مکانیسم تطبیق نمره تمایل: چگونه مطالعات مشاهده‌ای، کارآزمایی‌های کنترل‌شده تصادفی را شبیه‌سازی می‌کنند

همه فرض می‌کنند که اگر می‌خواهید ثابت کنید یک مداخله پزشکی مؤثر است، کافی است به افرادی که آن را دریافت کرده‌اند نگاه کنید و نتایج آن‌ها را با کسانی که دریافت نکرده‌اند مقایسه کنید. اما این رویکرد شهودی یک نقص آماری اساسی را نادیده می‌گیرد: افرادی که دارو مصرف می‌کنند ذاتاً با کسانی که مصرف نمی‌کنند متفاوت هستند. ممکن است بیمارتر، ثروتمندتر باشند، دسترسی بهتری به مراقبت‌های تخصصی داشته باشند، یا عوامل خطر ژنتیکی کاملاً متفاوتی داشته باشند. این مشکل مخدوش‌کنندگی است و دلیل اصلی این است که چرا داده‌های مشاهده‌ای خام اغلب برای اثبات علّیت در سیستم‌های پیچیده بی‌فایده تلقی می‌شوند.[3]

راه حل سنتی و مورد قبول جهانی برای این مشکل، کارآزمایی کنترل‌شده تصادفی (RCT) است. محققان با تخصیص تصادفی هزاران بیمار به گروه درمان یا گروه دارونما، اطمینان حاصل می‌کنند که تمام ویژگی‌های انسانی – هم متغیرهای شناخته‌شده مانند سن و هم متغیرهای ناشناخته مانند نشانگرهای ژنتیکی کشف‌نشده – به طور مساوی در هر دو گروه توزیع می‌شوند. از آنجایی که دو گروه از هر نظر به جز مداخله، از نظر آماری یکسان هستند، اگر گروه درمان نتیجه بهتری را تجربه کند، دارو تنها توضیح منطقی برای این تفاوت است.[4]

اما کارآزمایی‌های کنترل‌شده تصادفی پرهزینه، به طرز دردناکی کند، و در بسیاری از موارد، انجام آن‌ها عمیقاً غیراخلاقی است. شما نمی‌توانید به طور تصادفی افراد را برای سیگار کشیدن به مدت بیست سال تعیین کنید، و نمی‌توانید بیماران را مجبور کنید که تحت یک عمل جراحی تهاجمی و اثبات‌نشده قرار گیرند تا فقط ببینید چه اتفاقی برای بدنشان می‌افتد. در نتیجه، محققان با کوهی از داده‌های مشاهده‌ای – پرونده‌های الکترونیکی سلامت، ادعاهای بیمه، و ثبت‌های ملی بیماری – مواجه هستند که بازتاب‌دهنده تصمیمات بالینی دنیای واقعی هستند، اما همه این‌ها به شدت تحت تأثیر سوگیری انتخاب و متغیرهای مخدوش‌کننده قرار دارند.[5]

تطبیق نمره تمایل (PSM) به طور خاص برای پر کردن این شکاف روش‌شناختی توسعه یافت. این روش که در سال ۱۹۸۳ توسط پل روزنباوم و دونالد روبین به دنیای آمار معرفی شد، یک تکنیک ریاضی است که برای ساخت مصنوعی گروه‌های کاملاً متعادلی طراحی شده که یک کارآزمایی تصادفی به طور طبیعی ایجاد می‌کند. به جای تصادفی‌سازی بیماران قبل از انجام مداخله، PSM آن‌ها را پس از واقعیت بر اساس احتمال محاسبه‌شده‌شان برای دریافت درمان تطبیق می‌دهد و به محققان اجازه می‌دهد تا بینش‌های علّی را از داده‌های تاریخی آشفته استخراج کنند. این روش به طور مؤثری شرایط یک آزمایش را با استفاده از داده‌هایی که هرگز قرار نبود آزمایشی باشند، مهندسی معکوس می‌کند.[3]

