Distortion in Risk Estimation Driven by Study Period Adjustment and Young-Age Event Sparsity: A Critical Evaluation of Secondary Analyses on the Nagoya City HPV Vaccination Survey

सार्वजनिक स्वास्थ्य की दुनिया में, शोधकर्ता अक्सर यह समझने के लिए लोगों के बड़े समूहों में पैटर्न खोजते हैं कि क्या कोई चिकित्सा उपचार नुकसान पहुँचाता है या लाभ प्रदान करता है। इस कार्य में एक केंद्रीय चुनौती उपचार के प्रभावों को उम्र बढ़ने के साथ होने वाले प्राकृतिक परिवर्तनों से अलग करना है। उदाहरण के लिए, यदि कोई अध्ययन किशोरों को कई वर्षों तक ट्रैक करता है, तो उनके द्वारा अनुभव किए जाने वाले स्वास्थ्य संबंधी मुद्दों के प्रकार स्वाभाविक रूप से बदल जाते हैं क्योंकि वे बचपन से किशोरावस्था में प्रवेश करते हैं। एक वैक्सीन की सुरक्षा की सटीक तस्वीर पाने के लिए, वैज्ञानिकों को उम्र से संबंधित परिवर्तनों को ध्यान में रखते हुए अपनी गणनाओं को सावधानीपूर्वक समायोजित करना चाहिए, यह सुनिश्चित करते हुए कि एक किशोर में दिखने वाले लक्षण सालों पहले दिए गए इंजेक्शन के कारण न मान लिए जाएं, और न ही सामान्य बढ़ते दर्द के शोर में कोई वास्तविक दुष्प्रभाव छिप जाए। जब ये समायोजन सही ढंग से किए जाते हैं, तो डेटा वैक्सीन और एक स्वास्थ्य परिणाम के बीच के वास्तविक संबंध को प्रकट करता है। हालाँकि, जब ये गलत तरीके से किए जाते हैं, तो संख्याएँ पूरी तरह से अलग और संभावित रूप से भ्रामक कहानी बता सकती हैं।

नागोया सिटी यूनिवर्सिटी के प्रोफेसर एमेरिटस सादाओ सुजुकी द्वारा किया गया एक हालिया मूल्यांकन, मानव पेपिलोमावायरस (HPV) वैक्सीन पर एक प्रमुख सर्वेक्षण के डेटा का विश्लेषण करने के लिए उपयोग की जाने वाली एक विशिष्ट सांख्यिकीय पद्धति की जांच करता है। मूल सर्वेक्षण, जो 2015 में आयोजित किया गया था, युवाओं में 24 विभिन्न लक्षणों को ट्रैक कर रहा था ताकि यह देखा जा सके कि क्या वैक्सीन इन लक्षणों के जोखिम को बढ़ाती है। जबकि मूल विश्लेषण ने इन लक्षणों के कारण वैक्सीन के होने का कोई प्रमाण नहीं पाया था, बाद में शोधकर्ताओं याजू और सुबाकी द्वारा किए गए एक अध्ययन ने उन निष्कर्षों को चुनौती दी। उन्होंने डेटा को देखने का एक नया तरीका प्रस्तावित किया जिसमें "अध्ययन अवधि" (study period) के लिए एक विशिष्ट समायोजन शामिल था, जो वह समय अंतराल है जब किसी व्यक्ति को पहली वैक्सीन खुराक मिली और जब सर्वेक्षण किया गया। सुजुकी का पेपर तर्क देता है कि इस नई पद्धति में एक मौलिक गणितीय दोष है जो परिणामों को विकृत करता है, जिससे वहां खतरा पैदा होता है जहाँ वास्तव में कोई खतरा नहीं है।

समस्या का मुख्य केंद्र यह है कि शोधकर्ताओं ने लक्षणों के समय को कैसे संभाला। मूल सर्वेक्षण में, कुछ युवाओं ने ऐसे लक्षणों की रिपोर्ट की जो उन्होंने वैक्सीन लेने से पहले ही शुरू कर दिए थे। बाद के अध्ययन ने टीका लगवाने वाले समूह से इन शुरुआती मामलों को हटाने का निर्णय लिया, यह तर्क देते हुए कि वैक्सीन से पहले शुरू होने वाला लक्षण उससे उत्पन्न नहीं हो सकता। सुजुकी बताते हैं कि हालांकि यह सतह पर तार्किक लगता है, लेकिन जिस तरह से इसे "अध्ययन अवधि" समायोजन के साथ जोड़ा गया, उसने एक छिपा हुआ जाल बना दिया। इस पद्धति ने टीका लगवाए गए और टीका न लगवाए गए समूहों के साथ अलग व्यवहार किया। टीका लगवाए गए समूह के लिए, अवलोकन विंडो (observation window) केवल पहली खुराक के बाद शुरू हुई। टीका न लगवाए गए समूह के लिए, विंडो बारह वर्ष की आयु में शुरू हुई, चाहे सर्वेक्षण कभी भी हुआ हो। इसने एक असमान खेल का मैदान बना दिया जहाँ टीका न लगवाए गए समूह को उनके प्रारंभिक यौवन के एक लंबे हिस्से के लिए देखा गया था, जबकि टीका लगवाए गए समूह को नहीं।

