موضوع 1.4 — خطرے کے تناسب

ایک جملے میں: خطرے کا تناسب (hazard ratio) اس کا ایک مختصر، وسیع طور پر رپورٹ ہونے والا اور وسیع طور پر غلط سمجھا جانے والا خلاصہ ہے کہ ایک گروہ میں واقعات دوسرے گروہ کے مقابلے میں کتنی تیزی سے رونما ہوتے ہیں — اور اسے اچھی طرح پڑھنے کا مطلب ہے کہ کمیشننگ، تشخیص یا رپورٹنگ کے فیصلے کو اس سے چلنے دینے سے پہلے ہمیشہ پوچھیں "کتنی فالو اپ مدت میں، کس آبادی میں، اور مطلق اعتبار سے یہ کیا دیتا ہے؟"

یہ صحت اور نگہداشت میں کیوں اہم ہے#

جب کسی فروخت کنندہ کی سلائیڈ کہتی ہے "ہماری مداخلت نے 0.75 کا خطرے کا تناسب حاصل کیا"، تو رہنما کو کسی بری چیز میں 25% کمی محسوس کرنے کی دعوت دی جا رہی ہوتی ہے۔ یہ احساس عموماً حقیقت کے جواز سے زیادہ مضبوط ہوتا ہے۔ خطرے کا تناسب (HR) طبی اور عوامی صحت کے شواہد میں سب سے عام شماریات میں سے ایک ہے، اور سب سے زیادہ قابلِ اعتماد طور پر غلط سمجھی جانے والی بھی — ماہرینِ شماریات کے ہاتھوں نہیں، بلکہ بورڈز، کمیشن دہندگان اور ابلاغی ٹیموں کے ہاتھوں جو اس پر عمل کرتے ہیں۔ صحت اور نگہداشت میں HR جو کہتا ہے اور لوگ جو سمجھتے ہیں اس کے درمیان کا خلا کوئی علمی زحمت نہیں۔ یہ بدلتا ہے کہ کیا خریدا جاتا ہے، کیا وسعت پاتا ہے، اور مریضوں کو کیا توقع رکھنے کو کہا جاتا ہے۔

یہ موضوع موضوع 1.3 — شواہد پر مبنی فیصلے کا عملی ساتھی ہے۔ اس موضوع نے دلیل دی تھی کہ شواہد کی طاقت کو خطرے کی سطح سے ملائیں اور طبی اور ترسیلی شواہد الگ رکھیں۔ یہ موضوع ایک تہہ اور گہرا جاتا ہے ایک واحد شماریاتی عدد میں جو ان طبی شواہد میں بار بار آئے گا جنہیں تولنے کو آپ سے کہا جائے گا: اسے کیسے پڑھیں، یہ کہاں گمراہ کرتا ہے، اور اس کے ساتھ کیا طلب کریں۔ آپ کو خطرے کا تناسب نکالنا نہیں آنا چاہیے۔ آپ کو یہ جاننا چاہیے کہ ایک ہی سرخی والا HR کسی زندگی بدلنے والے فائدے یا بمشکل قابلِ شناخت فائدے سے مطابقت رکھ سکتا ہے، ان حقائق پر منحصر جو سلائیڈ نے چھوڑ دیے — اور وہ رہنما جو ان حقائق کا مطالبہ نہیں کر سکتا اس کے رحم و کرم پر ہے جس نے ڈھانچہ چنا۔ چونکہ یہ اعداد عوامی پیغام رسانی اور طبی راستوں کو ڈھالتے ہیں، انہیں غلط پڑھنا محض درستگی کا نہیں بلکہ اعتماد اور مساوات کا معاملہ ہے۔

بنیادی تصورات#

خطرہ (hazard)، اور خطرے کا تناسب۔ خطرہ وہ فوری شرح ہے جس پر کوئی واقعہ (موت، ہسپتال میں داخلہ، دوبارہ بیماری) ان لوگوں میں رونما ہوتا ہے جو کسی لمحے ابھی خطرے میں ہیں۔ خطرے کا تناسب علاج والے گروہ میں اس شرح کا کنٹرول گروہ کی شرح سے تناسب ہے۔ 1 سے کم HR کا مطلب ہے کہ علاج والے گروہ میں واقعہ زیادہ آہستہ ہو رہا ہے؛ 1 سے زیادہ، تیز؛ بالکل 1، کوئی فرق نہیں۔ یہ بقا کے تجزیے سے نکلتا ہے — شماریات کی وہ شاخ جو "واقعہ ہونے تک کا وقت" کے ڈیٹا کے لیے ہے — اور عموماً متناسب خطرات کے ماڈل سے تخمینہ لگایا جاتا ہے، جسے اس کے موجد کے نام پر کاکس ماڈل کہتے ہیں۔ اہم بات یہ ہے کہ HR ایک شرح بیان کرتا ہے، امکان نہیں، اور نہ حاصل شدہ وقت کی مقدار۔

متناسب خطرات کا مفروضہ۔ کاکس ماڈل کی سہولت ایک مفروضے پر قائم ہے: کہ خطرے کا تناسب مستقل ہے — تین مہینے پر وہی جو تین سال پر، 50 سالہ کے لیے وہی جو 80 سالہ کے لیے۔ یہ متناسب خطرات کا مفروضہ ہے، اور یہ اکثر غلط ہوتا ہے۔ حقیقی اثرات فالو اپ کے وقت کے ساتھ بدلتے ہیں (کوئی جراحی مداخلت شروع میں خطرہ بڑھا کر بعد میں گھٹا سکتی ہے) اور ذیلی گروہوں (عمر، جنس، ہم مرضی، محرومی) میں بھی۔ جب مفروضہ ناکام ہو تو رپورٹ شدہ واحد HR تجربے کی مخصوص فالو اپ کھڑکی اور آبادی کی ترکیب پر ایک اوسط ہے — ایک وزنی آمیزہ، ایسا آفاقی مستقل نہیں جسے آپ کسی مختلف ماحول میں اٹھا کر رکھ دیں۔

