📄 health informatics

Joint Longitudinal-Survival Modelling of Patient-Reported Gastrointestinal Symptom Trajectories and Treatment Discontinuation in Irritable Bowel Syndrome: A Prospective Cohort Study from the Canadian Gut Project

2,847 कनाडाई IBS रोगियों का यह संभावित कोहॉर्ट अध्ययन जॉइंट लोंगीट्यूडिनल-सर्वाइवल मॉडलिंग का उपयोग करके यह प्रदर्शित करता है कि व्यक्तिगत लक्षण प्रक्षेपवक्र (ट्रैजेक्टरीज) उपचार बंद करने से गतिशील रूप से जुड़े हुए हैं, जो यह प्रकट करता है कि उच्च आधारभूत गंभीरता और लक्षणों में सुधार की धीमी दर उपचार रोकने के जोखिम को महत्वपूर्ण रूप से बढ़ा देती है।

मूल लेखक: Thornton, E., Kellerman, J.

प्रकाशित 2026-03-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Thornton, E., Kellerman, 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 साइकिल चलाना सीखने की कोशिश कर रहे हैं। आपके पास 2,847 दोस्तों का एक समूह है जो एक ही समय में सीखने की कोशिश कर रहे हैं। कुछ स्वाभाविक रूप से प्रतिभाशाली हैं, कुछ डरे हुए हैं, और कुछ के पहिए डगमगा रहे हैं।

साइकिल चलाना सीखने पर होने वाले अधिकांश अध्ययन दो अलग-अलग चीजें करेंगे:

वे हर महीने हर कोई कितनी तेज़ी से पैडल मार रहा है, इसका माप लेंगे (लॉन्जिट्यूडिनल/अनुदैर्ध्य भाग)।
वे इस बात की गिनती करेंगे कि कितने लोगों ने साइकिल चलाने की कोशिश छोड़ दी (सर्वाइवल/उत्तरजीविता भाग)।

समस्या: करने का यह पुराना तरीका एक बड़े सुराग को अनदेखा करता है। यह मानता है कि यदि कोई छोड़ देता है, तो यह केवल बदकिस्मत होने के कारण है। लेकिन वास्तव में, लोग आमतौर पर संघर्ष करने के कारण ही छोड़ देते हैं। यदि आप लगातार तीन बार साइकिल से गिर जाते हैं, तो आपकी हार मानने की संभावना अधिक होती है। यदि आप यह अनदेखा करते हैं कि वे क्यों छोड़ रहे हैं, तो आपका "लोग कितनी तेज़ी से साइकिल चलाना सीख रहे हैं" वाला डेटा गलत हो जाएगा क्योंकि आपने केवल उन लोगों को मापा जो रुक गए (बने रहे)।

समाधान (यह शोध पत्र):
इस अध्ययन में शोधकर्ताओं ने एक चतुर नए उपकरण का उपयोग किया जिसे जॉइंट लॉन्जिट्यूडिनल-सर्वाइवल मॉडलिंग कहा जाता है। इसे दो अलग-अलग अध्ययनों के रूप में नहीं, बल्कि एक जुड़ी हुई कहानी के रूप में सोचें।

उन्होंने महसूस किया कि एक व्यक्ति की "साइकिल चलाने की यात्रा" (उनके लक्षण) और "साइकिल छोड़ने" का निर्णय (उपचार बंद करना) अदृश्य धागों से जुड़े हुए हैं। उन्होंने एक गणितीय मॉडल बनाया जो इन दोनों कहानियों को आपस में जोड़ता है, जिससे वे यह देख सकते हैं कि कैसे समय के साथ किसी व्यक्ति के लक्षणों में बदलाव आता है, सीधे तौर पर उनके उपचार रोकने के निर्णय को प्रभावित करता है।

मुख्य पात्र और कथानक के बिंदु

1. "लक्षण स्कोर" (साइकिल का डगमगाना)
शोधकर्ताओं ने IBS-SSS नामक एक स्कोर को ट्रैक किया (इरिटेबल बाउल सिंड्रोम गंभीरता स्कोरिंग सिस्टम)। इसे एक "डगमगाहट मीटर" (Wobble Meter) मान लें।