مکانیسم با محاسبه آنچه به عنوان نمره تمایل شناخته می‌شود، آغاز می‌شود. محققان با استفاده از رگرسیون لجستیک یا سایر تکنیک‌های مدل‌سازی پیشرفته، هر متغیر قابل اندازه‌گیری موجود در مجموعه‌داده – سن، وزن، فشار خون در حالت استراحت، طبقه درآمد، و شرایط پزشکی قبلی – را وارد می‌کنند. مدل آماری این شبکه از متغیرهای کمکی را پردازش می‌کند و یک عدد واحد و استاندارد شده بین ۰٫۰ و ۱٫۰ را برای هر بیمار خروجی می‌دهد. این عدد نشان‌دهنده احتمال دقیق دریافت درمان توسط آن‌ها، با توجه به ویژگی‌های خاص و فردی‌شان است. این فرآیند یک پروفایل انسانی چندبعدی را در یک معیار واحد قابل اسکن فشرده می‌کند.[3][6]

هنگامی که به هر بیمار در پایگاه داده یک نمره اختصاص داده شد، فرآیند تطبیق واقعی آغاز می‌شود. یک بیمار تحت درمان که نمره تمایل ۰٫۷۵ دارد، با یک بیمار درمان‌نشده که او نیز نمره ۰٫۷۵ دارد، جفت می‌شود. از آنجایی که هر دو فرد بر اساس ویژگی‌های مشاهده‌شده‌شان، احتمال آماری دقیقاً یکسانی برای دریافت درمان داشتند، هر گونه تفاوت در وضعیت درمان واقعی آن‌ها طوری در نظر گرفته می‌شود که گویی نتیجه یک پرتاب سکه تصادفی بوده است. این فرآیند جفت‌سازی، سوگیری انتخابی را که در ابتدا تعیین می‌کرد چه کسی مداخله را دریافت کند، از بین می‌برد.[6]

از آنجایی که یافتن تطبیق‌های ریاضی کاملاً دقیق در داده‌های دنیای واقعی بسیار نادر است، محققان از یک «کولیس» (caliper) استفاده می‌کنند – یک شعاع عددی تعریف‌شده که در آن تطبیق از نظر آماری قابل قبول تلقی می‌شود. استاندارد صنعتی در اکثر تحقیقات اپیدمیولوژیک، عرض کولیس ۰٫۲ انحراف معیار لگیت نمره تمایل است. اگر یک بیمار تحت درمان آنقدر منحصر به فرد باشد که نتواند یک دوقلوی درمان‌نشده را در این شعاع خاص پیدا کند، برای حفظ یکپارچگی مقایسه، به طور کامل از تحلیل حذف می‌شود.[5]

پس از اجرای الگوریتم تطبیق، مجموعه‌داده تازه جفت‌شده باید به طور دقیق برای تعادل بررسی شود. معیار طلایی برای این تأیید، اختلاف میانگین استاندارد شده (SMD) است. هدف محققان دستیابی به SMD کمتر از ۰٫۱ در تمام متغیرهای کمکی اندازه‌گیری‌شده است، که به عنوان اثبات ریاضی عمل می‌کند که دو گروه اکنون از نظر ویژگی‌های شناخته‌شده‌شان از نظر آماری غیرقابل تشخیص هستند. اگر SMD از این آستانه فراتر رود، فرآیند تطبیق در تکرار تعادل یک کارآزمایی تصادفی شکست خورده است.[2]

