विषय 1.4 — हैज़र्ड अनुपात (Hazard Ratios)

एक वाक्य में: एक हैज़र्ड अनुपात एक कॉम्पैक्ट, व्यापक रूप से रिपोर्ट किया गया, और व्यापक रूप से गलत पढ़ा गया सारांश है कि एक समूह में घटनाएं दूसरे की तुलना में कितनी तेज़ी से होती हैं — और इसे अच्छी तरह पढ़ने का अर्थ है इसे एक आयुक्त, मूल्यांकन, या रिपोर्टिंग निर्णय को संचालित करने देने से पहले हमेशा पूछना "किस फॉलो-अप पर, किस जनसंख्या में, और यह पूर्ण शर्तों में क्या खरीदता है?"

यह स्वास्थ्य और देखभाल में क्यों महत्वपूर्ण है#

जब एक आपूर्तिकर्ता की स्लाइड कहती है "हमारे हस्तक्षेप ने 0.75 का हैज़र्ड अनुपात हासिल किया," तो एक नेता को किसी बुरी चीज़ में 25% कमी महसूस करने के लिए आमंत्रित किया जा रहा है। यह भावना आमतौर पर तथ्य से अधिक मज़बूत होती है। एक हैज़र्ड अनुपात (HR) क्लिनिकल और सार्वजनिक-स्वास्थ्य साक्ष्य में सबसे आम सांख्यिकी में से एक है, और सबसे विश्वसनीय रूप से गलत समझी जाने वाली में से एक है — सांख्यिकीविदों द्वारा नहीं, बल्कि उन बोर्डों, आयुक्तों, और संचार टीमों द्वारा जो इस पर कार्य करते हैं। स्वास्थ्य और देखभाल में, एक HR जो कहता है और लोग क्या सोचते हैं कि वह कहता है, उसके बीच का यह अंतर कोई अकादमिक उपद्रव नहीं है। यह बदलता है कि क्या खरीदा जाता है, क्या बढ़ाया जाता है, और रोगियों को क्या उम्मीद करने के लिए बताया जाता है।

यह विषय, विषय 1.3 — साक्ष्य-आधारित निर्णय का एक व्यावहारिक साथी है। उस विषय ने तर्क दिया कि आपको साक्ष्य की ताकत को जोखिम के स्तर से मिलाना चाहिए और क्लिनिकल और डिलीवरी साक्ष्य को अलग रखना चाहिए। यह एक परत गहराई में जाता है उस एकल सांख्यिकी में जो आपको तौलने के लिए कहे जाने वाले क्लिनिकल साक्ष्य में बार-बार आती है: इसे कैसे पढ़ें, यह कहां गुमराह करता है, और इसके साथ क्या मांगें। आपको एक हैज़र्ड अनुपात की गणना करने की आवश्यकता नहीं है। आपको यह जानने की आवश्यकता है कि वही हेडलाइन HR स्लाइड द्वारा छोड़े गए तथ्यों के आधार पर एक जीवन-बदलने वाले लाभ या मुश्किल से पता लगाने योग्य लाभ से मेल खा सकता है — और एक नेता जो उन तथ्यों के लिए नहीं पूछ सकता वह उसकी दया पर है जिसने भी फ़्रेमिंग चुनी। क्योंकि ये संख्याएं सार्वजनिक संदेश और क्लिनिकल मार्ग को आकार देती हैं, उन्हें गलत करना विश्वास और समानता का मामला है, केवल सटीकता का नहीं।

मुख्य अवधारणाएं#

हैज़र्ड, और हैज़र्ड अनुपात। एक हैज़र्ड वह तात्कालिक दर है जिस पर एक घटना (मृत्यु, अस्पताल प्रवेश, पुनरावृत्ति) उन लोगों में होती है जो एक दिए गए क्षण में अभी भी जोखिम में हैं। एक हैज़र्ड अनुपात उपचार समूह में उस दर का नियंत्रण समूह में दर से अनुपात है। 1 से नीचे का HR का अर्थ है कि घटना उपचार समूह में अधिक धीरे-धीरे हो रही है; 1 से ऊपर, तेज़ी से; ठीक 1, कोई अंतर नहीं। यह उत्तरजीविता विश्लेषण से उभरता है — "घटना तक समय" डेटा के लिए सांख्यिकी की शाखा — और आमतौर पर आनुपातिक हैज़र्ड मॉडल के साथ अनुमानित किया जाता है, जिसे इसके प्रवर्तक के नाम पर Cox मॉडल के रूप में जाना जाता है। महत्वपूर्ण रूप से, एक HR एक दर का वर्णन करता है, एक संभावना का नहीं, और प्राप्त किए गए समय की मात्रा का नहीं।

आनुपातिक-हैज़र्ड धारणा। Cox मॉडल की सुविधा एक धारणा पर टिकी है: कि हैज़र्ड अनुपात स्थिर है — तीन महीने पर वही जो तीन साल पर है, 50 वर्षीय के लिए वही जो 80 वर्षीय के लिए है। यह आनुपातिक-हैज़र्ड धारणा है, और यह अक्सर गलत होती है। वास्तविक प्रभाव फॉलो-अप समय (एक सर्जिकल हस्तक्षेप शुरू में जोखिम बढ़ा सकता है और बाद में इसे कम कर सकता है) और उपसमूहों (आयु, लिंग, सहरुग्णता, अभाव) में भिन्न होते हैं। जब धारणा विफल हो जाती है, तो एकल रिपोर्ट किया गया HR परीक्षण की विशेष फॉलो-अप विंडो और जनसंख्या मिश्रण पर एक औसत है — एक भारित मिश्रण, एक सार्वभौमिक स्थिरांक नहीं जिसे आप एक अलग सेटिंग में उठा सकते हैं।

