुना अधिक शक्तिशाली था, फिर भी उसे मॉडल में शामिल करने से जवाब खराब नहीं हुआ।

सादृश्य: कल्पना कीजिए कि आप शोर भरे कमरे में एक फुसफुसाहट (दवा का वास्तविक प्रभाव) सुनने की कोशिश कर रहे हैं।
- कन्फाउंडिंग एक तेज़, ध्यान भटकाने वाली चिल्लाहट है जो फुसफुसाहट को दबा देती है।
- इंस्ट्रूमेंट पृष्ठभूमि में एक स्थिर हिस (static hiss) की आवाज़ है।
- पुरानी आशंका थी: "यदि हम स्टैटिक को फ़िल्टर करने के लिए माइक्रोफ़ोन जोड़ते हैं, तो क्या हम गलती से चिल्लाहट को बढ़ा देंगे!"
- वास्तविकता: लेखकों ने पाया कि भले ही स्टैटिक हिस अविश्वसनीय रूप से तेज़ हो, माइक्रोफ़ोन चालू करने से केवल थोड़ा सा अतिरिक्त शोर ही जुड़ता है। यह मूल चिल्लाहट (अनएडजस्टेड कन्फाउंडिंग) जितना फुसफुसाहट को नहीं दबाता है।

2. सुरक्षा जाल (Diagnostics)
पेपर ने "सब कुछ डाल देने" वाली टीम (LSPS) द्वारा उपयोग किए जाने वाले सुरक्षा नियमों को भी देखा। उनके पास दो "स्टॉप साइन" हैं:

सहसंबंध की जाँच (Correlation Check): यदि कोई वेरिएबल दवा के साथ बहुत मजबूती से जुड़ा है (जैसे 0.5 या उससे अधिक का सहसंबंध), तो रुकें और उसकी जाँच करें।
इक्विपॉइज़ चेक (Equipoise Check): यह मापता है कि समूह कितने संतुलित हैं। यदि "मैचमेकर" को मिलान खोजने में संघर्ष करना पड़ रहा है, तो यह एक चेतावनी संकेत है।

सिमुलेशन ने दिखाया कि जब तक ये सुरक्षा चेक मौजूद हैं, तब तक जो "चालाक इंस्ट्रूमेंट्स" निकल आते हैं, वे महत्वपूर्ण नुकसान पहुँचाने के लिए बहुत कमजोर होते हैं।

निष्कर्ष (The Bottom Line)

व्यापक जाल फेंकने से न डरें।

अध्ययन निष्कर्ष निकालता है कि वास्तविक दुनिया में, एक वास्तविक कन्फाउंडर को मिस करना (बहुत अधिक चयनात्मक होने के कारण) गलती से एक कमजोर इंस्ट्रूमेंट को शामिल करने की तुलना में कहीं अधिक खतरनाक है।

पुराना तरीका: "परफेक्ट" वेरिएबल्स की सूची को मैन्युअल रूप से चुनने की कोशिश करना घास के ढेर में सुई खोजने जैसा है, जहाँ आप केवल ऊपरी परत को देखते हैं। आप सुई को मिस कर सकते हैं।
नया तरीका (LSPS): पूरे घास के ढेर को छलनी में डालना (सभी डेटा का उपयोग करना) और कंप्यूटर को फ़िल्टर करने देना अधिक सुरक्षित है। भले ही स्ट्रॉ (इंस्ट्रूमेंट्स) के कुछ टुकड़े निकल आएं, वे सूप को खराब नहीं करते हैं। "सुरक्षा जांच" (सहसंबंध और इक्विपॉइज़) यह सुनिश्चित करती है कि वास्तव में बुरा स्ट्रॉ पकड़ा जाए।

संक्षेप में: जब यह पता लगाने की कोशिश कर रहे हों कि कोई उपचार काम करता है या नहीं, तो समावेशी होना और डेटा को बोलने देना बेहतर है, बजाय इसके कि आप अत्यधिक सावधान होकर उन कारकों को अनदेखा कर दें जो वास्तव में मायने रखते हैं। इंस्ट्रूमेंट्स का "शोर" प्रबंधनीय है; गायब कन्फाउंडर्स की "खामोशी" अध्ययन के लिए घातक है।

