📊 statistics

A varying-coefficient model for characterizing duration-driven heterogeneity in flood-related health impacts

यह शोध पत्र एक बेयसियन एक्सपोजर ड्यूरेशन वेरिंग-कोएफिशिएंट मॉडलिंग (EDVCM) ढांचे का प्रस्ताव करता है जो बाढ़ से संबंधित स्वास्थ्य प्रभावों में अवधि-संचालित विषमता को मापने के लिए टू-डायमेंशनल गॉसियन प्रोसेस प्रायर का लाभ उठाता है, जो मस्कुलोस्केलेटल अस्पताल में भर्ती होने के संबंध में राष्ट्रव्यापी मेडिकेयर डेटा पर लागू होने पर पारंपरिक तरीकों की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Sarika Aggarwal, Phillip B. Nicol, Brent A. Coull, Rachel C. Nethery

प्रकाशित 2026-01-27

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sarika Aggarwal, Phillip B. Nicol, Brent A. Coull, Rachel C. Nethery

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

बड़ी तस्वीर: "कितनी देर" क्यों मायने रखती है

कल्पना कीजिए कि आप इस बात का अध्ययन कर रहे हैं कि बारिश बगीचे को कैसे प्रभावित करती है। अधिकांश पिछले अध्ययनों ने केवल यह पूछा, "क्या बारिश हुई?" और नुकसान को देखा। लेकिन वास्तव में, अचानक होने वाली 10 मिनट की मूसलाधार बारिश (एक फ्लैश फ्लड) एक ऐसी धीमी, भीगी हुई बारिश से बहुत अलग होती है जो एक सप्ताह तक चलती है।

यह शोध पत्र तर्क देता है कि बाढ़ कितनी देर तक चलती है यह बदल देता है कि वह लोगों के स्वास्थ्य को कैसे नुकसान पहुँचाती है। दो दिन तक चलने वाली बाढ़ लोगों को एक ऐसी बाढ़ की तुलना में अलग तरह से प्रभावित कर सकती है जो दस दिनों तक चलती है। हालाँकि, अब तक वैज्ञानिकों के पास इन अंतरों को मापने के लिए एक अच्छा उपकरण नहीं था। वे आमतौर पर सभी बाढ़ों को एक जैसा मानते थे, या उन्होंने बाढ़ के सभी दिनों को एक ही बड़े "अव्यवस्थित" बकेट (bucket) में डाल दिया था।

नया उपकरण: "अवधि-विशिष्ट" (Duration-Specific) रेसिपी

लेखकों ने एक नई सांख्यिकीय रेसिपी बनाई जिसे एक्सपोज़र ड्यूरेशन वैरीइंग-कोएफिशिएंट मॉडल (EDVCM) कहा जाता है।

इसे एक पुराने डायल के मुकाबले एक स्मार्ट थर्मोस्टेट की तरह समझें।

पुरानी विधि: पुरानी विधि एक पुराने डायल की तरह थी जो बस यह बताती है कि "गर्मी है" या "ठंड है।" उसे इस बात से फर्क नहीं पड़ता कि गर्मी 10 मिनट से चालू है या 10 घंटे से।
नई विधि (EDVCM): यह एक स्मार्ट थर्मोस्टेट की तरह है जो जानता है कि हीट कितनी देर से चालू है और दिन का कौन सा समय है। यह कह सकता है, "2-दिवसीय बाढ़ का पहला घंटा ठीक है, लेकिन 10-दिवसीय बाढ़ का आखिरी घंटा खतरनाक है।"

यह उपकरण शोधकर्ताओं को बाढ़ के हर एक दिन को देखने और पूछने की अनुमति देता है: "क्या आज का स्वास्थ्य जोखिम कल की तुलना में अलग है? और क्या 3-दिवसीय बाढ़ का जोखिम 7-दिवसीय बाढ़ की तुलना में अलग है?"

