خبریں

بے ترتیب کنٹرول ٹرائلز (RCTS) علاج کی حفاظت اور افادیت کا جائزہ لینے کے لیے سونے کا معیار ہیں۔ تاہم، بعض صورتوں میں، RCT قابل عمل نہیں ہے، اس لیے کچھ اسکالرز نے RCT کے اصول کے مطابق مشاہداتی مطالعات کو ڈیزائن کرنے کا طریقہ پیش کیا، یعنی "ٹارگٹ تجربہ سمولیشن" کے ذریعے، مشاہداتی مطالعات کو RCT میں نقل کیا جاتا ہے تاکہ اس کی درستگی کو بہتر بنایا جا سکے۔

بے ترتیب کنٹرول ٹرائلز (RCTS) طبی مداخلتوں کی نسبتہ حفاظت اور افادیت کا جائزہ لینے کے لیے معیار ہیں۔ اگرچہ وبائی امراض کے مطالعے اور طبی ڈیٹا بیس (بشمول الیکٹرانک میڈیکل ریکارڈ [EHR] اور طبی دعووں کے ڈیٹا) کے مشاہداتی ڈیٹا کے تجزیوں میں بڑے نمونے کے سائز، ڈیٹا تک بروقت رسائی، اور "حقیقی دنیا" کے اثرات کا اندازہ لگانے کی صلاحیت کے فوائد ہیں، یہ تجزیے تعصب کا شکار ہیں جو ان کے پیش کردہ ثبوت کی طاقت کو کمزور کرتے ہیں۔ ایک طویل عرصے سے، نتائج کی درستگی کو بہتر بنانے کے لیے RCT کے اصولوں کے مطابق مشاہداتی مطالعات کو ڈیزائن کرنے کی تجویز دی گئی ہے۔ متعدد طریقہ کار طریقے ہیں جو مشاہداتی اعداد و شمار سے کارآمد نتائج اخذ کرنے کی کوشش کرتے ہیں، اور محققین کی ایک بڑھتی ہوئی تعداد مشاہداتی مطالعات کے ڈیزائن کو فرضی آر سی ٹی ایس پر "ٹارگٹ ٹرائل سمولیشن" کے ذریعے نقل کر رہی ہے۔

ٹارگٹ ٹرائل سمولیشن فریم ورک کا تقاضا ہے کہ مشاہداتی مطالعات کا ڈیزائن اور تجزیہ فرضی RCTS کے مطابق ہو جو اسی تحقیقی سوال کو حل کرتے ہیں۔ اگرچہ یہ نقطہ نظر ڈیزائن، تجزیہ، اور رپورٹنگ کے لیے ایک منظم نقطہ نظر فراہم کرتا ہے جس میں مشاہداتی مطالعات کے معیار کو بہتر بنانے کی صلاحیت موجود ہے، اس طرح سے کیے جانے والے مطالعے اب بھی متعدد ذرائع سے تعصب کا شکار ہیں، بشمول غیر مشاہدہ شدہ کوواریٹس کے الجھاؤ اثرات۔ اس طرح کے مطالعے کے لیے تفصیلی ڈیزائن عناصر، الجھنے والے عوامل کو حل کرنے کے لیے تجزیاتی طریقوں، اور حساسیت کے تجزیہ کی رپورٹس کی ضرورت ہوتی ہے۔
ٹارگٹ ٹرائل سمولیشن اپروچ کا استعمال کرتے ہوئے اسٹڈیز میں، محققین نے ایک فرضی RCTS سیٹ کیا جو مثالی طور پر کسی خاص تحقیقی مسئلے کو حل کرنے کے لیے انجام دیا جائے گا، اور پھر مشاہداتی اسٹڈی ڈیزائن کے عناصر کو سیٹ کریں جو اس "ٹارگٹ ٹیسٹ" RCTS سے مطابقت رکھتے ہوں۔ ضروری ڈیزائن کے عناصر میں اخراج کے معیار کو شامل کرنا، شرکاء کا انتخاب، علاج کی حکمت عملی، علاج کی تفویض، فالو اپ کا آغاز اور اختتام، نتائج کے اقدامات، افادیت کی تشخیص، اور شماریاتی تجزیہ پلان (SAP) شامل ہیں۔ مثال کے طور پر، Dickerman et al. نے ٹارگٹ ٹرائل سمولیشن فریم ورک کا استعمال کیا اور SARS-CoV-2 انفیکشنز، ہسپتال میں داخل ہونے اور اموات کو روکنے میں BNT162b2 اور mRNA-1273 ویکسینز کی تاثیر کا موازنہ کرنے کے لیے امریکی محکمہ ویٹرنز افیئرز (VA) سے EHR ڈیٹا کا استعمال کیا۔