اضافی، موقع اور مطلق۔ HR کو آسانی سے تین پڑوسیوں سے خلط ملط کیا جاتا ہے۔ اضافی خطرہ (یا خطرے کا تناسب) کسی مقررہ وقت تک واقعے کے مجموعی امکان کا موازنہ کرتا ہے، شرح کا نہیں؛ یہ HR کے قریب ہوتا ہے جب واقعات نایاب ہوں مگر عام ہونے پر ہٹ جاتا ہے۔ موقع کا تناسب امکانات کے بجائے مواقع کا موازنہ کرتا ہے اور جب بنیادی خطرہ زیادہ ہو تو ڈرامائی دکھ سکتا ہے۔ تینوں اضافی پیمانے ہیں۔ مریضوں اور ادائیگی کنندگان کو اصل میں مطلق کی فکر ہے: مطلق خطرے میں کمی (خطرے کا فرق) — ہر سو افراد میں کتنے کم واقعات — اور اس کا معکوس، علاج کی ضرورت کی تعداد (NNT)، یعنی ایک واقعہ روکنے کے لیے کتنے لوگوں کا علاج کرنا پڑے۔ اپنے مطلق ساتھی کے بغیر اضافی پیمانہ آدھا جملہ ہے۔

سنسرنگ اور بقا کا منحنی۔ تجربے ختم ہو جاتے ہیں؛ لوگ دور چلے جاتے ہیں، دست بردار ہو جاتے ہیں، یا جب ڈیٹا بند ہوتا ہے تو ان کے ساتھ واقعہ پیش ہی نہیں آیا ہوتا۔ سنسرنگ (شماریات) وہ طریقہ ہے جس سے بقا کا تجزیہ ان جزوی طور پر مشاہدہ شدہ زندگیوں کو سنبھالتا ہے، اور یہ ایک خوبی ہے — لیکن بھاری یا غیر متوازن سنسرنگ HR کی بتانے کی صلاحیت کمزور کر دیتی ہے۔ کسی بھی HR کا دیانت دار بصری ساتھی کپلان–مائر تخمینہ کار کا منحنی ہے، وقت کے ساتھ واقعے سے آزاد رہنے والے تناسب کا سیڑھی نما خاکہ۔ دو منحنی جو مسلسل الگ ہوتے ہیں اس سے مختلف کہانی سناتے ہیں جو وہ دو منحنی سناتے ہیں جو کٹتے یا مل جاتے ہیں — پھر بھی تینوں ایک ہی سرخی والا HR دے سکتے ہیں۔

الجھاؤ اور عدم انہدام پذیری۔ مشاہداتی مطالعے سے آنے والا HR الجھاؤ سے بگڑ سکتا ہے: کوئی تیسرا عنصر دونوں کو چلاتا ہے کہ علاج کسے ملتا ہے اور واقعہ کسے ہوتا ہے۔ بے ترتیب تجربات اس سے حفاظت کرتے ہیں؛ حقیقی دنیا کے موازنے نہیں کرتے، جب تک محتاط ایڈجسٹمنٹ نہ ہو۔ HR جیسے تناسب کے لیے مخصوص ایک لطیف جال بھی ہے جسے عدم انہدام پذیری کہتے ہیں: الجھاؤ نہ ہونے پر بھی، کسی خطرے کے عنصر کے لیے ایڈجسٹ کرنے کے بعد جو تناسب ملتا ہے وہ غیر ایڈجسٹ شدہ سے مختلف ہو سکتا ہے، محض اس وجہ سے کہ تناسب کیسے برتاؤ کرتے ہیں۔ سبق وہی ہے — HR اسی درست ماڈل اور آبادی سے بندھا ہے جس نے اسے پیدا کیا، اور اتنی آزادی سے سفر نہیں کرتا جتنی اس کے صاف واحد عدد سے لگتی ہے۔

HR برسوں میں کیا دیتا ہے۔ لوگ "HR 0.75" کو "میں زیادہ جیوں گا" میں ترجمہ کرتے ہیں، لیکن اس فائدے کا حجم مکمل طور پر بنیادی خطرے اور اس پر منحصر ہے کہ آبادی کی اموات پہلے سے کتنی سمٹی ہوئی ہیں۔ اسے یوں سوچیں جیسے کسی جوئے کے کھیل میں ایک خانہ ڈھیلا کرنا: شرح کم کرنا بہت سا اضافی وقت دیتا ہے جب بنیادی خطرہ زیادہ اور پھیلا ہوا ہو، اور بہت کم جب زیادہ تر لوگ پہلے ہی بڑھاپے تک بچ جاتے ہوں اور اموات ایک تنگ دیر کی کھڑکی میں ٹھنسی ہوں۔ وہی اضافی کمی اس بنیاد کے لحاظ سے متوقع عمر کی مختلف مقداروں میں بدلتی ہے — اسی لیے HR کو اس آبادی کو جانے بغیر اضافی برسوں کی مقررہ تعداد کے طور پر نہیں پڑھا جا سکتا جہاں سے وہ آیا۔

شماریاتی بمقابلہ طبی اہمیت۔ آخر میں، HR شماریاتی طور پر اہم ہو سکتا ہے — اس کا اعتماد کا وقفہ 1 کو خارج کرتا ہو — جبکہ جس اثر کی طرف وہ اشارہ کرتا ہے وہ طبی طور پر معمولی ہو، خصوصاً بہت بڑے تجربے میں۔ اہمیت جواب دیتی ہے "کیا یہ اتفاق سے الگ پہچانا جا سکتا ہے؟"؛ یہ جواب نہیں دیتی "کیا اس کے لیے راستہ بدلنا مناسب ہے؟" دونوں سوال اہم ہیں، اور سرمایہ کاری کا فیصلہ صرف دوسرے کو کرنا چاہیے۔

