📊 statistics

Partial VOROS: A Cost-aware Performance Metric for Binary Classifiers with Precision and Capacity Constraints

यह शोध पत्र "पार्शियल VOROS" (Partial VOROS) प्रस्तुत करता है, जो बाइनरी क्लासिफायर के लिए एक लागत-सचेत प्रदर्शन मीट्रिक है जो प्रिसिजन और कैपेसिटी बाधाओं के आधार पर एक व्यवहार्य क्षेत्र को परिभाषित करके और अस्पताल अलर्ट सिस्टम जैसे अनुप्रयोगों के लिए क्लासिफायर को बेहतर ढंग से रैंक करने के लिए ROC सतह के ऊपर पार्शियल वॉल्यूम की गणना करके पारंपरिक ROC विश्लेषण की सीमाओं को संबोधित करता है।

मूल लेखक: Christopher Ratigan, Kyle Heuton, Carissa Wang, Lenore Cowen, Michael C. Hughes

प्रकाशित 2026-04-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Christopher Ratigan, Kyle Heuton, Carissa Wang, Lenore Cowen, Michael C. Hughes

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक अस्पताल के "इमरजेंसी अलर्ट सिस्टम" के प्रमुख हैं। आपका काम एक कंप्यूटर प्रोग्राम का उपयोग करके रोगी के डेटा को स्कैन करना और तब घंटी बजाना है जब कोई मरीज बीमार होने वाला हो।

यह सुनने में बहुत अच्छा लगता है, है ना? लेकिन वास्तविक दुनिया में, यह तीन बहुत ही पेचीदा चीजों के बीच एक संतुलन बनाने जैसा है:

चीख छूट जाने की कीमत (The Cost of Missing a Scream): यदि कंप्यूटर किसी ऐसे मरीज को पहचानने में चूक जाता है जो वास्तव में बिगड़ रहा है (एक "फॉल्स नेगेटिव"), तो उस मरीज की मृत्यु हो सकती है। यह एक बड़ी त्रासदी है।
गलत अलार्म की कीमत (The Cost of a False Alarm): यदि कंप्यूटर किसी ऐसे मरीज के लिए घंटी बजा देता है जो बिल्कुल ठीक है (एक "फॉल्स पॉजिटिव"), तो एक नर्स को अपना काम छोड़कर दौड़कर वहां जाना पड़ता है और जांच करनी पड़ती है। यदि ऐसा बार-बार होता है, तो नर्स थक जाती हैं, चिढ़ जाती हैं, और अंततः वे इन घंटियों को पूरी तरह से अनदेखा करना शुरू कर देती हैं। इसे "अलार्म फटीग" (Alarm Fatigue) कहा जाता है।
स्टाफ की सीमा (The Staffing Limit): भले ही अलार्म एकदम सटीक हों, आपके पास केवल सीमित संख्या में नर्सें हैं। यदि कंप्यूटर कहता है "अभी 500 मरीजों की जांच करें," लेकिन आपके पास केवल 50 नर्सें हैं, तो सिस्टम विफल हो जाता है क्योंकि यह अस्पताल की क्षमता से अधिक मांग कर रहा है।

पुराना तरीका: "परफेक्ट स्कोर" का जाल

वर्षों से, डेटा वैज्ञानिक कंप्यूटर प्रोग्रामों को परखने के लिए ROC कर्व नामक एक मानक उपकरण का उपयोग करते आए हैं। सोचिए कि ROC कर्व एक रिपोर्ट कार्ड की तरह है जो इस आधार पर एक एकल ग्रेड (जैसे "A" या "B") देता है कि प्रोग्राम बीमार और स्वस्थ मरीजों के बीच कितनी अच्छी तरह अंतर कर पाता है।

समस्या क्या है? यह रिपोर्ट कार्ड वास्तविकता के प्रति अंधा है।

इसे इस बात से कोई फर्क नहीं पड़ता कि प्रोग्राम दिन में 1,000 बार घंटी बजाता है (जिससे स्टाफ पर बोझ पड़ता है)।
इसे इस बात से कोई फर्क नहीं पड़ता कि उन 1,000 घंटियों में से 90% गलत अलार्म हैं (जो नर्सों को परेशान करते हैं)।
यह एक छूटे हुए जीवन (मृत्यु) और एक बेकार की दौड़ के बीच अंतर नहीं करता, जबकि एक त्रासदी है और दूसरा केवल झुंझलाहट।