यह संरचनात्मक असंतुलन इसलिए महत्वपूर्ण हो गया क्योंकि "यंग-एज इवेंट स्पैरसिटी" (कम उम्र में घटनाओं की कमी) नामक एक प्राकृतिक घटना मौजूद है। सर्वेक्षण में ट्रैक किए गए कई लक्षण बहुत छोटे बच्चों में दुर्लभ होते हैं लेकिन जैसे-जैसे किशोर बड़े होते हैं, वे अधिक सामान्य होते जाते हैं। चूंकि टीका न लगवाए गए समूह को बारह वर्ष की आयु से देखा गया था, इसलिए उनके डेटा में लंबी अवलोकन अवधि के कारण इन दुर्लभ, प्रारंभिक जीवन की घटनाओं का उच्च अनुपात शामिल था। जब सांख्यिकीय मॉडल ने दोनों समूहों की तुलना करने की कोशिश की, तो उसने समय के इस अंतर को जोखिम के अंतर के रूप में व्याख्यायित किया। परिणाम एक गणितीय कृत्रिमता (artifact) थी जिसने उन लक्षणों के जोखिम को कृत्रिम रूप से बढ़ा दिया जो छोटे बच्चों में दुर्लभ होते हैं, जिससे ऐसा लगा जैसे वैक्सीन उन्हें कारण बना रही है, जबकि वास्तव में, गणना केवल उन्हीं घटनाओं को अलग तरह से गिन रही थी।

सुजुकी का विश्लेषण बाद के अध्ययन को तीन अलग-अलग मॉडलों में तोड़कर दिखाता है कि कैसे त्रुटि बढ़ती जाती है। पहला मॉडल, जिसने केवल शुरुआती लक्षणों को हटाया, पहले से ही पूर्वाग्रह दिखा रहा था, लेकिन संख्याएं मूल निष्कर्षों के कुछ हद तक समान थीं। दूसरे मॉडल ने "अध्ययन अवधि" समायोजन पेश किया, जिससे मूल, विश्वसनीय डेटा के साथ सहसंबंध (correlation) तेजी से गिर गया। इस चरण में, पद्धति ने दुर्लभ, प्रारंभिक जीवन के लक्षणों के लिए जोखिमों को व्यवस्थित रूप से बढ़ा दिया और सामान्य लक्षणों के लिए जोखिमों को कम कर दिया। अंतिम मॉडल ने एक जटिल इंटरैक्शन टर्म जोड़ा जिसने यह माना कि जोखिम समय के साथ लगातार बदलता है। इस कदम ने गणितीय परिणामों को अध्ययन की अवधि के बिल्कुल शुरुआत में चरम पर पहुँचा दिया, जहाँ डेटा अत्यंत विरल और अविश्वसनीय था। इस अंतिम संस्करण में, एक विशिष्ट लक्षण के लिए जोखिम, जिसे मूल अध्ययन ने टीका लगवाए गए लोगों में कम पाया था, की गणना छह गुना से अधिक अधिक की गई।

पेपर निष्कर्ष निकालता है कि ये नाटकीय बदलाव नए जोखिमों की खोज नहीं हैं बल्कि एक टूटे हुए गणितीय उपकरण का अपरिहार्य परिणाम हैं। बाद के अध्ययन के लेखक उन कुछ लक्षणों पर ध्यान केंद्रित करते हैं जहाँ उनकी नई पद्धति उच्च जोखिम दिखाती है, इस तथ्य को अनदेखा करते हुए कि वही पद्धति अन्य लक्षणों के लिए असंभव परिणाम देती है, जैसे कि यह सुझाव देना कि वैक्सीन एक सामान्य बीमारी से सुरक्षा प्रदान कर सकती है। अपने परिकल्पना का समर्थन करने वाले परिणामों को चुनकर और विरोधाभासों को अनदेखा करके, बाद के अध्ययन ने डेटा का एक पक्षपाती दृष्टिकोण प्रस्तुत किया। मूल्यांकन पुष्टि करता है कि मूल सर्वेक्षण के निष्कर्ष वैध बने हुए हैं और वैकल्पिक विश्लेषण एक संरचनात्मक पूर्वाग्रह पर निर्भर करता है जो सत्य को विकृत करता है। सबक यह है कि महामारी विज्ञान (epidemiology) में, समय को मापना और अपने समूहों को परिभाषित करना उतना ही महत्वपूर्ण है जितना कि स्वयं डेटा; यदि माप उपकरण त्रुटिपूर्ण है, तो वह जो चित्र बनाता है वह झूठा होगा, चाहे गणित कितना भी परिष्कृत क्यों न दिखाई दे।