بہترین طریقے#

1. ہمیشہ پوچھیں "کتنی فالو اپ مدت میں، اور کس آبادی میں؟" HR کسی مخصوص تجربے کی کھڑکی اور مخصوص بھرتی شدہ گروہ پر اوسط ہے۔ اس پر عمل کرنے سے پہلے فالو اپ کی لمبائی اور شمولیت اور اخراج کے معیارات معلوم کریں — جن تجربات نے بہت بوڑھوں، بہت جوانوں، یا عام ہم مرضی والے لوگوں کو خارج کیا وہ آپ کی آبادی کو بالکل بیان نہ کرتے ہوں۔ اس سیاق کے بغیر HR کو ادھورا عدد سمجھیں، سرخی نہیں۔

2. ہر اضافی عدد کے ساتھ مطلق اعداد طلب کریں۔ کسی بھی HR یا اضافی خطرے کے لیے متعلقہ آبادی میں مطلق خطرے میں کمی اور علاج کی ضرورت کی تعداد مانگیں۔ "HR 0.75" بڑا لگتا ہے؛ "تین سال میں ہر 200 علاج شدہ افراد میں ایک واقعہ ٹلا" بتاتا ہے کہ آیا لاگت، کام کے بہاؤ کی تبدیلی اور ضمنی اثرات کے لائق ہے۔ اضافی اور مطلق پیمانے ہمیشہ ساتھ آنے چاہییں، اور عوام کو پیغامات میں مطلق سے آغاز کرنا چاہیے۔

3. کپلان–مائر منحنی دیکھنے پر اصرار کریں۔ ایک واحد HR پوری کہانی ایک عدد میں دبا دیتا ہے اور چھپاتا ہے کہ اثر ابتدائی ہے، دیر سے ہے، بڑھ رہا ہے، گھٹ رہا ہے، یا الٹ رہا ہے۔ بقا کے منحنی مانگیں اور ان کی شکل دیکھیں: کیا وہ صاف الگ ہوتے ہیں، کٹتے ہیں، یا مل جاتے ہیں؟ کٹنے والے منحنی اس بات کی نظر آنے والی علامت ہیں کہ متناسب خطرات کا مفروضہ ناکام ہو گیا ہے اور واحد HR گمراہ کن ہے۔

4. مختصر تجربے کو ساری زندگی پر نہ پھیلائیں۔ تین سال میں ناپا گیا خطرے کا تناسب تیس سال کے بارے میں دعوے کا جواز نہیں دیتا۔ اثرات ماند پڑ سکتے ہیں، الٹ سکتے ہیں یا جمع ہو سکتے ہیں، اور متناسب خطرات کا مفروضہ پوری عمر میں تقریباً کبھی برقرار نہیں رہتا۔ ان معاشی ماڈلز اور اخباری سطروں سے خاص طور پر محتاط رہیں جو مختصر مدتی HR کو زندگی کے برسوں کے ڈرامائی فوائد تک آگے بڑھاتی ہیں؛ پوچھیں کہ یہ کام کون سا مفروضہ کر رہا ہے، جیسا کہ موضوع 6.1 — صحت کی معاشیات میں بیان ہے۔

5. شماریاتی اور طبی اہمیت کو الگ کریں۔ وہ اعتماد کا وقفہ جو 1 کو خارج کرتا ہے آپ کو بتاتا ہے کہ اثر غالباً حقیقی ہے؛ یہ کچھ نہیں کہتا کہ اثر اتنا بڑا ہے کہ اہم ہو۔ بڑے تجربات میں معمولی فرق "اہم" بن جاتے ہیں۔ حجم — مطلق فائدہ — کو مداخلت کے بوجھ اور لاگت کے مقابل جانچیں، اور معالجین اور مریضوں کو طے کرنے دیں کہ کیا قدر کے لائق ہے۔

6. مشاہداتی HRs کو اضافی شک سے دیکھیں۔ بے ترتیب تجربے سے باہر، HR الجھاؤ کی عکاسی کر سکتا ہے — زیادہ بیمار یا زیادہ صحت مند لوگ علاج میں خود کو منتخب کرتے ہیں — بجائے حقیقی اثر کے۔ پوچھیں کہ کس کے لیے ایڈجسٹ کیا گیا اور کیا غیر ناپے ہوئے الجھاؤ ممکن ہیں۔ حقیقی دنیا کے شواہد قیمتی ہیں (دیکھیے موضوع 8.6 — تحقیق اور حقیقی دنیا کی تشخیص) مگر ان کے خطرے کے تناسب کو زیادہ نہیں، کم نہیں، جانچ چاہیے۔

7. جانچیں کہ آیا HR کو سیاق سے باہر دوبارہ استعمال کیا جا رہا ہے۔ ایک آبادی، خوراک یا فالو اپ کا HR معمول سے ایسے نقل ہوتا ہے جیسے آفاقی ہو۔ جب کوئی عدد حوالہ دیا جائے تو اسے اس کے ماخذ مطالعے تک دیکھیں اور تصدیق کریں کہ آبادی اور اختتامی نقطہ آپ کے فیصلے سے مطابقت رکھتے ہیں۔ عدم انہدام پذیری اور مختلف بنیادی سطحوں کا مطلب ہے کہ جو عدد وہاں سچ تھا یہاں خاموشی سے غلط ہو سکتا ہے۔

8. دیانت داری سے رپورٹ کریں، اور اس سے آغاز کریں جس پر لوگ عمل کر سکیں۔ جب آپ کا اپنا ادارہ نتائج شائع کرے تو ہر HR کے ساتھ مطلق اعداد اور سادہ زبان کا ڈھانچہ جوڑیں، فالو اپ اور آبادی بیان کریں، اور مختصر مدتی ڈیٹا سے ساری زندگی کے فائدے کا اشارہ دینے سے بچیں۔ یہ براہِ راست اس سے جڑتا ہے کہ آپ پیمانے کیسے چنتے ہیں موضوع 10.1 — کلیدی کارکردگی اشاریے (KPIs) میں: جس پیمانے کو آپ سرخی بناتے ہیں وہی لوگوں کا یقین ڈھالتا ہے۔

