فرضیه سانسور مستقل چگونه ریسک مطلق را در پژوهش‌های پزشکی به شکل تصنعی بالا می‌برد

در پژوهش‌های بالینی، یک اختلاف‌نظر روش‌شناختی بنیادین بر سر نحوه محاسبه بیمارانی وجود دارد که به علتی غیر از بیماریِ مورد مطالعه فوت می‌کنند. برخی طراحان کارآزمایی‌ها این رخدادهای رقابت‌کننده را به عنوان سانسور مستقل تلقی می‌کنند؛ یعنی از نظر ریاضی فرض می‌گیرند بیمار صرفاً مطالعه را ترک کرده است.[1]

آماردانان استدلال می‌کنند که این فرض نوعی تخیل ریاضی پدید می‌آورد و دستورالعمل‌های درمانی را مخدوش می‌کند. مدل‌های استاندارد تحلیل بقا با برخورد یکسان میان بیماری که بر اثر سکته قلبی درگذشته و بیماری که همچنان می‌تواند به سرطان مبتلا شود، نرخ ریسک را بر جمعیتی فرضی از «بیماران نامرئی» اعمال می‌کنند.[4][6]

این پدیده که با عنوان «ریسک رقابتی» شناخته می‌شود، زمانی روی می‌دهد که وقوع یک رخداد، مانع از رخ دادن رویداد ناسازگار دیگری شود. در جمعیت‌های کهنسال که افراد هم‌زمان در معرض ابتلا به چند بیماری مختلف قرار دارند، نادیده گرفتن این سازوکار به شکل نظام‌مند احتمال واقعی بروز بیماری اصلی را بالاتر نشان می‌دهد.[2]

ابزار متعارف برای ارزیابی زمان تا وقوع پیشامد، برآوردگر کاپلان-مایر است که احتمال بقا پس از یک مقطع زمانی معین را تخمین می‌زند. زمانی که پژوهشگران در پی سنجش خطر بروز یک عارضه هستند، غالباً از متمم این تابع بقا بهره می‌برند.[3]

سازوکار مخرج کسر در ارزیابی ریسک

نقص ریاضی مدل دقیقاً در نحوه محاسبه مخرج کسر جمعیتِ در معرض خطر نمایان می‌شود. وقتی بیماری دچار یک رخداد رقابتی می‌شود، این برآوردگر او را سانسور کرده و از مخرج کسر برای بازه‌های زمانی بعدی حذف می‌کند.[5]

با این حال، مدل فرض می‌کند این سانسور فاقد بار اطلاعاتی است؛ بدان معنا که اگر بیمار در مطالعه می‌ماند، ریسک آینده او دقیقاً برابر با سایر افراد باقی‌مانده می‌بود. پژوهشگران اشاره می‌کنند: «روش کاپلان-مایر با ثبت فوت به عنوان مشاهده سانسورشده، فرض می‌کند احتمال نیاز به جراحی مجدد از احتمال مرگ کاملاً مستقل است».[1]

اما وقتی رخداد رقابتی همان مرگ بیمار باشد، چنین فرضی از نظر بیولوژیکی ناممکن است. فردی که بر اثر سکته مغزی جان باخته، دیگر در خطر مرگ ناشی از سرطان سینه نیست؛ با این حال فرمول‌های کاپلان-مایر چنین تلقی می‌کنند که در صورت رخ ندادن سکته، او همچنان از نظر فرضی آسیب‌پذیر می‌بود.[4]

پیامد این انحراف صرفاً نظری نیست، بلکه در طول زمان تشدید می‌شود. از آنجا که مخرج کسر کوچک‌تر می‌شود و مدل هم‌زمان فرض می‌کند بیمارانِ سانسورشده با همان نرخ میانگین پیشامد اصلی را تجربه می‌کردند، احتمال تجمعی رخداد اصلی به شکل تصنعی افزایش می‌یابد.[1]

تبعات بالینی خطای برآورد در درمان

شدت این بیش‌برآورد می‌تواند توصیه‌های بالینی و سیاست‌گذاری‌های درمانی را دستخوش تغییر اساسی کند. در بررسی‌های مربوط به نیاز به جراحی مجدد پس از تعویض مفصل ران یا زانو، روش کاپلان-مایر شیوع تجمعی نیاز به عمل مجدد را در مجموع ۵۵ درصد بیشتر از واقعیت تخمین زده است.[1]

