পরিসংখ্যানে টিকে থাকার বিশ্লেষণ

পরিসংখ্যানে টিকে থাকার বিশ্লেষণ

সারভাইভাল অ্যানালাইসিস হলো পরিসংখ্যানের একটি শাখা যা কোনো একটি ঘটনা ঘটার পূর্ব পর্যন্ত সময়কে মডেলিং ও বিশ্লেষণ করার উপর আলোকপাত করে। এই ঘটনাটি হতে পারে একজন রোগীর মৃত্যু, রোগের পুনরাবৃত্তি, যন্ত্রাংশের বিকলতা, গ্রাহক হারানো, অথবা একজন চাকরিপ্রার্থীর চাকরি পাওয়ার পূর্ব পর্যন্ত সময়। অন্যান্য পরিসংখ্যানগত কৌশলের তুলনায় সারভাইভাল অ্যানালাইসিসের প্রধান সুবিধা হলো সেন্সরিং-এর কারণে সৃষ্ট অসম্পূর্ণ ডেটা সামলানোর ক্ষমতা। সেন্সরিং হলো যখন কোনো ঘটনা পর্যবেক্ষণকালের শেষ পর্যন্ত ঘটে না অথবা সম্পূর্ণরূপে পর্যবেক্ষণ করা হয় না।

চিকিৎসা গবেষণায়, বেঁচে থাকার সময়ের উপর ভিত্তি করে বিভিন্ন থেরাপির কার্যকারিতা তুলনা করতে; প্রকৌশলে, যন্ত্রাংশের আয়ুষ্কাল অনুমান করতে; এবং ব্যবসায়, গ্রাহক ধরে রাখার হার পূর্বাভাস দিতে প্রায়শই সারভাইভাল অ্যানালাইসিস ব্যবহৃত হয়। সম্ভাবনা, ননপ্যারামেট্রিক এস্টিমেশন এবং রিগ্রেশন মডেলের ধারণাগুলোকে একত্রিত করে, ডেটা-নির্ভর সিদ্ধান্ত গ্রহণের ক্ষেত্রে সারভাইভাল অ্যানালাইসিস একটি অত্যন্ত গুরুত্বপূর্ণ হাতিয়ারে পরিণত হয়।

মৌলিক ধারণা: ঘটনার সময় এবং সেন্সরিং

সারভাইভাল অ্যানালাইসিসের মূলে রয়েছে একটি র‍্যান্ডম ভ্যারিয়েবল \(T\), যা কোনো একটি ঘটনা ঘটার পূর্ব পর্যন্ত সময়কে নির্দেশ করে। উদাহরণস্বরূপ, \(T\) হতে পারে থেরাপির পর থেকে একজন রোগীর রোগ পুনরায় ফিরে আসার দিন সংখ্যা। তবে, গবেষকরা প্রায়শই \(T\)-কে সম্পূর্ণরূপে পর্যবেক্ষণ করেন না। সেন্সরিং-এর কয়েকটি সাধারণ ধরন রয়েছে:

১. রাইট সেন্সরিং: এটি প্রায়শই ঘটে, উদাহরণস্বরূপ, যখন একজন রোগী গবেষণার শেষ পর্যন্ত কোনো ঘটনার সম্মুখীন হন না, অথবা যখন রোগী গবেষণা থেকে বাদ পড়ে যান। আমরা শুধু জানি যে \(T\) সর্বশেষ পর্যবেক্ষণ করা সময়ের চেয়ে বেশি।
২. লেফট সেন্সরিং (বাম সেন্সর): ঘটনাটি পর্যবেক্ষণ শুরুর আগে ঘটেছিল, কিন্তু এর সঠিক সময় অজানা।
৩. সেন্সরিং ইন্টারভাল: ঘটনাটি দুটি পর্যবেক্ষণ সময়ের মধ্যে ঘটেছে বলে জানা যায় (যেমন, একজন রোগীকে মাসিক পরীক্ষা করা হয় এবং ঘটনাটি ২য় ও ৩য় মাসের মধ্যে ঘটেছে বলে জানা যায়)।

বেশিরভাগ জনপ্রিয় মৌলিক পদ্ধতি (যেমন কাপলান-মেয়ার এবং কক্স মডেল) রাইট সেন্সরিং-এর ক্ষেত্রে আলোকপাত করে।

বেঁচে থাকা এবং বিপদের কার্যাবলী

সারভাইভাল অ্যানালাইসিস দুটি প্রধান ফাংশন ব্যবহার করে:

