Multiple Imputation Methods for Handling Missing Data under Treatment Policy Strategy: A Scoping Review

चिकित्सा अनुसंधान की दुनिया में, एक नई दवा के काम करने को सिद्ध करने के लिए 'गोल्ड स्टैंडर्ड' (स्वर्ण मानक) रैंडमाइज्ड कंट्रोल्ड ट्रायल (यादृच्छिक नियंत्रित परीक्षण) है। इन अध्ययनों में, स्वयंसेवकों को या तो नया उपचार या एक मानक उपचार प्राप्त करने के लिए असाइन किया जाता है, और शोधकर्ता समय के साथ उनके स्वास्थ्य पर नज़र रखते हैं ताकि यह देखा जा सके कि कौन सुधार करता है। हालाँकि, वास्तविक जीवन अव्यवस्थित होता है। प्रतिभागी अक्सर अपनी दवा लेना बंद कर देते हैं, एक अलग उपचार पर स्विच कर जाते हैं, या दुष्प्रभावों या व्यक्तिगत कारणों से अध्ययन से पूरी तरह बाहर हो जाते हैं। इन व्यवधानों को 'इंटरकरेंट इवेंट्स' (मध्यवर्ती घटनाएँ) कहा जाता है। दशकों तक, सांख्यिकीविदों ने इस बात पर बहस की कि इन प्रतिभागियों के डेटा को एक बार जब वे उपचार पथ से बाहर हो जाते हैं, तो कैसे संभाला जाए। क्या विश्लेषण को यह मान लेना चाहिए कि वे कभी रुके ही नहीं, या क्या इसे केवल उस समय को गिनना चाहिए जब उन्होंने वास्तव में दवा ली थी? अंतर्राष्ट्रीय क्लिनिकल ट्रायल दिशानिर्देशों के एक प्रमुख अपडेट ने एक विशिष्ट दृष्टिकोण पेश किया जिसे "ट्रीटमेंट पॉलिसी स्ट्रैटेजी" (उपचार नीति रणनीति) कहा जाता है। यह दृष्टिकोण एक सरल, व्यावहारिक प्रश्न पूछता है: यदि किसी रोगी को एक उपचार दिया जाता है, तो उसके साथ क्या होता है, चाहे वह उस पर टिके रहे या नहीं? यह स्वयं असाइनमेंट (निर्धारण) को ही मुख्य कारक मानता है, और सभी परिणामों का विश्लेषण तब भी करता है जब कोई रोगी दवा लेना बंद कर देता है।

चुनौती तब उत्पन्न होती है जब कोई रोगी उपचार बंद कर देता है और फिर फॉलो-अप विज़िट (अनुवर्ती मुलाकातों) में भी आना बंद कर देता है। उनका स्वास्थ्य डेटा गायब हो जाता है। यदि शोधकर्ता इन गायब नंबरों को अनदेखा कर देते हैं, तो परीक्षण के परिणाम पक्षपाती हो सकते हैं, जिससे कोई दवा वास्तव में जितनी अच्छी या खराब है, उससे कहीं अधिक बेहतर या बदतर दिख सकती है। इसे ठीक करने के लिए, सांख्यिकीविद "मल्टीपल इम्प्यूटेशन" (बहु-आरोपण) नामक तकनीक का उपयोग करते हैं। एक पहेली की कल्पना करें जहाँ कुछ टुकड़े खो गए हैं; खाली जगह छोड़ने के बजाय, आप उन टुकड़ों के आधार पर जो पैटर्न आप देखते हैं, गायब टुकड़ों के कई अलग-अलग, संभावित संस्करण बनाते हैं। फिर आप प्रत्येक संस्करण के साथ पहेली को हल करते हैं और एक विश्वसनीय उत्तर प्राप्त करने के लिए परिणामों को मिलाते हैं। हालाँकि यह विधि तब अच्छी तरह से काम करती है जब डेटा 'रैंडमली मिसिंग' (यादृच्छिक रूप से गायब) हो, लेकिन यह 'ट्रीटमेंट पॉलिसी स्ट्रैटेजी' के तहत अक्सर विफल हो जाती है क्योंकि उपचार बंद करने वाले रोगियों का स्वास्थ्य पथ उन लोगों से भिन्न होता है जो उपचार पर बने रहते हैं। मानक धारणाएं अब लागू नहीं होती हैं, और गायब टुकड़ों को अधिक परिष्कृत तर्क के साथ भरने की आवश्यकता होती है।

