Finding Safety Signals in Sparse Data: Zero-Inflated Models for Pharmacovigilance studies

जब कोई नई दवा बाजार में पहुँचती है, तो उसकी सुरक्षा सुनिश्चित करने का कार्य समाप्त नहीं होता; यह केवल एक अलग प्रकार के सुनने की प्रक्रिया में बदल जाता है। नियामक और शोधकर्ता स्वतःस्फूर्त रिपोर्टिंग प्रणालियों (spontaneous reporting systems) पर भरोसा करते हैं, जो विशाल डिजिटल संग्रह हैं जहाँ डॉक्टर, फार्मासिस्ट और मरीज़ अप्रत्याशित दुष्प्रभावों के विवरण प्रस्तुत करते हैं। ये रिकॉर्ड चिकित्सा समुदाय के लिए उन दुर्लभ या विलंबित खतरों को पहचानने का प्राथमिक तरीका हैं, जिन्हें नैदानिक परीक्षण (clinical trials), अपने सीमित प्रतिभागियों के कारण, शायद छोड़ गए हों। हालाँकि, इन अभिलेखों के भीतर का डेटा पढ़ने में अत्यंत कठिन है। चूँकि अधिकांश लोग बिना किसी घटना के दवाइयाँ लेते हैं, इसलिए एक विशिष्ट दवा और एक विशिष्ट दुष्प्रभाव के संभावित संयोजनों में से विशाल बहुमत रिपोर्टों में कभी दिखाई ही नहीं देता। इसका परिणाम डेटासेट में खाली स्थानों से भरा होना है, जहाँ शून्य रिपोर्टों की चुप्पी, रिपोर्ट की गई प्रतिक्रिया के शोर जितनी ही आम है। यह एक सांख्यिकीय चुनौती पैदा करता है: मानक विधियाँ, जो इन घटनाओं की गिनती और तुलना करती हैं, अक्सर इतने सारे शून्य के सामने लड़खड़ा जाती हैं, जिससे वे सुरक्षा संकेतों को धुंधला कर सकती हैं जिन्हें शोधकर्ता खोजने का प्रयास कर रहे होते हैं।

एक हालिया अध्ययन ने 'सेलेक्टिव सेरोटोनिन रीअपटेक इनहिबिटर्स' (selective serotonin reuptake inhibitors), जो अवसादरोधी दवाओं का एक सामान्य वर्ग है, पर ध्यान केंद्रित किया, ताकि यह परीक्षण किया जा सके कि क्या एक अलग गणितीय दृष्टिकोण इस विरल परिदृश्य (sparse landscape) में अधिक प्रभावी ढंग से आगे बढ़ सकता है। शोधकर्ताओं ने यूके की 'मेडिसिन्स एंड हेल्थकेयर प्रोडक्ट्स रेगुलेटरी एजेंसी' के डेटा का उपयोग किया, विशेष रूप से शरीर के तंत्रों की व्यापक श्रेणियों द्वारा व्यवस्थित रिपोर्टों को देखा, जैसे कि प्रतिरक्षा प्रणाली, यकृत, या चयापचय (metabolism)। उन्होंने पहले यह जांचने के लिए शुरू किया कि मौजूदा मानक विधियाँ, जो इन रिपोर्टों को सरल गणनाओं के रूप में मानती हैं, डेटा की वास्तविकता के साथ कितनी अच्छी तरह मेल खाती हैं। उनके विश्लेषण से पता चला कि शरीर-तंत्र की कई श्रेणियों के लिए, मानक मॉडल अच्छी तरह से फिट नहीं हुए। डेटा न केवल विरल था; बल्कि यह "जीरो-इन्फ्लेटेड" (zero-inflated) था, जिसका अर्थ है कि इसमें एक मानक गणना मॉडल द्वारा अनुमानित मात्रा से कहीं अधिक खाली श्रेणियाँ थीं, जो संभवतः कुछ प्रतिक्रियाओं की दुर्लभता और इस तथ्य के कारण था कि कई दुष्प्रभाव पूरी तरह से अनरिपोर्ट रह जाते हैं।

इस समस्या के समाधान के लिए, टीम ने 'जीरो-इन्फ्लेटेड मॉडल' नामक एक विशेष सांख्यिकीय उपकरण का प्रयोग किया। पारंपरिक तरीकों के विपरीत, जो यह अंतर करने में संघर्ष करते हैं कि किसी श्रेणी में रिपोर्टों की कमी जोखिम वास्तव में शून्य होने के कारण है या केवल इसलिए क्योंकि घटना छूट गई थी, यह नया दृष्टिकोण शून्य की अधिकता को डेटा की एक विशिष्ट विशेषता के रूप में स्वीकार करता है। शोधकर्ताओं ने इस पद्धति का परीक्षण सत्ताईस विभिन्न शरीर-तंत्र श्रेणियों के विरुद्ध किया। परिणामों ने दिखाया कि दस श्रेणियों के लिए—जिनमें अंतःस्रावी तंत्र (endocrine system), प्रतिरक्षा प्रणाली, चयापचय, संक्रमण और यकृत के विकार शामिल हैं—जीरो-इन्फ्लेटेड मॉडल ने वास्तविक डेटा के साथ काफी बेहतर सामंजस्य स्थापित किया। इसने रिपोर्टों की संरचना को अधिक सटीक रूप से पकड़ा, और वास्तविक संकेतों को खोए बिना खाली श्रेणियों के भारी भार को भी ध्यान में रखा।

महत्वपूर्ण रूप से, अध्ययन ने पाया कि इस अधिक परिष्कृत पद्धति का उपयोग करने से इन अवसादरोधी दवाओं के संबंध में मौलिक सुरक्षा संदेश में कोई बदलाव नहीं आया। नए मॉडलों द्वारा पहचाने गए सुरक्षा संकेत, पारंपरिक गणना विधियों द्वारा पाए गए संकेतों के व्यापक रूप से सुसंगत थे, जिनमें चयापचय संबंधी मुद्दों से संबंधित संकेत भी शामिल थे। यह सुझाव देता है कि यह नया दृष्टिकोण मौजूदा प्रथाओं का प्रतिस्थापन नहीं बल्कि एक मूल्यवान पूरक है। शून्य की अधिकता को सीधे संभालकर, जीरो-इन्फ्लेटेड मॉडल डेटा को आंतरिक रूप से मान्य करने और रिपोर्टिंग की कमियों का स्पष्ट चित्र प्रदान करने का एक तरीका पेश करते हैं। विरल रिपोर्टिंग पैटर्न वाली दवाओं की निगरानी करने वाले नियामकों और शोधकर्ताओं के लिए, यह विधि खाली श्रेणियों के शोर के बीच से वास्तविक सुरक्षा चिंताओं को खोजने का एक अधिक यथार्थवादी तरीका प्रदान करती है, जिससे यह सुनिश्चित होता है कि सबसे दुर्लभ जोखिम डेटा की चुप्पी में खो न जाएं।