ٹارگٹ ٹرائل کے تخروپن کی کلید یہ ہے کہ "ٹائم صفر" مقرر کیا جائے، جس وقت میں حصہ لینے والوں کی اہلیت کا اندازہ لگایا جاتا ہے، علاج تفویض کیا جاتا ہے، اور فالو اپ شروع کیا جاتا ہے۔ VA Covid-19 ویکسین کے مطالعہ میں، وقت صفر کو ویکسین کی پہلی خوراک کی تاریخ کے طور پر بیان کیا گیا تھا۔ اہلیت کا تعین کرنے، علاج تفویض کرنے، اور ٹائم صفر پر فالو اپ شروع کرنے کے لیے وقت کو یکجا کرنا تعصب کے اہم ذرائع کو کم کرتا ہے، خاص طور پر فالو اپ شروع کرنے کے بعد علاج کی حکمت عملیوں کا تعین کرنے میں لافانی وقت کا تعصب، اور علاج تفویض کرنے کے بعد فالو اپ شروع کرنے میں انتخاب کا تعصب۔ VA میں
CoVID-19 ویکسین کے مطالعہ میں، اگر شرکاء کو اس بنیاد پر تجزیہ کے لیے علاج کے گروپ کو تفویض کیا گیا تھا کہ انہیں ویکسین کی دوسری خوراک کب ملی تھی، اور ویکسین کی پہلی خوراک کے وقت فالو اپ شروع کیا گیا تھا، تو موت کے وقت کا تعصب نہیں تھا۔ اگر علاج کے گروپ کو ویکسین کی پہلی خوراک کے وقت تفویض کیا جاتا ہے اور ویکسین کی دوسری خوراک کے وقت فالو اپ شروع ہوتا ہے تو انتخاب میں تعصب پیدا ہوتا ہے کیونکہ صرف وہی لوگ شامل ہوں گے جنہوں نے ویکسین کی دو خوراکیں حاصل کی تھیں۔

ٹارگٹ ٹرائل سمولیشن ایسے حالات سے بچنے میں بھی مدد کرتے ہیں جہاں علاج کے اثرات واضح طور پر بیان نہیں کیے جاتے، مشاہداتی مطالعات میں ایک عام مشکل۔ VA CoVID-19 ویکسین کے مطالعہ میں، محققین نے بنیادی خصوصیات کی بنیاد پر شرکاء کو ملایا اور 24 ہفتوں میں نتائج کے خطرے میں فرق کی بنیاد پر علاج کی تاثیر کا اندازہ کیا۔ یہ نقطہ نظر واضح طور پر افادیت کے تخمینے کو متوازن بنیادی خصوصیات کے ساتھ ویکسین شدہ آبادیوں کے درمیان کوویڈ 19 کے نتائج میں فرق کے طور پر بیان کرتا ہے، اسی مسئلے کے لیے RCT کی افادیت کے تخمینے کی طرح۔ جیسا کہ مطالعہ کے مصنفین نے نشاندہی کی ہے، دو ایک جیسی ویکسین کے نتائج کا موازنہ ٹیکے لگوانے والے اور غیر ویکسین والے لوگوں کے نتائج کا موازنہ کرنے کے مقابلے میں الجھنے والے عوامل سے کم متاثر ہو سکتا ہے۔

