چگونه خطای «زمان نامیرا» آمار مرگ‌ومیر را در پژوهش‌های پزشکی به اشتباه کاهش می‌دهد

هنگامی که پژوهشگران علوم پزشکی برای ارزیابی کارآمدی یک داروی جدید به پرونده‌های الکترونیک سلامت و داده‌های مشاهده‌ای تکیه می‌کنند، یک خطای محاسباتی پنهان می‌تواند درمانی کاملاً بی‌اثر را در قامت کشفی نجات‌بخش جلوه دهد. این خطای تحلیلی، روزهایی را که بیمار هنوز دارویی مصرف نکرده اما زنده مانده است به حساب اثربخشی درمان منظور می‌کند و توهمی آماری می‌سازد؛ سازوکاری نادرست که بارها مسیر دستورالعمل‌های بالینی را به بیراهه برده است.

این پدیده در متدولوژی آماری با عنوان «سوگیری زمان نامیرا» (Immortal Time Bias) شناخته می‌شود و عمدتاً در مطالعات هم‌گروهی طولی که به جای کارآزمایی‌های بالینی تصادفی بر داده‌های ثبت‌شده متکی هستند، رخ می‌دهد. این خطا درست در فاصله زمانی میان ورود بیمار به مطالعه — مانند روز تشخیص بیماری سرطان — تا لحظه تحویل نخستین نسخه دارو شکل می‌گیرد.[2][4]

در طول این بازه انتظار، بیمار نسبت به پیامد مورد مطالعه اساساً «نامیرا» محسوب می‌شود. سازوکار به این شکل است: فرد برای آنکه در دسته بیماران تحت درمان جای گیرد، الزاماً باید تا زمان مراجعه به داروخانه و دریافت دارو زنده مانده باشد، چرا که فرد پس از مرگ قادر به آغاز درمانی جدید نیست.[2][8]

تعریف ساختاری این پدیده کاملاً سرراست است. سامی سویسا، همه‌گیرشناس نامدار دانشگاه مک‌گیل، در مقاله مروری بنیادین خود در سال ۲۰۰۸ نوشت: «زمان نامیرا به بخشی از دوران پیگیری یک مطالعه هم‌گروهی گفته می‌شود که در طول آن، طبق تعریف مواجهه با درمان، امکان وقوع پیامد نهایی مورد مطالعه اصلاً وجود ندارد».[1]

از آنجا که تک‌تک افراد گروه تحت درمان با موفقیت دوران انتظار را به پایان رسانده‌اند، این گروه صاحب یک بلوک زمانی با بقای تضمین‌شده و فاقد رخداد مرگ می‌شود. انحراف اصلی زمانی شکل می‌گیرد که پژوهشگران این بازه بقای تضمین‌شده را به‌جای آنکه به مقاومت طبیعی خود بیمار نسبت دهند، به عنوان روزهای مصونیت ناشی از اثر دارو طبقه‌بندی می‌کنند.[1][2]

کالبدشکافی زمان نامیرا

در یک کارآزمایی بالینی تصادفی، چنین خطایی اساساً امکان بروز ندارد. در آنجا بیماران در «نقطه صفر زمانی» به‌طور هم‌زمان به گروه دارو یا دارونما اختصاص داده می‌شوند و ساعت اندازه‌گیری پیامدها برای هر دو گروه هم‌زمان به حرکت درمی‌آید. به این ترتیب هر روز بقا مستقیماً به مداخله‌ای نسبت داده می‌شود که از همان روز نخست آغاز شده است.[8]

اما در مطالعات مشاهده‌ای، پژوهشگران باید رویدادهای درمانی را در بستر طبیعی و روزمره جامعه دنبال کنند. بیماری ممکن است روز دوشنبه از بیمارستان ترخیص شود اما نسخه داروی قلبی خود را تا جمعه تحویل نگیرد؛ این چهار روز یک زمان نامیرای قطعی است، زیرا بیمار باید حتماً در طول این روزها زنده می‌ماند تا دستش به پیشخوان داروخانه برسد.[2][6]

