The Biomarker Interaction Trap: A Causal Audit of Spurious Discoveries in NHANES

आधुनिक चिकित्सा के विशाल परिदृश्य में, शोधकर्ता अक्सर बीमारी की भविष्यवाणी करने वाले छिपे हुए पैटर्न खोजने के लिए रोगी रिकॉर्ड के विशाल डिजिटल अभिलेखागारों का रुख करते हैं। ये डेटाबेस, जो रक्त परीक्षणों और शारीरिक परीक्षणों के हजारों मापों से भरे होते हैं, एक विशाल मानचित्र की तरह कार्य करते हैं जहाँ वैज्ञानिक जैविक मार्करों और स्वास्थ्य परिणामों के बीच नए संबंधों को खोजने की आशा करते हैं। इसका तर्क सीधा है: यदि एक निश्चित बीमारी वाले लोगों में रक्त परीक्षण के दो विशिष्ट अंक लगातार एक साथ ऊपर और नीचे जाते हैं, तो वह संबंध बीमारी के एक नए कारण या उसके उपचार के तरीके को प्रकट कर सकता है। जब एक पैटर्न लोगों के एक समूह में दिखाई देता है और फिर एक पूरी तरह से अलग समूह में फिर से दिखाई देता है, तो वैज्ञानिक आमतौर पर इसे एक पुष्ट खोज के रूप में मनाते हैं। हालाँकि, यह विश्वास गलत हो सकता है। केवल इसलिए कि एक पैटर्न दोहराया जाता है, इसका मतलब यह नहीं है कि वह वास्तविक है; यह केवल इस बात का प्रतिबिंब हो सकता है कि डेटा कैसे एकत्र किया गया था या अध्ययन में किसे शामिल किया गया था। यदि वही छिपा हुआ कारक विभिन्न समूहों में एक ही तरह से दोनों मापों और बीमारी को प्रभावित करता है, तो पैटर्न समान और विश्वसनीय दिखाई देगा, भले ही इसका जीव विज्ञान से कोई लेना-देना न हो।

यह वह केंद्रीय पहेली है जिसे जेम्स ब्रोडी ने हाल ही में नेशनल हेल्थ एंड न्यूट्रिशन एग्जामिनेशन सर्वे के एक ऑडिट में हल करने का प्रयास किया, जो अमेरिकी जनसंख्या का एक विशाल, चल रहा अध्ययन है। ब्रोडी ने रक्त मार्करों के तीन विशिष्ट अंतःक्रियाओं (interactions) की जांच की जिन्हें रोग के जोखिम के मजबूत भविष्यवक्ता के रूप में पहचाना गया था। ये अंतःक्रियाएं पुनरावृत्ति (replication) की कसौटी पर खरी उतरी थीं, जो लोगों के कई स्वतंत्र समूहों में दिखाई दी थीं, फिर भी ब्रोडी ने प्रदर्शित किया कि प्रत्येक एक सांख्यिकीय भ्रम था न कि एक वास्तविक जैविक संकेत। उन्होंने दिखाया कि ये "खोजें" वास्तव में तीन विशिष्ट पद्धतिगत जाल (methodological traps) का परिणाम थीं: एक जो रक्त लेने से पहले शरीर के तरल स्तर में होने वाले परिवर्तन के कारण था, दूसरा जिस तरह से डॉक्टर यह तय करते हैं कि किसे दवा दी जाए, और तीसरा कि कैसे जनसंख्या-व्यापी औसत पुरुषों और महिलाओं के बीच के अंतर को समझने में विफल रहते हैं। इन कृत्रिमताओं की परतों को हटाकर, यह अध्ययन प्रकट करता है कि जो एक जटिल जैविक नृत्य जैसा लग रहा था, वह वास्तव में डेटा द्वारा निर्मित एक सरल मृगतृष्णा थी।