यहाँ शोध पत्र "Bias and Variance of Adjusting for Instruments" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

अवलोकनात्मक अनुसंधान (observational research) में, प्रोपेंसिटी स्कोर (PS) एडजस्टमेंट कन्फाउंडिंग (confounding) को संबोधित करने के लिए एक मानक विधि है। हालाँकि, कोवेरिएट चयन (covariate selection) को लेकर एक दीर्घकालिक बहस है:

दुविधा (The Dilemma): क्या शोधकर्ताओं को सभी प्री-ट्रीटमेंट कोवेरिएट्स को शामिल करना चाहिए (यह सुनिश्चित करने के लिए कि कोई भी कन्फाउंडर छूट न जाए) या ज्ञात कन्फाउंडर्स के एक सीमित सेट को सावधानीपूर्वक चुनना चाहिए?
इंस्ट्रूमेंट्स का जोखिम (The Risk of Instruments): सभी कोवेरिएट्स को शामिल करने के साथ एक प्राथमिक चिंता अनजाने में इंस्ट्रूमेंट्स (instruments) को शामिल करना है। इंस्ट्रूमेंट एक ऐसा चर (variable) है जो ट्रीटमेंट से जुड़ा होता है लेकिन आउटकम (outcome) से नहीं।
सैद्धांतिक परिणाम (Theoretical Consequence): सैद्धांतिक साहित्य सुझाव देता है कि अन-एडजस्टेड कन्फाउंडिंग की उपस्थिति में एक इंस्ट्रूमेंट के लिए एडजस्ट करना:
1. बायस को बढ़ा सकता है (Amplify Bias): प्रभाव अनुमान (effect estimate) के बायस को बढ़ा देता है (बायस एम्प्लीफिकेशन)।
2. वैरिएंस बढ़ा सकता है (Increase Variance): अनुमान के कॉन्फिडेंस इंटरवल को चौड़ा कर देता है।
अंतराल (The Gap): जबकि लार्ज-स्केल प्रोपेंसिटी स्कोर (LSPS) विधियाँ बड़ी संख्या में कोवेरिएट्स को शामिल करती हैं और इंस्ट्रूमेंट्स को फ़िल्टर करने के लिए डायग्नोस्टिक्स का उपयोग करती हैं, "कमजोर" इंस्ट्रूमेंट्स (जो डायग्नोस्टिक्स पास करते हैं) द्वारा कितने बायस और वैरिएंस पेश किए जाते हैं, इसके परिचालन गुणों (operating characteristics) को सटीक रूप से मापना अभी भी कठिन है।

2. कार्यप्रणाली (Methodology)

लेखकों ने अन-एडजस्टेड कन्फाउंडिंग की स्थितियों में इंस्ट्रूमेंट्स के लिए एडजस्ट करने से उत्पन्न होने वाले बायस और वैरिएंस को मापने के लिए एक सिमुलेशन अध्ययन किया।