इंपीरियल कॉलेज लंदन के शोधकर्ताओं की एक टीम ने इन उन्नत समाधानों के परिदृश्य को मैप करने का लक्ष्य रखा। उन्होंने वैज्ञानिक साहित्य की एक व्यापक समीक्षा की, जिसमें विशेष रूप से 'ट्रीटमेंट पॉलिसी स्ट्रैटेजी' के लिए गायब डेटा को भरने हेतु प्रस्तावित या तुलना किए गए प्रत्येक अध्ययन की खोज की गई। उन्होंने डेटाबेस रिकॉर्ड की शुरुआत से लेकर 2026 की शुरुआत तक प्रकाशित शोध पत्रों को देखा। डुप्लिकेट और अप्रासंगिक अध्ययनों को हटाने की एक कठोर स्क्रीनिंग प्रक्रिया के बाद, उन्होंने 52 प्रमुख लेखों की पहचान की जो इस विशिष्ट समस्या पर केंद्रित थे। उनका लक्ष्य एक नई दवा का परीक्षण करना नहीं था, बल्कि उन गणितीय उपकरणों को व्यवस्थित करना था जिनका उपयोग शोधकर्ता यह सुनिश्चित करने के लिए करते हैं कि क्लिनिकल ट्रायल के परिणाम ईमानदार और सटीक रहें जब प्रतिभागी बीच में ही छोड़ देते हैं।

समीक्षा से पता चला कि यह क्षेत्र महत्वपूर्ण रूप से विकसित हुआ है, विशेष रूप से 2019 में नए दिशानिर्देशों के औपचारिक रूप से पेश किए जाने के बाद। उससे पहले, इसी तरह के विचार मौजूद थे लेकिन उन्हें "डे फैक्टो" (वास्तविक) या "इफेक्टिवनेस" (प्रभावशीलता) एस्टिमेंड्स जैसे विभिन्न नामों से वर्णित किया गया था। नए दिशानिर्देशों ने भाषा को मानकीकृत करने में मदद की, जिससे प्रकाशनों में उछाल आया जो स्पष्ट रूप से 'ट्रीटमेंट पॉलिसी स्ट्रैटेजी' को संबोधित करते हैं। शोधकर्ताओं ने पाया कि इस क्षेत्र में अधिकांश कार्य संयुक्त राज्य अमेरिका और यूनाइटेड किंगडम से आता है, और अधिकांश पेपर वास्तव में क्लिनिकल ट्रायल की रिपोर्ट के बजाय सांख्यिकीय मॉडलों का परीक्षण और परिशोधन करने के लिए डिज़ाइन किए गए पद्धतिगत अध्ययन हैं।

समीक्षा का मुख्य केंद्र गायब डेटा बिंदुओं को संभालने के लिए उपयोग की जाने वाली चार मुख्य पद्धतियों (फैमिली ऑफ मेथड्स) पर केंद्रित था। सबसे आम दृष्टिकोण, जो लगभग तीन-चौथाई अध्ययनों में पाया गया, "रेफरेंस-बेस्ड इम्प्यूटेशन" (संदर्भ-आधारित आरोपण) कहलाता है। यह विधि मानती है कि यदि कोई रोगी अपना निर्धारित उपचार बंद कर देता है, तो उसका भविष्य का स्वास्थ्य परिणाम एक विशिष्ट तुलना समूह के समान होने लगेगा, जो अक्सर प्लेसबो या मानक देखभाल प्राप्त करने वाले रोगियों का होता है। इस विचार के कई संस्करण हैं। एक संस्करण, जिसे "जंप टू रेफरेंस" (संदर्भ की ओर कूदना) कहा जाता है, यह मानता है कि रोगी तुरंत नए दवा के लाभ को खो देता है और तुरंत तुलना समूह के पथ को अपना लेता है। दूसरा, जिसे "कॉपी इंक्रीमेंट्स इन रेफरेंस" (संदर्भ में वृद्धि की नकल) कहा जाता है, यह मानता है कि रोगी उपचार बंद करने के क्षण तक प्राप्त लाभ को बनाए रखता है, लेकिन फिर उसका स्वास्थ्य तुलना समूह की दर से बदलता है। तीसरा संस्करण, "लास्ट मीन कैरी फॉरवर्ड" (अंतिम माध्य आगे ले जाना), यह मानता है कि रोगी अध्ययन छोड़ने के समय जो औसत लाभ प्राप्त था, उसे बनाए रखता है।