اپنی ٹیم کے ساتھ زیرِ بحث لانے کے سوالات#

1. جب خطرے کا تناسب ہمارے بورڈ تک پہنچتا ہے تو کیا ہم جانتے ہیں کہ فالو اپ، آبادی اور مطلق فائدہ کیسے مانگیں — یا ہم صرف اضافی عدد پر عمل کر لیتے ہیں؟ یہ سوال جانچتا ہے کہ آیا آپ کی قیادت اس واحد سب سے غلط سمجھے جانے والے شماریاتی عدد سے سوال کر سکتی ہے جس کا انہیں سامنا ہوگا۔ یہ اس لیے اہم ہے کہ HR کسی خاص تجربے کی کھڑکی اور خاص بھرتی شدہ گروہ پر اوسط ہے، اور وہی عدد بنیادی خطرے اور فالو اپ کے لحاظ سے جو سلائیڈ نے چھوڑ دیا، تبدیلی لانے والے یا نہ ہونے کے برابر فائدے کی نمائندگی کر سکتا ہے۔ کشمکش یہ ہے کہ اضافی عدد جذباتی طور پر پُرکشش اور دہرانے میں آسان ہے، جبکہ مطلق عدد — علاج کی ضرورت کی تعداد، ہر سو افراد میں ٹلے واقعات — پھیکا اور حاصل کرنا مشکل ہے، اس لیے معمول سے چھوڑ دیا جاتا ہے۔ کوئی حقیقی حالیہ مثال لیں: وہ HR جس نے کسی فیصلے کو متاثر کیا، اور تشکیلِ نو کریں کہ اس نے کتنی فالو اپ احاطہ کی، کون خارج تھا، اور آپ کی آبادی کے لیے اس نے کون سا مطلق فائدہ ظاہر کیا۔ پوچھیں کہ آیا اس وقت کسی نے وہ حقائق مانگے، اور کیا جواب فیصلہ بدل دیتا۔ اچھی بحث ایک مستقل توقع پر ختم ہوتی ہے کہ کسی HR پر اس کی فالو اپ، آبادی اور مطلق ساتھی کے بغیر عمل نہیں ہوتا۔

2. ہم کہاں مختصر مدتی خطرے کے تناسب کو طویل مدتی یا ساری زندگی کے دعوے تک پھیلا رہے ہو سکتے ہیں — کاروباری مقدمے میں، فوائد کے ماڈل میں، یا عوامی پیغام میں؟ موضوع خبردار کرتا ہے کہ چند برسوں میں ناپا گیا HR دہائیوں کے دعووں کا جواز نہیں دیتا، کیونکہ اثرات ماند پڑتے، الٹتے یا جمع ہوتے ہیں اور متناسب خطرات کا مفروضہ پوری عمر میں شاذ ہی برقرار رہتا ہے۔ یہ اس لیے اہم ہے کہ صحت-معاشی ماڈلز اور ابلاغی ٹیموں دونوں کے پاس مختصر مدتی اضافی کمیوں کو زندگی کے برسوں یا لاگت کی بچت کے سرخی والے فوائد تک آگے بڑھانے کی مضبوط ترغیب ہے، اور یہ پروجیکشن خاموشی سے بڑی سرمایہ کاریوں کا جواز بن سکتے ہیں۔ سمجھوتا حقیقی ہے: آپ کو تجربے کے افق سے آگے منصوبہ اور ماڈل بنانا ہے، پھر بھی شواہد سے آگے آپ کا پروجیکٹ کیا ہر سال ایک مفروضہ ہے، دریافت نہیں۔ کوئی لائیو کاروباری مقدمہ یا فوائد کے حصول کا ماڈل سامنے لائیں اور پوچھیں کہ اس کے HR سے اخذ شدہ فوائد کون سا وقتی افق فرض کرتے ہیں، اور اگر اثر تجربے کی مدت کے بعد چپٹا ہو جائے تو مقدمے کا کیا ہوگا۔ یہ بھی سوچیں کہ کیا کوئی مریض کو دکھایا جانے والا پیغام مختصر مدتی ڈیٹا سے زندگی بھر کے اضافی برسوں کا اشارہ دیتا ہے۔ دیانت دار جواب نام لیتا ہے کہ پھیلاؤ کہاں بھاری کام کر رہا ہے اور مفروضے کو اسپریڈشیٹ میں دبانے کے بجائے کھلے عام بیان کرنے کا عہد کرتا ہے۔

3. کیا ہم مسلسل "کیا یہ حقیقی ہے؟" کو "کیا یہ اتنا بڑا ہے کہ اہم ہو؟" سے الگ کرتے ہیں — یا صرف شماریاتی اہمیت ہمارے فیصلے چلاتی ہے؟ یہ سوال شماریاتی اور طبی اہمیت کے خلط کا سامنا کراتا ہے، جہاں 1 کو خارج کرنے والے اعتماد کے وقفے کو اثر کے حجم سے قطع نظر سبز بتی سمجھا جاتا ہے۔ یہ اس لیے اہم ہے کہ بڑے تجربات اور بڑے حقیقی دنیا کے ڈیٹا سیٹ معمولی فرق کو شماریاتی طور پر اہم بنا دیتے ہیں، اور ڈیجیٹل صحت کی مداخلت "اہم" خطرے کا تناسب دکھا سکتی ہے جبکہ ایسا فائدہ دیتی ہے جو اپنی لاگت، کام کے بہاؤ کی خلل اندازی، یا اسی رقم کے دوسرے استعمالات کے مقابل موقع کی لاگت کا جواز نہ دے۔ گہری کشمکش یہ ہے کہ حجم ایک طبی اور قدری فیصلہ ہے — کیا قدر کے لائق ہے یہ بیماری، علاج کے بوجھ اور مریض کی ترجیح پر منحصر ہے — اس لیے اسے p-قدر کے سپرد یا خودکار نہیں کیا جا سکتا۔ ایک ایسا فیصلہ لیں جو آپ کی ٹیم نے جزوی طور پر ایک اہم نتیجے کی بنیاد پر کیا ہو اور پوچھیں کہ مطلق اثر کا حجم اصل میں کیا تھا، اور کس نے طے کیا کہ وہ عمل کے لیے کافی بڑا ہے۔ کھوجیں کہ آیا معالجین اور، مثالی طور پر، مریض اس فیصلے میں شامل تھے کہ فائدہ رکھنے کے لائق ہے۔ مضبوط جواب دکھاتا ہے کہ ٹیم معمول سے صرف اہمیت نہیں، حجم مانگتی ہے، اور دونوں کو الگ دروازے سمجھتی ہے جنہیں دونوں پار کرنا ہے۔