این سوگیری در گروه‌های سنی بالاتر به مراتب وخیم‌تر ظاهر می‌شود. در بین بیماران ۶۵ تا ۷۴ سال که آمار مرگ طبیعی از نرخ نیاز به تعویض مجدد مفصل پیشی می‌گیرد، روش استاندارد در یک دوره پیگیری ۲۰ ساله ریسک عمل مجدد را ۴۵ درصد بالاتر از مقدار واقعی برآورد کرده است.[1]

انحرافاتی مشابه گریبان پژوهش‌های قلب و عروق را نیز گرفته است. یک مطالعه مرجع نشان داد مدل خطرات متناسب کاکس ۱۸ درصد از افراد سالمند را در دسته پُرخطر برای بیماری‌های عروق کرونر قرار می‌دهد، در حالی که مدل‌های تعدیل‌شده با ریسک‌های رقابتی، تنها ۸ درصد از همان جامعه آماری را پُرخطر ارزیابی کردند.[3]

این تناقضات به طور مستقیم بر روند درمان اثر می‌گذارند. تصمیمات جراحی و تجویزهای دارویی بر مبنای همین پیش‌بینی‌های رسمی ریسک اتخاذ می‌شوند. نادیده گرفتن ریسک‌های رقابتی به درمان‌های افراطی دامن می‌زند و بیماران را متحمل عوارض درمان‌های تهاجمی می‌کند که شاید بر حسب آمار هرگز به آنها نیاز نداشته باشند.[1][6]

هنگامی که به بیماری اعلام می‌شود احتمال رخداد نامطلوب قلبی-عروقی برای او ظرف ده سال آینده ۳۰٫۷ درصد است، او احتمالاً مصرف پرخاشگرانه استاتین‌ها را برمی‌گزیند. اما با احتساب دقیق مرگ‌های غیرقلبی، این ریسک تا ۲۳٫۲ درصد افت می‌کند؛ رقمی که موازنه فایده به هزینه درمان را دگرگون می‌سازد.[2]

راهکارهای ریاضی و روش‌های جایگزین

آماردانان برای اصلاح این خطای ساختاری، برآوردگر آلن-یوهانسن را پیشنهاد می‌کنند؛ روشی ناپارامتری که «تابع شیوع تجمعی» را محاسبه کرده و به جای گم‌شده انگاشتن داده‌ها، مسیرهای علیتی رقیب را به صورت شفاف وارد محاسبات می‌کند.[2]

در الگوی آلن-یوهانسن، افرادی که پیشامدهای رقابتی را تجربه می‌کنند، برای همیشه در گروهی دسته‌بندی می‌شوند که دیگر در معرض خطر پیشامد اصلی نیستند. در نتیجه، تابع شیوع تجمعی به نسبت رخدادهای رقیب کاهش یافته و ریسک مطلق مبتنی بر واقعیت ریاضی حاصل می‌شود.[2]

در حیطه تحلیل رگرسیون، مدل خطرات توزیع فرعی فاین-گری جایگزینی توانمند برای تبیین نحوه اثرگذاری متغیرهای مختلف بر ریسک است. این مدل مستقیماً تابع شیوع تجمعی را هدف قرار داده و برآوردی بالینی و معنادار از ریسک مطلق به دست می‌دهد که مدل‌های کاکس از ارائه آن ناتوانند.[2]

تفاوت‌های ریاضی در زمان ارزیابی پیامدهای ترکیبی به اوج خود می‌رسد. پژوهشگران حوزه قلب و عروق هشدار می‌دهند: «مجموع برآوردهای کاپلان-مایر برای شیوع تک‌تک پیامدها، همواره از برآورد کاپلان-مایر برای پیامد ترکیبی کل پیشی می‌گیرد».[3]

ریشه‌یابی علت در برابر ریسک مطلق

با وجود مزیت‌های بارز مدل‌های ریسک رقابتی در محاسبه ریسک مطلق، انتخاب رویکرد تحلیلی همچنان تابع پرسش بنیادین پژوهش است. اپیدمیولوژیست‌هایی که به دنبال کشف سازوکار علی و زیستی بیماری‌ها هستند، اغلب مدل‌های خطر وابسته به علت را ترجیح می‌دهند.[2]

مدل‌های وابسته به علت، ریسک لحظه‌ای یک نوع پیشامد مشخص را تخمین می‌زنند و همچنان سایر رخدادها را به چشم موارد سانسورشده می‌بینند. این رویکرد اثر زیستی خالص یک فاکتور خطر مانند تأثیر دخانیات بر سرطان ریه را فارغ از احتمال مرگ بیمار بر اثر بیماری قلبی تفکیک می‌کند.[2]

