Transport G-Computation: A Distributional Approach to Longitudinal Causal Inference via Optimal Transport

तकनीकी सारांश: ट्रांसपोर्ट जी-कंप्यूटेशन (TGC)

समस्या विवरण
अवलोकनात्मक स्वास्थ्य डेटा (observational health data) का उपयोग करके अनुदैर्ध्य कारण अनुमान (longitudinal causal inference) महत्वपूर्ण चुनौतियों का सामना करता है, मुख्य रूप से समय-निर्भर कन्फाउंडिंग (time-dependent confounding), उपचार निर्धारण और विकसित होते रोगी अवस्थाओं के बीच फीडबैक लूप, और विषम पोस्ट-इंटरवेंशन परिणाम वितरण (heterogeneous post-intervention outcome distributions) के कारण। पारंपरिक अनुदैर्ध्य जी-कंप्यूटेशन विधियाँ आमतौर पर माध्य-स्तर के प्रभावों (जैसे, औसत उपचार प्रभाव) के अनुमान पर ध्यान केंद्रित करती हैं। हालाँकि, कई नैदानिक संदर्भों में, हस्तक्षेप केवल माध्य को ही नहीं, बल्कि परिणाम वितरण के आकार, प्रसार या बहु-मोडालिटी (multimodality) को भी बदल सकते हैं। इसके अलावा, पैरामीट्रिक जी-कंप्यूटेशन अत्यधिक तौर पर सशर्त संक्रमण मॉडल (conditional transition models) के सही विनिर्देश पर निर्भर करता है; जब डेटा में नॉन-लीनियरिटी, मल्टी-मोडालिटी, हेटेरोसेडास्टिसिटी (heteroscedasticity), या जटिल फीडबैक संरचनाएं होती हैं, तो ये मॉडल अक्सर विफल हो जाते हैं, जिससे व्यवस्थित पूर्वाग्रह (systematic bias) उत्पन्न होता है। एक ऐसे ढांचे की आवश्यकता है जो कठोर वैश्विक पैरामीट्रिक धारणाओं पर निर्भर रहे बिना जटिल गतिशील निर्भरताओं को मजबूती से संभालने के साथ-साथ वितरण संबंधी कारण प्रभावों (distributional causal effects) का अनुमान लगा सके।

कार्यप्रणाली: ट्रांसपोर्ट जी-कंप्यूटेशन (TGC)
लेखक ट्रांसपोर्ट जी-कंप्यूटेशन (TGC) का प्रस्ताव करते हैं, जो एक वितरण ढांचा (distributional framework) है जो अनुदैर्ध्य जी-कंप्यूटेशन को ऑप्टिमल ट्रांसपोर्ट (OT) सिद्धांत के साथ एकीकृत करता है। मुख्य उद्देश्य वॉसरस्टीन कॉज़ल इफेक्ट (Wasserstein Causal Effect - WCE) का अनुमान लगाना है, जिसे दो स्थिर हस्तक्षेप व्यवस्थाओं ($A_t \equiv 1$ और $A_t \equiv 0$) के तहत टर्मिनल संभावित परिणाम वितरणों के बीच द्वितीय-क्रम वॉसरस्टीन दूरी ($W_2$) के रूप में परिभाषित किया गया है।

TGC एल्गोरिदम इस प्रकार आगे बढ़ता है:

