Estimating the correlation between rates of change in longitudinal studies in presence of dropout

तकनीकी सारांश: अनुदैर्ध्य अध्ययनों (Longitudinal Studies) में ड्रॉपआउट के साथ परिवर्तन की दरों के बीच सहसंबंध का अनुमान लगाना

समस्या विवरण
अनुदैर्ध्य न्यूरोइमेजिंग और बायोमार्कर अध्ययनों में, एक सामान्य उद्देश्य दो अलग-अलग संकेतों (जैसे, मस्तिष्क शोष/atrophy और संज्ञानात्मक गिरावट) के विषय-विशिष्ट परिवर्तन की दरों (ढाल/slopes) के बीच सहसंबंध का अनुमान लगाना है। मानक दृष्टिकोण, जिसे "स्लोप्स-फर्स्ट" (slopes-first) रणनीति कहा जाता है, प्रत्येक विषय के लिए व्यक्तिगत ढाल अनुमान प्राप्त करने हेतु एक साधारण न्यूनतम वर्ग (OLS) रिग्रेशन फिट करता है, और फिर इन अनुमानों का पियर्सन सहसंबंध (Pearson correlation) निकालता है।

यद्यपि यह पूर्ण डेटा के तहत एक कंट्रास्ट-आधारित एस्टीमेटर के बीजगणितीय रूप से समकक्ष है, लेखक प्रदर्शित करते हैं कि लुप्त डेटा (missing data), विशेष रूप से स्वतंत्र ड्रॉपआउट की उपस्थिति में, "स्लोप्स-फर्स्ट" दृष्टिकोण पक्षपाती (biased) हो जाता है। मुख्य समस्या यह है कि "स्लोप्स-फर्स्ट" विधि विषयों के विशिष्ट लुप्त डेटा पैटर्न के आधार पर दोनों संकेतों के क्रॉस-कोवेरिएंस (cross-covariance) पर विषम भार (heterogeneous weights) लागू करती है। यदि समय के साथ संकेतों के बीच क्रॉस-कोवेरिएंस स्थिर नहीं है, तो ये डेटा-निर्भर भार सहसंबंध के अनुमान में पूर्वाग्रह उत्पन्न करते हैं।

कार्यप्रणाली
यह शोध पत्र "स्लोप्स-फर्स्ट" एस्टीमेटर और संकेतों के संयुक्त वेरिएंस-कोवेरिएंस मैट्रिक्स के बीच के संबंध को औपचारिक रूप देता है। यह एक वैकल्पिक "कंट्रास्ट-आधारित" रणनीति प्रस्तावित करता है जो सहसंबंध प्राप्त करने के लिए कंट्रास्ट लागू करने से पहले संयुक्त कोवेरिएंस मैट्रिक्स ($\Sigma$) का अनुमान लगाती है।

लेखक दो प्राथमिक अनुमान रणनीतियों को परिभाषित करते हैं:

1. रणनीति 1 (स्लोप्स-फर्स्ट): उपलब्ध डेटा बिंदुओं का उपयोग करके प्रत्येक व्यक्ति के लिए OLS के माध्यम से विषय-विशिष्ट ढालों का अनुमान लगाएं, फिर इन ढालों के सहसंबंध की गणना करें।
2. रणनीति 2 (संयुक्त कोवेरिएंस): सभी समय-बिंदुओं पर संकेतों के संयुक्त वेरिएंस-कोवेरिएंस मैट्रिक्स ($\Sigma$) का अनुमान लगाएं, फिर केवल मापन समय से प्राप्त पूर्व-निर्धारित भारों का उपयोग करके सहसंबंध की गणना करें।
   • रणनीति 2a: $\Sigma$ का अनुमान केवल पूर्ण डेटा वाले विषयों (complete-case analysis) या पेयरवाइज पूर्ण अवलोकनों (pairwise complete observations) का उपयोग करके लगाती है।
   • रणनीति 2b: $\Sigma$ का अनुमान एक लीनियर मिक्सड मॉडल (LMM) के साथ प्रतिबंधित अधिकतम संभावना (REML) का उपयोग करके लगाती है, जिसमें अधूरे प्रक्षेपवक्रों (incomplete trajectories) सहित सभी उपलब्ध डेटा शामिल होता है।

शोध पत्र आंशिक सहसंबंधों (कोवेरिएट्स जैसे कि बेसलाइन मानों के लिए समायोजन) का अनुमान लगाने के लिए विधियों का विस्तार करता है, जो कंडीशनल कोवेरिएंस मैट्रिक्स को व्युत्पन्न करती हैं।