सापेक्ष, संभावनाएं, और पूर्ण। एक HR को तीन पड़ोसियों के साथ आसानी से भ्रमित किया जाता है। सापेक्ष जोखिम (या जोखिम अनुपात) किसी निश्चित समय तक एक घटना की संचयी संभावना की तुलना करता है, दर की नहीं; यह HR के करीब होता है जब घटनाएं दुर्लभ होती हैं लेकिन जब वे सामान्य होती हैं तो अलग हो जाता है। ऑड्स अनुपात संभावनाओं के बजाय ऑड्स की तुलना करता है और जब अंतर्निहित जोखिम अधिक होता है तो नाटकीय दिख सकता है। ये तीनों सापेक्ष माप हैं। रोगी और भुगतानकर्ता वास्तव में जिसकी परवाह करते हैं वह पूर्ण है: पूर्ण जोखिम कमी (जोखिम अंतर) — प्रति सौ लोगों में कितनी कम घटनाएं — और इसका व्युत्क्रम, उपचार के लिए आवश्यक संख्या (NNT), एक घटना को रोकने के लिए आपको जितने लोगों का उपचार करना होगा उनकी गिनती। अपने पूर्ण साथी के बिना एक सापेक्ष माप आधा वाक्य है।

सेंसरिंग और उत्तरजीविता वक्र। परीक्षण समाप्त होते हैं; लोग दूर चले जाते हैं, हट जाते हैं, या जब डेटा लॉक हो जाता है तो बस उनके साथ घटना नहीं हुई होती। सेंसरिंग (सांख्यिकी) यह है कि उत्तरजीविता विश्लेषण इन आंशिक रूप से देखे गए जीवनों को कैसे संभालता है, और यह एक ताकत है — लेकिन भारी या असंतुलित सेंसरिंग यह कमज़ोर करती है कि एक HR आपको क्या बता सकता है। किसी भी HR का ईमानदार दृश्य साथी Kaplan–Meier आकलक वक्र है, समय के साथ घटना-मुक्त अनुपात का सीढ़ीदार प्लॉट। दो वक्र जो स्थिर रूप से अलग होते हैं वे दो वक्रों से अलग कहानी बताते हैं जो पार करते या अभिसरित होते हैं — फिर भी तीनों वही हेडलाइन HR दे सकते हैं।

भ्रम और नॉन-कोलैप्सिबिलिटी। एक अवलोकन अध्ययन से एक HR भ्रम द्वारा विकृत किया जा सकता है: कोई तीसरा कारक दोनों को संचालित करता है कि किसे उपचार मिलता है और किसके साथ घटना होती है। यादृच्छिक परीक्षण इसके विरुद्ध रक्षा करते हैं; वास्तविक-दुनिया तुलनाएं नहीं करतीं, जब तक सावधानी से समायोजित न किया जाए। HR जैसे अनुपातों के लिए एक अधिक सूक्ष्म जाल भी है, जिसे नॉन-कोलैप्सिबिलिटी कहा जाता है: बिना किसी भ्रम के भी, एक जोखिम कारक के लिए समायोजन के बाद आपको मिलने वाला अनुपात असमायोजित से अलग हो सकता है, पूरी तरह से इस बात की एक कलाकृति के रूप में कि अनुपात कैसे व्यवहार करते हैं। सबक वही है — एक HR उसे उत्पन्न करने वाले सटीक मॉडल और जनसंख्या से बंधा है, और उतनी स्वतंत्र रूप से यात्रा नहीं करता जितना इसकी साफ़ एकल संख्या सुझाती है।

एक HR वर्षों में क्या खरीदता है। लोग "HR 0.75" को "मैं अधिक जीऊंगा" में अनुवाद करते हैं, लेकिन उस लाभ का आकार पूरी तरह से आधार रेखा जोखिम पर और जनसंख्या की मृत्यु दर पहले से कितनी संकुचित है इस पर निर्भर करता है। इसे मौका के एक खेल में एक कक्ष को ढीला करने के रूप में सोचें: एक दर को कम करना काफी अतिरिक्त समय खरीदता है जब आधार रेखा जोखिम अधिक और फैला हुआ होता है, और बहुत कम जब अधिकांश लोग पहले से बुढ़ापे तक जीवित रहते हैं और मृत्यु एक संकीर्ण देर की विंडो में पैक होती है। वही सापेक्ष कमी उस आधार रेखा के आधार पर जीवन प्रत्याशा की विभिन्न मात्राओं में परिवर्तित होती है — यही कारण है कि एक HR को उस जनसंख्या को जाने बिना जोड़े गए वर्षों की एक निश्चित संख्या के रूप में नहीं पढ़ा जा सकता जिससे यह आया।

सांख्यिकीय बनाम क्लिनिकल महत्व। अंत में, एक HR सांख्यिकीय रूप से महत्वपूर्ण हो सकता है — इसका विश्वास अंतराल 1 को बाहर करता है — जबकि यह जिस प्रभाव की ओर इशारा करता है वह क्लिनिकल रूप से तुच्छ है, विशेष रूप से एक बहुत बड़े परीक्षण में। महत्व का उत्तर है "क्या यह मौके से अलग है?"; यह उत्तर नहीं देता "क्या यह एक मार्ग बदलने लायक है?" दोनों प्रश्न मायने रखते हैं, और केवल दूसरे को निवेश तय करना चाहिए।

सर्वोत्तम प्रथाएं#

1. हमेशा पूछें "किस फॉलो-अप पर, और किस जनसंख्या में?" एक HR एक विशिष्ट परीक्षण विंडो और एक विशिष्ट नामांकित समूह पर एक औसत है। इस पर कार्य करने से पहले, फॉलो-अप लंबाई और समावेशन और बहिष्करण मानदंड स्थापित करें — जिन परीक्षणों ने बहुत बूढ़े, बहुत छोटे, या सामान्य सहरुग्णता वाले लोगों को बाहर किया वे शायद आपकी जनसंख्या का वर्णन बिल्कुल नहीं करते। इस संदर्भ के बिना एक HR को एक अधूरा आंकड़ा मानें, एक हेडलाइन नहीं।