১) বেঁচে থাকার কার্যকারিতা
সারভাইভাল ফাংশনটি নিম্নরূপে সংজ্ঞায়িত করা হয়:
\[
S(t) = P(T > t)
\]
অর্থাৎ, \(S(t)\) হলো কোনো ব্যক্তি/বস্তুর \(t\) সময় পার হওয়ার পরেও টিকে থাকার সম্ভাবনা। উদাহরণস্বরূপ, \(S(12)=0{,}80\)-কে এভাবে ব্যাখ্যা করা যেতে পারে যে, ১২ মাসের মধ্যে ৮০% অংশগ্রহণকারীর ক্ষেত্রে ঘটনাটি ঘটবে না বলে আশা করা যায়।

২) ঝুঁকি ফাংশন
হ্যাজার্ড ফাংশন (ঝুঁকির হার) কোনো একটি ঘটনার ‘এখনকার’ ঝুঁকি বর্ণনা করে, যদি ব্যক্তিটি সেই সময় পর্যন্ত বেঁচে থাকে:
\[
h(t) = \lim_{\Delta t \to 0} \frac{P(t \le T < t+\Delta t \mid T \ge t)}{\Delta t} \] হ্যাজার্ড কোনো সম্ভাবনা নয়, বরং একটি হার। চিকিৎসাবিজ্ঞানের প্রেক্ষাপটে, উচ্চতর হ্যাজার্ডের অর্থ হলো বেঁচে থাকা ব্যক্তিদের জন্য সেই সময়ে কোনো ঘটনা ঘটার ঝুঁকি বেশি। এই দুটি ধারণার মধ্যে সম্পর্কটি হলো: \[ S(t)=\exp\left(-\int_0^th(u)\,du\right) \] এই সম্পর্কটি গুরুত্বপূর্ণ কারণ কিছু মডেল হ্যাজার্ডের উপর মনোযোগ দেয় এবং তারপর সারভাইভালকে অবমূল্যায়ন করে, অথবা এর বিপরীতটিও করে। ননপ্যারামেট্রিক এস্টিমেশন: কাপলান-মেয়ার সারভাইভাল অ্যানালাইসিসের অন্যতম সুপরিচিত একটি পদ্ধতি হলো কাপলান-মেয়ার এস্টিমেটর, যা কোনো নির্দিষ্ট ডিস্ট্রিবিউশন অনুমান না করেই সারভাইভাল ফাংশনের একটি ননপ্যারামেট্রিক এস্টিমেট। এই এস্টিমেটর প্রতিটি ইভেন্ট টাইমে বেঁচে থাকার সম্ভাবনার গুণফল হিসেবে একটি সারভাইভাল কার্ভ তৈরি করে। ধারণাগতভাবে, কাপলান-মেয়ার গণনা করে: - প্রতিটি ঘটনা ঘটার সময় \(t_i\)-তে, - \(d_i\) = \(t_i\)-তে ঘটা ঘটনার সংখ্যা, - \(n_i\) = \(t_i\)-এর ঠিক আগে “ঝুঁকিতে থাকা” ব্যক্তির সংখ্যা, তারপর: \[ \hat{S}(t) = \prod_{t_i \le t}\left(1 - \frac{d_i}{n_i}\right) \] কাপলান-মেয়ারের সুবিধাগুলো হলো: - সারভাইভাল কার্ভের মাধ্যমে এর ব্যাখ্যা করা সহজ, - এটি রাইট সেন্সরিং সামলাতে পারে, - ডেটা অন্বেষণ এবং গ্রুপ তুলনার জন্য উপযোগী। তবে, কাপলান-মেয়ার মূলত বর্ণনামূলক। দুটি সারভাইভাল কার্ভ তাৎপর্যপূর্ণভাবে ভিন্ন কিনা তা পরীক্ষা করার জন্য প্রায়শই লগ-র‍্যাঙ্ক টেস্ট ব্যবহার করা হয়। গ্রুপ তুলনা: লগ-র‍্যাঙ্ক টেস্ট। দুই (বা ততোধিক) গ্রুপের মধ্যে, যেমন থেরাপি গ্রুপ A বনাম থেরাপি গ্রুপ B, বেঁচে থাকার হারে কোনো পার্থক্য আছে কিনা, সেই হাইপোথিসিসটি পরীক্ষা করার জন্য লগ-র‍্যাঙ্ক টেস্ট ব্যবহার করা হয়। এই পরীক্ষাটি প্রতিটি ঘটনার সময়ে, ঝুঁকিতে থাকা অংশগ্রহণকারীদের সংখ্যা বিবেচনায় রেখে, “পর্যবেক্ষিত” ঘটনার সংখ্যার সাথে “প্রত্যাশিত” সংখ্যার তুলনা করে।

