Confoundle · a reasoning trap

تحيز الزمن الخالد

افرز الناس إلى مجموعات بحسب شيء يحدث لاحقاً، وستحصل إحدى تلك المجموعات على بداية سبق خفية. فلكي تُحتسب ممن تناولوا الدواء، عليك أن تعيش مدة تكفي لأن يُعطى لك. وهكذا فكل من في المجموعة المعالجة مضمون أنه بقي حياً حتى وصفته الأولى، وإذا احتسبت تلك الفترة لصالح الدواء، نُسب إلى الدواء بقاء لا علاقة له به. وكل من مات مبكراً يُصنَّف تلقائياً ضمن غير المعالجين. وهذا يعمل حتى حين لا يفعل الدواء شيئاً على الإطلاق، ويشير دائماً في الاتجاه نفسه، ودراسة أكبر لا تزيده إلا إقناعاً.

The rule

إذا كان الانتماء إلى مجموعة يستلزم البقاء حياً حتى يقع شيء ما، فالزمن السابق لوقوعه لا يمكن أن يحتوي وفاة، واحتسابه لصالح تلك المجموعة يصنع بقاءً على قيد الحياة من مجرد مسك الدفاتر.

What it looks like

المرضى الذين صُرف لهم هذا الدواء ماتوا أقل بكثير ممن لم يُصرف لهم. فهل الدواء ناجع؟تُتابَع مجموعة أترابية من اليوم الذي يدخلها فيه كل مريض. وكل من صُرف له الدواء في أي وقت خلال المتابعة يُحتسب معالجاً، وكل من عداه يُحتسب غير معالج. تُوفي 49 بالمئة من المعالجين مقابل 71 بالمئة من غير المعالجين، ويبدو أن الدواء يخفض معدل الوفاة إلى النصف.
نصف متابعة المجموعة المعالجة كان زمناً لا يستطيع فيه أحد أن يموت.احتُسب هذا المريض معالجاً من يوم دخوله، لكن الوصفة لم تُصرف حتى الشهر 11. تلك الأشهر الأحد عشر خالدة: فلو مات المريض في الشهر 6 لما كُتبت وصفة قط ولاحتُسب في المجموعة الأخرى بدلاً من ذلك. لم تكن الوفاة في تلك الفترة غير مرجحة فحسب، بل كانت مستحيلة بحكم طريقة تعريف المجموعتين، ومع ذلك تُنسب إلى الدواء:

لا يلزم أن يختلف شيء في المرضى كي ينجح هذا. أعطِ المجموعتين الدواء نفسه تماماً والمرض نفسه والحظ نفسه، وستخرج المجموعة المعالجة متقدمة رغم ذلك، لأنها مُنحت مدة من البقاء المضمون لا تستطيع المجموعة الأخرى الحصول عليها. وفي المثال المنشور الذي أُخذ منه هذا، نُسب إلى المجموعة المعالجة 291.1 شخص سنة خالدة مقابل 276.3 شخص سنة كانت فيها معرضة للخطر حقاً: أي أن ما كان من متابعتها زمناً يستحيل فيه الموت أكثر مما كان حقيقياً. وتصحيح ذلك وحده نقل نسبة الخطورة من 0.48 إلى 0.91.

Why it works

تقارن الدراسات الأترابية معدلات، والمعدل هو الوفيات مقسومة على الزمن المعرَّض للخطر. وفي ذلك المقام يختبئ الأمر. لنفترض أنك تريد معرفة ما إذا كان دواء يفيد، فتتابع كل من أُدخل المستشفى ثم تفرزهم لاحقاً بحسب ما إذا كان قد صُرف لهم يوماً. يبدو الفرز بريئاً، لكنه يستخدم معلومة من المستقبل: فلكي يُصرف لك دواء في الشهر 11، عليك أن تكون حياً في الشهر 11. وهكذا فإن كل مريض في المجموعة المعالجة مضمون أنه بقي حياً حتى وصفته الأولى، وإذا بدأت ساعته عند الإدخال فأنت تنسب إلى المجموعة المعالجة كل ذلك البقاء المضمون. أما المجموعة غير المعالجة فلا تنال هذه الهدية، لأنها المكان الذي تقع فيه الوفيات المبكرة بالضرورة. والتحيز كبير، ويشير دائماً في الاتجاه نفسه، ويجعل أدوية عديمة الجدوى تبدو واقية، ولا يتقلص بعينة أكبر، لأنه ليس ضجيجاً. كما أنه لا علاقة له بالخلط، ولهذا فإن التعديل لدرجة مرض المرضى لا يمسّه: إذ يمكنك محاكاة الأمر كله بمرضى متطابقين ودواء لا يفعل شيئاً. أما المعالجة الصحيحة فقياسية وغير براقة. عامِل التعرض بوصفه متغيراً بالزمن: فكل مريض يسهم بزمن غير معرَّض من الدخول حتى وصفته الأولى وبزمن معرَّض بعدها، فلا يُنسب أحد إلى مجموعة قبل أن ينتمي إليها. والفخّ نفسه يقبع تحت أي ادعاء مبني على أشخاص أتموا شيئاً، من الفائزين بجائزة الأوسكار الذين يعيشون أطول من المرشحين إلى المرضى الذين أكملوا برنامج تأهيل، وفي كل حالة يكون السؤال الأول واحداً: ماذا يحدث في هذه الأرقام للشخص الذي مات في المنتصف؟

المصدر

Suissa S. Immortal time bias in pharmaco-epidemiology. Am J Epidemiol. 2008;167(4):492-499, Table 1, multiple-event-based cohort. Deaths: 188 of 388 classified as treated (48.5 percent) and 357 of 500 classified as untreated (71.4 percent). Person-time: 276.3 person-years at risk against 291.1 immortal person-years. Hazard ratio 0.48 as counted, 0.91 once the immortal time is handled correctly. Free full text.

See if it fools you

This page gives the answer away. The puzzle version shows you the same figures first and asks you to commit before the reveal.

Play this one