نمونے کی معلومات کی متوقع قدر (EVSI)

EVSI ایک مخصوص تجویز کردہ مطالعے کی قدر ہے — دیے گئے ڈیزائن اور نمونے کے سائز کے ساتھ — اسے کرنے سے پہلے، جو EVPI سے مختلف ہے، جو تمام غیر یقینی کو مکمل طور پر ختم کرنے کا جائزہ لیتا ہے۔ EVSI اس سوال کا جواب دیتا ہے جس کا سامنا تحقیق کے مالی معاون کو دراصل ہوتا ہے: "کیا یہ مطالعہ، اس سائز پر، اپنی لاگت کے قابل ہے؟"

یہ کیوں اہم ہے

EVPI کسی بھی مطالعے کی ممکنہ قدر کی بالائی حد دیتا ہے؛ یہ کبھی نہیں بتاتا کہ آپ کے سامنے کا مطالعہ معیار پر پورا اترتا ہے یا نہیں۔ 50 مریضوں کے پائلٹ اور 500 مریضوں کے فیصلہ کن تجربے کے درمیان انتخاب کرنے والے قومی تحقیقی مالی معاون کو ہر ڈیزائن کی قدر جاننا ہوتی ہے، صرف سب کچھ جاننے کی قدر نہیں۔ EVSI وہ عدد دیتا ہے، اور چونکہ یہ نمونے کے سائز کے ساتھ بدلتا ہے، مالی معاون اندازہ لگانے کے بجائے وہ سائز تلاش کر سکتا ہے جو متوقع خالص فائدے کو زیادہ سے زیادہ کرے۔

اسی لیے EVSI ہمیشہ EVPI سے کم یا اس کے برابر ہوتا ہے: محدود نمونہ غیر یقینی کو صرف جزوی طور پر حل کرتا ہے، اور جو مطالعہ کامل معلومات سے زیادہ قیمتی لگے وہ حساب کی غلطی کی علامت ہے، حقیقی نتیجہ نہیں۔

ریاضی

عمومی صورت:
EVSI(n) = E_ڈیٹا[ max_d E_θ|ڈیٹا[NB(d,θ)] ]  −  max_d E_θ[NB(d,θ)]
  (تہہ دار توقع: بیرونی ممکنہ مطالعے کے نتائج پر، اندرونی اس نتیجے کو
  دیکھنے کے بعد θ کے بارے میں پوسٹیریئر یقین پر — عموماً احتمالی حساسیت
  کے تجزیے کی نکالی گئی مثالوں پر تہہ دار Monte Carlo / بیزین اپ ڈیٹ سے
  تخمینہ لگایا جاتا ہے)

عام تخمینہ بند صورت میں (ایک غیر یقینی پیرامیٹر، مربوط عام-عام ماڈل —
عام مختصر راستہ، ہر ماڈل کے لیے درست نہیں):
EVSI(n) = EVPI × n / (n + n0)

n  = تجویز کردہ مطالعے کا نمونے کا سائز
n0 = "پہلے کے یقین کے مساوی نمونے کا سائز" — ایک فرضی نمونے کا سائز جو
     موجودہ یقین جتنی معلومات رکھتا ہو، ڈیٹا کے تغیر اور پہلے کے تغیر کے
     تناسب سے نکلا
ENBS(n) = EVSI(n) − لاگت(n)
آبادی کی سطح پر EVSI = فی_فیصلہ_EVSI × متاثرہ_فیصلوں_کی_تعداد

عمومی صورت تہہ دار توقع ہے کیونکہ مطالعے کا مستقبل کا نتیجہ خود غیر یقینی ہے: ہر ممکنہ ڈیٹا سیٹ پر اوسط لینا ہوتی ہے، اور ہر ایک کے لیے اپ ڈیٹ شدہ (پوسٹیریئر) یقین کے مطابق بہترین فیصلہ دوبارہ نکالنا ہوتا ہے۔ عام تخمینہ اس حسابی لاگت کو ایک واحد تناسب سے بدل دیتا ہے، جو تب لاگو ہے جب غیر یقینی پیرامیٹر اور ڈیٹا (تقریباً) عام اور مربوط ہوں — ایک سہولت، عالمگیر قانون نہیں۔ جب یہ مفروضہ نہ ٹکے تو مکمل تہہ دار Monte Carlo عمومی مقصد کا طریقہ ہے۔ ان PSA مثالوں کے لیے جن سے EVSI کا عموماً تخمینہ لگایا جاتا ہے احتمالی حساسیت کا تجزیہ دیکھیں۔