4. جب کوئی خطرے کا تناسب بے ترتیب تجربے کے بجائے معمول کے ڈیٹا یا فروخت کنندہ کے حقیقی دنیا کے ڈیٹا سیٹ سے آئے تو کیا ہم پوچھتے ہیں کہ کس کے لیے ایڈجسٹ کیا گیا اور کیا غیر ناپا ہوا الجھاؤ اثر کی وضاحت کر سکتا ہے؟ بڑھتے ہوئے، جو خطرے کے تناسب کسی فیصلے تک پہنچتے ہیں وہ صاف تجربات سے نہیں بلکہ مشاہداتی ماخذوں سے ہوتے ہیں — سپلائر کا پہلے/بعد کا تجزیہ، رجسٹری، یا آپ کے اپنے معمول سے جمع شدہ ریکارڈ — جہاں مداخلت پانے والے لوگ نہ پانے والوں سے منظم طور پر مختلف ہوتے ہیں۔ یہ اس لیے اہم ہے کہ اشارے کے الجھاؤ استثنا نہیں بلکہ معمول ہیں: زیادہ صحت مند یا زیادہ بیمار مریض علاج میں خود کو منتخب کرتے ہیں، اور جب تک احتیاط سے ایڈجسٹ نہ کیا جائے، نتیجے کا HR اتنا ہی یہ ناپتا ہے کہ علاج کسے ملا جتنا یہ کہ علاج نے کیا کیا۔ کشمکش یہ ہے کہ حقیقی دنیا کے شواہد واقعی قیمتی ہیں اور بڑے پیمانے پر نافذ ڈیجیٹل خدمت کے لیے اکثر واحد دستیاب شواہد ہیں، پھر بھی ان کی سہولت ٹیموں کو انہیں علّتی پڑھنے پر آمادہ کرتی ہے جبکہ وہ محض تعلقاتی ہوتے ہیں۔ کوئی حقیقی مشاہداتی HR جس پر آپ کی ٹیم نے انحصار کیا ہو اس کی چھان بین کریں: پوچھیں کون سے متغیرات ایڈجسٹ ہوئے، کون سے معقول الجھاؤ غیر ناپے رہ گئے، اور کیا ممکنہ تعصب کی سمت اثر کو بڑھاتی ہے یا گھٹاتی ہے۔ سوچیں کہ آیا عدم انہدام پذیری — جس طرح کسی خطرے کے عنصر کے لیے ایڈجسٹ کرنا الجھاؤ نہ ہونے پر بھی تناسب کو بدل سکتا ہے — کو عدد کے حوالے میں مدنظر رکھا گیا ہے۔ دیانت دار جواب مشاہداتی خطرے کے تناسب کو ایسے مفروضے سمجھتا ہے جنہیں زیادہ، کم نہیں، جانچ چاہیے، اور صاف کہہ سکتا ہے کہ اثر حقیقی ہونے کے لیے کیا سچ ہونا چاہیے۔

5. کیا ہم معمول سے خطرے کے تناسب کے پیچھے کپلان–مائر منحنی دیکھتے ہیں، اور کیا ہم پہچانیں گے کہ متناسب خطرات کا مفروضہ کب ناکام ہوا؟ ایک واحد HR خاموشی سے اثر کی پوری شکل کو ایک عدد میں اوسط کر دیتا ہے، چھپاتے ہوئے کہ فالو اپ کے دوران فائدہ ابتدائی ہے، دیر سے ہے، بڑھ رہا ہے، گھٹ رہا ہے، یا الٹ رہا ہے۔ یہ اس لیے اہم ہے کہ کاکس ماڈل، جو زیادہ تر خطرے کے تناسب پیدا کرتا ہے، فرض کرتا ہے کہ تناسب وقت کے ساتھ مستقل ہے، اور یہ مفروضہ اکثر غلط ہے — جراحی یا طریقہ کار کی مداخلت شروع میں خطرہ بڑھا اور بعد میں گھٹا سکتی ہے، اور وہ منحنی جو کٹتے یا ملتے ہیں اسی ستھرے سرخی والے HR کو جنم دے سکتے ہیں جو صاف الگ ہونے والے منحنی دیتے ہیں۔ سمجھوتا یہ ہے کہ بقا کے منحنی پڑھنے میں ایک عدد دہرانے سے زیادہ محنت اور مہارت لگتی ہے، اور منحنی اکثر خلاصے کی سلائیڈ سے ٹھیک اس لیے غائب ہوتے ہیں کہ وہ کہانی کو پیچیدہ کرتے ہیں۔ ایسا خطرے کا تناسب لیں جس پر آپ کی ٹیم نے عمل کیا اور پوچھیں کہ کیا کسی نے کپلان–مائر خاکہ دیکھا، منحنی کی شکل نے کیا ظاہر کیا کہ فائدہ کب جمع ہوا، اور کیا متناسب خطرات کا مفروضہ کبھی جانچا گیا۔ بحث کریں کہ ٹیم میں کس کے پاس کٹتی یا ملتی لکیروں کو پہچاننے اور بتانے کی شماریاتی خواندگی ہے کہ آپ کی آبادی کے لیے ان کا کیا مطلب ہے۔ اچھا جواب منحنی دیکھنے کو مخصوص ماہر کی مہربانی کے بجائے مستقل توقع بناتا ہے، اور غائب منحنی کو چھوڑنے کی تفصیل کے بجائے سوال اٹھانے کی وجہ سمجھتا ہے۔