2. हर सापेक्ष के साथ पूर्ण संख्याओं की मांग करें। किसी भी HR या सापेक्ष जोखिम के लिए, संबंधित जनसंख्या में पूर्ण जोखिम कमी और उपचार के लिए आवश्यक संख्या मांगें। "HR 0.75" बड़ा लगता है; "तीन वर्षों में उपचारित प्रति 200 लोगों में एक टाली गई घटना" आपको बताता है कि क्या यह लागत, वर्कफ़्लो परिवर्तन, और दुष्प्रभावों के लायक है। सापेक्ष और पूर्ण माप को हमेशा साथ दिखना चाहिए, और जनता के प्रति संचार को पूर्ण के साथ नेतृत्व करना चाहिए।

3. Kaplan–Meier वक्र देखने पर ज़ोर दें। एक एकल HR एक पूरी कहानी को एक संख्या में संकुचित कर देता है और छुपाता है कि क्या प्रभाव जल्दी, देर से, बढ़ रहा, सिकुड़ रहा, या उलट रहा है। उत्तरजीविता वक्र मांगें और उनके आकार को देखें: क्या वे साफ़ रूप से अलग होते हैं, पार करते हैं, या अभिसरित होते हैं? वक्र जो पार करते हैं एक दृश्यमान संकेत है कि आनुपातिक-हैज़र्ड धारणा विफल हो गई है और एकल HR गुमराह कर रहा है।

4. एक छोटे परीक्षण को जीवनकाल तक एक्सट्रापोलेट न करें। तीन साल में मापा गया एक हैज़र्ड अनुपात तीस के बारे में एक दावे को लाइसेंस नहीं देता। प्रभाव कम हो सकते हैं, उलट सकते हैं, या संचित हो सकते हैं, और आनुपातिक-हैज़र्ड धारणा लगभग कभी भी जीवनकाल में नहीं टिकती। आर्थिक मॉडलों और प्रेस पंक्तियों से विशेष रूप से सावधान रहें जो एक अल्पकालिक HR को जीवन-वर्षों में नाटकीय लाभ में आगे प्रोजेक्ट करती हैं; पूछें कि कौन सी धारणा वह काम कर रही है, जैसा विषय 6.1 — स्वास्थ्य अर्थशास्त्र में कवर किया गया है।

5. सांख्यिकीय को क्लिनिकल महत्व से अलग करें। एक विश्वास अंतराल जो 1 को बाहर करता है आपको बताता है कि एक प्रभाव संभवतः वास्तविक है; यह नहीं बताता कि क्या प्रभाव मायने रखने के लिए पर्याप्त बड़ा है। बड़े परीक्षणों में, तुच्छ अंतर "महत्वपूर्ण" बन जाते हैं। परिमाण — पूर्ण लाभ — का हस्तक्षेप के बोझ और लागत के विरुद्ध न्याय करें, और क्लिनिशियनों और रोगियों को परिभाषित करने दें कि क्या सार्थक माना जाता है।

6. अवलोकनात्मक HR को अतिरिक्त संदेह के साथ मानें। एक यादृच्छिक परीक्षण के बाहर, एक HR एक वास्तविक प्रभाव के बजाय भ्रम को प्रतिबिंबित कर सकता है — अधिक बीमार या स्वस्थ लोग उपचार में चयनित हो रहे हैं। पूछें कि किसके लिए समायोजित किया गया था और क्या अनमापे भ्रमकारक प्रशंसनीय हैं। वास्तविक-दुनिया साक्ष्य मूल्यवान है (देखें विषय 8.6 — अनुसंधान और वास्तविक-दुनिया मूल्यांकन) लेकिन इसके हैज़र्ड अनुपातों को कम नहीं, अधिक जांच की आवश्यकता है।

7. जांचें कि क्या HR को संदर्भ से बाहर पुनः उपयोग किया जा रहा है। एक जनसंख्या, खुराक, या फॉलो-अप से एक HR को नियमित रूप से इस तरह उद्धृत किया जाता है जैसे यह सार्वभौमिक हो। जब एक आंकड़ा उद्धृत किया जाता है, तो इसे इसके स्रोत अध्ययन तक ट्रेस करें और पुष्टि करें कि जनसंख्या और एंडपॉइंट आपके निर्णय से मेल खाते हैं। नॉन-कोलैप्सिबिलिटी और अलग-अलग आधार रेखाओं का अर्थ है कि एक संख्या जो वहां सच थी चुपचाप यहां गलत हो सकती है।

8. ईमानदारी से रिपोर्ट करें, और उस चीज़ के साथ नेतृत्व करें जिस पर लोग कार्रवाई कर सकते हैं। जब आपका अपना संगठन परिणाम प्रकाशित करता है, तो हर HR को पूर्ण आंकड़ों और सादी-भाषा फ़्रेमिंग के साथ जोड़ें, फॉलो-अप और जनसंख्या बताएं, और अल्पकालिक डेटा से जीवनकाल लाभ का संकेत देने से बचें। यह सीधे इससे जुड़ता है कि आप विषय 10.1 — मुख्य प्रदर्शन संकेतक (KPIs) में माप कैसे चुनते हैं: जिस मीट्रिक को आप हेडलाइन बनाते हैं वह आकार देता है कि लोग क्या मानते हैं।

आपकी टीम के साथ चर्चा करने के लिए प्रश्न#

1. जब एक हैज़र्ड अनुपात हमारे बोर्ड पर उतरता है, तो क्या हम जानते हैं कि फॉलो-अप, जनसंख्या, और पूर्ण लाभ के लिए कैसे पूछें — या क्या हम केवल सापेक्ष आंकड़े पर कार्य करते हैं? यह प्रश्न परखता है कि क्या आपका नेतृत्व सबसे अधिक गलत पढ़ी जाने वाली एकल सांख्यिकी की जांच कर सकता है जिसका वे सामना करेंगे। यह मायने रखता है क्योंकि एक HR एक विशेष परीक्षण विंडो और एक विशेष नामांकित समूह पर एक औसत है, और वही आंकड़ा स्लाइड द्वारा छोड़े गए आधार रेखा जोखिम और फॉलो-अप के आधार पर एक परिवर्तनकारी लाभ या एक नगण्य लाभ का प्रतिनिधित्व कर सकता है। तनाव यह है कि सापेक्ष संख्या भावनात्मक रूप से सम्मोहक और दोहराने में आसान है, जबकि पूर्ण संख्या — उपचार के लिए आवश्यक संख्या, प्रति सौ लोगों में टाली गई घटनाएं — अधिक नीरस और प्राप्त करने में कठिन है, इसलिए इसे नियमित रूप से छोड़ दिया जाता है। एक वास्तविक हालिया उदाहरण के माध्यम से काम करें: एक HR लें जिसने एक निर्णय को प्रभावित किया और फिर से बनाएं कि उसने किस फॉलो-अप को कवर किया, किसे बाहर रखा गया, और इसका आपकी जनसंख्या के लिए क्या पूर्ण लाभ निहित था। पूछें कि क्या उस समय किसी ने उन तथ्यों का अनुरोध किया, और क्या उत्तर ने निर्णय बदल दिया होता। एक अच्छी चर्चा एक स्थायी अपेक्षा के साथ समाप्त होती है कि किसी भी HR पर उसके फॉलो-अप, जनसंख्या, और पूर्ण साथी के साथ ही कार्रवाई की जाती है।