नया समाधान: "पार्शियल VOROS" (Partial VOROS)

इस शोध पत्र के लेखकों (क्रिस्टोफर रैटिगन और उनके सहयोगियों) ने इन प्रणालियों को परखने का एक नया तरीका ईजाद किया है। वे इसे पार्शियल VOROS कहते हैं।

इसे समझने का सबसे अच्छा तरीका यह है: कल्पना कीजिए कि यह एक 3D वीडियो गेम लेवल है।

1. मानचित्र (The Map - Feasible Region)

पुराने 2D मानचित्र (ROC कर्व) में, आप कोई भी बिंदु चुन सकते थे। लेकिन वास्तविक दुनिया में, आप सीमित हैं।

प्रिसिजन वॉल (The Precision Wall): आपको यह सुनिश्चित करना होगा कि आपके कम से कम 30% अलार्म वास्तविक हों। यदि आप इस रेखा से नीचे जाते हैं, तो नर्सें काम छोड़ देंगी।
कैपेसिटी सीलिंग (The Capacity Ceiling): आप एक समय में अधिकतम 50 मरीजों के लिए ही घंटी बजा सकते हैं। यदि आप इस रेखा से ऊपर जाते हैं, तो स्टाफ ढह जाएगा।

लेखक मानचित्र पर एक आकृति खींचते हैं जो केवल उन वैध स्थानों को दर्शाती है जहाँ सिस्टम वास्तव में काम कर सकता है। यह "फिजिबल रीजन" (Feasible Region) है। यह एक वीडियो गेम के 'सेफ ज़ोन' की तरह है। यदि आपकी रणनीति इस ज़ोन से बाहर जाती है, तो आप हार जाते हैं, चाहे आपका एल्गोरिदम कितना भी "स्मार्ट" क्यों न हो।

2. भूभाग (The Terrain - Cost Surface)

अब, कल्पना कीजिए कि यह मानचित्र समतल नहीं है; यह ऊबड़-खाबड़ पहाड़ियों वाला इलाका है।

कुछ पहाड़ियाँ "उच्च लागत" (High Cost) को दर्शाती हैं (जहाँ आप बीमार लोगों को पहचानने में चूक जाते हैं या बहुत अधिक समय बर्बाद करते हैं)।
कुछ घाटियाँ "कम लागत" (Low Cost) को दर्शाती हैं (जहाँ आप बिना किसी को परेशान किए कुशलतापूर्वक बीमार लोगों को पकड़ लेते हैं)।

इन पहाड़ियों का आकार इस बात पर निर्भर करता है कि आप "छूटे हुए जीवन" बनाम "गलत अलार्म" को कितनी अहमियत देते हैं। यदि आप मौत को रोकने के लिए डरे हुए हैं, तो पहाड़ियाँ बदल जाएंगी। यदि आप नर्सों को परेशान करने से डरते हैं, तो पहाड़ियाँ फिर से बदल जाएंगी।

3. स्कोर (The Score - Partial Volume)

पुराना "ROC स्कोर" एक सपाट कागज के क्षेत्रफल को मापने जैसा था।
नया पार्शियल VOROS स्कोर एक 3D पर्वत श्रृंखला के आयतन (Volume) को मापने जैसा है, लेकिन एक ट्विस्ट के साथ:

यह केवल "सेफ ज़ोन" (Feasible Region) के भीतर के आयतन को मापता है।
यह सभी संभावित "पहाड़ियों" (विभिन्न लागत परिदृश्यों) के माध्यम से औसत स्कोर निकालता है जो एक अस्पताल के सामने आ सकते हैं।

उपमा (Analogy):
कल्पना कीजिए कि आप एक कार खरीद रहे हैं।

पुराना मीट्रिक (ROC/AUROC): यह बताता है कि कार का इंजन "9/10" रेटिंग वाला है। यह आपको यह नहीं बताता कि क्या कार आपके गैरेज के लिए बहुत चौड़ी है (कैपेसिटी) या क्या यह बहुत अधिक ईंधन खर्च करती है (प्रिसिजन/लागत)।
नया मीट्रिक (Partial VOROS): यह बताता है, "यह कार आपके गैरेज में बिल्कुल फिट बैठती है, इसका माइलेज भी बेहतरीन है, और यह बारिश में चलाने के लिए भी सुरक्षित है।" यह आपको आपके विशिष्ट प्रतिबंधों के आधार पर एक स्कोर देता है।

यह क्यों महत्वपूर्ण है?