उच्च स्कोर: साइकिल ज़ोर से हिल रही है; सवार डरा हुआ है।
कम स्कोर: साइकिल सुचारू है; सवार आत्मविश्वासी है।
निष्कर्ष: औसतन, सभी का "डगमगाहट" समय के साथ बेहतर हुआ (स्कोर नीचे गया)। लेकिन, कुछ लोग तेज़ी से सुधरे, और कुछ धीरे-धीरे।

2. "क्विट बटन" (उपचार बंद करना)
लगभग 36% लोग दो वर्षों के भीतर अपना उपचार बंद कर देते हैं। शोधकर्ता जानना चाहते थे कि: कौन क्विट बटन दबाता है, और क्यों?

3. अदृश्य धागे ("साझा यादृच्छिक प्रभाव" / Shared Random Effects)
यही इस अध्ययन का जादुई हिस्सा है। उन्होंने पाया कि दो अदृश्य धागे एक व्यक्ति के लक्षणों को उनके छोड़ने के निर्णय से जोड़ते हैं:

धागा A (शुरुआती रेखा): यदि आप बहुत उच्च "डगमगाहट स्कोर" (गंभीर लक्षण) के साथ शुरू करते थे, तो आपके जल्दी छोड़ने की संभावना अधिक थी। यह एक भारी बैकपैक के साथ दौड़ शुरू करने जैसा है; आपके बाहर होने की संभावना अधिक है।
धागा B (सुधार की गति): यह सबसे महत्वपूर्ण निष्कर्ष था। यदि आपका "डगमगाहट मीटर" पर्याप्त तेज़ी से नीचे नहीं गिर रहा था, तो आपके छोड़ने की संभावना बहुत अधिक थी। यह केवल इस बारे में नहीं है कि आज आप कैसा महसूस कर रहे हैं; यह इस बारे में है कि क्या आप बेहतर महसूस कर रहे हैं। यदि आप प्रगति नहीं देख रहे हैं, तो आप उम्मीद खो देते हैं और रुक जाते हैं।

चौंकाने वाला मोड़: "डिजिटल कैंपफायर" (डिजिटल अलाव)

अध्ययन ने सोशल मीडिया के बारे में कुछ दिलचस्प पाया।

जो लोग IBS जानकारी खोजने के लिए सोशल मीडिया का उपयोग करते थे, उनके उपचार छोड़ने की संभावना कम थी।
और भी दिलचस्प बात यह है कि इन लोगों के लिए, "बुरा महसूस करने" और "छोड़ने" के बीच का संबंध कमजोर था।
रूपक: कल्पना करें कि आप साइकिल चलाने के संघर्ष में हैं। यदि आप अकेले हैं, और आप गिर जाते हैं, तो आप सोच सकते हैं, "मैं इसमें बहुत बुरा हूँ, मैं छोड़ रहा हूँ।" लेकिन यदि आप एक डिजिटल कैंपफायर (ऑनलाइन समुदाय) में हैं जहाँ लोग सुझाव साझा कर रहे हैं, आपका उत्साह बढ़ा रहे हैं, और कह रहे हैं, "मैं भी गिरा था, लेकिन मैं चलता रहा," तो आप कठिन होने पर भी साइकिल पर बने रहने की अधिक संभावना रखते हैं। ऑनलाइन सहायता एक बफर (बचाव कवच) के रूप में कार्य करती है, जो लोगों में लचीलापन पैदा करती है ताकि वे तब भी प्रयास जारी रख सकें जब उनके लक्षण पूरी तरह से तेजी से नहीं सुधर रहे हों।

"आहा!" क्षण: पुराना तरीका गलत क्यों था

शोधकर्ताओं ने अपने नए "जुड़ी हुई कहानी" वाले तरीके की तुलना पुराने "अलग कहानियों" वाले तरीके से की।

पुराना तरीका कहता था: "लोग हर महीने 7.3 अंक सुधरते हैं।"
नया तरीका कहता था: "वास्तव में, लोग हर महीने 8.7 अंक सुधरते हैं।"

अंतर क्यों आया? क्योंकि पुराने तरीके ने उन लोगों को अनदेखा कर दिया जिन्होंने छोड़ दिया था। छोड़ने वाले वे लोग थे जो पर्याप्त तेज़ी से सुधार नहीं कर पा रहे थे। उन्हें डेटा से हटाने के कारण, पुराने तरीके ने ऐसा दिखाया जैसे कि हर कोई वास्तव में जितना सुधार कर रहा था, उससे धीमा सुधार कर रहा है। नए तरीके ने इस पूर्वाग्रह को ठीक किया, यह दिखाते हुए कि उपचार वास्तव में हमारी सोच से बेहतर काम करते हैं, बशर्ते हम लोगों को परिणाम देखने के लिए पर्याप्त समय तक साथ रखें।

वास्तविक जीवन के लिए इसका क्या अर्थ है?