2. हम कहां एक अल्पकालिक हैज़र्ड अनुपात को एक दीर्घकालिक या जीवनकाल दावे में एक्सट्रापोलेट कर रहे हो सकते हैं — एक व्यावसायिक मामले, एक लाभ मॉडल, या एक सार्वजनिक संदेश में? विषय चेतावनी देता है कि कुछ वर्षों में मापा गया एक HR दशकों के बारे में दावों को लाइसेंस नहीं देता, क्योंकि प्रभाव कम होते हैं, उलटते हैं, या संचित होते हैं और आनुपातिक-हैज़र्ड धारणा शायद ही कभी जीवनकाल में टिकती है। यह मायने रखता है क्योंकि स्वास्थ्य-आर्थिक मॉडल और संचार टीमों दोनों के पास अल्पकालिक सापेक्ष कमी को जीवन-वर्षों या लागत बचत में हेडलाइन लाभ में आगे प्रोजेक्ट करने के मज़बूत प्रोत्साहन हैं, और वे अनुमान चुपचाप बड़े निवेशों का औचित्य बन सकते हैं। समझौता वास्तविक है: आपको परीक्षण क्षितिज से आगे योजना और मॉडल बनाना चाहिए, फिर भी साक्ष्य से आगे हर वर्ष जो आप प्रोजेक्ट करते हैं वह एक धारणा है, एक खोज नहीं। एक लाइव व्यावसायिक मामला या लाभ प्राप्ति मॉडल सामने लाएं और पूछें कि इसके HR-व्युत्पन्न लाभ किस समय क्षितिज को मानते हैं, और यदि परीक्षण अवधि के बाद प्रभाव समतल हो जाए तो मामले का क्या होगा। यह भी विचार करें कि क्या कोई रोगी-सामना करने वाला संदेश अल्पकालिक डेटा से जोड़े गए वर्षों के जीवनकाल का संकेत देता है। एक ईमानदार उत्तर नाम देता है कि एक्सट्रापोलेशन कहां भारी काम कर रहा है और धारणा को स्प्रेडशीट में दफनाने के बजाय खुले तौर पर बताने के लिए प्रतिबद्ध होता है।

3. क्या हम लगातार "क्या यह वास्तविक है?" को "क्या यह मायने रखने के लिए पर्याप्त बड़ा है?" से अलग करते हैं — या क्या अकेले सांख्यिकीय महत्व हमारे निर्णयों को संचालित करता है? यह प्रश्न सांख्यिकीय और क्लिनिकल महत्व के बीच भ्रम का सामना करता है, जहां एक विश्वास अंतराल जो 1 को बाहर करता है उसे प्रभाव के आकार की परवाह किए बिना एक हरी झंडी के रूप में माना जाता है। यह मायने रखता है क्योंकि बड़े परीक्षण और बड़े वास्तविक-दुनिया डेटासेट तुच्छ अंतरों को सांख्यिकीय रूप से महत्वपूर्ण बनाते हैं, और एक डिजिटल-स्वास्थ्य हस्तक्षेप एक "महत्वपूर्ण" हैज़र्ड अनुपात पोस्ट कर सकता है जबकि उसी पैसे के अन्य उपयोगों के विरुद्ध इसकी लागत, वर्कफ़्लो व्यवधान, या अवसर लागत को उचित ठहराने के लिए बहुत छोटा लाभ दे सकता है। गहरा तनाव यह है कि परिमाण एक क्लिनिकल और मूल्य निर्णय है — क्या सार्थक माना जाता है यह स्थिति, उपचार के बोझ, और रोगी की प्राथमिकता पर निर्भर करता है — इसलिए इसे एक p-मूल्य को नहीं सौंपा जा सकता या स्वचालित नहीं किया जा सकता। एक निर्णय लें जो आपकी टीम ने आंशिक रूप से एक महत्वपूर्ण परिणाम की ताकत पर लिया और पूछें कि पूर्ण प्रभाव आकार वास्तव में क्या था, और किसने तय किया कि यह इस पर कार्य करने के लिए पर्याप्त बड़ा था। जांचें कि क्या क्लिनिशियन और, आदर्श रूप से, रोगी इस निर्णय में शामिल थे कि लाभ होने लायक था। एक मज़बूत उत्तर दिखाता है कि टीम नियमित रूप से परिमाण के लिए पूछती है, केवल महत्व के लिए नहीं, और दोनों को अलग-अलग द्वार मानती है जिन्हें दोनों पास किया जाना चाहिए।