पहला जाल उस तरीके से संबंधित है जिससे निर्जलीकरण (dehydration) या लंबे समय तक खड़े रहने के कारण रक्त की सांद्रता बदल जाती है। रक्त मुख्य रूप से पानी है, और इसमें तैरते प्रोटीन और वसा उस पानी में घुले होते हैं। जब रक्त में पानी की मात्रा थोड़ी कम हो जाती है—शायद इसलिए क्योंकि व्यक्ति प्यासा है या इसलिए क्योंकि रक्त लेने के दौरान उनकी बांह पर टूर्निकेट (tourniquet) बहुत देर तक लगा रहा—तो शेष तरल अधिक सघन हो जाता है। इसके कारण एल्ब्यूमिन और कोलेस्ट्रॉल जैसे बड़े अणुओं के मापे गए स्तर एक साथ बढ़ जाते हैं, इसलिए नहीं कि शरीर उनका उत्पादन अधिक कर रहा है, बल्कि इसलिए क्योंकि उन्हें पतला करने के लिए पानी कम है। अध्ययन में, शोधकर्ताओं ने उच्च एल्ब्यूमिन और उच्च कोलेस्ट्रॉल के बीच एक मजबूत संबंध पाया जो अनियंत्रित उच्च रक्तचाप की भविष्यवाणी करता प्रतीत होता था। हालांकि, जब उन्होंने सोडियम स्तर जैसे सरल मार्करों का उपयोग करके हाइड्रेशन स्थिति के लिए विश्लेषण को समायोजित किया, तो यह संबंध पूरी तरह से गायब हो गया। स्पष्ट अंतःक्रिया बीमारी का संकेत नहीं थी; यह रक्त के नमूने की भौतिक स्थिति के कारण हुआ एक माप संबंधी आर्टिफैक्ट (artifact) था। इस झूठे संकेत पर अमल करना खतरनाक हो सकता है, जिससे संभावित रूप से डॉक्टर उस रोगी को मूत्रवर्धक (diuretics) देने लग सकते हैं जो पहले से ही निर्जलित है, जिससे उसकी स्थिति और बिगड़ सकती है।

दूसरा जाल डॉक्टरों द्वारा दवा निर्धारित करने के तरीके से उत्पन्न होता है, जिसे 'कन्फाउंडिंग बाय इंडिकेशन' (confounding by indication) नामक घटना कहा जाता है। वास्तविक दुनिया में, चिकित्सक सभी को दवा नहीं देते; वे उन्हें दवा देते हैं जो सबसे अधिक बीमार होते हैं जिन्हें इसकी सबसे अधिक आवश्यकता होती है। यह एक ऐसी स्थिति पैदा करता है जहाँ एक विशिष्ट दवा लेने वाले लोगों का समूह उन लोगों के समूह से बहुत अलग दिखता है जो दवा नहीं ले रहे हैं, केवल इसलिए क्योंकि दवा उनके विशिष्ट स्वास्थ्य समस्याओं के लिए चुनी गई थी। अध्ययन में, स्टैटिन (कोलेस्ट्रॉल के लिए दवाएं) लेने वाले रोगियों के एक विश्लेषण ने सुझाव दिया कि कम हीमोग्लोबिन और उच्च क्रिएटिनिन का संयोजन रक्त शर्करा के नियंत्रण में विफलता की भविष्यवाणी करता है। यह दवा के एक खतरनाक दुष्प्रभाव जैसा लग रहा था। फिर भी, जब शोधकर्ताओं ने उन रोगियों को देखा जो स्टैटिन नहीं ले रहे थे लेकिन जिनमें समान कम हीमोग्लोबिन और उच्च क्रिएटिनिन स्तर थे, तो उन्होंने खराब रक्त शर्करा नियंत्रण का बिल्कुल वही पैटर्न पाया। लिंक दवा के कारण नहीं था। इसके बजाय, ये मार्कर उन्नत गुर्दे की बीमारी (kidney disease) के संकेत थे, जो गंभीर मधुमेह में आम है और अक्सर स्टैटिन के नुस्खे का कारण बनती है। दवा केवल एक गंभीर बीमारी की यात्रा पर एक यात्री मात्र थी, और सांख्यिकीय पैटर्न बीमारी की गंभीरता को दर्शा रहा था, न कि उपचार के प्रभाव को।