केवल स्कोर न देखें: डॉक्टरों को केवल यह नहीं देखना चाहिए कि आज रोगी कितना बुरा महसूस कर रहा है। उन्हें ट्रेंड (रुझान) को देखना चाहिए। क्या रोगी सुधर रहा है, भले ही धीरे हो? यदि ग्राफ की रेखा सपाट है, तो यह एक चेतावनी का संकेत है कि रोगी जल्द ही छोड़ सकता है।
"धीमी शुरुआत" की चेतावनी: यदि किसी रोगी के लक्षण गंभीर हैं और वह त्वरित सुधार नहीं देख रहा है, तो उसके छोड़ने का जोखिम अधिक है। उन्हें शुरुआत में ही अतिरिक्त सहायता, प्रोत्साहन या उपचार योजना में बदलाव की आवश्यकता है।
समुदाय को अपनाएं: अध्ययन बताता है कि रोगियों को सहायक ऑनलाइन समुदायों में शामिल होने के लिए प्रोत्साहित करना वास्तव में उन्हें उनके उपचार कार्यक्रमों पर टिके रहने में मदद कर सकता है। यह केवल "बातचीत" नहीं है; यह एक चिकित्सा उपकरण है जो लचीलापन बनाता है।

संक्षेप में: इस अध्ययन ने एक परिष्कृत गणितीय लेंस का उपयोग करके यह दिखाया कि IBS के उपचार में, आप कितनी तेज़ी से सुधरते हैं, यह इस बात जितना ही मायने रखता है कि आप कितना बुरा महसूस करते हैं। और कभी-कभी, थोड़ा सा ऑनलाइन सामुदायिक समर्थन, हार मानने और डटे रहने के बीच का अंतर हो सकता है।

यहाँ शोध पत्र "Joint Longitudinal-Survival Modelling of Patient-Reported Gastrointestinal Symptom Trajectories and Treatment Discontinuation in Irritable Bowel Syndrome: A Prospetive Cohort Study from the Canadian Gut Project" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या का विवरण (Problem Statement)

इरिटेबल बाउल सिंड्रोम (IBS) एक दीर्घकालिक, विषम कार्यात्मक गैस्ट्रोइंटेस्टाइनल विकार है, जिसकी विशेषता उपचार छोड़ने की उच्च दर (दो वर्षों के भीतर 30-50%) है। पारंपरिक विश्लेषणात्मक दृष्टिकोण अनुदैर्ध्य लक्षण प्रक्षेपवक्र (longitudinal symptom trajectories) और घटना-समय परिणामों (time-to-event outcomes) (उपचार विच्छेदन) को अलग-अलग प्रक्रियाओं के रूप में मानते हैं। यह पृथक्करण दो महत्वपूर्ण पद्धतिगत दोष पैदा करता है:

सूचनात्मक ड्रॉपआउट (Informative Dropout): जो रोगी उपचार छोड़ देते हैं, वे अक्सर इसलिए छोड़ते हैं क्योंकि उनके लक्षण बिगड़ रहे हैं या उनमें सुधार नहीं हो रहा है। मानक मिश्रित-प्रभाव मॉडल (mixed-effects models) यह मान लेते हैं कि डेटा "यादृच्छिक रूप से लुप्त" (missing at random - MAR) है, जो यहाँ गलत साबित होता है, जिससे लक्षण सुधार के अनुमान पक्षपाती हो जाते हैं।
सुप्त चालक (Latent Drivers): उपचार छोड़ने का निर्णय अनोब्जर्व्ड (unobserved) व्यक्तिगत-विशिष्ट सुप्त प्रक्रियाओं (जैसे, एक रोगी की अद्वितीय आधारभूत गंभीरता और परिवर्तन की दर) द्वारा संचालित हो सकता है, न कि केवल देखे गए समय-परिवर्ती सह-चरों (covariates) द्वारा।