اگر پژوهشگر هنگام بررسی گذشته‌نگر داده‌ها، بیمار را از همان لحظه ترخیص از بیمارستان «تحت درمان» ثبت کند، کل تراز محاسباتی فرومی‌ریزد. چهار روز بقای پیش از درمان به حساب اثربخشی دارو واریز می‌شود و به دارویی که هنوز حتی یک دوز از آن بلعیده نشده، اعتبار نجات جان بیمار داده می‌شود.[4]

این طبقه‌بندی غلط جریمه‌ای دوطرفه به گروه کنترل درمان‌نشده تحمیل می‌کند: نه تنها گروه تحت درمان مزیتی ساختگی از بقای تضمین‌شده به دست می‌آورد، بلکه دقیقاً همان بلوک زمانی از مخرج کسر محاسباتی گروه درمان‌نشده — جایی که از نظر ریاضی به آن تعلق دارد — دزدیده می‌شود.[2][4]

توهم ریاضی و خطای محاسباتی

برای درک مقیاس ریاضی این تحریف، یک جمعیت فرضی را در نظر بگیرید که در آن داروی مدنظر هیچ‌گونه اثر فیزیولوژیک واقعی ندارد. فرض کنید در گروه درمان‌نشده، در مجموع ۱۵۰ نفر-سال پیگیری، ۲۰ مورد مرگ ثبت شود؛ این یعنی نرخ مرگ‌ومیر معادل ۱۳٫۳ به ازای هر ۱۰۰ نفر-سال.[3]

در همین حال، بیمارانی که در نهایت همان داروی بی‌اثر را دریافت می‌کنند، ۵۰ نفر-سال را در انتظار دریافت نسخه سپری کرده‌اند و طبیعتاً در این پنجره نامیرا هیچ مرگی نداشته‌اند. پس از آغاز مصرف، این افراد ۱۵۰ نفر-سال دیگر دارو را ادامه داده و ۱۵ مورد مرگ را تجربه می‌کنند؛ نرخ واقعی مرگ‌ومیر این گروه حین مصرف دارو دقیقاً ۱۰٫۰ به ازای هر ۱۰۰ نفر-سال است.[3]

اگر پژوهشگران آن ۵۰ سال زمان نامیرا را به‌درستی در ستون روزهای درمان‌نشده لحاظ کنند، مخرج گروه درمان‌نشده به ۲۰۰ نفر-سال افزایش یافته و نرخ مرگ‌ومیر آن نیز به ۱۰٫۰ در هر ۱۰۰ نفر-سال کاهش می‌یابد. در این حالت نسبت نرخ میان دو گروه دقیقاً عدد ۱٫۰ خواهد بود که واقعیت را منعکس می‌کند: دارو کاملاً بی‌اثر است.[3][8]

اما اگر پژوهشگران آن ۵۰ سال نامیرا را به حساب زمان تحت درمان بگذارند، روابط ریاضی فرومی‌پاشد: گروه درمان اکنون مدعی ۱۵ مرگ در ۲۰۰ نفر-سال می‌شود و نرخ مرگ ظاهری آن به ۷٫۵ کاهش می‌یابد، در حالی که گروه درمان‌نشده با ۲۰ مرگ در ۱۵۰ نفر-سال باقی مانده و نرخ آن به ۱۳٫۳ می‌رسد.[3]

تنها با این خطای آماری، دارویی کاملاً بی‌خاصیت ناگهان در محاسبات موجب کاهش ۴۴ درصدی مرگ‌ومیر به نظر می‌رسد و نسبت نرخ ۰٫۵۶ را ثبت می‌کند. در نتیجه مقاله‌ای منتشر می‌شود که حاکی از مزیتی چشمگیر در نجات بیماران است و روند تجویزهای پزشکی به سوی درمانی سوق می‌یابد که از نظر زیستی هیچ خاصیتی ندارد.[3][8]

پیامدهای بالینی در دنیای واقعی

این رخداد یک آسیب‌پذیری صرفاً نظری نیست. این سوگیری نخستین بار در سال ۱۹۷۲ توسط میچل گیل، پژوهشگر آمار زیستی، کشف شد؛ او متوجه شد که بقای ظاهری پیوند قلب به اشتباه بیش از حد تخمین زده می‌شود، چرا که بیمارانی که توانسته بودند تا زمان رسیدن عضو اهدایی زنده بمانند، با بیمارانی مقایسه می‌شدند که حین انتظار جان خود را از دست داده بودند.[2][5]