सिमुलेशन डिज़ाइन (Simulation Design):
- चर (Variables): एक कन्फाउंडर ( $X$ ), एक मापा गया इंस्ट्रूमेंट ( $Z$ ), एक अन-मेज़र्ड इंस्ट्रूमेंट ( $U$ ), ट्रीटमेंट ( $T$ ), और आउटकम ( $Y$ ) को परिभाषित किया गया।
- पैरामीटर्स (Parameters):
  - ट्रीटमेंट इफेक्ट ( $E$ ) को 0.5 पर स्थिर रखा गया।
  - कन्फाउंडिंग स्ट्रेंथ ( $C, D$ ) को 1 पर स्थिर रखा गया।
  - इंस्ट्रूमेंट स्ट्रेंथ ( $B$ ) को 1 से 7 तक बदला गया।
  - कुल ट्रीटमेंट वैरिएंस को स्थिर रखने के लिए, अन-मेज़र्ड इंस्ट्रूमेंट की स्ट्रेंथ ( $R$ ) को $B$ के बढ़ने के साथ व्युत्क्रमानुपाती (inversely) रूप से समायोजित किया गया।
- परीक्षण किए गए मॉडल (Models Tested):
  1. क्रूड ( $M_{crude}$ ): कोई कोवेरिएट नहीं।
  2. केवल इंस्ट्रूमेंट ( $M_{instr}$ ): केवल $Z$ के लिए एडजस्ट करता है (बायस एम्प्लीफिकेशन को दर्शाता है)।
  3. केवल कन्फाउंडर ( $M_{conf}$ ): केवल $X$ के लिए एडजस्ट करता है (बायस सुधार के लिए "ग्राउंड ट्रुथ")।
  4. कन्फाउंडर + इंस्ट्रूमेंट ( $M_{conf-instr}$ ): दोनों के लिए एडजस्ट करता है।
- नमूना आकार (Sample Size): प्रति सिमुलेशन 200,000 ऑब्जर्वेशन।
- डायग्नोस्टिक्स (Diagnostics): इंस्ट्रूमेंट और ट्रीटमेंट के बीच पियर्सन कोरिलेशन और LSPS डायग्नोस्टिक्स को दर्शाने के लिए इक्विपॉइज़ (equipoise/preference score) की गणना की गई।
परिदृश्य (Scenarios):
1. सिंगल इंस्ट्रूमेंट: एक इंस्ट्रूमेंट की स्ट्रेंथ को बदला गया।
2. मल्टीपल इंस्ट्रूमेंट्स: aggregate प्रभाव का परीक्षण करने के लिए 10 स्वतंत्र इंस्ट्रूमेंट्स के साथ विश्लेषण को दोहराया गया।

3. मुख्य योगदान (Key Contributions)

बायस एम्प्लीफिकेशन का परिमाणीकरण (Quantification of Bias Amplification): यह अध्ययन इस बात का अनुभवजन्य डेटा प्रदान करता है कि इंस्ट्रूमेंट्स (जो स्टैंडर्ड LSPS डायग्नोस्टिक्स—कोरिलेशन < 0.5—पास करते हैं) के लिए एडजस्ट करने पर वास्तव में कितना बायस जुड़ता है।
LSPS डायग्नोस्टिक्स का सत्यापन (Validation of LSPS Diagnostics): यह महत्वपूर्ण बायस एम्प्लीफिकेशन को रोकने में LSPS रिजेक्शन मानदंडों (कोरिलेशन $\ge$ 0.5 और इक्विपॉइज़ थ्रेशोल्ड) की प्रभावकारिता का परीक्षण करता है।
रणनीतियों की तुलना (Comparison of Strategies): यह एक नियंत्रित सिमुलेशन वातावरण में "ऑल-कोवेरिएट्स" दृष्टिकोण की तुलना "सावधानीपूर्वक चयन" वाले दृष्टिकोण से सीधे करता है।

4. मुख्य परिणाम (Key Results)