यह अध्ययन जॉइंट अनुदैर्ध्य-सर्वाइवल मॉडलिंग (joint longitudinal-survival modelling) को लागू करके इन मुद्दों को संबोधित करने का लक्ष्य रखता है, जिससे लक्षण विकास और उपचार निरंतरता का आकलन एक साथ किया जा सके, जिससे सूचनात्मक ड्रॉपआउट को सुधारा जा सके और लक्षण गतिशीलता एवं विच्छेदन के बीच गतिशील संबंध को मापा जा सके।

2. कार्यप्रणाली (Methodology)

अध्ययन डिजाइन और डेटा

कोहॉर्ट (Cohort): कनाडा गट प्रोजेक्ट (2018–2024) में अल्बर्टा, ब्रिटिश कोलंबिया और ओंटारियो के 14 गैस्ट्रोएंटेरोलॉजी केंद्रों में नामांकित रोम IV-निदान प्राप्त 2,847 वयस्क।
अनुदैर्ध्य परिणाम (Longitudinal Outcome): बेसलाइन, 3, 6, 12, 18 और 24 महीनों में मापा गया IBS सिम्पटम स्कोरिंग सिस्टम (IBS-SSS)।
सर्वाइवल परिणाम (Survival Outcome): उपचार विच्छेदन का समय (निरंतर ≥30 दिनों के लिए स्वैच्छिक त्याग के रूप में परिभाषित)।
सह-चर (Covariates): जनसांख्यिकी, IBS उपप्रकार, मनोवैज्ञानिक माप (HADS चिंता/अवसाद), आहार (Low-FODMAP), और स्वास्थ्य सूचना व्यवहार (सोशल मीडिया उपयोग)।

सांख्यिकीय ढांचा (Statistical Framework)

लेखकों ने साझा रैंडम प्रभावों (shared random effects) के साथ एक जॉइंट अनुदैर्ध्य-सर्वाइवल मॉडल का उपयोग किया:

अनुदैर्ध्य उपमॉडल (Longitudinal Submodel): IBS-SSS के लिए एक लीनियर मिक्सड-इफेक्ट्स (LME) मॉडल।
- संरचना: $Y_i(t) = \beta_0 + \beta_1 t + \beta_2 X_i + \beta_3 (t \times X_i) + b_{0i} + b_{1i}t + \epsilon_i(t)$
- रैंडम प्रभाव: विषय-विशिष्ट रैंडम इंटरसेप्ट ( $b_{0i}$ ) और स्लोप ( $b_{1i}$ ), अनस्ट्रक्चर्ड कोवेरिएंस मैट्रिक्स के साथ।
सर्वाइवल उपमॉडल (Survival Submodel): उपचार विच्छेदन के समय के लिए एक वेइबुल (Weibull) प्रोपोर्शनल हैजर्ड मॉडल।
- संरचना: $h_i(t) = h_0(t) \times \exp(\gamma W_i + \alpha_1 b_{0i} + \alpha_2 b_{1i})$
- जुड़ाव (Linkage): विच्छेदन का खतरा एसोसिएशन पैरामीटर्स $\alpha_1$ और $\alpha_2$ के माध्यम से विषय-विशिष्ट रैंडम इंटरसेप्ट ( $b_{0i}$ ) और स्लोप ( $b_{1i}$ ) से जुड़ा हुआ है।
अनुमान (Estimation): R में JMbayes2 पैकेज के माध्यम से एडेप्टिव गॉस-हर्मिट क्वाड्रैचर (15 नोड्स) के साथ एक्सपेक्टेशन-मैक्सिमाइजेशन (EM) एल्गोरिदम का उपयोग करके मैक्सिमम लाइक्लीहुड एस्टीमेशन।
संवेदनशीलता विश्लेषण (Sensitivity Analyses):
- वैकल्पिक एसोसिएशन संरचनाएं (वर्तमान मान, वर्तमान मान + स्लोप, संचयी प्रभाव)।
- बायेसियन अनुमान (Bayesian estimation)।
- लुप्त डेटा के लिए मल्टीपल इम्प्यूटेशन बाय चेन्ड इक्वेशन्स (MICE)।
- MNAR तंत्रों का परीक्षण करने के लिए पैटर्न-मिक्सचर मॉडल।
गतिशील भविष्यवाणी (Dynamic Prediction): 3, 6 और 12-महीने के क्षितिज पर विच्छेदन की संभावना की व्यक्तिगत भविष्यवाणी, जिसका मूल्यांकन टाइम-डिपेंडेंट AUC और ब्रायर स्कोर के माध्यम से किया गया।