लेखकों ने वास्तविक अस्पताल के डेटा पर इसका परीक्षण किया। उन्होंने पाया कि पुराने रिपोर्ट कार्ड के अनुसार जो कंप्यूटर प्रोग्राम "सर्वश्रेष्ठ" था, वह वास्तविक अस्पताल के लिए अक्सर सबसे खराब विकल्प था।

परिदृश्य A: एक मॉडल जो कागज पर "परफेक्ट" था, वह दिन में 1,000 बार घंटी बजाता था। नर्सों ने उसे अनदेखा कर दिया। नए मीट्रिक ने इस मॉडल को तुरंत खारिज कर दिया क्योंकि इसने "कैपेसिटी" की सीमा का उल्लंघन किया था।
परिदृश्य B: एक मॉडल जो कागज पर "ठीक-ठाक" था, वह केवल तभी घंटी बजाता था जब उसे 90% यकीन होता था। नर्सों ने उस पर भरोसा किया। नए मीट्रिक ने इसी मॉडल को विजेता चुना।

निष्कर्ष

पार्शियल VOROS एक ऐसा उपकरण है जो डेटा वैज्ञानिकों को "परफेक्ट" एल्गोरिदम के सपने देखने के बजाय व्यावहारिक एल्गोरिदम बनाने के लिए मजबूर करता है। यह पूछता है:

क्या स्टाफ इसे संभाल सकता है?
क्या स्टाफ इस पर भरोसा करेगा?
क्या यह वास्तव में अस्पताल के लिए सस्ता और सुरक्षित है?

अस्पताल की वास्तविक सीमाओं के भीतर प्रदर्शन के "आयतन" को मापकर, यह नया मीट्रिक डॉक्टरों और इंजीनियरों को सही उपकरण चुनने में मदद करता है ताकि वे टीम को थकाए बिना जीवन बचा सकें।

यहाँ शोध पत्र "Partial VOROS: A Cost-aware Performance Metric for Binary Classifiers with Precision and Capacity Constraints" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र उच्च-जोखिम वाले अनुप्रयोगों, विशेष रूप से अस्पताल अलर्ट सिस्टम (जैसे रोगी की स्थिति बिगड़ने की चेतावनी देने वाली प्रणालियाँ) के लिए बाइनरी क्लासिफायर के मूल्यांकन में मौजूद महत्वपूर्ण सीमाओं को संबोधित करता है। पारंपरिक मूल्यांकन मेट्रिक्स, जैसे कि एरिया अंडर द ROC कर्व (AUROC) और यहाँ तक कि हाल ही में प्रस्तावित वॉल्यूम ओवर द ROC सरफेस (VOROS) भी, तीन विशिष्ट परिचालन वास्तविकताओं को ध्यान में रखने में विफल रहते हैं:

असममित लागत (Asymmetric Costs): फॉल्स पॉजिटिव (FP) और फॉल्स नेगेटिव (FN) के परिणाम बहुत अलग होते हैं। स्वास्थ्य सेवा में, FN (स्थिति बिगड़ने को न पहचान पाना) के परिणाम अक्सर FP (अनावश्यक अलार्म) की तुलना में कहीं अधिक महंगे होते हैं, लेकिन मानक मेट्रिक्स अक्सर उन्हें सममित (symmetric) मानते हैं या उनके लिए मनमाने ढंग से लागत असाइन करते हैं।
प्रिसिजन बाधाएं (Precision Constraints): "अलार्म थकान" (alarm fatigue) को रोकने के लिए, क्लिनिकल स्टाफ को एक न्यूनतम प्रिसिजन (पॉजिटिव प्रेडिक्टिव वैल्यू) की आवश्यकता होती है। यदि सिस्टम बहुत अधिक गलत अलार्म उत्पन्न करता है, तो स्टाफ पूरी तरह से सिस्टम को अनदेखा कर सकता है।
क्षमता बाधाएं (Capacity Constraints): क्लिनिकल स्टाफ के पास अलर्ट पर प्रतिक्रिया देने की एक सीमित क्षमता होती है। भविष्यवाणियों की कुल संख्या (TP + FP) एक विशिष्ट थ्रेशोल्ड ( $\kappa$ ) से अधिक नहीं हो सकती, जो उपलब्ध संसाधनों (जैसे नर्स-टू-पेशेंट अनुपात) द्वारा निर्धारित होता है।