दूसरा प्रमुख तरीका "रिट्रीव्ड ड्रॉपआउट इम्प्यूटेशन" (प्राप्त ड्रॉपआउट आरोपण) कहलाता है। यह दृष्टिकोण एक अलग विचार रखता है। एक तुलना समूह से डेटा उधार लेने के बजाय, यह पूरी तरह से उन अन्य रोगियों से एकत्र किए गए वास्तविक डेटा पर निर्भर करता है जिन्होंने उपचार बंद कर दिया लेकिन अध्ययन में बने रहे। यदि कोई रोगी बाहर हो जाता है, तो उसके गायब भविष्य के डेटा का अनुमान उन लोगों के देखे गए पैटर्न के आधार पर लगाया जाता है जिन्होंने उपचार बंद कर दिया लेकिन अपडेट प्रदान करना जारी रखा। यह विधि शक्तिशाली है क्योंकि यह स्वयं परीक्षण के वास्तविक दुनिया के साक्ष्य का उपयोग करती है, लेकिन इसके लिए यह आवश्यक है कि उपचार बंद करने वाले पर्याप्त रोगी अध्ययन में बने रहें ताकि एक विश्वसनीय पैटर्न प्रदान किया जा सके। शोधकर्ताओं ने पाया कि इस विधि को विभिन्न रूपों में विकसित किया गया है, जिनमें से कुछ केवल रोगी के ड्रॉपआउट होने से पहले के अंतिम विज़िट को देखते हैं, और अन्य अधिक जटिल मॉडल का उपयोग करते हैं जो रोगी के पूरे उपचार और रुकने के इतिहास को ट्रैक करते हैं।

समीक्षा ने दो अन्य, कम सामान्य रणनीतियों की भी पहचान की। एक "रिटर्न-टू-बेसलाइन" (आधार रेखा पर वापसी) विधि है, जो यह मानती है कि उपचार बंद करने के बाद, रोगी का स्वास्थ्य अध्ययन की शुरुआत में जिस स्तर पर था, उस स्तर पर वापस आ जाता है, जिसमें कुछ यादृच्छिक भिन्नता जोड़ी जाती है। दूसरी "वॉशआउट" (वाशआउट) विधि है, जो संदर्भ-आधारित दृष्टिकोण के समान है लेकिन इसे केवल अध्ययन के अंतिम माप पर लागू किया जाता है। यह मानती है कि प्रायोगिक दवा से मिलने वाला कोई भी लाभ समय के साथ समाप्त हो जाता है, जिससे केवल प्लेसबो या मानक देखभाल का प्रभाव ही शेष रहता है। इन चार मुख्य श्रेणियों के अलावा, शोधकर्ताओं ने बढ़ते हुए "हाइब्रिड" (संकर) तरीकों को भी पाया। ये नए तकनीकें हैं जो विभिन्न दृष्टिकोणों की शक्तियों को मिलाने का प्रयास करती हैं, जैसे कि उपलब्ध होने पर ड्रॉपआउट से वास्तविक डेटा का उपयोग करना, लेकिन यदि विश्वसनीय अनुमान लगाने के लिए पर्याप्त डेटा नहीं है, तो संदर्भ-आधारित धारणा पर स्विच करना।