4. जब एक हैज़र्ड अनुपात एक यादृच्छिक परीक्षण के बजाय नियमित डेटा या एक आपूर्तिकर्ता के वास्तविक-दुनिया डेटासेट से आता है, तो क्या हम पूछते हैं कि किसके लिए समायोजित किया गया था और क्या अनमापा भ्रम प्रभाव को समझा सकता है? तेज़ी से एक निर्णय तक पहुंचने वाले हैज़र्ड अनुपात साफ़ परीक्षणों से नहीं बल्कि अवलोकन स्रोतों से हैं — एक आपूर्तिकर्ता का पहले-और-बाद विश्लेषण, एक रजिस्ट्री, या आपके अपने नियमित रूप से एकत्रित रिकॉर्ड — जहां जिन लोगों को एक हस्तक्षेप मिला वे व्यवस्थित रूप से उनसे अलग होते हैं जिन्हें नहीं मिला। यह मायने रखता है क्योंकि संकेत द्वारा भ्रम अपवाद के बजाय नियम है: स्वस्थ या अधिक बीमार रोगी उपचार में चयनित होते हैं, और जब तक इसे सावधानी से समायोजित नहीं किया जाता, परिणामी HR उतना ही मापता है कि किसका उपचार किया गया जितना कि उपचार ने क्या किया। तनाव यह है कि वास्तविक-दुनिया साक्ष्य वास्तव में मूल्यवान है और अक्सर पैमाने पर तैनात एक डिजिटल सेवा के लिए एकमात्र उपलब्ध साक्ष्य है, फिर भी इसकी सुविधा टीमों को इसे कारणात्मक के रूप में पढ़ने के लिए ललचाती है जब यह केवल साहचर्य है। अपनी टीम द्वारा भरोसा किए गए एक वास्तविक अवलोकनात्मक HR की जांच करें: पूछें कि किन चरों के लिए समायोजित किया गया था, किन प्रशंसनीय भ्रमकारकों को अनमापा छोड़ा गया, और क्या संभावित पक्षपात की दिशा प्रभाव को चापलूसी करती है या कम करती है। विचार करें कि क्या नॉन-कोलैप्सिबिलिटी — जिस तरह से एक जोखिम कारक के लिए समायोजन भ्रम की अनुपस्थिति में भी एक अनुपात को बदल सकता है — को संख्या उद्धृत करने के तरीके में हिसाब में लिया गया है। एक ईमानदार उत्तर अवलोकनात्मक हैज़र्ड अनुपातों को परिकल्पनाओं के रूप में मानता है जिन्हें कम नहीं, अधिक जांच की आवश्यकता है, और स्पष्ट रूप से बता सकता है कि प्रभाव वास्तविक होने के लिए क्या सच होना चाहिए।

5. क्या हम नियमित रूप से एक हैज़र्ड अनुपात के पीछे Kaplan–Meier वक्र देखते हैं, और क्या हम पहचानेंगे जब आनुपातिक-हैज़र्ड धारणा विफल हो गई है? एक एकल HR चुपचाप एक प्रभाव के पूरे आकार को एक संख्या में औसत करता है, यह छुपाते हुए कि क्या लाभ फॉलो-अप के दौरान जल्दी, देर से, बढ़ रहा, सिकुड़ रहा, या उलट रहा है। यह मायने रखता है क्योंकि अधिकांश हैज़र्ड अनुपात उत्पन्न करने वाला Cox मॉडल मानता है कि अनुपात समय के साथ स्थिर है, और वह धारणा अक्सर गलत होती है — एक सर्जिकल या प्रक्रियात्मक हस्तक्षेप शुरू में जोखिम बढ़ा सकता है और बाद में इसे कम कर सकता है, और वक्र जो पार करते या अभिसरित होते हैं वही साफ़-सुथरा हेडलाइन HR दे सकते हैं जो वक्र देते हैं जो साफ़ रूप से अलग होते हैं। समझौता यह है कि उत्तरजीविता वक्र पढ़ने में एक एकल आंकड़ा दोहराने से अधिक प्रयास और अधिक विशेषज्ञता लगती है, और वक्र अक्सर सारांश स्लाइड से अनुपस्थित होते हैं ठीक इसलिए क्योंकि वे कहानी को जटिल बनाते हैं। एक हैज़र्ड अनुपात लें जिस पर आपकी टीम ने कार्रवाई की और पूछें कि क्या किसी ने Kaplan–Meier प्लॉट देखा, वक्रों के आकार ने इस बारे में क्या संकेत दिया कि लाभ कब जमा हुआ, और क्या आनुपातिक-हैज़र्ड धारणा को कभी परखा गया। चर्चा करें कि टीम में किसके पास पार करती या अभिसरित होती रेखाओं को पहचानने और यह बताने की सांख्यिकीय साक्षरता है कि उनका आपकी जनसंख्या के लिए क्या अर्थ है। एक अच्छा उत्तर वक्र देखने को एक स्थायी अपेक्षा बनाता है, एक विशेषज्ञ उपकार नहीं, और एक गायब वक्र को छोड़ने के लिए एक विवरण के बजाय पूछने के कारण के रूप में मानता है।

6. क्या हमने जांच की है कि क्या एक एकल हैज़र्ड अनुपात उन लोगों में आयु, सहरुग्णता, और अभाव में लाभ के असमान वितरण को छुपाता है जिनकी हम वास्तव में सेवा करते हैं? एक हेडलाइन HR एक प्रभाव को इस तरह प्रस्तुत करता है जैसे यह समान रूप से उतरता है, लेकिन एक परीक्षण के नामांकित समूह में औसत किया गया लाभ उन बुजुर्ग, अधिक बीमार, और अधिक वंचित लोगों में बहुत अलग तरीके से गिर सकता है जो एक वास्तविक स्वास्थ्य और देखभाल जनसंख्या का बड़ा हिस्सा बनाते हैं। यह मायने रखता है क्योंकि समग्र आंकड़े पर कार्रवाई करना कुल मिलाकर परिणामों में सुधार करते हुए दिखते हुए असमानताओं को चौड़ा कर सकता है: एक हस्तक्षेप जो एक फिटर उपसमूह की मदद करता है और एक कमज़ोर के लिए बहुत कम करता है फिर भी एक आकर्षक औसत HR पोस्ट करता है। तनाव यह है कि अलगाव के लिए डेटा, सांख्यिकीय शक्ति, और असुविधाजनक भिन्नता देखने की इच्छा की आवश्यकता होती है, जबकि एकल संख्या रिपोर्ट करने में सरल और समर्थन करने में आसान है। एक हैज़र्ड अनुपात द्वारा संचालित एक निर्णय को देखें और पूछें कि क्या प्रभाव को कभी आयु समूह, सहरुग्णता, या अभाव द्वारा विभाजित किया गया था, और क्या परीक्षण ने ऐसे विभाजन का समर्थन करने के लिए आपकी जनसंख्या का पर्याप्त नामांकन भी किया था। विचार करें कि आप एक सेवा लाइव होने के बाद असमान लाभ की निगरानी कैसे करेंगे, अपने वास्तविक-दुनिया मूल्यांकन और समानता कर्तव्यों से जुड़ते हुए। एक ईमानदार उत्तर स्वीकार करता है कि एक समान दिखने वाला HR एक असमान वास्तविकता को छुपा सकता है, और बढ़ाने से पहले अलग किए गए, पूर्ण चित्र को देखने के लिए प्रतिबद्ध होता है।