6. کیا ہم نے جانچا ہے کہ آیا ایک واحد خطرے کا تناسب ان لوگوں میں عمر، ہم مرضی اور محرومی کے لحاظ سے فائدے کی غیر مساوی تقسیم چھپا رہا ہے جن کی ہم واقعی خدمت کرتے ہیں؟ ایک سرخی والا HR اثر کو یوں پیش کرتا ہے جیسے وہ یکساں گرتا ہو، لیکن تجربے کے بھرتی شدہ گروہ پر اوسط کیا گیا فائدہ ان بوڑھے، زیادہ بیمار اور زیادہ محروم لوگوں میں بہت مختلف گر سکتا ہے جو حقیقی صحت اور نگہداشت کی آبادی کا بڑا حصہ بناتے ہیں۔ یہ اس لیے اہم ہے کہ مجموعی عدد پر عمل کرنا مجموعی طور پر نتائج بہتر دکھاتے ہوئے عدم مساوات کو وسیع کر سکتا ہے: جو مداخلت زیادہ تندرست ذیلی گروہ کی مدد کرے اور کمزور گروہ کے لیے کم کرے وہ پھر بھی پرکشش اوسط HR دکھاتی ہے۔ کشمکش یہ ہے کہ تقسیم در تقسیم کے لیے ڈیٹا، شماریاتی طاقت اور ناگوار تغیر دیکھنے کی آمادگی چاہیے، جبکہ واحد عدد رپورٹ کرنا سادہ اور اس کی حمایت کرنا آسان ہے۔ کوئی ایسا فیصلہ دیکھیں جو ایک خطرے کے تناسب سے چلا اور پوچھیں کہ کیا اثر کو کبھی عمر کے گروہ، ہم مرضی یا محرومی کے لحاظ سے توڑا گیا، اور کیا تجربے نے آپ کی آبادی کے اتنے لوگ بھرتی بھی کیے جو ایسی تقسیم کی تائید کریں۔ سوچیں کہ خدمت کے لائیو ہونے کے بعد آپ غیر مساوی فائدے کی نگرانی کیسے کریں گے، اسے اپنی حقیقی دنیا کی تشخیص اور مساوات کے فرائض سے جوڑتے ہوئے۔ دیانت دار جواب تسلیم کرتا ہے کہ یکساں دکھنے والا HR ایک غیر مساوی حقیقت چھپا سکتا ہے، اور وسعت سے پہلے تقسیم شدہ، مطلق تصویر دیکھنے کا عہد کرتا ہے۔

عملی مثال: صحت اور نگہداشت کی ایک مثال#

ایک مربوط نگہداشتی نظام (ICS) کو دل کی ناکامی کے مریضوں کے لیے دور سے نگرانی کی خدمت پیش کی جاتی ہے۔ فروخت کنندہ کا مرکزی دعویٰ موت یا غیر منصوبہ بند داخلے کے مرکب نتیجے کے لیے 0.72 کا خطرے کا تناسب ہے، جسے "28% کمی" بتایا گیا ہے اور جس کے ساتھ آبادی بھر میں زندگی کے برسوں کے خاطر خواہ فوائد کا پروجیکشن ہے۔

ڈیجیٹل اور طبی سربراہ اس عدد کو نتیجہ نہیں بلکہ ابتدائی سوال سمجھتے ہیں۔ وہ ماخذ مطالعہ مانگتے ہیں اور ایک واحد بے ترتیب تجربہ پاتے ہیں جس کی وسطانی فالو اپ اٹھارہ مہینے ہے، جس میں 75 سال سے کم عمر مریض بھرتی ہوئے جن کا حال ہی میں داخلہ ہوا تھا اور جنہیں کوئی نمایاں ادراکی خرابی نہیں تھی — ICS کی حقیقی دل کی ناکامی کی آبادی سے زیادہ تندرست اور جوان گروہ، جو بوڑھی اور زیادہ ہم مرض ہے۔ وہ کپلان–مائر تخمینہ کار کے منحنی مانگتے ہیں اور دیکھتے ہیں کہ دونوں لکیریں زیادہ تر پہلے چھ مہینے میں الگ ہوتی ہیں، پھر تقریباً متوازی چلتی ہیں — اس بات کا اشارہ کہ فائدہ ابتدا میں مرتکز ہے اور مستقل HR کا مفروضہ طویل افق پر متزلزل ہے۔

پھر وہ مطلق اعداد مانگتے ہیں۔ تجربے کی آبادی میں ترجمہ ہونے پر HR ایک معمولی مطلق خطرے میں کمی اور اٹھارہ مہینے میں ایک مرکب واقعہ روکنے کے لیے تقریباً 20 کی علاج کی ضرورت کی تعداد سے مطابقت رکھتا ہے — بامعنی، مگر "28% کمی" کے اشارے سے کہیں کم ڈرامائی، اور ان کی بوڑھی آبادی میں غالباً اس سے بھی کم۔ صحت-معاشیات کی ٹیم سے کہا جاتا ہے کہ اٹھارہ مہینے کے HR کو ساری زندگی پر پھیلائے بغیر اپنا ماڈل دوبارہ بنائے، اور جانچے کہ اگر ابتدائی فائدہ برقرار نہ رہے تو کیا ہوگا۔ طبی تحفظ اور معلومات کی نظامت کے سربراہ خدمت کو اس کی اپنی خوبیوں پر جانچتے ہیں (موضوع 1.6 — طبی تحفظ اور خطرات کا انتظام)۔ ICS آگے بڑھتا ہے — مگر نگرانی شدہ، مرحلہ وار نفاذ کے طور پر اپنی حقیقی دنیا کی تشخیص کے ساتھ، اور وہ اپنی ابلاغی ٹیم کو ہدایت دیتا ہے کہ اضافی سرخی کے بجائے مطلق فائدے اور دیانت دار حدود سے آغاز کرے۔ جب کوئی مقامی اخبار بعد میں "28% کے عدد" کے بارے میں پوچھتا ہے تو ICS ٹھیک ٹھیک بتا سکتا ہے کہ اس کا کیا مطلب ہے اور کیا نہیں۔