লগ-র‍্যাঙ্ক তখনই কার্যকর হয় যখন গ্রুপগুলোর মধ্যে অনুমিত হ্যাজার্ডের পার্থক্য সময়ের সাথে সাথে তুলনামূলকভাবে স্থির থাকে। যদি হ্যাজার্ডগুলো পরস্পরকে অতিক্রম করে, তবে এর ব্যাখ্যা আরও জটিল হয়ে ওঠে এবং বিকল্প পরীক্ষা বিবেচনা করা যেতে পারে। রিগ্রেশন মডেল: কক্স প্রপোর্শনাল হ্যাজার্ডস। যখন গবেষকরা অনেকগুলো কোভ্যারিয়েট (বয়স, লিঙ্গ, বায়োমার্কার, চিকিৎসার ধরন, ইত্যাদি) অন্তর্ভুক্ত করতে চান, তখন সবচেয়ে প্রচলিত পদ্ধতি হলো কক্স প্রপোর্শনাল হ্যাজার্ডস মডেল। কক্স মডেলটি কোভ্যারিয়েট \(X\) সহ স্বতন্ত্র হ্যাজার্ডকে এভাবে প্রকাশ করে: \[ h(t \mid X) = h_0(t)\exp(\beta^\top X) \] যেখানে: - \(h_0(t)\) হলো বেসলাইন হ্যাজার্ড (এর ফর্ম নির্দিষ্ট করার প্রয়োজন নেই), - \(\beta\) হলো অনুমিতব্য প্যারামিটার। কক্স মডেলের মূল ব্যাখ্যা হ্যাজার্ড রেশিও (HR) এর মাধ্যমে করা হয়: \[ HR = \exp(\beta) \]। যদি \(HR = 1{,}5\) হয়, তাহলে একটি নির্দিষ্ট কোভ্যারিয়েটযুক্ত গ্রুপের হ্যাজার্ড রেফারেন্স গ্রুপের চেয়ে ১.৫ গুণ (৫০% বেশি) হয়, এই শর্তে যে অন্যান্য কোভ্যারিয়েটগুলো স্থির থাকবে। কক্স মডেলের সুবিধাগুলো হলো: - এটি নমনীয় কারণ এর জন্য \(h_0(t))\) এর কোনো বিশেষ ডিস্ট্রিবিউশন ফর্মের প্রয়োজন হয় না, - এতে অনেক কোভ্যারিয়েট অন্তর্ভুক্ত করা যায়, - হ্যাজার্ড রেশিওর মাধ্যমে এর ব্যাখ্যা তুলনামূলকভাবে সহজ। কক্স মডেলের প্রধান চ্যালেঞ্জ হলো প্রপোর্শনাল হ্যাজার্ডস অ্যাজাম্পশন, অর্থাৎ, গ্রুপগুলোর মধ্যে হ্যাজার্ডের অনুপাত সময়ের সাথে সাথে স্থির থাকে বলে ধরে নেওয়া হয়। এই অ্যাজাম্পশনটি নিম্নলিখিত উপায়ে যাচাই করা যেতে পারে: - গ্রুপগুলোর মধ্যে log(-log(S(t))) এর গ্রাফের মাধ্যমে, - শোয়েনফেল্ড রেসিডুয়ালের মাধ্যমে, - যদি অ্যাজাম্পশনটি পূরণ না হয় তবে টাইম-ভ্যারিইং কোভ্যারিয়েটস পদ্ধতির মাধ্যমে। প্যারামেট্রিক মডেল: এক্সপোনেনশিয়াল, ওয়েইবুল এবং অন্যান্য। সেমিপ্যারামেট্রিক কক্স মডেলের মতো নয়, প্যারামেট্রিক মডেলগুলো সারভাইভাল টাইমের জন্য একটি নির্দিষ্ট ডিস্ট্রিবিউশন ফর্ম ধরে নেয়, যেমন: - এক্সপোনেনশিয়াল: হ্যাজার্ড সময়ের সাথে সাথে স্থির থাকে, - ওয়েইবুল: হ্যাজার্ড বাড়তে বা কমতে পারে, - লগ-নরমাল এবং লগ-লজিস্টিক: নন-মনোটোনিক হ্যাজার্ড প্যাটার্নের জন্য উপযোগী। প্যারামেট্রিক মডেলগুলো নিম্নলিখিত ক্ষেত্রে উৎকৃষ্ট: - দীর্ঘমেয়াদী পূর্বাভাস, - গড় সারভাইভালের মতো পরিমাণের অনুমান (যখন সংজ্ঞায়িত থাকে), - ডিস্ট্রিবিউশনের অনুমানগুলো সঠিক হলে কার্যকারিতা। তবে, ডিস্ট্রিবিউশনের অনুমানগুলো ভুল হলে ফলাফল বায়াসড হতে পারে। তাই, মডেল নির্বাচনের ক্ষেত্রে ডায়াগনস্টিকস, AIC/BIC এবং কার্ভ ফিট