उन्होंने यह कैसे किया: "सेल्फ-मैचिंग" (Self-Matching) का खेल

यह सुनिश्चित करने के लिए कि वे केवल बाढ़ को माप रहे हैं और अन्य चीजों (जैसे मौसम या प्रदूषण) को नहीं, शोधकर्ताओं ने सेल्फ-मैचिंग नामक एक चतुर तकनीक का उपयोग किया।

कल्पना कीजिए कि आप यह देखने की कोशिश कर रहे हैं कि क्या बारिश का एक विशिष्ट दिन लोगों को बीमार करता है।

आप एक ऐसे शहर को देखते हैं जो 2010 में एक मंगलवार को बाढ़ की चपेट में आया था।
किसी दूसरे शहर से तुलना करने के बजाय, आप उस मंगलवार की तुलना 2011 या 2012 के उसी मंगलवार से करते हैं जब उसी शहर में बाढ़ नहीं आई थी।
क्योंकि यह वही शहर है और साल का वही दिन है, इसलिए आबादी, स्थानीय आदतें और क्षेत्र का सामान्य स्वास्थ्य समान रहता है। एकमात्र बड़ा अंतर बाढ़ है।

यह खुद की तुलना कल के खुद से करने जैसा है ताकि यह देखा जा सके कि क्या नया डाइट प्लान काम कर रहा है, बजाय इसके कि आप अपने पड़ोसी से तुलना करें।

गुप्त नुस्खा (Secret Sauce): सुराग उधार लेना

बाढ़ का अध्ययन करने के साथ एक समस्या यह है कि कुछ बाढ़ बहुत दुर्लभ होती हैं। हो सकता है कि 2-दिवसीय बाढ़ बहुत हों, लेकिन 14-दिवसीय बाढ़ बहुत कम हों। यदि आप अकेले 14-दिवसीय बाढ़ का अध्ययन करने की कोशिश करते हैं, तो आपके पास स्पष्ट उत्तर पाने के लिए पर्याप्त डेटा नहीं हो सकता है।

लेखकों ने इसे गौसियन प्रोसेस (Gaussian Process) के साथ हल किया, जो एक फैंसी तरीका है "पड़ोसियों से सुराग उधार लेने" का।

कल्पना कीजिए कि आप एक ऐसे शहर का तापमान बताने की कोशिश कर रहे हैं जहाँ आप कभी नहीं गए। आप केवल अंदाज़ा नहीं लगाते; आप बगल के शहर और नदी के पार वाले शहर के तापमान को देखते हैं।
मॉडल यह मानता है कि 7-दिवसीय बाढ़ संभवतः 6-दिवसीय या 8-दिवसीय बाढ़ के समान होगी। इसलिए, यदि 7-दिवसीय बाढ़ के लिए डेटा कम है, तो मॉडल 6-दिवसीय और 8-दिवसीय बाढ़ों से जानकारी "उधार" लेता है ताकि एक स्मार्ट अनुमान लगाया जा सके। यह परिणामों को स्थिर रखता है और मॉडल को लापता डेटा के कारण भ्रमित होने से रोकता है।

उन्हें क्या मिला: "मसल" (Muscle) का रहस्य

टीम ने इस नए टूल का परीक्षण अमेरिका के वास्तविक डेटा पर किया, जिसमें 2000 से 2016 तक बाढ़ के दौरान बुजुर्गों में मस्कुलोस्केलेटल रोगों (मांसपेशियों, हड्डियों और जोड़ों की समस्याएं) के लिए अस्पताल जाने के मामलों को देखा गया।

यहाँ बताया गया है कि उस "स्मार्ट थर्मोस्टेट" ने क्या खुलासा किया जो पुराने तरीकों ने मिस कर दिया था:

छोटी बाढ़ = कम अस्पताल यात्राएं: छोटी बाढ़ (1, 4, या 5 दिन) के लिए, लोग वास्तव में अस्पताल कम बार गए।
- उपमा: इसे एक "घर पर रुकने के संकेत" की तरह सोचें। जब छोटी बारिश आती है, तो लोग शायद उसे टाल देते हैं। यदि उनकी पीठ में दर्द है, तो वे डॉक्टर के पास जाने से पहले कुछ दिन इंतजार करने का फैसला कर सकते हैं, खासकर यदि सड़कें गीली हों।
लंबी बाढ़ = अधिक अस्पताल यात्राएं (बाद में): लंबी बाढ़ (6 दिन या उससे अधिक) के लिए, अस्पताल जाने के मामले बढ़ गए, लेकिन तुरंत नहीं।
- उपमा: एक नाव में धीरे-धीरे हो रहे रिसाव की कल्पना करें। शुरुआत में, आप पानी बाहर निकाल सकते हैं। लेकिन 6 या 7 दिन के बाद, पानी बहुत ऊपर तक आ जाता है, और आपको मदद के लिए बुलाना ही पड़ता है।
- डेटा ने दिखाया कि लंबी बाढ़ के दौरान अस्पताल जाने के मामलों में सबसे बड़ी उछाल बाढ़ के आखिरी दिन हुई। ऐसा लगता है कि लोग कुछ दिन इंतजार कर सकते हैं, लेकिन अंततः दर्द या चोट इतनी बढ़ जाती है कि उसे नजरअंदाज करना मुश्किल हो जाता है, या देखभाल में देरी करने के लिए सड़कें बहुत खतरनाक हो जाती हैं।

निष्कर्ष (The Takeaway)

शोध पत्र निष्कर्ष निकालता है कि अवधि (Duration) मायने रखती है।

यदि आप केवल "बाढ़" को एक पूरे रूप में देखते हैं, तो आप इस तथ्य को मिस कर सकते हैं कि छोटी बाढ़ लोगों को घर पर रहने के लिए मजबूर करती है (अस्पताल के आंकड़ों को कम करती है), जबकि लंबी, खिंचने वाली बाढ़ अंततः लोगों को मदद के लिए मजबूर करती है (अस्पताल के आंकड़ों को बढ़ाती है)।
नए मॉडल (EDVCM) ने इन दोनों प्रभावों को सफलतापूर्वक सुलझा लिया, जिससे पता चला कि मांसपेशियों और हड्डियों की समस्याओं वाले बुजुर्गों के लिए खतरे की "क्रिटिकल विंडो" आमतौर पर एक लंबी बाढ़ की घटना के अंत में होती है।

यह सार्वजनिक स्वास्थ्य अधिकारियों को यह समझने में मदद करता है कि जोखिम केवल पानी के वहां होने के बारे में नहीं है; बल्कि यह इस बारे में है कि पानी कब तक रहता है और यह समय के साथ लोगों के व्यवहार और स्वास्थ्य को कैसे बदल देता है।

तकनीकी सारांश: बाढ़-संबंधी स्वास्थ्य प्रभावों के लिए एक्सपोजर ड्यूरेशन वेरिंग-कोएफिशिएंट मॉडल (EDVCM)