3. प्रमुख योगदान (Key Contributions)

पद्धतिगत अनुप्रयोग: साझा रैंडम प्रभावों के साथ जॉइंट मॉडलिंग का पहला अनुप्रयोग जो IBS उपचार निरंतरता के लिए किया गया है, जो यह दर्शाता है कि कार्यात्मक गैस्ट्रोइंटेस्टाइनल विकारों में सूचनात्मक ड्रॉपआउट को कैसे सुधारा जाए।
सुप्त चालकों का परिमाणीकरण: केवल देखे गए बेसलाइन स्कोर से आगे बढ़कर यह मापने के लिए कि कैसे व्यक्तिगत-विशिष्ट सुप्त प्रक्षेपवक्र (इंटरसेप्ट और स्लोप) विच्छेदन को संचालित करते हैं।
गतिशील भविष्यवाणी ढांचा: वास्तविक समय के नैदानिक निर्णय समर्थन के लिए एक प्रमाणित सांख्यिकीय ढांचा प्रदान करता है, जो विकसित होते लक्षण डेटा के आधार पर विच्छेदन जोखिम की भविष्यवाणी करता है।
नवीन व्यवहार संबंधी अंतर्दृष्टि: स्वास्थ्य सूचना के लिए सोशल मीडिया उपयोग की सुरक्षात्मक भूमिका की पहचान करता है, जो ऑनलाइन विमर्श विश्लेषण को नैदानिक परिणामों के साथ जोड़ता है।

4. मुख्य परिणाम (Key Results)

वर्णनात्मक सांख्यिकी (Descriptive Statistics)

बेसलाइन: औसत IBS-SSS 298.4 (गंभीर) था। 24 महीनों में 36.6% (1,042 प्रतिभागी) ने उपचार छोड़ दिया।
विच्छेदन भविष्यवक्ता (बेसलाइन पर): IBS-D उपप्रकार, समवर्ती चिंता, अवसाद, और पिछले उपचारों की उच्च संख्या ने जोखिम बढ़ा दिया। Low-FODMAP अनुपालन और सोशल मीडिया उपयोग सुरक्षात्मक थे।

अनुदैर्ध्य उपमॉडल निष्कर्ष (Longitudinal Submodel Findings)

जनसंख्या रुझान: औसत IBS-SSS −8.7 अंक/माह (-10.2, -7.1 95% CI के साथ) कम हुआ।
विषमता (Heterogeneity): इंटरसेप्ट्स (SD = 64.9) और स्लोप्स (SD = 3.5) में पर्याप्त व्यक्तिगत भिन्नता थी। बेसलाइन गंभीरता और सुधार दर के बीच एक नकारात्मक सहसंबंध ( $r = -0.31$ ) मौजूद था (उच्च गंभीरता $\rightarrow$ तीव्र सुधार)।

जॉइंट मॉडल एसोसिएशन पैरामीटर्स (मुख्य निष्कर्ष)

बेसलाइन गंभीरता ( $\alpha_1$ ): $\alpha_1 = 0.0034$ $α_{1} = 0.0034$ ( $p < 0.001$ $p < 0.001$ )।
- व्याख्या: किसी व्यक्ति की विशिष्ट बेसलाइन गंभीरता में प्रत्येक 10-बिंदु की वृद्धि विच्छेदन के खतरे को 3.5% बढ़ा देती है।
सुधार दर ( $\alpha_2$ ): $\alpha_2 = -0.187$ $α_{2} = - 0.187$ ( $p < 0.001$ $p < 0.001$ )।
- व्याख्या: मासिक सुधार दर में एक-इकाई की वृद्धि (तीव्र नकारात्मक स्लोप) विच्छेदन के खतरे को 17.1% कम कर देती है।
पूर्वाग्रह सुधार (Bias Correction): एक अलग LME मॉडल ने जनसंख्या सुधार स्लोप को कम आंका (−7.3 बनाम −8.7 अंक/माह), जो सूचनात्मक ड्रॉपआउट को अनदेखा करने के कारण 19% का पूर्वाग्रह था। जॉइंट मॉडल ने इसे सुधारा।