तीसरा जाल तब होता है जब शोधकर्ता जैविक मार्करों को मापने के लिए एकल नियमों का उपयोग करते हैं जो स्वाभाविक रूप से पुरुषों और महिलाओं के बीच भिन्न होते हैं। रक्त में कई पदार्थ, जैसे कि यूरिक एसिड और हीमोग्लोबिन, हार्मोनल अंतरों के कारण पुरुषों और महिलाओं के लिए अलग-अलग सामान्य सीमाएं रखते हैं। जब कोई अध्ययन पूरी आबादी के लिए एक ही कट-ऑफ पॉइंट का उपयोग करता है, तो वह अनजाने में लोगों को उनके लिंग के आधार पर वर्गीकृत कर देता है न कि उनके स्वास्थ्य के आधार पर। उदाहरण के लिए, "कम" यूरिक एसिड स्तर एक महिला के लिए सामान्य हो सकता है लेकिन एक पुरुष के लिए बहुत कम हो सकता है, जबकि "उच्च" हीमोग्लोबिन स्तर एक पुरुष के लिए सामान्य हो सकता है लेकिन एक महिला के लिए बहुत अधिक हो सकता है। अध्ययन में, एक विश्लेषण ने सुझाव दिया कि कम यूरिक एसिड या उच्च हीमोग्लोबिन होना मधुमेह के विरुद्ध सुरक्षात्मक था, लेकिन इन दोनों विसंगतियों का एक साथ होना जोखिम भरा था। यह अजीब पैटर्न गायब हो गया जब शोधकर्ताओं ने आयु और लिंग को ध्यान में रखा। जो समूह "सुरक्षित" दिखाई दिए वे केवल कम उम्र के पुरुष या कम उम्र की महिलाएं थे, जिनमें स्वाभाविक रूप से मधुमेह की दर कम होती है। अंतःक्रिया एक जैविक खोज नहीं बल्कि एक जनसांख्यिकीय वर्गीकरण त्रुटि थी, जहाँ डेटा लोगों को उनके चयापचय स्वास्थ्य के बजाय उनकी आयु और लिंग द्वारा समूहीकृत कर रहा था।

इन निष्कर्षों के निहितार्थ इन तीन विशिष्ट उदाहरणों से कहीं आगे तक विस्तृत हैं। अध्ययन का तर्क है कि एक समूह में एक पैटर्न खोजने और दूसरे में उसकी पुष्टि करने की मानक प्रक्रिया पर्याप्त प्रमाण नहीं है यदि पैटर्न का अंतर्निहित कारण एक व्यवस्थित त्रुटि है जो दोनों समूहों में मौजूद है। चाहे त्रुटि रक्त निकालने के तरीके से आए, रोगियों को उपचार के लिए चुनने के तरीके से आए, या संदर्भ श्रेणियों (reference ranges) को लागू करने से आए, परिणाम समान है: एक सम्मोहक लेकिन झूठी कहानी। इन गड्ढों से बचने के लिए, लेखक शोधकर्ताओं के लिए एक सरल चेकलिस्ट का प्रस्ताव करता है। एक नई अंतःक्रिया घोषित करने से पहले, उन्हें आयु और लिंग के लिए समायोजन करना चाहिए, निर्जलीकरण के संकेतों की जाँच करनी चाहिए, और यह परीक्षण करना चाहिए कि क्या पैटर्न उन लोगों में भी बना रहता है जो प्रश्न में पूछी गई दवा नहीं ले रहे हैं। यदि इन जाँचों के बाद पैटर्न गायब हो जाता है, तो वह कभी भी वास्तविक जैविक संकेत था ही नहीं। यह दृष्टिकोण बड़े डेटा सेट के मूल्य को खारिज नहीं करता है, बल्कि यह जोर देता है कि सत्य की खोज के लिए केवल एक दोहराते हुए नंबर को खोजना पर्याप्त नहीं है; इसके लिए उस संदर्भ को समझना आवश्यक है जिसमें वह नंबर मापा गया था।