व्यवहार में: एक स्वास्थ्य और देखभाल उदाहरण#

एक एकीकृत देखभाल प्रणाली (ICS) को हृदय विफलता वाले लोगों के लिए एक दूरस्थ-निगरानी सेवा की पेशकश की जाती है। आपूर्तिकर्ता का केंद्रीय दावा मृत्यु या अनियोजित प्रवेश के मिश्रित परिणाम के लिए 0.72 का हैज़र्ड अनुपात है, जिसे "28% कमी" के रूप में वर्णित किया गया है और जनसंख्या में पर्याप्त जीवन-वर्षों के लाभ के अनुमान के साथ जोड़ा गया है।

डिजिटल और क्लिनिकल नेता आंकड़े को एक निष्कर्ष के बजाय एक शुरुआती प्रश्न के रूप में मानते हैं। वे स्रोत अध्ययन मांगते हैं और अठारह महीने की मध्य फॉलो-अप वाला एक एकल यादृच्छिक परीक्षण पाते हैं, जिसमें 75 वर्ष से कम आयु के रोगी शामिल थे जिनका हाल ही में प्रवेश हुआ था और कोई महत्वपूर्ण संज्ञानात्मक हानि नहीं थी — ICS की वास्तविक हृदय-विफलता जनसंख्या की तुलना में एक फिटर, युवा समूह, जो बड़ा और अधिक सहरुग्ण होने की ओर झुकता है। वे Kaplan–Meier आकलक वक्र मांगते हैं और देखते हैं कि दोनों रेखाएं मुख्य रूप से पहले छह महीनों में अलग होती हैं, फिर लगभग समानांतर चलती हैं — एक संकेत कि लाभ शुरुआत में केंद्रित है और यह कि स्थिर-HR धारणा एक लंबे क्षितिज में अस्थिर है।

फिर वे पूर्ण के लिए पूछते हैं। परीक्षण जनसंख्या में अनुवादित, HR एक मामूली पूर्ण जोखिम कमी और एक मिश्रित घटना को रोकने के लिए अठारह महीनों में लगभग 20 के उपचार के लिए आवश्यक संख्या से मेल खाता है — सार्थक, लेकिन "28% कमी" से सुझाए गए से कहीं कम नाटकीय, और उनकी बड़ी जनसंख्या में काफी संभावना है कि और भी छोटा हो। स्वास्थ्य-अर्थशास्त्र टीम को अठारह-महीने के HR को जीवनकाल में एक्सट्रापोलेट किए बिना अपना मॉडल फिर से बनाने के लिए कहा जाता है, और यह परखने के लिए कि अगर शुरुआती लाभ बना नहीं रहता तो क्या होता है। क्लिनिकल-सुरक्षा और सूचना-प्रशासन नेता सेवा का उसकी अपनी योग्यता पर मूल्यांकन करते हैं (विषय 1.6 — क्लिनिकल सुरक्षा और जोखिम प्रबंधन)। ICS आगे बढ़ता है — लेकिन अपने स्वयं के वास्तविक-दुनिया मूल्यांकन के साथ एक निगरानी की गई, चरणबद्ध रोलआउट के रूप में, और यह अपनी संचार टीम को सापेक्ष हेडलाइन के बजाय पूर्ण लाभ और ईमानदार सीमाओं के साथ नेतृत्व करने के लिए ब्रीफ करता है। जब एक स्थानीय अखबार बाद में "28% आंकड़े" के बारे में पूछता है, तो ICS ठीक-ठीक समझा सकता है कि इसका क्या मतलब है और क्या नहीं।

क्षेत्र दृष्टिकोण#

HR पढ़ने वाले हर किसी का व्याख्या का एक ही कर्तव्य है, लेकिन दबाव और सुरक्षा उपाय संगठन के अनुसार अलग होते हैं।

स्टार्टअप#

एक स्टार्टअप का प्रोत्साहन सबसे चापलूसी करने वाली सच्ची संख्या प्रस्तुत करना है, और एक सापेक्ष हैज़र्ड अनुपात अक्सर उपलब्ध सबसे चापलूसी करने वाली सच्ची संख्या है — इसलिए "HR 0.7" पिच डेक पर उस फॉलो-अप, जनसंख्या, या पूर्ण लाभ के बिना दिखाई देता है जो इसे सही आकार देता। ईमानदार और अंततः अधिक विश्वसनीय कदम पूर्ण प्रभाव और उपचार के लिए आवश्यक संख्या के साथ नेतृत्व करना, परीक्षण के फॉलो-अप और बहिष्करणों को स्पष्ट रूप से बताना, और व्यावसायिक मामले में अल्पकालिक परिणामों को जीवनकाल में प्रोजेक्ट करने का विरोध करना है। सावधानीपूर्ण NHS मूल्यांकनकर्ता और गंभीर निवेशक तेज़ी से इन प्रश्नों को पूछना जानते हैं, इसलिए एक टीम जो संदर्भ स्वेच्छा से देती है अधिक मज़बूत दिखती है, कमज़ोर नहीं। यह अनुशासन लगभग कुछ भी खर्च नहीं करता और संस्थापकों को बाद के, अधिक नुकसानदायक सुधार से बचाता है।