با این حال، کاربرد واقعی این استانداردهای سخت‌گیرانه در رشته‌های علمی مختلف به شدت متفاوت است. یک بررسی سیستماتیک از متون ارتوپدی نشان داد که کمتر از نیمی از مطالعاتی که از تطبیق نمره تمایل استفاده می‌کردند، SMD خود را به اندازه کافی گزارش کرده یا تعادل متغیر کمکی خود را اثبات کرده‌اند. در مقابل، تحقیقات واکنش سریع که در طول همه‌گیری کووید-۱۹ انجام شد، که تحت نظارت شدید جهانی عمل می‌کرد، نرخ‌های به مراتب بالاتری از گزارش تعادل دقیق را نشان داد، که ثابت می‌کند انتظارات داوری همتا اغلب بیش از تئوری آماری محض، روش‌شناسی را دیکته می‌کند.[1][7][8]

با وجود ظرافت ریاضی‌اش، تطبیق نمره تمایل یک محدودیت سخت و اجتناب‌ناپذیر دارد: این روش تنها می‌تواند متغیرهایی را متعادل کند که محققان واقعاً اندازه‌گیری و ثبت می‌کنند. اگر یک عامل تعیین‌کننده حیاتی – مانند استعداد ژنتیکی بیمار به یک بیماری، رژیم غذایی روزانه دقیق او، یا قرار گرفتن در معرض محیطی ثبت‌نشده – در مجموعه‌داده وجود نداشته باشد، نمره تمایل نمی‌تواند آن را لحاظ کند. الگوریتم نسبت به داده‌هایی که به آن داده نشده است، کاملاً کور است. این امر راه را برای سوگیری‌های پنهان باز می‌گذارد تا تحلیل نهایی را مخدوش کنند.

این محدودیت دقیقاً همان جایی است که تطبیق نمره تمایل در صورت سوءتفسیر می‌تواند خطرناک شود. از آنجایی که گروه‌های تطبیق‌یافته روی کاغذ بسیار متعادل به نظر می‌رسند و نمودارهای حاصل خروجی یک کارآزمایی تصادفی را شبیه‌سازی می‌کنند، به طرز خطرناکی آسان است که محققان و سیاست‌گذاران فراموش کنند که مخدوش‌کننده‌های اندازه‌گیری‌نشده ممکن است همچنان نتایج را هدایت کنند. این روش ساختار یک RCT را شبیه‌سازی می‌کند، اما حفاظت مطلق و مطمئن در برابر متغیرهای ناشناخته‌ای را که تصادفی‌سازی فیزیکی واقعی فراهم می‌کند، تکرار نمی‌کند.[4]

هنگامی که تطبیق نمره تمایل به درستی و شفافیت اعمال شود، یکی از قدرتمندترین ابزارهای موجود برای استنتاج علّی باقی می‌ماند. این روش به دانشمندان اجازه می‌دهد تا بینش‌های با کیفیت بالا و عملی را از مجموعه‌داده‌های عظیم و آشفته دنیای واقعی استخراج کنند. این امر به ویژه در انفورماتیک مراقبت‌های بهداشتی مدرن ارزشمند است، جایی که حجم بالای داده‌های الکترونیکی بیمار می‌تواند عوارض جانبی نادر یا نتایج بلندمدتی را برجسته کند که یک کارآزمایی بالینی استاندارد برای گرفتن آن‌ها بسیار کوچک یا کوتاه‌مدت است.

با ادامه پیشرفت قدرت محاسباتی و یادگیری ماشین، محققان به طور فزاینده‌ای در حال بررسی الگوریتم‌های پیچیده‌ای مانند جنگل‌های تصادفی و شبکه‌های عصبی برای محاسبه نمرات تمایل با دقت بسیار بیشتری نسبت به رگرسیون لجستیک سنتی هستند. در حالی که این روش‌های مدرن نوید تطبیق بهتر در مجموعه‌داده‌های بسیار پیچیده و با ابعاد بالا را می‌دهند، اصل اساسی دقیقاً همان باقی می‌ماند: متعادل‌سازی مقیاس‌های داده‌های مشاهده‌ای برای کشف حقایق علّی پنهان در درون آن‌ها. این گواهی بر قدرت طراحی آماری در درک دنیایی است که ذاتاً آشفته است.[2]