मौजूदा मेट्रिक्स या तो इन बाधाओं को अनदेखा करते हैं या उन्हें कॉस्ट-अवेयर फ्रेमवर्क के साथ एकीकृत नहीं करते हैं, जिससे उन क्लासिफायर्स की रैंकिंग करना कठिन हो जाता है जो केवल विशिष्ट परिचालन सीमाओं के तहत अच्छा प्रदर्शन करते हैं।

2. कार्यप्रणाली (Methodology)

लेखक पार्शियल VOROS (PV) प्रस्तावित करते हैं, जो प्रिसिजन और कैपेसिटी बाधाओं को शामिल करने के लिए 3D VOROS फ्रेमवर्क का विस्तार करता है।

A. व्यवहार्य क्षेत्र (Feasible Region) को परिभाषित करना

लेखक ROC स्पेस (फॉल्स पॉजिटिव रेट $x$ , ट्रू पॉजिटिव रेट $y$ ) के भीतर एक व्यवहार्य क्षेत्र (Feasible Region) को गणितीय रूप से परिभाषित करते हैं जहाँ क्लासिफायर्स को संचालित होना चाहिए:

प्रिसिजन बाउंड ( $\alpha$ ): क्लासिफायर को संतुष्ट करना चाहिए कि $Precision \geq \alpha$ । ROC स्पेस में, यह ओरिजिन से गुजरने वाली एक रेखा $\ell_\alpha$ के ऊपर के क्षेत्र के अनुरूप है, जिसका ढलान (slope) प्रवलता (prevalence) ( $p$ ) और $\alpha$ पर निर्भर करता है।
कैपेसिटी बाउंड ( $\kappa$ ): पॉजिटिव प्रेडिक्शन की कुल संख्या ( $N_{TP} + N_{FP}$ ) $\kappa$ से अधिक नहीं होनी चाहिए। ROC स्पेस में, यह एक नकारात्मक ढलान वाली रेखा $\ell_\kappa$ के नीचे के क्षेत्र के अनुरूप है।
ज्यामिति (Geometry): इन बाधाओं का प्रतिच्छेदन (intersection) यूनिट स्क्वायर के भीतर एक बहुभुज (polygonal region) बनाता है (त्रिभुज, चतुर्भुज, या समकोण त्रिभुज)। इस आकृति का आकार डेटासेट के क्लास बैलेंस और विशिष्ट $\alpha$ एवं $\kappa$ के मानों पर निर्भर करता है।

B. कमतर क्लासिफायर्स का आंशिक क्षेत्र (Partial Area of Lesser Classifiers)

एक दिए गए क्लासिफायर $F_\tau$ (एक विशिष्ट थ्रेशोल्ड पर) और एक फ्रैक्शनल कॉस्ट पैरामीटर $t$ (जो FP लागत को कुल लागत के अनुपात को दर्शाता है) के लिए, लेखक Partial Area of Lesser Classifiers ( $A^*_t$ ) को परिभाषित करते हैं:

यह व्यवहार्य क्षेत्र (Feasible Region) के भीतर का वह क्षेत्र है जो क्लासिफायर के बिंदु $(h, k)$ से गुजरने वाली "आइसो-परफॉरमेंस लाइन" (स्थिर लागत वाली रेखा) के नीचे स्थित है।
यह क्षेत्र "बदतर" व्यवहार्य क्लासिफायर्स के वॉल्यूम को दर्शाता है। एक बड़ा क्षेत्र यह संकेत देता है कि क्लासिफायर बेहतर है (वह व्यवहार्य स्पेस के बड़े हिस्से पर हावी है)।
लेखक व्यवहार्य क्षेत्र के वर्टिस (vertices) के साथ आइसो-परफॉरमेंस लाइन के प्रतिच्छेदन के आधार पर इस क्षेत्र के लिए स्पष्ट सूत्र व्युत्पन्न करते हैं।