در دهه‌های بعد، این خطا مکرراً در حوزه همه‌گیرشناسی دارویی بازتولید شد. در اوایل دهه ۲۰۰۰ میلادی، چندین مطالعه مشاهده‌ای ادعا کردند که مصرف کورتیکواستروئیدهای استنشاقی نرخ مرگ در بیماران مبتلا به بیماری انسدادی مزمن ریه (COPD) را به شدت کاهش می‌دهد، اما بازتحلیل‌های روش‌مند بعدی آشکار کرد که این اثر حفاظتی تنها یک سراب آماری بوده است.[1][2]

همین اختلال محاسباتی در جریان نخستین موج‌های همه‌گیری کووید-۱۹ نیز پژوهش‌ها را به بیراهه برد. مطالعات مشاهده‌ای متعددی مدعی شدند که هیدروکسی‌کلروکین و آزیترومایسین نرخ مرگ را در بیماران بستری به شدت می‌کاهند، غافل از اینکه بیمارانی «تحت درمان» ثبت شده بودند که روزها پس از پذیرش زنده مانده و سپس دارو را تحویل گرفته بودند.[3]

هنگامی که همه‌گیرشناسان داده‌های کووید-۱۹ را با روش‌های استاندارد تحلیل زمانی مجدداً بررسی کردند، اثر محافظتی به‌کلی ناپدید شد. در یک هم‌گروهی بزرگ، تحلیلی که در ابتدا حاکی از کاهش ۳۵ درصدی مرگ‌ومیر بود، پس از حذف اثر زمان نامیرا، به افزایش ۸۳ درصدی نرخ مرگ در دریافت‌کنندگان دارو تبدیل شد.[3]

خطر تعیین آستانه برای طول دوره درمان

گاهی این سوگیری از شروط ظریف در طراحی مطالعه نشأت می‌گیرد، نظیر الزامی دانستن یک دوره حداقلی برای مصرف دارو. محققان معمولاً مایلند اثر «مصرف‌کنندگان بلندمدت» یک دارو را با غیرمصرف‌کنندگان مقایسه کنند تا مشخص شود آیا استفاده مداوم مزیتی تجمعی ایجاد می‌کند یا خیر.[4][7]

اگر مطالعه‌ای مصرف‌کننده مداوم را فردی تعریف کند که حداقل شش ماه استاتین مصرف کرده باشد، تک‌تک افراد این گروه بر اساس تعریف، بقایی تضمین‌شده در شش ماه نخست پیگیری خواهند داشت. هر بیماری که در ماه پنجم فوت کند، یا از مطالعه کنار گذاشته می‌شود یا به گروه کنترل بدون درمان منتقل می‌گردد.[4]

این چیدمان، توده‌ای عظیم از زمان نامیرا خلق می‌کند. مصرف‌کنندگان طولانی‌مدت به واسطه تعریف پژوهشگر، یک مصونیت شش‌ماهه به دست می‌آورند که نرخ مرگ مشاهده‌شده آن‌ها را به صورت ساختگی می‌شکند، در حالی که گروه کنترل تمام مرگ‌های اولیه را جذب کرده و در نتیجه، عدم مصرف دارو بسیار خطرناک‌تر از واقعیت به تصویر کشیده می‌شود.[2][7]

اثر تابع مخاطره نزولی

شدت خطای ناشی از زمان نامیرا در تمامی بیماری‌ها یکنواخت نیست؛ بلکه زمانی که خطر رخداد پیامد دقیقاً پس از تشخیص به اوج خود می‌رسد و سپس کاهش می‌یابد — پدیده‌ای که در آمار «تابع مخاطره نزولی» نامیده می‌شود — تخریب آماری به مراتب شدیدتر خواهد بود.[1]

روند ترخیص از بیمارستان دقیقاً چنین الگویی دارد: خطر بازگشت به بیمارستان یا فوت در چند روز نخست پس از ترخیص در بالاترین حد ممکن است و اگر بیمار از هفته اول جان سالم به در ببرد، وضعیت نسبتاً تثبیت می‌شود. حال اگر درمانی معمولاً در طول این پنجره پرخطر آغاز شود، خطای زمان نامیرا تشدید خواهد شد.[1][6]