मुख्य परिणाम
सिमुलेशन अध्ययनों और अल्जाइमर रोग न्यूरोइमेजिंग इनिशिएटिव (ADNI) डेटा के वास्तविक केस स्टडी के माध्यम से, लेखक निम्नलिखित निष्कर्ष प्रस्तुत करते हैं:

• स्लोप्स-फर्स्ट में पूर्वाग्रह: उन स्थितियों के तहत जहाँ संकेतों के बीच क्रॉस-कोवेरिएंस समय के साथ बदलता है, रणनीति 1 सहसंबंध के पक्षपाती अनुमान उत्पन्न करती है। यह पूर्वाग्रह 'मिसिंग एट रैंडम' (MAR) ड्रॉपआउट तंत्र के तहत और अधिक बढ़ जाता है। गैर-स्थिर क्रॉस-कोवेरिएंस वाली सिमुलेशन में, रणनीति 1 ने 0.059 से 0.165 तक का पूर्वाग्रह दिखाया, जबकि वास्तविक सहसंबंध अक्सर इससे काफी भिन्न था।
• संयुक्त कोवेरिएंस की निष्पक्षता: रणनीति 2b (LMM-आधारित) MCAR और MAR दोनों स्थितियों में निष्पक्ष रहती है, बशर्ते कि मॉडल के अनुमान सही हों। रणनीति 2a (पेयरवाइज/कम्प्लीट-केस) आम तौर पर निष्पक्ष है लेकिन रणनीति 2b की तुलना में उच्च वेरिएंस (कम दक्षता) से ग्रस्त है, विशेष रूप से यथार्थवादी कोवेरिएंस संरचनाओं में।
• दक्षता (Efficiency): रणनीति 2b सभी विषयों से जानकारी का उपयोग करती है, जिनमें अधूरे फॉलो-अप वाले विषय भी शामिल हैं, जिसके परिणामस्वरूप रणनीति 2a की तुलना में कम अनुभवजन्य मानक त्रुटियां (empirical standard errors) प्राप्त होती हैं।
• वास्तविक प्रभाव: ब्रेन-प्रेडिक्टेड एज चेंज और ग्रे मैटर वॉल्यूम चेंज के बीच सहसंबंध का विश्लेषण करने वाले केस स्टडी में, विभिन्न रणनीतियों ने अलग-अलग पॉइंट अनुमान और कॉन्फिडेंस इंटरवल दिए। लेखक नोट करते हैं कि ये अंतर इतने महत्वपूर्ण थे कि इनसे जुड़ाव की शक्ति और सार्थकता के संबंध में अलग-अलग वैज्ञानिक निष्कर्ष निकल सकते थे।

महत्व और दावे
यह शोध पत्र दावा करता है कि ड्रॉपआउट वाले अनुदैर्ध्य अध्ययनों में एस्टीमेटर का चयन महत्वपूर्ण है। लेखक तर्क देते हैं कि जब डेटा लुप्त हो और क्रॉस-कोवेरिएंस संरचना जटिल या समय-परिवर्तनीय हो, तो शोधकर्ताओं को मानक "स्लोप्स-फर्स्ट" दृष्टिकोण पर भरोसा नहीं करना चाहिए।

इसके बजाय, वे अनुशंसा करते हैं:

1. लुप्त डेटा पैटर्न का निरीक्षण करें।
2. दर के बीच सहसंबंध का निष्पक्ष अनुमान सुनिश्चित करने के लिए संयुक्त कोवेरिएंस दृष्टिकोण (विशेष रूप से लीनियर मिक्सड मॉडल के माध्यम से रणनीति 2b) का उपयोग करें।
3. यह पहचानें कि गैर-स्थिर क्रॉस-कोवेरिएंस और ड्रॉपआउट की उपस्थिति में "स्लोप्स-फर्स्ट" दृष्टिकोण त्रुटिपूर्ण वैज्ञानिक निष्कर्षों की ओर ले जा सकता है।

यह कार्य सामान्य प्रथाओं में पूर्वाग्रह के लिए एक औपचारिक गणितीय औचित्य प्रदान करता है और बायोस्टैटिस्टिशियन और न्यूरोइमेजिंग शोधकर्ताओं के लिए एक निष्पक्ष विकल्प प्रदान करता है।