شعبہ جاتی زاویے#

HR پڑھنے والے ہر ایک پر تعبیر کا ایک ہی فرض ہے، لیکن دباؤ اور حفاظتی تدابیر ادارے کے لحاظ سے مختلف ہیں۔

اسٹارٹ اپ#

اسٹارٹ اپ کی ترغیب سب سے خوشامدی سچا عدد پیش کرنا ہے، اور اضافی خطرے کا تناسب اکثر دستیاب سب سے خوشامدی سچا عدد ہوتا ہے — اس لیے "HR 0.7" پچ ڈیک پر فالو اپ، آبادی یا مطلق فائدے کے بغیر آتا ہے جو اسے اس کے صحیح حجم میں لاتے۔ دیانت دار اور آخرکار زیادہ معتبر قدم مطلق اثر اور علاج کی ضرورت کی تعداد سے آغاز کرنا ہے، تجربے کی فالو اپ اور اخراج کو صاف بیان کرنا، اور کاروباری مقدمے میں مختصر مدتی نتائج کو ساری زندگی پر پھیلانے سے باز رہنا۔ محتاط NHS جائزہ کار اور سنجیدہ سرمایہ کار تیزی سے جانتے ہیں کہ یہ سوال پوچھنے ہیں، اس لیے جو ٹیم خود سیاق بتائے وہ مضبوط دکھتی ہے، کمزور نہیں۔ نظم و ضبط تقریباً کچھ نہیں لیتا اور بانیوں کو بعد کی زیادہ نقصان دہ اصلاح سے بچاتا ہے۔

چھوٹا کاروبار#

ایک قائم شدہ چھوٹا فراہم کنندہ — جی پی پریکٹس، کمیونٹی فارمیسی، کیئر ہوم، یا ایک مقام کا کلینک جو کوئی نگرانی کا آلہ یا سپلائر کا دعویٰ تول رہا ہو — کے پاس حقیقی مریض داؤ پر ہیں مگر کوئی اندرونی ماہرِ شماریات نہیں اور تجربہ پڑھنے کا وقت کم ہے۔ عملی خطرہ یہ ہے کہ فروخت کنندہ کا اضافی خطرے کا تناسب ظاہری قدر پر مان لیا جاتا ہے کیونکہ فالو اپ، آبادی اور مطلق فائدہ کی تشکیلِ نو کرنے والا کوئی نہیں، اور پریکٹس کی اپنی فہرست کے مقابل جانچنے کی کوئی تجزیاتی ٹیم نہیں۔ متناسب ردعمل بقا کے تجزیے میں مہارت حاصل کرنا نہیں بلکہ کسی بھی سپلائر سے تین سادہ سوال پوچھنا ہے — کتنی فالو اپ مدت میں، کن مریضوں میں، اور ایک واقعہ روکنے کے لیے ہم کتنے لوگوں کا علاج کریں گے — اور عدد کو اکیلے پرکھنے کے بجائے NICE کی رہنمائی، CCG یا ICS کے فارماسسٹ، یا ہم مرتبہ نیٹ ورک جیسے مشترکہ وسائل پر انحصار کرنا۔ جو چھوٹا فراہم کنندہ دستخط سے پہلے مطلق عدد اور تجربے کے اخراج پر اصرار کرے وہ بڑے ٹرسٹ کی شماریاتی طاقت کے بغیر اپنے مریضوں اور بجٹ کی حفاظت کرتا ہے۔

بڑا ادارہ#

NHS ٹرسٹ یا ICS کے پاس HR کی درست چھان بین کے لیے تجزیاتی صلاحیت اور مریضوں کی تعداد ہے — اور وہ جواب دہی جو اس کا تقاضا کرتی ہے، کیونکہ غلط پڑھے گئے شماریاتی عدد پر بڑے پیمانے پر نفاذ بیک وقت طبی تحفظ اور عوامی رقم کا خطرہ ہے۔ خصوصیتی ناکامی ادارہ جاتی جوش ہے: کسی قابلِ احترام معالج کا حمایت یافتہ دلکش اضافی عدد، ٹرسٹ کی اصل، اکثر بوڑھی اور زیادہ بیمار آبادی کے لیے مطلق فائدے کی تشکیلِ نو سے پہلے اپنا لیا جانا۔ تدارک ایک مستقل عادت ہے — بورڈ کے کاغذ میں ہر HR اپنی فالو اپ، آبادی، مطلق خطرے میں کمی، اور کپلان–مائر منحنی کے ساتھ آتا ہے، اور ہر پھیلاؤ اپنا مفروضہ بیان کرتا ہے۔ بڑے ادارے معمول کے ڈیٹا سے اپنے مشاہداتی HRs بھی پیدا کرتے ہیں، جہاں الجھاؤ ہمیشہ موجود خطرہ ہے اور ایڈجسٹمنٹ صریح ہونی چاہیے۔

حکومت#

قومی ادارہ — NICE، NHS انگلینڈ، یوکے ہیلتھ سیکیورٹی ایجنسی، DHSC — اکثر طے کرتا ہے کہ پورے نظام کے لیے شواہد کیسے پیش کیے جائیں، اس لیے خطرے کے تناسب کے بارے میں اس کا طرزِ عمل آبادی کے پیمانے پر عوامی فہم کو ڈھالتا ہے۔ یہاں کے فیصلے ریگولیٹری، پارلیمانی اور میڈیا کی جانچ کو کھینچتے ہیں، اور مطلق ساتھی کے بغیر نقل کیا گیا اضافی عدد لاکھوں کو گمراہ کر سکتا ہے اور بعد میں اصلاح پر اعتماد کھوکھلا کر سکتا ہے۔ فرض ہے کہ اضافی کے ساتھ مطلق شائع کیے جائیں، آبادی اور فالو اپ بیان کی جائے، اور اس بارے میں صاف گوئی ہو کہ متناسب خطرات کا مفروضہ اور مختصر تجربے کے افق کیا دعوے کرنے سے روکتے ہیں۔ اس پیمانے پر دیانت دار پیشکش مہربانی نہیں بلکہ مساوات کا آلہ ہے: ایک واحد HR میں یکساں دکھنے والا فائدہ عمر اور محرومی میں غیر مساوی گر سکتا ہے، اور صرف تقسیم شدہ، مطلق تصویر اسے ظاہر کرتی ہے۔