छोटा व्यवसाय#

एक स्थापित छोटा प्रदाता — एक GP प्रैक्टिस, एक सामुदायिक फार्मेसी, एक केयर होम, या एक एकल-साइट क्लिनिक जो एक निगरानी उपकरण या एक आपूर्तिकर्ता के दावे को तौल रहा है — के पास दांव पर वास्तविक रोगी हैं लेकिन कोई आंतरिक सांख्यिकीविद् नहीं है और एक परीक्षण पढ़ने का बहुत कम समय है। व्यावहारिक जोखिम यह है कि आपूर्तिकर्ता के सापेक्ष हैज़र्ड अनुपात को अंकित मूल्य पर लिया जाता है क्योंकि फॉलो-अप, जनसंख्या, और पूर्ण लाभ को फिर से बनाने के लिए कोई नहीं है, और इसे प्रैक्टिस की अपनी सूची के विरुद्ध परखने के लिए कोई विश्लेषिकी टीम नहीं है। आनुपातिक प्रतिक्रिया उत्तरजीविता विश्लेषण में महारत हासिल करना नहीं बल्कि किसी भी आपूर्तिकर्ता से तीन सादे प्रश्न पूछना है — किस फॉलो-अप पर, किन रोगियों में, और एक घटना को रोकने के लिए हम कितने लोगों का उपचार करेंगे — और अकेले संख्या का न्याय करने के बजाय NICE मार्गदर्शन, एक CCG या ICS फार्मासिस्ट, या एक सहकर्मी नेटवर्क जैसे साझा संसाधनों पर झुकना है। एक छोटा प्रदाता जो हस्ताक्षर करने से पहले पूर्ण आंकड़े और परीक्षण के बहिष्करणों पर ज़ोर देता है अपने रोगियों और अपने बजट की रक्षा करता है बिना एक बड़े ट्रस्ट की सांख्यिकीय ताकत की आवश्यकता के।

बड़ा संगठन#

एक NHS ट्रस्ट या ICS के पास एक HR की ठीक से जांच करने की विश्लेषिकी क्षमता और रोगी मात्रा है — और जवाबदेही जो इसकी मांग करती है, क्योंकि एक गलत पढ़ी गई सांख्यिकी पर पैमाने पर तैनाती करना एक साथ क्लिनिकल-सुरक्षा और सार्वजनिक-धन जोखिम है। विशिष्ट विफलता संस्थागत उत्साह है: एक सम्मानित क्लिनिशियन द्वारा समर्थित एक सम्मोहक सापेक्ष आंकड़ा, ट्रस्ट की वास्तविक, अक्सर बड़ी और अधिक बीमार, जनसंख्या के लिए पूर्ण लाभ को कोई फिर से बनाए इससे पहले अपनाया गया। उपाय एक स्थायी आदत है — बोर्ड पेपर में हर HR अपने फॉलो-अप, जनसंख्या, पूर्ण जोखिम कमी, और Kaplan–Meier वक्र के साथ आता है, और हर एक्सट्रापोलेशन अपनी धारणा को नाम देता है। बड़े उद्यम नियमित डेटा से अपने स्वयं के अवलोकनात्मक HR भी उत्पन्न करते हैं, जहां भ्रम हमेशा-मौजूद खतरा है और समायोजन स्पष्ट होना चाहिए।

सरकार#

एक राष्ट्रीय निकाय — NICE, NHS England, UK Health Security Agency, DHSC — अक्सर तय करता है कि पूरी प्रणाली के लिए साक्ष्य को कैसे फ़्रेम किया जाता है, इसलिए हैज़र्ड अनुपातों को संभालने का इसका तरीका जनसंख्या पैमाने पर सार्वजनिक समझ को आकार देता है। यहां निर्णय नियामक, संसदीय, और मीडिया जांच आकर्षित करते हैं, और अपने पूर्ण साथी के बिना उद्धृत एक सापेक्ष आंकड़ा लाखों को गुमराह कर सकता है और बाद में सुधारे जाने पर विश्वास को कम कर सकता है। कर्तव्य सापेक्ष के साथ पूर्ण प्रकाशित करना, जनसंख्या और फॉलो-अप बताना, और इस बारे में स्पष्ट होना है कि आनुपातिक-हैज़र्ड धारणा और छोटे परीक्षण क्षितिज कहां सीमित करते हैं कि क्या दावा किया जा सकता है। इस पैमाने पर, ईमानदार फ़्रेमिंग एक शिष्टाचार नहीं बल्कि समानता का एक उपकरण है: एक एकल HR में समान दिखने वाला लाभ आयु और अभाव में असमान रूप से गिर सकता है, और केवल अलग किया गया, पूर्ण चित्र इसे प्रकट करता है।

सामान्य विफलता मोड#

• केवल-सापेक्ष रिपोर्टिंग। बिना किसी पूर्ण जोखिम कमी या उपचार के लिए आवश्यक संख्या के "28% कमी" उद्धृत करना। उपाय: हर सापेक्ष माप को उसके पूर्ण साथी के साथ जोड़ें और सार्वजनिक संदेश को पूर्ण के साथ नेतृत्व करें।
• जीवनकाल एक्सट्रापोलेशन। एक आर्थिक मॉडल या प्रेस पंक्ति में एक छोटे-परीक्षण HR को दशकों में प्रोजेक्ट करना। उपाय: केवल साक्ष्य क्षितिज तक मॉडल बनाएं, और इसके आगे हर धारणा को नाम दें।
• जनसंख्या को नज़रअंदाज़ करना। एक परीक्षण के HR को उन बड़े, अधिक बीमार, या अधिक वंचित समूहों पर लागू करना जिन्हें परीक्षण ने बाहर रखा। उपाय: अपनी वास्तविक जनसंख्या के विरुद्ध समावेशन और बहिष्करण मानदंड जांचें।
• स्थिरता मानना। एक HR को हर आयु और समय बिंदु पर वैध मानना। उपाय: पार करती या अभिसरित होती रेखाओं के लिए Kaplan–Meier वक्र की जांच करें।
• महत्व को महत्व समझी गई महत्ता। एक सांख्यिकीय रूप से महत्वपूर्ण HR पर कार्रवाई करना जिसका प्रभाव क्लिनिकल रूप से तुच्छ है। उपाय: क्लिनिकल और रोगी इनपुट के साथ परिमाण का अलग से न्याय करें।
• अवलोकनात्मक HR पर बिना आलोचना भरोसा करना। भ्रम के बारे में पूछे बिना एक वास्तविक-दुनिया HR को कारणात्मक के रूप में पढ़ना। उपाय: पूछें कि किसके लिए समायोजित किया गया था और क्या अनमापे भ्रमकारक प्रशंसनीय हैं।
• संख्या लॉन्ड्रिंग। एक HR को इसके मूल संदर्भ से बाहर इस तरह पुनः उपयोग करना जैसे यह सार्वभौमिक हो। उपाय: हर उद्धृत आंकड़े को इसके स्रोत अध्ययन और एंडपॉइंट तक ट्रेस करें।