उपसमूह विषमता (Subgroup Heterogeneity)

IBS-D और चिंता: लक्षण प्रक्षेपवक्र और विच्छेदन के बीच संबंध IBS-D रोगियों और चिंता वाले रोगियों में सबसे मजबूत था ( $p$ -interaction < 0.05)।
सोशल मीडिया: स्वास्थ्य जानकारी के लिए सोशल मीडिया का उपयोग करने वाले उपयोगकर्ताओं में कमजोर प्रक्षेपवलय-विच्छेदन लिंक देखा गया ( $\alpha_2 = -0.162$ बनाम गैर-उपयोगकर्ताओं के लिए $-0.218$), जो यह सुझाव देता है कि ऑनलाइन सहायता उपचार निरंतरता पर खराब लक्षण सुधार के प्रभाव को कम करती है।

भविष्य कहनेवाला प्रदर्शन (Predictive Performance)

गतिशील भविष्यवाणी: जॉइंट मॉडल ने 12-महीने के लैंडमार्क पर 6-महीने के विच्छेदन की भविष्यवाणी के लिए 0.79 का AUC प्राप्त किया, जो अलग मॉडलों (AUC ~0.73) से बेहतर प्रदर्शन करता है।
कैलिब्रेशन: जॉइंट मॉडल ने अलग मॉडलों की तुलना में लगातार कम ब्रायर स्कोर (बेहतर कैलिब्रेशन) दिखाया, विशेष रूप से बाद के समय बिंदुओं पर।

5. महत्व और निहितार्थ (Significance and Implications)

नैदानिक अभ्यास (Clinical Practice): यह अध्ययन प्रमाणित करता है कि उपचार विफलता की भविष्यवाणी करने के लिए वास्तविक समय लक्षण प्रक्षेपवक्र निगरानी स्थिर बेसलाइन मूल्यांकन की तुलना में श्रेष्ठ है। चिकित्सकों को उन उच्च-जोखिम वाले उपसमूहों (विशेष रूप से IBS-D या चिंता वाले रोगियों) की पहचान करने को प्राथमिकता देनी चाहिए जिनमें सुधार की दर धीमी है।
हस्तक्षेप रणनीति: लक्षित हस्तक्षेप (प्रोएक्टिव फॉलो-अप, अपेक्षा प्रबंधन) को उच्च-जोखिम वाले उपसमूहों के लिए तैनात किया जाना चाहिए।
डिजिटल स्वास्थ्य: सोशल मीडिया उपयोग का सुरक्षात्मक प्रभाव यह सुझाव देता है कि मानक देखभाल पथों में क्यूरेटेड ऑनलाइन सहकर्मी सहायता और रोगी शिक्षा प्लेटफार्मों को एकीकृत करना उपचार के पालन (adherence) में सुधार कर सकता है।
सांख्यिकीय कठोरता: यह शोध पत्र दर्शाता है कि लक्षण विकास और ड्रॉपआउट की संयुक्त प्रकृति को अनदेखा करने से उपचार प्रभावकारिता का महत्वपूर्ण कम आकलन होता है, जो उच्च अपट्रिशन (attrition) वाले पुराने रोगों के लिए जॉइंट मॉडलिंग को मानक के रूप में अपनाने की वकालत करता है।

निष्कर्ष: अध्ययन स्थापित करता है कि IBS लक्षण प्रक्षेपवक्र और उपचार विच्छेदन व्यक्तिगत स्तर की सुप्त प्रक्रियाओं के माध्यम से गतिशील रूप से जुड़े हुए हैं। जॉइंट मॉडलिंग इन संबंधों को उजागरने के लिए एक मजबूत ढांचा प्रदान करता है, जो IBS के व्यक्तिगत, डेटा-संचालित प्रबंधन के लिए एक मार्ग प्रस्तुत करता है।