عام ناکامی کے طریقے#

• صرف اضافی رپورٹنگ۔ مطلق خطرے میں کمی یا علاج کی ضرورت کی تعداد کے بغیر "28% کمی" نقل کرنا۔ تدارک: ہر اضافی پیمانے کو اس کے مطلق ساتھی سے جوڑیں اور عوامی پیغام کا آغاز مطلق سے کریں۔
• ساری زندگی پر پھیلاؤ۔ معاشی ماڈل یا اخباری سطر میں مختصر تجربے کے HR کو دہائیوں پر پھیلانا۔ تدارک: صرف شواہد کے افق تک ماڈل بنائیں، اور اس سے آگے ہر مفروضے کا نام لیں۔
• آبادی کو نظر انداز کرنا۔ تجربے کا HR ان بوڑھے، زیادہ بیمار یا زیادہ محروم گروہوں پر لگانا جنہیں تجربے نے خارج کیا۔ تدارک: شمولیت اور اخراج کے معیارات کو اپنی حقیقی آبادی کے مقابل جانچیں۔
• مستقل مزاجی فرض کرنا۔ ایک HR کو ہر عمر اور وقت کے نقطے پر درست سمجھنا۔ تدارک: کٹتی یا ملتی لکیروں کے لیے کپلان–مائر منحنی کا معائنہ کریں۔
• اہمیت کو اہمیت سمجھ بیٹھنا۔ شماریاتی طور پر اہم HR پر عمل کرنا جس کا اثر طبی طور پر معمولی ہو۔ تدارک: حجم کو الگ سے جانچیں، طبی اور مریض کی رائے کے ساتھ۔
• مشاہداتی HRs پر بلا سوچے بھروسا۔ الجھاؤ کے بارے میں پوچھے بغیر حقیقی دنیا کے HR کو علّتی پڑھنا۔ تدارک: پوچھیں کس کے لیے ایڈجسٹ ہوا اور کیا غیر ناپے الجھاؤ ممکن ہیں۔
• اعداد کی دھلائی۔ HR کو اس کے اصل سیاق سے نکال کر آفاقی سمجھ کر دوبارہ استعمال کرنا۔ تدارک: ہر حوالہ دیے گئے عدد کو اس کے ماخذ مطالعے اور اختتامی نقطے تک دیکھیں۔

پختگی کا ماڈل#

جانچ فہرست#

• ہر خطرے کا تناسب اپنی فالو اپ کی لمبائی اور تجربے کے شمولیت اور اخراج کے معیارات کے ساتھ آتا ہے۔
• ہر اضافی پیمانہ (HR، اضافی خطرہ) مطلق خطرے میں کمی اور علاج کی ضرورت کی تعداد سے جوڑا گیا ہے۔
• اثر کی شکل اور کسی بھی کٹنے یا ملنے کے لیے کپلان–مائر منحنی کا جائزہ لیا جاتا ہے۔
• عمل سے پہلے تجربے کی آبادی کو آپ کی حقیقی، مقامی آبادی کے مقابل جانچا گیا ہے۔
• کوئی مختصر مدتی HR صریح بیان کردہ مفروضے کے بغیر ساری زندگی تک نہیں پھیلایا جاتا۔
• شماریاتی اور طبی اہمیت کو الگ دروازوں کے طور پر جانچا جاتا ہے۔
• مشاہداتی HRs کی الجھاؤ اور ایڈجسٹمنٹ کے لیے جانچ کی جاتی ہے۔
• ہر حوالہ دیا گیا HR اپنے ماخذ مطالعے، اختتامی نقطے اور فالو اپ تک دیکھا گیا ہے۔
• عوامی اور بورڈ کے ابلاغ کا آغاز مطلق فائدے اور دیانت دار حدود سے ہوتا ہے۔

کلیدی ماخذ#

• وکی پیڈیا — Hazard ratio, Proportional hazards model, Survival analysis (بنیادی تعریفیں)۔
• BMJ / The BMJ Statistics Notes سلسلہ — ڈگلس آلٹمین اور جے مارٹن بلینڈ — خطرے کے تناسب، بقا کے منحنی، اور مطلق بمقابلہ اضافی خطرے کی سادہ وضاحتیں۔
• ڈیوڈ اسپیگل ہالٹر — The Art of Statistics: Learning from Data (Pelican, 2019) — اضافی اور مطلق خطرے کو دیانت داری سے بیان کرنے پر۔
• گرڈ گیگرینزر وغیرہ — Helping Doctors and Patients Make Sense of Health Statistics (Psychological Science in the Public Interest, 2007) — اس پر کہ اضافی اعداد کیوں گمراہ کرتے ہیں۔
• Cochrane — Handbook for Systematic Reviews of Interventions — اثر کے پیمانوں کی تعبیر پر۔
• dynomight — خطرے کے تناسب اور متوقع عمر پر مضمون (dynomight.net) — روسی رولیٹ کی وجدان کہ اضافی کمیاں زندگی کے برسوں کے برابر کیوں نہیں، اور مداخلتوں کے مختلف عمروں میں مختلف خطرے کے تناسب کیوں ہوتے ہیں۔
• Equator Network — CONSORT رپورٹنگ رہنما اصول — اس پر کہ تجربے کے اثرات، بشمول وقت-تا-واقعہ نتائج، کیسے رپورٹ ہونے چاہییں۔

حوالہ جات#

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/