C. पार्शियल VOROS (PV) की गणना

अंतिम मीट्रिक, Partial VOROS, कॉस्ट रेश्यो के वितरण $p(t)$ पर नॉर्मलाइज्ड पार्शियल एरिया का अपेक्षित मान (expected value) है:
$PV(F) = \frac{1}{A^*} \int_{0}^{1} p(t) \cdot \max_{\tau} \left( A^*_t(F_\tau) \right) dt$
जहाँ:

$A^*$ व्यवहार्य क्षेत्र का कुल क्षेत्रफल है।
मैक्सिमाइजेशन (maximization) सभी व्यवहार्य बिंदुओं को उत्पन्न करने वाले सभी थ्रेशोल्ड $\tau$ पर लिया जाता है।
$p(t)$ कॉस्ट रेश्यो (जैसे FP:FN लागतों के बीच यूनिफॉर्म डिस्ट्रीब्यूशन) पर एक यूजर-डिफाइंड डिस्ट्रीब्यूशन है।

यह मीट्रिक 0.0 (सबसे खराब, कभी-अलार्म न बजने वाला बेसलाइन) से 1.0 (सर्वश्रेष्ठ, बाधाओं के भीतर पूर्ण क्लासिफायर) तक की रेंज में होता है।

3. मुख्य योगदान (Key Contributions)

ज्यामितिक औपचारिकता (Geometric Formalization): यह शोध पत्र ROC स्पेस में प्रिसिजन और कैपेसिटी बाधाओं के तहत व्यवहार्य क्षेत्र की बहुभुज ज्यामिति को स्थापित करता है, और यह सिद्ध करता है कि ये बाधाएं एक सुपरिभाषित, सीमित क्षेत्र बनाती हैं।
नया मीट्रिक (Partial VOROS): यह एक कॉस्ट-अवेयर, कंस्ट्रेंट-कम्प्लायंट मीट्रिक पेश करता है जो VOROS का सामान्यीकरण (generalization) करता है। यह तैनाती के लिए प्रासंगिक परिचालन सीमाओं के भीतर प्रदर्शन के आधार पर क्लासिफायर्स की रैंकिंग करने की अनुमति देता है।
एल्गोरिद्मिक दक्षता (Algorithmic Efficiency): यह मीट्रिक की गणना करने के लिए $O(n_{\alpha\kappa})$ एल्गोरिदम प्रदान करता है (जहाँ $n_{\alpha\kappa}$ कन्वेक्स हल पर व्यवहार्य बिंदुओं की संख्या है), जो इसे मॉडल सिलेक्शन के लिए व्यावहारिक बनाता है।
अनुभवजन्य सत्यापन (Empirical Validation): यह प्रदर्शित करता है कि Partial VOROS के लिए अनुकूलित करना, AUROC, रिकॉल, या अनकन्स्ट्रेंड VOROS के लिए अनुकूलित करने की तुलना में बेहतर वास्तविक दुनिया का प्रदर्शन (कम अपेक्षित लागत) देता है, विशेष रूप से जब बाधाएं सख्त हों।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने दो बड़े पैमाने के हेल्थकेयर डेटासेट्स: MIMIC-IV और eICU पर, इन-हॉस्पिटल मृत्यु दर भविष्यवाणी पर ध्यान केंद्रित करते हुए, इस मीट्रिक का मूल्यांकन किया।

