Crude co-mention trends and standardized observed-to-expected ratios can move in opposite directions: a decomposition, with an application to US multiple-cause-of-death data
यह शोध पत्र एक गणितीय अपघटन और अमेरिकी मृत्यु दर के आंकड़ों के माध्यम से यह प्रदर्शित करता है कि जब सह-स्थिति (co-condition) की पृष्ठभूमि आवृत्ति बदलती है, तो क्रूड को-मेंशन रुझान मानकीकृत ओवर-रिप्रेजेंटेशन अनुपातों से भिन्न हो सकते हैं, और यह तर्क देता है कि इस पृष्ठभूमि परिवर्तन को ध्यान में रखे बिना एक मीट्रिक को दूसरे के प्रॉक्सी के रूप में व्याख्या करने से कोमोरबिडिटी बोझ के बारे में भ्रामक निष्कर्ष निकल सकते हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
जब किसी व्यक्ति की मृत्यु होती है, तो उनकी मृत्यु का आधिकारिक रिकॉर्ड केवल एक साधारण कारण नहीं होता; यह उन सभी चिकित्सा स्थितियों की एक सूची होती है जिन्होंने उनके जीवन के अंत में योगदान दिया। शोधकर्ता इन सूचियों का उपयोग, जिन्हें 'मल्टीपल-कॉज़-ऑफ-डेथ' (बहु-कारण मृत्यु) रिकॉर्ड कहा जाता है, यह समझने के लिए करते हैं कि विभिन्न बीमारियाँ एक साथ कैसे चलती हैं। यदि कोई डॉक्टर एक ही प्रमाण पत्र पर हार्ट फेल्योर (हृदय विफलता) और किडनी रोग दोनों को सूचीबद्ध करता है, तो यह दोनों के बीच एक संबंध का सुझाव देता है। समय के साथ ये जोड़ कितनी बार एक साथ दिखाई देते हैं, इसकी गणना करके वैज्ञानिक यह देखने का प्रयास करते हैं कि विशिष्ट बीमारियों के बीच का संबंध मजबूत हो रहा है, कमजोर हो रहा है या स्थिर बना हुआ है। यह जानकारी सार्वजनिक स्वास्थ्य के लिए अत्यंत महत्वपूर्ण है, क्योंकि यह अधिकारियों को यह समझने में मदद करती है कि क्या जनसंख्या के बीच जटिल, परस्पर जुड़ी बीमारियों का बोझ बढ़ रहा है। हालाँकि, इन संख्याओं को पढ़ने के तरीके में एक छिपा हुआ जाल है। दो स्थितियों के एक साथ दिखने की आवृत्ति की एक साधारण गणना बढ़ सकती है, भले ही उनके बीच का वास्तविक चिकित्सा संबंध फीका पड़ रहा हो। ऐसा इसलिए होता है क्योंकि किसी एक स्थिति की पृष्ठभूमि आवृत्ति (background frequency), दूसरी स्थिति से पूरी तरह से असंबंधित कारणों से बढ़ सकती है, जिससे एक सांख्यिकीय भ्रम पैदा होता है कि दोनों स्थितियाँ अधिक मजबूती से जुड़ रही हैं, जबकि वे वास्तव में नहीं हैं।
सेकानी निकोलस बॉक्सिल नामक एक शोधकर्ता ने संयुक्त राज्य अमेरिका के दो दशकों के वास्तविक डेटा को देखकर इस भ्रम को सुलझाने का प्रयास किया। अध्ययन ने चार अलग-अलग गंभीर संक्रमणों और मृत्यु प्रमाण पत्रों पर क्रोनिक किडनी रोग (दीर्घकालिक गुर्दा रोग) के साथ वे कितनी बार दिखाई दिए, इस पर ध्यान केंद्रित किया। शोधकर्ता ने कच्चे आंकड़ों (raw numbers) का परीक्षण किया, जो केवल उन लोगों की गिनती करते हैं जो दोनों स्थितियों के साथ मरे थे, और उनकी तुलना एक अधिक परिष्कृत गणना से की। यह परिष्कृत विधि एक अलग प्रश्न पूछती है: संक्रमण से मरने वाले लोगों की आयु और लिंग को देखते हुए, सामान्य जनसंख्या के रुझानों के आधार पर हम कितनी उम्मीद कर सकते थे कि उनमें किडनी रोग भी होगा? कच्चे आंकड़े को इन दो भागों में—कच्ची गणना और अपेक्षित पृष्ठभूमि आवृत्ति—में विभाजित करके, शोधकर्ता देख सके कि वास्तव में रुझानों को क्या संचालित कर रहा था।