حل شدہ مثال

EVPI کی حل شدہ مثال کو آگے بڑھاتے ہوئے — 5,000 کلینکس میں AI دستاویزات کے معاون کی تعیناتی، جہاں EVPI £1.2 ملین نکلا تھا — یہاں اسی EVPI کو پورا لکھا گیا ہے: EVPI = £1,200,000۔

ایک تجویز کردہ پائلٹ 50 کلینکس کا احاطہ کرتا ہے۔ پہلے کے یقین کے تغیر اور پائلٹ کی پیمائش کی درستی کے تناسب سے، پہلے کے یقین کے مساوی نمونے کا سائز n0 = 75 ہے:

EVSI(50) = 1,200,000 × 50 / (50 + 75)
         = 1,200,000 × 50 / 125
         = 1,200,000 × 0.4
         = £480,000

پائلٹ کی لاگت £120,000 ہے:

ENBS = EVSI − لاگت = 480,000 − 120,000 = £360,000

واضح طور پر مثبت ENBS: پائلٹ کو مالی معاونت دیں۔ اگر وہی خریداری کا فیصلہ 3 ایک جیسے علاقائی ٹرسٹس میں دہرایا جائے تو پائلٹ کی قدر اسی لحاظ سے بڑھتی ہے:

آبادی کی سطح پر EVSI = 480,000 × 3 = £1,440,000

سافٹ ویئر انجینئرنگ سے تعلق

EVSI اس کی معاشیات ہے کہ پائلٹ یا A/B ٹیسٹ کتنا بڑا ہونا چاہیے، صرف یہ نہیں کہ کرنا ہے یا نہیں:

• نمونے کا سائز سرمایہ کاری کا فیصلہ ہے۔ 50 صارفین کا بیٹا اور 5,000 صارفین تک مرحلہ وار اجرا مختلف EVSI اور لاگت والے الگ "مطالعے" ہیں — EVSI ان کا موازنہ ایک ہی بنیاد پر کرنے دیتا ہے، "زیادہ ڈیٹا ہمیشہ بہتر" کی پہلے سے طے شدہ حالت پر لوٹے بغیر۔
• سبسکرپشن ٹیسٹ ENBS ہے، صرف EVSI نہیں۔ اونچے EVSI والا مطالعہ جس کی لاگت اس کا بیشتر حصہ کھا جائے ایک کمزور تجویز ہے؛ فیصلے کا اصول نمونے کا متوقع خالص فائدہ ہے، جیسے کاروباری مقدمہ فائدے کو لاگت کے مقابل رکھتا ہے، صرف فائدہ رپورٹ نہیں کرتا۔
• گھٹتا ہوا حدی منافع صاف نظر آتا ہے۔ چونکہ EVSI(n) n/(n+n0) کی طرح بڑھتا ہے، پائلٹ کا سائز دوگنا کرنے سے اس کی قدر کبھی دوگنی نہیں ہوتی — انجینئر کی اس بصیرت کی رسمی شکل کہ بڑے تجربے کی حدی معلوماتی قدر گھٹتی ہوئی ہوتی ہے۔

عام غلطیاں

• عام تخمینے کو اس کے مفروضوں سے باہر استعمال کرنا۔ یہ صرف مربوط واحد پیرامیٹر غیر یقینی کے لیے تقریباً درست ہے؛ واقعی غیر خطی یا کثیر پیرامیٹر فیصلے کے ماڈل کو مکمل تہہ دار Monte Carlo چاہیے، یہ مختصر راستہ نہیں۔
• EVSI کا موازنہ صرف نقد لاگت سے کرنا۔ EVSI کو مطالعے کی پوری لاگت کے مقابل تولنا چاہیے، فیصلے میں تاخیر کی اپنی لاگت سمیت — تاخیر کی قیمت دیکھیں — صرف مطالعے کے بل کو نہیں۔
• EVSI > EVPI کو حقیقی دریافت سمجھنا۔ بناوٹ کے اعتبار سے EVSI کبھی EVPI سے بڑھ نہیں سکتا؛ ایسا نتیجہ دینے والا حساب ماڈل کی غلطی ہے، دریافت نہیں۔

ذرائع

• Ades AE, Lu G, Claxton K. "Expected value of sample information calculations in medical decision modeling." Medical Decision Making 2004;24(2):207-27.
• Willan AR, Pinto EM. "The value of information and optimal clinical trial design." Statistics in Medicine 2005;24(12):1791-806.
• Strong M, Oakley JE. "When is a model-based value of information analysis feasible?" Medical Decision Making 2014.