स्कोरिंग सिस्टम की तुलना (अनुभाग 5): अर्ली वार्निंग स्कोर्स (NEWS, NEWS2, Rothman Index) का पुन: विश्लेषण करते हुए, लेखकों ने दिखाया कि कोई भी एकल स्कोर सार्वभौमिक रूप से सर्वश्रेष्ठ नहीं है। "विजेता" पूरी तरह से विशिष्ट प्रिसिजन ( $\alpha$ ) और कैपेसिटी ( $\kappa$ ) सीमाओं पर निर्भर करता है। Partial VOROS ने हीटमैप्स के माध्यम से इन ट्रेड-ऑफ्स को प्रभावी ढंग से विज़ुअलाइज़ किया।
मॉडल चयन (अनुभाग 6):
- सेटअप: उन्होंने चार चयन रणनीतियों की तुलना की: Max AUROC, Max Recall (व्यवहार्य क्षेत्र में), Max VOROS (अनकन्स्ट्रेंड), और Max Partial VOROS (कंस्ट्रेंड)।
- परिदृश्य 1 (परमिसिव/उदार): $\alpha=0.15$ , $\kappa=डेटा का 50\%$ । Max PV ने MIMIC-IV पर सबसे कम टेस्ट कॉस्ट प्राप्त की और eICU पर भी सर्वश्रेष्ठ प्रदर्शन में बराबरी की।
- परिदृश्य 2 (स्ट्रिंगेंट/कठोर): $\alpha=0.5$ , $\kappa=डेटा का 10\%$ । Max PV ने Max VOROS (जिसने बाधाओं को अनदेखा किया) और Max Recall की तुलना में काफी बेहतर प्रदर्शन किया।
- मुख्य निष्कर्ष: अनकन्स्ट्रेंड मेट्रिक्स (जैसे Max VOROS) द्वारा चुने गए मॉडल अक्सर टेस्ट सेट पर क्षमता बाधाओं को पूरा करने में विफल रहे या अधिक लागत उत्पन्न की क्योंकि वे ROC स्पेस के उन क्षेत्रों के लिए अनुकूलित थे जो परिचालन रूप से असंभव थे। Max PV ने लगातार ऐसे मॉडल चुने जो बाधाओं को पूरा करते थे और लागत को कम करते थे।

5. महत्व (Significance)

सिद्धांत और व्यवहार के बीच सेतु: यह शोध पत्र सैद्धांतिक मेट्रिक्स से आगे बढ़कर स्वास्थ्य सेवा में ML की तैनाती की "लास्ट माइल" समस्या को संबोधित करता है। यह स्वीकार करता है कि उच्च AUROC वाला मॉडल बेकार है यदि वह स्टाफ के संभालने के लिए बहुत अधिक अलार्म ट्रिगर करता है।
अलार्म थकान शमन (Alarm Fatigue Mitigation): प्रिसिजन बाधाओं को स्पष्ट रूप से लागू करके, यह मीट्रिक सीधे तौर पर अलार्म थकान की सुरक्षा संबंधी चिंता को संबोधित करता है, जो क्लिनिकल AI को अपनाने में एक बड़ी बाधा है।
संसाधन-जागरूक AI (Resource-Aware AI): क्षमता बाधाओं ( $\kappa$ ) को शामिल करने से यह मीट्रिक किसी भी संसाधन-सीमित वातावरण (जैसे सीमित विश्लेषक समय के साथ धोखाधड़ी का पता लगाना, या सीमित ऋण अनुमोदन बजट के साथ क्रेडिट स्कोरिंग) के लिए लागू करने योग्य बन जाता है।
कार्य योग्य मार्गदर्शन (Actionable Guidance): लेखक एक 'यूजर गाइड' और ओपन-सोर्स कोड प्रदान करते हैं, जिससे अभ्यासकर्ताओं (practitioners) को अपने विशिष्ट तैनाती परिदृश्य के लिए इष्टतम मॉडल चुनने हेतु अपने स्वयं के कॉस्ट डिस्ट्रीब्यूशन और बाधाओं को परिभाषित करने में सक्षम बनाया जा सके।

निष्कर्षतः, Partial VOROS ऐसे बाइनरी क्लासिफायर्स चुनने के लिए एक कठोर, ज्यामितीय रूप से आधारित ढांचा प्रदान करता है जो न केवल सटीक हैं, बल्कि उच्च-जोखिम वाले वातावरण में तैनाती के लिए परिचालन रूप से व्यवहार्य, लागत प्रभावी और सुरक्षित भी हैं।