शोधकर्ताओं ने यह भी जांचा कि इन विधियों को विभिन्न प्रकार के स्वास्थ्य परिणामों पर कैसे लागू किया जाता है। जबकि अधिकांश कार्य निरंतर मापों (continuous measurements), जैसे रक्तचाप या दर्द स्कोर पर केंद्रित था, समीक्षा ने दिखाया कि सांख्यिकीविदों ने इन तकनीकों को बाइनरी परिणामों (जैसे कि क्या रोगी ठीक हुआ या नहीं), टाइम-टू-इवेंट डेटा (जैसे कि बीमारी के वापस आने में कितना समय लगा), और यहाँ तक कि आवर्ती घटनाओं की जटिल गणनाओं के लिए सफलतापूर्वक अनुकूलित किया है। हालाँकि, समीक्षा ने एक महत्वपूर्ण अंतर को उजागर किया: जबकि निरंतर डेटा के लिए विधियाँ अच्छी तरह से विकसित हैं, अन्य प्रकार के परिणामों के लिए उपकरण अभी भी परिपक्व हो रहे हैं। इसके अलावा, शोधकर्ताओं ने नोट किया कि जबकि कई शोध पत्रों ने इन इम्प्यूटेशन विधियों को चलाने के लिए आवश्यक कंप्यूटर कोड प्रदान किया, बहुत कम ने उन्हें परीक्षण करने के लिए उपयोग किए जाने वाले सिम्युलेटेड डेटा (सिम्युलेटेड डेटा जेनरेट करने वाला कोड) के लिए कोड प्रदान किया। इससे अन्य वैज्ञानिकों के लिए इन विधियों को पूरी तरह से समझना कठिन हो जाता है कि उन्हें कैसे मान्य किया गया।

समीक्षा में चर्चा किया गया एक महत्वपूर्ण मुद्दा "अनकन्जेनिटी" (असंगति/uncongeniality) की समस्या है। यह तब होता है जब गायब डेटा को भरने के लिए उपयोग किया जाने वाला गणितीय मॉडल, अंतिम परिणामों का विश्लेषण करने के लिए उपयोग किए जाने वाले मॉडल से पूरी तरह मेल नहीं खाता है। यह बेमेल स्थिति गलत अनुमानों की ओर ले जा सकती है कि शोधकर्ताओं को अपने निष्कर्षों के बारे में कितना आश्वस्त होना चाहिए। समीक्षा में पाया गया कि हालांकि संयुक्त परिणामों को जोड़ने के लिए मानक सांख्यिकीय नियमों का व्यापक रूप से उपयोग किया जाता है, कुछ विशेषज्ञ तर्क देते हैं कि ये विशिष्ट विधियों के लिए सर्वोत्तम विकल्प नहीं हो सकते हैं। इसके बजाय, कुछ शोधकर्ता अनिश्चितता का अधिक सटीक माप प्राप्त करने के लिए "बूटस्ट्रैपिंग" (bootstrapping) जैसे वैकल्पिक गणना तरीकों का उपयोग करने का सुझाव देते हैं। समीक्षा ने किसी एक विधि को सभी से श्रेष्ठ घोषित नहीं किया; बल्कि, इसने इस बात पर जोर दिया कि विधि का चुनाव इस बात पर अत्यधिक निर्भर करता है कि एक शोधकर्ता रोगी के उपचार छोड़ने के बाद क्या होता है, इसके बारे में कौन सी विशिष्ट धारणाएं बनाने के लिए तैयार है।

अंततः, यह स्कोपिंग समीक्षा आधुनिक क्लिनिकल ट्रायल विश्लेषण के जटिल परिदृश्य के लिए एक महत्वपूर्ण मानचित्र के रूप में कार्य करती है। यह दिखाती है कि हालांकि मरीजों के उपचार छोड़ने पर गायब डेटा को संभालने का कोई एक, अकेला, पूर्ण तरीका नहीं है, लेकिन उपलब्ध तरीकों का एक मजबूत और बढ़ता हुआ टूलकिट मौजूद है। शोधकर्ताओं ने निष्कर्ष निकाला कि प्रत्येक विधि के पीछे की विशिष्ट धारणाओं को समझना सही विधि चुनने के लिए आवश्यक है। जैसे-जैसे क्लिनिकल ट्रायल वास्तविक दुनिया की स्थितियों को दर्शाने के लिए विकसित हो रहे हैं, गायब डेटा द्वारा छोड़ी गई रिक्तियों को सटीक रूप से भरने की क्षमता विश्वसनीय चिकित्सा विज्ञान का आधार बनी रहेगी। इन सांख्यिकीविदों का कार्य यह सुनिश्चित करता है कि जब कोई डॉक्टर उपचार निर्धारित करता है, तो इसका समर्थन करने वाला साक्ष्य इस वास्तविकता को ध्यान में रखता है कि मरीज हमेशा योजना का पूरी तरह से पालन नहीं कर पाते हैं।