با این حال، استفاده از این مدل‌ها برای انتقال مفهوم ریسک مطلق به بیمار یا سیاست‌گذار خطایی فاحش است. شاید یک دارو خطر بیولوژیک نوعی سرطان نادر را دو برابر کند، اما اگر احتمال مرگ بیمار در اثر عارضه قلبی رقیب بسیار بیشتر باشد، این خطر عملاً در دنیای واقعی بی‌اهمیت خواهد بود.[4]

راهنماهای نوین آماری برای پیوند دادن این دو حوزه، گزارش توأم هر دو سنجه را توصیه می‌کنند. ارائه هم‌زمان خطر وابسته به علت در کنار خطر توزیع فرعی فاین-گری، درکی جامع از مکانیسم بیولوژیکی و احتمال ملموس و واقعی پیامد فراهم می‌آورد.[3]

این شیوه گزارش دوگانه شفافیت را در سراسر چرخه پژوهش تضمین می‌کند. بدین ترتیب مراجع ناظر می‌توانند اثر خالص داروها را محک بزنند و هم‌زمان پزشکان بالینی به داده‌هایی کاربردی برای ترسیم پیش‌آگهی واقعی بیمار دسترسی دارند.[6]

آستانه‌های ورود به تغییر روش‌شناسی

آماردانان مرزهای مشخصی را برای الزام استفاده از تحلیل ریسک رقابتی تعیین کرده‌اند. به عنوان یک اصل تجربی، هرگاه درصد پیشامدهای رقابتی در جامعه تحت مطالعه از ۱۰ درصد فراتر رود، استفاده از برآوردهای سنتی کاپلان-مایر باید کنار گذاشته شود.[1]

همچنین در شرایطی که نسبت بیماران دچار رخداد رقابتی با تعداد موارد رخداد هدف برابر یا از آن بیشتر شود، این الزام فعال می‌شود. در گروه‌های سنی جوان‌تر که نرخ مرگ‌ومیر رقیب ناچیز است، خطای کاپلان-مایر ممکن است در حد ۳ درصد باشد که در دامنه قابل قبول قرار می‌گیرد.[1]

تفسیر بنیادین داده‌ها نیز باید دگرگون شود. گولی و همکاران در مقاله مرجع سال ۱۹۹۹ اثبات کردند برآوردهای استاندارد بقا صرفاً به عنوان یک احتمال فرضی قابل درک هستند؛ فرضی متکی بر این که با نابودی کامل تمام عوامل مرگ‌ومیر رقیب، خطر پیشامد اصلی ثابت بماند.[6]

چنین جمعیتی که در برابر تمام علل دیگر مرگ مصونیت دارد، در جهان واقعی وجود خارجی ندارد. برای نظام‌های درمانی و برنامه‌ریزی تخت‌های بیمارستانی یا شرکت‌های بیمه، سیاست‌گذاری بر پایه این جمعیت فرضی و نامیرا به هدررفت منابع منجر خواهد شد.[4]

افق‌های نوین در تحلیل بقا

با توسعه مجموعه‌های داده‌های پزشکی، روش‌های مدیریت ریسک‌های رقابتی نیز گسترش یافته‌اند. پژوهشگران در سال ۲۰۲۶ چارچوب‌های یادگیری عمیق پیشرفته‌ای مانند مدل DH را مختص تحلیل بقا با رخدادهای رقیب ارائه کردند.[2]

این شبکه‌های عصبی برخلاف مدل‌های پارامتریک سنتی، پیش‌فرضی درباره توزیع ریاضی زمان تا رخداد ندارند. آن‌ها روابط غیرخطی میان ویژگی‌های فردی بیمار و ریسک‌های رقابتی را مستقیماً از داده‌ها استخراج کرده و پیش‌بینی‌های بسیار دقیقی ارائه می‌دهند.[2]

تضمین دقت چنین مدل‌های پیچیده‌ای نیازمند معیارهای اعتبارسنجی جدید است. پیش‌نویس پژوهشی منتشرشده در ژانویه ۲۰۲۶ نشان داد مقیاس‌های واسنجی فعلی پاسخگوی شرایط ریسک رقابتی نیستند و روش‌های بازسنجی جدیدی را پیشنهاد داد که ضمن حفظ قدرت تفکیک، جمع احتمالات پیامدها را دقیق نگه می‌دارد.[5]

عبور از فرضیه سانسور مستقل نمایانگر بلوغ روش‌شناختی آمار پزشکی است. پژوهشگران با پذیرش این که زیست‌شناسی انسان در بستری از مسیرهای هم‌پوشان و رقیب عمل می‌کند، می‌توانند ارزیابی‌هایی ملموس و وفادار به واقعیت ارائه دهند، نه محاسباتی برگرفته از انتزاع محض ریاضی.[6]