با دسته‌بندی روزهای پرخطر پیش از درمان به عنوان زمان نامیرا، گروه تحت درمان از خطرناک‌ترین فاز بیماری مصون نگه داشته می‌شود؛ در مقابل، گروه درمان‌نشده هجوم مرگ‌ومیرهای اولیه را بر دوش می‌کشد و در نتیجه اثر درمانی دارو بسیار فراتر از واقعیت نمایانده می‌شود.[1]

در نقطه مقابل، در بیماری‌هایی با خطر ثابت — جایی که ریسک مرگ در تمام ماه‌ها یکسان باقی می‌ماند — بزرگی سوگیری با طول مدت زمان انتظار نسبت مستقیم دارد. شش ماه تأخیر در دریافت نسخه، سوگیری را دقیقاً دو برابر یک تأخیر سه‌ماهه خواهد کرد، صرف‌نظر از اینکه زمان آغاز ثبت کی بوده باشد.[1][8]

شبیه‌سازی کارآزمایی هدف و متغیرهای وابسته به زمان

برای مسدود کردن این خطای ساختاری، روش‌شناسان چارچوب‌های دقیقی ایجاد کرده‌اند. استوارترین رویکرد، روش «شبیه‌سازی کارآزمایی هدف» (Target Trial Emulation) است که پژوهشگر را وادار می‌سازد مطالعه مشاهده‌ای خود را دقیقاً منطبق بر ضوابط کارآزمایی بالینی طراحی کرده و نقطه آغاز پیگیری را با لحظه انتساب درمان هم‌تراز کند.[8]

اگر آغاز درمان همراه با تأخیر باشد، تحلیل‌گران ناگزیرند از «متغیرهای کمکی وابسته به زمان» بهره ببرند. با این متد، دوره پیگیری هر بیمار به قطعات مجزا تقسیم می‌شود: روزهای سپری‌شده پیش از دریافت نسخه منحصراً در ستون گروه درمان‌نشده محاسبه می‌شود و فرد تنها از روزی که دارو را دریافت می‌کند، وارد ستون تحت درمان می‌شود.[2][4]

راهکار دیگر، بهره‌گیری از «تحلیل نقطه عطف» (Landmark Analysis) است. در این شیوه، نقطه‌ای ثابت در زمان — مانند روز ۳۰ پس از تشخیص — مشخص می‌شود و تنها افرادی که تا آن روز زنده مانده‌اند وارد فاز تحلیلی می‌شوند؛ وضعیت دریافت درمان نیز صرفاً بر اساس وقایع پیش از آن نقطه تعیین و شمارش بقا از بعد آن آغاز می‌شود.[2][8]

هرچند تحلیل نقطه عطف بخشی از داده‌های روزهای آغازین را کنار می‌گذارد، اما امتیاز بقای تضمین‌شده را به‌کلی ریشه‌کن می‌کند. این الگو تضمین می‌نماید که هیچ بیماری به خاطر زنده‌ماندن صرف برای ورود به یک گروه درمانی، پاداش آماری دریافت نکند و رقابتی منصفانه میان دو گروه برقرار شود.[2]

با تکیه روزافزون حوزه پزشکی بر پرونده‌های الکترونیک سلامت، صیانت از این مرزهای روش‌شناختی اهمیتی حیاتی دارد. الگوریتم‌ها توانایی پردازش میلیون‌ها داده را در کسری از ثانیه دارند، اما به خودی خود قادر نیستند تشخیص دهند که آیا معماری یک مطالعه، موهبت ریاضیاتی بقای تضمین‌شده را به یک گروه هدیه داده است یا خیر.[6][8]

بدون هم‌راستاسازی دقیق نقطه صفر زمانی با وضعیت شروع مداخله، حجم انبوه داده‌های کلان پزشکی تنها به تولید همبستگی‌های بسیار دقیق اما سراسر کاذب می‌انجامد. اطمینان از اینکه زنده ماندن بیماران حاصل اثر واقعی زیستی است و نه خطای دفترداری آماری، ستون فقرات علم متکی بر شواهد باقی خواهد ماند.[8]