یہاں تک کہ اگر عناصر کامیابی کے ساتھ RCTS کے ساتھ منسلک ہو گئے ہیں، ٹارگٹ ٹرائل سمولیشن فریم ورک کا استعمال کرتے ہوئے مطالعہ کی درستگی کا انحصار مفروضوں، ڈیزائن اور تجزیہ کے طریقوں اور بنیادی ڈیٹا کے معیار پر ہوتا ہے۔ اگرچہ RCT کے نتائج کی درستگی ڈیزائن اور تجزیہ کے معیار پر بھی منحصر ہے، لیکن مشاہداتی مطالعات کے نتائج کو بھی الجھانے والے عوامل سے خطرہ لاحق ہے۔ غیر ترتیب شدہ مطالعات کے طور پر، مشاہداتی مطالعات RCTS جیسے الجھنے والے عوامل سے محفوظ نہیں ہیں، اور شرکاء اور معالجین نابینا نہیں ہیں، جو نتائج کی تشخیص اور مطالعہ کے نتائج کو متاثر کر سکتے ہیں۔ VA Covid-19 ویکسین کے مطالعہ میں، محققین نے شرکاء کے دو گروہوں کی بنیادی خصوصیات کی تقسیم کو متوازن کرنے کے لیے جوڑا بنانے کا طریقہ استعمال کیا، بشمول عمر، جنس، نسل، اور شہرییت کی ڈگری جہاں وہ رہتے تھے۔ دیگر خصوصیات کی تقسیم میں فرق، جیسے پیشہ، کووڈ-19 انفیکشن کے خطرے سے بھی منسلک ہو سکتا ہے اور یہ بقایا کنفاؤنڈرز ہوں گے۔

ٹارگٹ ٹرائل سمولیشن طریقوں کا استعمال کرتے ہوئے بہت سے مطالعات "حقیقی دنیا کے ڈیٹا" (RWD) کو استعمال کرتے ہیں، جیسے EHR ڈیٹا۔ RWD کے فوائد میں روایتی نگہداشت میں بروقت، توسیع پذیر، اور علاج کے نمونوں کا عکاس ہونا شامل ہے، لیکن ڈیٹا کوالٹی کے مسائل کے خلاف وزن کیا جانا چاہیے، بشمول ڈیٹا کی کمی، غلط اور متضاد شناخت اور شرکاء کی خصوصیات اور نتائج کی تعریف، علاج کی متضاد انتظامیہ، فالو اپ تشخیص کی مختلف تعدد، اور مختلف صحت کی دیکھ بھال کے نظام تک رسائی کے مختلف حصوں کے درمیان نقصان۔ VA مطالعہ نے ایک واحد EHR سے ڈیٹا استعمال کیا، جس نے ڈیٹا کی عدم مطابقت کے بارے میں ہمارے خدشات کو کم کیا۔ تاہم، اشارے کی نامکمل تصدیق اور دستاویزات، بشمول کموربیڈیٹیز اور نتائج، ایک خطرہ بنی ہوئی ہے۔
تجزیاتی نمونوں میں شرکت کنندگان کا انتخاب اکثر سابقہ ​​اعداد و شمار پر مبنی ہوتا ہے، جو بنیادی معلومات کی کمی والے لوگوں کو چھوڑ کر انتخاب میں تعصب کا باعث بن سکتا ہے۔ اگرچہ یہ مسائل مشاہداتی مطالعات کے لیے منفرد نہیں ہیں، لیکن یہ بقایا تعصب کے ذرائع ہیں جن کا ہدف ٹرائل سمولیشنز براہ راست حل نہیں کر سکتے۔ اس کے علاوہ، مشاہداتی مطالعات اکثر پہلے سے رجسٹرڈ نہیں ہوتے ہیں، جو ڈیزائن کی حساسیت اور اشاعت کے تعصب جیسے مسائل کو بڑھا دیتے ہیں۔ چونکہ مختلف ڈیٹا کے ذرائع، ڈیزائن، اور تجزیہ کے طریقے بہت مختلف نتائج دے سکتے ہیں، اس لیے اسٹڈی ڈیزائن، تجزیہ کا طریقہ، اور ڈیٹا سورس کے انتخاب کی بنیاد پہلے سے طے ہونی چاہیے۔

ٹارگٹ ٹرائل سمولیشن فریم ورک کا استعمال کرتے ہوئے اسٹڈیز کے انعقاد اور رپورٹنگ کے لیے رہنما خطوط موجود ہیں جو اسٹڈی کے معیار کو بہتر بناتے ہیں اور اس بات کو یقینی بناتے ہیں کہ رپورٹ کافی تفصیلی ہے تاکہ قاری اس کا تنقیدی جائزہ لے سکے۔ سب سے پہلے، تحقیقی پروٹوکول اور SAP کو ڈیٹا کے تجزیہ سے پہلے پیشگی تیار کرنا چاہیے۔ SAP میں کنفاؤنڈرز کی وجہ سے تعصب سے نمٹنے کے لیے تفصیلی شماریاتی طریقے شامل ہونے چاہئیں، ساتھ ہی حساسیت کے تجزیے تاکہ تعصب کے بڑے ذرائع جیسے کنفاؤنڈرز اور گمشدہ ڈیٹا کے خلاف نتائج کی مضبوطی کا اندازہ لگایا جا سکے۔