परिपक्वता मॉडल#

जांच-सूची#

• हर हैज़र्ड अनुपात अपनी फॉलो-अप लंबाई और परीक्षण के समावेशन और बहिष्करण मानदंड के साथ आता है।
• हर सापेक्ष माप (HR, सापेक्ष जोखिम) पूर्ण जोखिम कमी और उपचार के लिए आवश्यक संख्या के साथ जोड़ा गया है।
• Kaplan–Meier वक्र की प्रभाव के आकार और किसी भी पार करने या अभिसरण के लिए समीक्षा की जाती है।
• कार्रवाई करने से पहले परीक्षण जनसंख्या को आपकी वास्तविक, स्थानीय जनसंख्या के विरुद्ध जांचा जाता है।
• कोई भी छोटा-अवधि HR बिना स्पष्ट रूप से बताई गई धारणा के जीवनकाल में एक्सट्रापोलेट नहीं किया जाता।
• सांख्यिकीय महत्व और क्लिनिकल महत्व को अलग-अलग द्वार के रूप में न्याय किया जाता है।
• अवलोकनात्मक HR को भ्रम और किसके लिए समायोजित किया गया के लिए जांचा जाता है।
• हर उद्धृत HR को इसके स्रोत अध्ययन, एंडपॉइंट, और फॉलो-अप तक ट्रेस किया जाता है।
• सार्वजनिक और बोर्ड संचार पूर्ण लाभ और ईमानदार सीमाओं के साथ नेतृत्व करता है।

मुख्य स्रोत#

• Wikipedia — Hazard ratio, Proportional hazards model, Survival analysis (आधारभूत परिभाषाएं)।
• BMJ / The BMJ Statistics Notes श्रृंखला — Douglas Altman और J. Martin Bland — हैज़र्ड अनुपात, उत्तरजीविता वक्र, और पूर्ण बनाम सापेक्ष जोखिम की सादी व्याख्याएं।
• David Spiegelhalter — The Art of Statistics: Learning from Data (Pelican, 2019) — सापेक्ष और पूर्ण जोखिम को ईमानदारी से संप्रेषित करने पर।
• Gerd Gigerenzer et al. — Helping Doctors and Patients Make Sense of Health Statistics (Psychological Science in the Public Interest, 2007) — क्यों सापेक्ष आंकड़े गुमराह करते हैं।
• Cochrane — Handbook for Systematic Reviews of Interventions — प्रभाव मापों की व्याख्या पर।
• dynomight — हैज़र्ड अनुपातों और जीवन प्रत्याशा पर निबंध (dynomight.net) — रूसी-रूलेट अंतर्दृष्टि कि सापेक्ष कमी जीवन-वर्षों के बराबर क्यों नहीं होती, और अलग-अलग उम्र पर हस्तक्षेपों के अलग-अलग हैज़र्ड अनुपात क्यों होते हैं।
• Equator Network — CONSORT रिपोर्टिंग दिशानिर्देश — परीक्षण प्रभावों, जिसमें घटना-तक-समय परिणाम शामिल हैं, की रिपोर्ट कैसे की जानी चाहिए इस पर।

संदर्भ#

1. Hazard ratio — Wikipedia — https://en.wikipedia.org/wiki/Hazard_ratio
2. Proportional hazards model — Wikipedia — https://en.wikipedia.org/wiki/Proportional_hazards_model
3. Survival analysis — Wikipedia — https://en.wikipedia.org/wiki/Survival_analysis
4. Relative risk — Wikipedia — https://en.wikipedia.org/wiki/Relative_risk
5. Odds ratio — Wikipedia — https://en.wikipedia.org/wiki/Odds_ratio
6. Risk difference (absolute risk reduction) — Wikipedia — https://en.wikipedia.org/wiki/Risk_difference
7. Number needed to treat — Wikipedia — https://en.wikipedia.org/wiki/Number_needed_to_treat
8. Censoring (statistics) — Wikipedia — https://en.wikipedia.org/wiki/Censoring_(statistics)
9. Kaplan–Meier estimator — Wikipedia — https://en.wikipedia.org/wiki/Kaplan%E2%80%93Meier_estimator
10. Confounding — Wikipedia — https://en.wikipedia.org/wiki/Confounding
11. Life expectancy — Wikipedia — https://en.wikipedia.org/wiki/Life_expectancy
12. Statistical significance — Wikipedia — https://en.wikipedia.org/wiki/Statistical_significance
13. The Art of Statistics: Learning from Data — David Spiegelhalter, Pelican — https://www.penguin.co.uk/books/294857/the-art-of-statistics-by-spiegelhalter-david/9780241398630
14. Helping Doctors and Patients Make Sense of Health Statistics — Gerd Gigerenzer et al., Psychological Science in the Public Interest — https://doi.org/10.1111/j.1539-6053.2008.00033.x
15. Statistics Notes (survival and risk) — Douglas Altman & J. Martin Bland, The BMJ — https://www.bmj.com/specialties/statistics-notes
16. Cochrane Handbook for Systematic Reviews of Interventions — Cochrane — https://training.cochrane.org/handbook
17. Hazard ratios and life expectancy — dynomight — https://dynomight.net/
18. CONSORT reporting guideline — Equator Network — https://www.equator-network.org/reporting-guidelines/consort/