বিবেচনা করা প্রয়োজন। বিভিন্ন ক্ষেত্রে ব্যবহারিক প্রয়োগ ১. স্বাস্থ্য ও মহামারীবিদ্যা: মৃত্যুর সময়, ক্যান্সারের পুনরাবৃত্তি, আরোগ্য বা রোগের পুনরাবির্ভাবের সময়, চিকিৎসার মূল্যায়ন। ২. প্রকৌশল ও নির্ভরযোগ্যতা: যন্ত্রাংশ বিকল হওয়ার সময়, ওয়ারেন্টি বিশ্লেষণ, রক্ষণাবেক্ষণ পরিকল্পনা। ৩. ব্যবসা ও বিপণন: গ্রাহক হারানোর সময়, পুনরায় কেনার সময়, অ্যাপ্লিকেশন ব্যবহারকারী ধরে রাখা। ৪. সামাজিক ও অর্থনৈতিক: বেকারত্বের সময়কাল, বিবাহের সময়, স্নাতক হওয়া পর্যন্ত অধ্যয়নের সময়কাল। সঠিক ডেটার সাহায্যে, সারভাইভাল অ্যানালাইসিস সংস্থাগুলোকে একটি সিস্টেমের স্থিতিস্থাপকতার গতিশীলতা এবং যে কারণগুলো ঘটনা ঘটার গতি বাড়ায় বা কমায়, তা বুঝতে সাহায্য করে। সারভাইভাল অ্যানালাইসিস অনুশীলনের গুরুত্বপূর্ণ বিষয়সমূহ একটি নির্ভুল এবং নির্ভরযোগ্য বিশ্লেষণের জন্য বেশ কিছু বিষয় বিবেচনা করা প্রয়োজন: - ঘটনাটিকে স্পষ্টভাবে সংজ্ঞায়িত করুন: উদাহরণস্বরূপ, "ব্যর্থতা" অবশ্যই সামঞ্জস্যপূর্ণ হতে হবে (এর মধ্যে কি সামান্য ক্ষতি অন্তর্ভুক্ত?)। - সময়ের উৎস নির্ধারণ করুন: উদাহরণস্বরূপ, রোগ নির্ণয়ের সময় থেকে, থেরাপি শুরুর সময় থেকে, বা যন্ত্রাংশ স্থাপনের সময় থেকে। - সেন্সরিং অ-তথ্যপূর্ণ হওয়া উচিত: আদর্শগতভাবে, কোভ্যারিয়েটগুলো নিয়ন্ত্রণ করার পর সেন্সরড হওয়ার সম্ভাবনা ঘটনার ঝুঁকির থেকে স্বাধীন। যদি সেন্সরিং তথ্যপূর্ণ হয়, তবে একটি বিশেষ পদ্ধতির প্রয়োজন। - ডেটার গুণমান এবং ফলো-আপ: ফলো-আপ ডেটার অভাব সিদ্ধান্তে প্রভাব ফেলতে পারে। - মডেল ডায়াগনস্টিকস: কক্স মডেলের জন্য প্রপোর্শনাল হ্যাজার্ডস অ্যাজাম্পশন অথবা প্যারামেট্রিক মডেলের জন্য ডিস্ট্রিবিউশনাল ফিট পরীক্ষা করুন। উপসংহার সারভাইভাল অ্যানালাইসিস হলো কোনো ঘটনা ঘটার সময় অধ্যয়নের জন্য একটি শক্তিশালী পরিসংখ্যানগত পদ্ধতি, বিশেষ করে যখন ডেটাতে সেন্সরিং থাকে। কাপলান-মেয়ার টেস্ট, লগ-র‍্যাঙ্ক টেস্ট, কক্স প্রপোর্শনাল হ্যাজার্ডস মডেল এবং প্যারামেট্রিক মডেলের মতো টুল ব্যবহার করে গবেষকরা সারভাইভাল প্রোবাবিলিটি অনুমান করতে, বিভিন্ন গ্রুপের মধ্যে তুলনা করতে এবং কোনো ঘটনার ঝুঁকির উপর কোভ্যারিয়েটগুলোর প্রভাব মূল্যায়ন করতে পারেন। সারভাইভাল এবং হ্যাজার্ডের ধারণাগুলো বোঝা, সেইসাথে মডেলের অনুমান এবং ডেটার গুণমান সম্পর্কে সতর্ক বিবেচনা, বিভিন্ন ক্ষেত্রে সিদ্ধান্ত গ্রহণের জন্য উপযোগী নির্ভরযোগ্য সারভাইভাল অ্যানালাইসিস ফলাফল নিশ্চিত করার চাবিকাঠি। আপনি চাইলে, আমি এই নিবন্ধটির একটি আরও অ্যাকাডেমিক সংস্করণ (রেফারেন্স সহ) প্রদান করতে পারি, অথবা কাপলান-মেয়ার কার্ভের গণনা ও চিত্র এবং হ্যাজার্ড রেশিওর ব্যাখ্যার উদাহরণ অন্তর্ভুক্ত করতে পারি।