1. पहचान (Identification): मानक मान्यताओं (Consistency, Sequential Ignorability, और Positivity) के तहत, टर्मिनल वितरण को अनुदैर्ध्य जी-फॉर्मूला के माध्यम से पहचाना जाता है।
2. स्थानीय संक्रमण अनुमान (Local Transition Estimation): सशर्त संक्रमण कर्नेल $\mathbb{P}(L_{t+1} | L_t, A_t)$ के लिए एक वैश्विक पैरामीट्रिक मॉडल फिट करने के बजाय, TGC प्रत्येक समय बिंदु और उपचार स्तर पर एक नॉन-पैरामीट्रिक सन्निकटन (nonparametric approximation) बनाता है।
   • यह देखे गए डेटा युग्मों $(L_t, L_{t+1})$ जहाँ $A_t = a$ है, से एक एम्पिरिकल ट्रांजिशन लाइब्रेरी निकालता है।
   • एक क्वेरी स्टेट के लिए, यह स्थानीय निकटतम पड़ोसियों (nearest neighbors) की पहचान करके एक सब-सैंपल बनाता है, जिससे उच्च-आयामी पूर्वाग्रह को कम करने के लिए अनुमान केवल देखे गए क्षेत्र तक सीमित रहता है।
   • यह स्रोत और लक्ष्य अवस्थाओं के बीच एक "सॉफ्ट-मैचिंग" कपलिंग बनाने के लिए स्थानीय सब-सैंपल पर एक एंट्रॉपी-रेगुलराइज्ड ऑप्टिमल ट्रांसपोर्ट समस्या को हल करता है। यह एम्पिरिकल वितरण की मल्टी-मोडालिटी और स्टोकेस्टिक संरचना को बनाए रखता है।
   • स्थानीय स्रोत अवस्थाओं पर गाऊसी कर्नेल वेट (Gaussian kernel weights) लागू किए जाते हैं, और स्थानीय सशर्त वितरण बनाने के लिए OT कपलिंग को रो-नॉर्मलाइज (row-normalized) किया जाता है।
3. रिकर्सिव सिमुलेशन (Recursive Simulation): प्रारंभिक अवस्था के नमूनों से शुरू करते हुए, एल्गोरिदम प्रत्येक चरण पर अनुमानित स्थानीय सशर्त वितरणों से नमूने लेकर स्थिर हस्तक्षेपों के तहत प्रक्षेपवक्र (trajectories) को पुनरावर्ती रूप से सिम्युलेट करता है।
4. प्रभाव अनुमान (Effect Estimation): दो हस्तक्षेप भुजाओं (intervention arms) के परिणामी एम्पिरिकल टर्मिनल वितरणों के बीच वॉसरस्टीन दूरी की गणना की जाती है।
5. पॉजिटिविटी हैंडलिंग (Positivity Handling): विधि स्थानीय पड़ोस में नमूना पर्याप्तता की स्पष्ट रूप से जाँच करती है। यदि प्रभावी नमूना आकार एक दहलीज (threshold) से नीचे गिर जाता है, तो एल्गोरिदम गैर-पहचान योग्य क्षेत्रों में अनुमान लगाने के बजाय एक पॉजिटिविटी उल्लंघन (positivity violation) को फ्लैग करता है, जिससे स्प्यूरियस अनुमानों से बचा जा सके।

प्रमुख योगदान

1. वितरण संबंधी कारण लक्ष्य (Distributional Causal Target): यह पेपर अनुदैर्ध्य कारण प्रभावों के लिए एक औपचारिक एस्टिमेंड (estimand) के रूप में वॉसरस्टीन दूरी को पेश करता है, जो केवल माध्य पर ध्यान केंद्रित करने के बजाय स्थान, प्रसार और आकार के बदलावों को कैप्चर करता है।
2. नवाचारी ढांचा: यह TGC का प्रस्ताव करता है, जो वैश्विक पैरामीट्रिक धारणाओं के बिना स्थिर हस्तक्षेपों के तहत टर्मिनल वितरणों का अनुमान लगाने के लिए लोकल कर्नेल स्मूथिंग के साथ ऑप्टिमल ट्रांसपोर्ट कपलिंग को जोड़ता है।
3. सैद्धांतिक विश्लेषण: लेखक मानक कारण मान्यताओं के तहत WCE के लिए पहचान प्रमाण प्रदान करते हैं और स्थानीय संक्रमण अनुमानक के सन्निकटन गुणों का विश्लेषण करते हैं। वे स्थापित करते हैं कि टर्मिनल त्रुटि स्थानीय अनुमान त्रुटियों के योग द्वारा सीमित है, जो प्रत्येक रिकर्सिव स्टेप पर स्थिरता के महत्व को रेखांकित करती है।
4. नैदानिक क्षमता (Diagnostic Capability): विधि में पॉजिटिविटी उल्लंघनों को पहचानने और रिपोर्ट करने के लिए एक स्पष्ट तंत्र शामिल है, जो अनियंत्रित एक्सट्रपोलेशन को रोकता है।

परिणाम
TGC के प्रदर्शन का मूल्यांकन चार सिमुलेशन परिदृश्यों (प्रत्येक 100 प्रतिकृति/replications) में पैरामीट्रिक जी-कंप्यूटेशन के विरुद्ध किया गया था:

• लीनियर गाऊसी परिदृश्य (Linear Gaussian Scenario): पैरामीट्रिक जी-कंप्यूटेशन ने TGC से बेहतर प्रदर्शन किया (RMSE 0.075 बनाम 0.659), जो दर्शाता है कि जब वास्तविक मॉडल लीनियर और सही ढंग से निर्दिष्ट होता है, तो पैरामीट्रिक दृष्टिकोण श्रेष्ठ होता है, और TGC अनावश्यक स्मूथिंग बायस उत्पन्न करता है।
• गाऊशियन मिश्रण परिदृश्य (Gaussian Mixture Scenario): पैरामीट्रिक जी-कंप्यूटेशन अधिक सटीक रहा (RMSE 0.080 बनाम 0.252)। TGC इन विशिष्ट सेटिंग्स में मल्टीमॉडल संरचनाओं को कैप्चर करने में अपेक्षित लाभ प्रदर्शित नहीं कर सका, जो नेबरहुड साइज और रेगुलराइजेशन स्ट्रेंथ जैसे हाइपरपैरामीटर के प्रति संवेदनशीलता का सुझाव देता है।
• कन्फाउंडेड फीडबैक परिदृश्य (Confounded Feedback Scenario): TGC ने अपना सबसे मजबूत लाभ दिखाया, जिससे RMSE 1.821 (पैरामीट्रिक) से घटकर 0.486 रह गया। इस जटिल सेटिंग में जिसमें डायनेमिक फीडबैक है, लोकल OT दृष्टिकोण ने मॉडल मिस-स्पेसिफिकेशन के कारण होने वाले व्यवस्थित पूर्वाग्रह को प्रभावी ढंग से कम किया।
• नॉनलीनियर हेटेरोसेडास्टिक परिदृश्य (Nonlinear Heteroscedastic Scenario): दोनों विधियों ने पर्याप्त त्रुटि प्रदर्शित की (दोनों के लिए RMSE ~3.65), जो यह दर्शाता है कि दोनों में से कोई भी इस विशिष्ट सेटिंग में जटिल वितरण संरचनाओं को पूरी तरह से कैप्चर नहीं कर सका।
• कंप्यूटेशनल लागत (Computational Cost): TGC काफी धीमा था, जिसे प्रत्येक प्रतिकृति के लिए लगभग 136–235 सेकंड की आवश्यकता थी, जबकि पैरामीट्रिक विधि के लिए ~1.1 सेकंड की आवश्यकता थी, जो लगभग दो क्रमों (two orders of magnitude) का ओवरहेड दर्शाता है।
• स्थिरता (Stability): दोनों विधियों ने सभी परिदृश्यों में 0% विफलता दर प्राप्त की, जिसमें TGC ने अपने स्पष्ट डायग्नोस्टिक्स के माध्यम से पॉजिटिविटी कोलैप्स को सफलतापूर्वक रोका।

महत्व और दावे
यह पेपर निष्कर्ष निकालता है कि TGC पैरामीट्रिक जी-कंप्यूटेशन के लिए एक सार्वभौमिक रूप से बेहतर विकल्प नहीं है। इसका प्राथमिक मूल्य उन परिदृश्यों में है जो डायनेमिक फीडबैक कन्फाउंडिंग और जटिल वितरण संक्रमणों द्वारा चिह्नित होते हैं जहाँ पैरामीट्रिक मॉडल मिस-स्पेसिफिकेशन के प्रति संवेदनशील होते हैं। ऐसी सेटिंग्स में, TGC वितरण संबंधी कारण अनुमान के लिए अधिक मजबूत, लचीला और व्याख्या योग्य दृष्टिकोण प्रदान करता है।

हालाँकि, लेखक विनम्रतापूर्वक स्वीकार करते हैं कि सरल, सही ढंग से निर्दिष्ट लीनियर सेटिंग्स में, कम बायस और वेरिएंस के कारण पारंपरिक पैरामीट्रिक विधियाँ ही बेहतर हैं। वे यह भी नोट करते हैं कि TGC में वर्तमान में महत्वपूर्ण कंप्यूटेशनल लागत शामिल है और इसके लिए सावधानीपूर्वक हाइपरपैरामीटर ट्यूनिंग की आवश्यकता होती है। इसे एक विशेष उपकरण के रूप में रखा गया है जिसका उपयोग अवलोकनात्मक चिकित्सा अनुसंधान में किया जा सकता है जहाँ ध्यान वितरण परिवर्तनों पर है और जहाँ फीडबैक संरचनाएं मानक मॉडलिंग को जटिल बनाती हैं, न कि सभी अनुदैर्ध्य कारण समस्याओं के लिए एक डिफॉल्ट समाधान के रूप में। दक्षता, हाइपरपैरामीटर चयन और बड़े पैमाने पर कार्यान्वयन में सुधार के लिए भविष्य के कार्य की आवश्यकता बताई गई है।