عنوان، خلاصہ، اور طریقوں کے سیکشن کو یہ واضح کرنا چاہیے کہ مطالعہ کا ڈیزائن RCTS کے ساتھ الجھن سے بچنے کے لیے ایک مشاہداتی مطالعہ ہے، اور اسے مشاہداتی مطالعات کے درمیان فرق کرنا چاہیے جو کرائے گئے ہیں اور فرضی ٹرائلز جن کی نقل کرنے کی کوشش کی جا رہی ہے۔ محقق کو معیار کے اقدامات کی وضاحت کرنی چاہیے جیسے کہ ڈیٹا کا ذریعہ، ڈیٹا کے عناصر کی وشوسنییتا اور درستگی، اور اگر ممکن ہو تو، ڈیٹا سورس کا استعمال کرتے ہوئے دیگر شائع شدہ مطالعات کی فہرست بنائیں۔ تفتیش کار کو ٹارگٹ ٹرائل کے ڈیزائن عناصر اور اس کے مشاہداتی تخروپن کا خاکہ بھی فراہم کرنا چاہیے، نیز اس بات کا واضح اشارہ کہ اہلیت کا تعین کب کرنا ہے، فالو اپ شروع کرنا ہے، اور علاج تفویض کرنا ہے۔
ٹارگٹ ٹرائل سمیلیشنز کا استعمال کرتے ہوئے مطالعات میں، جہاں علاج کی حکمت عملی کا تعین بیس لائن پر نہیں کیا جا سکتا ہے (جیسے علاج کی مدت یا امتزاج کے علاج کے استعمال پر مطالعہ)، غیر موت کے وقت کے تعصب کا حل بیان کیا جانا چاہیے۔ محققین کو تعصب کے کلیدی ذرائع سے مطالعہ کے نتائج کی مضبوطی کا اندازہ لگانے کے لیے بامعنی حساسیت کے تجزیوں کی اطلاع دینی چاہیے، بشمول غیر متزلزل کنفاؤنڈرز کے ممکنہ اثرات کا اندازہ لگانا اور جب کلیدی ڈیزائن عناصر بصورت دیگر سیٹ کیے جاتے ہیں تو نتائج میں تبدیلیاں تلاش کرنا۔ منفی کنٹرول کے نتائج کا استعمال (نتائج تشویش کی نمائش سے سختی سے غیر متعلق ہیں) بقایا تعصب کو کم کرنے میں بھی مدد کر سکتے ہیں۔

اگرچہ مشاہداتی مطالعات ان مسائل کا تجزیہ کر سکتے ہیں جن کے لیے RCTS کا انعقاد ممکن نہیں ہو سکتا اور وہ RWD سے فائدہ اٹھا سکتے ہیں، مشاہداتی مطالعات میں تعصب کے بہت سے ممکنہ ذرائع بھی ہوتے ہیں۔ ٹارگٹ ٹرائل سمولیشن فریم ورک ان میں سے کچھ تعصبات کو حل کرنے کی کوشش کرتا ہے، لیکن اسے نقلی اور احتیاط سے رپورٹ کیا جانا چاہیے۔ چونکہ کنفاؤنڈرز تعصب کا باعث بن سکتے ہیں، اس لیے غیر مشاہدہ کنفاؤنڈرز کے خلاف نتائج کی مضبوطی کا اندازہ لگانے کے لیے حساسیت کے تجزیوں کو انجام دیا جانا چاہیے، اور جب کنفاؤنڈرز کے بارے میں دیگر قیاس آرائیاں کی جائیں تو نتائج میں تبدیلیوں کو مدنظر رکھنے کے لیے نتائج کی تشریح کی جانی چاہیے۔ ٹارگٹ ٹرائل سمولیشن فریم ورک، اگر سختی سے نافذ کیا جائے تو مشاہداتی مطالعہ کے ڈیزائن کو منظم طریقے سے ترتیب دینے کے لیے ایک مفید طریقہ ہو سکتا ہے، لیکن یہ کوئی علاج نہیں ہے۔