निष्कर्षों ने इन्फेक्टिव एंडोकार्डिटिस (हृदय की गंभीर संक्रमण), एक गंभीर हृदय संक्रमण के लिए डेटा में एक चौंकाने वाला विरोधाभास प्रकट किया। 2013 और 2019 के बीच, हृदय संक्रमण से होने वाली मौतों में किडनी रोग का उल्लेख करने वाला कच्चा प्रतिशत लगातार बढ़ा, जो प्रति वर्ष लगभग एक प्रतिशत अंक की दर से बढ़ा। इस संख्या का एक आकस्मिक पठन यह सुझाव देगा कि दोनों स्थितियाँ एक दूसरे से अधिक बार जुड़ी हुई हैं। हालाँकि, जब शोधकर्ता ने जनसंख्या में किडनी रोग की बढ़ती पृष्ठभूमि दर को ध्यान में रखने के लिए परिष्कृत गणना लागू की, तो तस्वीर पूरी तरह बदल गई। वह माप, जो यह बताता है कि दोनों स्थितियाँ वास्तव में कितनी अधिक बार एक साथ दिखाई दीं, प्रति वर्ष दो और आधे प्रतिशत अंक से भी अधिक गिर गया। कच्चा नंबर इसलिए बढ़ा क्योंकि मृत्यु प्रमाण पत्रों पर किडनी रोग का उल्लेख समग्र रूप से अधिक आम होता जा रहा था, न कि इसलिए कि हृदय संक्रमण अचानक किडनी के रोगियों को अधिक आकर्षित कर रहा था।
यही विपरीत रुझानों का पैटर्न अन्य जोड़ों में भी दिखाई दिया। सेप्सिस (रक्त का गंभीर संक्रमण) के लिए, कच्चे सह-उल्लेख दर ने मामूली, सांख्यिकीय रूप से अनिश्चित वृद्धि दिखाई, जबकि परिष्कृत माप ने स्पष्ट और निरंतर गिरावट दिखाई। निमोनिया के मामले में, दोनों संख्याएँ बढ़ीं, लेकिन परिष्कृत माप की तुलना में कच्ची गणना बहुत तेजी से बढ़ी, जो यह संकेत देती है कि वृद्धि मुख्य रूप से किडनी रोग के उल्लेखों में सामान्य वृद्धि के कारण थी, न कि निमोनिया और किडनी फेल्योर के बीच एक विशिष्ट संबंध के मजबूत होने के कारण। अध्ययन ने 2011 और 2012 के एक विशिष्ट कालखंड पर भी प्रकाश डाला जहाँ मृत्यु प्रमाण पत्रों पर किडनी रोग को कोड करने के तरीके में बदलाव के कारण सभी श्रेणियों में उल्लेखों में अचानक उछाल आया। इस कोडिंग परिवर्तन ने कच्चे आंकड़ों और पृष्ठभूमि अपेक्षाओं दोनों को समान रूप से प्रभावित किया, जिससे यह सिद्ध हुआ कि मानक सांख्यिकीय समायोजन हमेशा डेटा रिकॉर्ड करने के अचानक बदलावों को ठीक नहीं कर सकते।
शोधकर्ता ने फिर यह देखा कि अन्य वैज्ञानिक इसी तरह के डेटा की व्याख्या कैसे कर रहे हैं। पच्चीस हालिया अध्ययनों की समीक्षा में पाया गया कि अधिकांश शोधकर्ता सह-घटित होने वाली मौतों की कच्ची वृद्धि को बीमारी के बढ़ते बोझ या बढ़ता हुआ संबंध के प्रमाण के रूप में रिपोर्ट करते हैं। जबकि इनमें से कई अध्ययनों ने अपने परिणामों की तुलना किसी न किसी रूप में पृष्ठभूमि रुझान से की थी, लेकिन उनमें से किसी ने भी कच्चे नंबर को इसके दो अलग-अलग घटकों में नहीं तोड़ा: अपेक्षित पृष्ठभूमि आवृत्ति और वास्तविक सापेक्ष अति-प्रतिनिधित्व (relative over-representation)। इसका अर्थ है कि क्षेत्र अपने विश्लेषण में एक महत्वपूर्ण चरण को चूक रहा है। अध्ययन यह निष्कर्ष निकालता है कि बढ़ता हुआ कच्चा नंबर स्वतः ही यह नहीं बताता कि बीमारी का जोड़ा अधिक खतरनाक या अधिक जुड़ा हुआ हो रहा है। वास्तविक कहानी को समझने के लिए, शोधकर्ताओं को स्थितियों की पृष्ठभूमि आवृत्ति को देखना चाहिए और देखे गए आंकड़ों के विरुद्ध अपेक्षित आंकड़ों के अनुपात की गणना करनी चाहिए। इस पृथक्करण के बिना, डेटा आसानी से वहां भी बढ़ता हुआ संबंध बता सकता है जहां वास्तव में ऐसा कोई संबंध मौजूद नहीं है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।