बायस एम्प्लीफिकेशन सीमित है (Bias Amplification is Limited):
- भले ही एडजस्ट किए गए इंस्ट्रूमेंट द्वारा योगदान दिया गया वैरिएंस, अन-एडजस्टेड कन्फाउंडर के वैरिएंस से 20 गुना अधिक था, फिर भी इंस्ट्रूमेंट के लिए एडजस्ट करने से उत्पन्न अतिरिक्त बायस, अन-एडजस्टेड कन्फाउंडिंग के कारण होने वाले बायस से कम था।
- LSPS डायग्नोस्टिक थ्रेशोल्ड (कोरिलेशन $\approx$ 0.5, इक्विपॉइज़ $\approx$ 0.5) पर, इंस्ट्रूमेंट के लिए एडजस्ट करने से मौजूदा कन्फाउंडिंग बायस के सापेक्ष प्रभाव अनुमान का बायस केवल ~50% बढ़ा।
वैरिएंस प्रभाव (Variance Impact):
- इंस्ट्रूमेंट के लिए एडजस्ट करने से वैरिएंस बढ़ गया, लेकिन यह वृद्धि मामूली थी (डायग्नोस्टिक थ्रेशोल्ड पर बेस वैरिएंस से 50% से कम की वृद्धि)।
- वैरिएंस में वृद्धि इस तरह से योगात्मक (additive) नहीं थी कि वह अनुमान को अनुपयोगी बना दे।
मल्टीपल इंस्ट्रूमेंट्स (Multiple Instruments):
- 10 इंस्ट्रूमेंट्स का सिमुलेशन करने पर, जब तक इक्विपॉइज़ 0.5 से ऊपर रहा (या 0.475 तक भी नीचे गया), तब तक बायस अन-एडजस्टेड कन्फाउंडर द्वारा उत्पन्न बायस से अधिक नहीं हुआ।
- इक्विपॉइज़ मेट्रिक कई कमजोर इंस्ट्रूमेंट्स के सामूहिक प्रभाव का पता लगाने में प्रभावी साबित हुआ, भले ही व्यक्तिगत कोरिलेशन कम (जैसे, 0.153) थे।
ग्राउंड ट्रुथ (Ground Truth): केवल कन्फाउंडर के लिए एडजस्ट करने वाले मॉडल ने सही अनुमान (0.5) दिया, जिससे पुष्टि हुई कि सिमुलेशन सेटअप वैध था।

5. महत्व और निष्कर्ष (Significance and Conclusion)

लार्ज-स्केल प्रोपेंसिटी स्कोर्स (LSPS) के लिए समर्थन: ये निष्कर्ष मैन्युअल चयन के बजाय बड़ी संख्या में कोवेरिएट्स को शामिल करने (LSPS) का पुरजोर समर्थन करते हैं। हल्के-से-मध्यम इंस्ट्रूमेंट्स को शामिल करने का जोखिम, अन-मेज़र्ड कन्फाउंडर्स को कैप्चर करने के लाभ से कम है।
डायग्नोस्टिक थ्रेशोल्ड प्रभावी हैं: LSPS डायग्नोस्टिक्स (कोरिलेशन > 0.5 या इक्विपॉइज़ बहुत कम होने पर रिजेक्ट करना) महत्वपूर्ण बायस एम्प्लीफिकेशन को रोकने के लिए पर्याप्त हैं। लेखक सुझाव देते हैं कि 0.5 का इक्विपॉइज़ थ्रेशोल्ड शायद बहुत रूढ़िवादी (conservative) भी है।
व्यावहारिक निहितार्थ (Practical Implication): शोधकर्ताओं को प्रोपेंसिटी मॉडल्स में व्यापक कोवेरिएट्स शामिल करने से डरना नहीं चाहिए। यदि मानक डायग्नोस्टिक्स लागू किए जाते हैं, तो "कन्फाउंडिंग के लिए एडजस्ट करने की खोज, इंस्ट्रूमेंट के लिए एडजस्ट करने के जोखिम से कहीं अधिक महत्वपूर्ण है।"
सीमा (Limitation): यह अध्ययन एक सिमुलेशन है। हालांकि यह पिछले अनुभवजन्य अध्ययनों के अनुरूप है, लेखक स्वीकार करते हैं कि वास्तविक दुनिया के डेटा का सत्यापन एक निरंतर चलने वाली प्रक्रिया है।

अंतिम निष्कर्ष (Final Takeaway): LSPS के संदर्भ में, इंस्ट्रूमेंट्स के लिए एडजस्ट करना (जो मानक कोरिलेशन और इक्विपॉइज़ डायग्नोस्टिक्स पास करते हैं) केवल मामूली मात्रा में बायस और वैरिएंस पेश करता है, जिससे "सभी-कोवेरिएट्स-शामिल-करें" वाला दृष्टिकोण, पूर्ण (perfect) कन्फाउंडर्स को मैन्युअल रूप से पहचानने के प्रयास की तुलना में बेहतर बन जाता है।