समस्या विवरण
बाढ़ अत्यधिक विषम घटनाएँ होती हैं, जो अल्पकालिक "फ्लैश फ्लड" से लेकर हफ्तों तक चलने वाली धीमी गति वाली घटनाओं तक विस्तृत होती हैं। जबकि पिछले शोध ने प्रतिकूल स्वास्थ्य परिणामों (जैसे मस्कुलोस्केलेटल रोग, चोटें, मृत्यु दर) और बाढ़ के संपर्क (exposure) के बीच संबंधों को स्थापित किया है, मौजूदा महामारी विज्ञान विधियाँ एक्सपोजर मॉडलिंग में बाढ़ की अवधि (flood duration) को पर्याप्त रूप से शामिल करने में विफल रहती हैं। वर्तमान दृष्टिकोण बहु-दिवसीय बाढ़ घटनाओं को या तो केवल एक्सपोजर दिनों के एक सरल अनुक्रम के रूप में देखते हैं या उन्हें एक एकल एक्सपोजर अवधि में समाहित कर देते हैं, जिससे अवधि-संचालित प्रभाव विषमता (duration-driven effect heterogeneity) की अनदेखी होती है। यह सीमा शोधकर्ताओं को महत्वपूर्ण प्रश्नों का उत्तर देने से रोकती है: क्या स्वास्थ्य प्रभाव बाढ़ की लंबाई के साथ बदलते हैं? क्या विभिन्न बाढ़ durations अलग-अलग भेद्यता के महत्वपूर्ण अंतराल (critical windows of vulnerability) पैदा करते हैं? जलवायु महामारी विज्ञान में उपयोग किए जाने वाले टाइम-सीरीज और केस-क्रॉसओवर फ्रेमवर्क में परिवर्तनशील लंबाई के निरंतर-दिवसीय एक्सपोजर को संभालने और लैग्ड प्रभावों (lagged effects) को ध्यान में रखने के लिए एक पद्धतिगत अंतराल है।

कार्यप्रणाली: EDVCM ढांचा
इस अंतराल को संबोधित करने के लिए, लेखक एक्सपोज़र ड्यूरेशन वेरिंग-कोएफिशिएंट मॉडल (EDVCM) का प्रस्ताव करते हैं। यह ढांचा एक सेल्फ-मैच्ड अध्ययन डिजाइन को बेयसियन कंडीशनल पॉइसन रिग्रेशन मॉडल के साथ एकीकृत करता है।

अध्ययन डिजाइन: मॉडल एक क्षेत्र-स्तरीय सेल्फ-मैच्ड डिजाइन का उपयोग करता है। बाढ़ से प्रभावित 'काउंटी-डेज़' को उसी काउंटी के भीतर पिछले या आगामी वर्षों के उसी दिन के गैर-बाढ़ वाले दिनों के साथ मिलाया जाता है। यह डिजाइन समय-अपरिवर्तनीय कंफाउंडर्स (time-invariant confounders) को समाप्त करता है। समय-परिवर्तनीय कंफाउंडर्स (तापमान, आर्द्रता, हवा, PM2.5, O3, NO2) को कोवेरियेट्स के माध्यम से समायोजित किया जाता है।
मॉडल फॉर्मूलेशन: EDVCM का मूल एक कंडीशनल पॉइसन रिग्रेशन है जहाँ अस्पताल में भर्ती होने की लॉग-रेट को बाइनरी बाढ़ एक्सपोजर के फलन (function) के रूप में मॉडल किया जाता है। मानक मॉडलों के विपरीत, एक्सपोजर कोएफिशिएंट ( $\beta$ $β$ ) एक एकल स्केलर नहीं है बल्कि दो आयामों में संयुक्त रूप से बदलता है:
- अवधि ( $d$ ): बाढ़ की घटना की कुल लंबाई।
- एक्सपोजर डे ( $t$ ): बाढ़ की घटना के भीतर विशिष्ट दिन ( $1 \le t \le d$ )।
  मॉडल में बाढ़ के बाद के लैग्ड दिनों ( $l$ ) के लिए कोएफिशिएंट भी शामिल हैं।
Gaussian Processes के माध्यम से Bayesian स्मूथिंग: उच्च-आयामी कोएफिशिएंट मैट्रिक्स ( $\beta_{d,t}$ $β_{d, t}$ ) के अनुमान के लिए, जहाँ डेटा विरल (sparse) हो सकता है (विशेष रूप से लंबी अवधि की बाढ़ों के लिए), लेखक कोएफिशिएंट्स को एक टू-डायमेंशनल गॉसियन प्रोसेस (GP) प्रायर असाइन करते हैं।
- प्रायर एक सेपरेबल प्रोडक्ट कर्नेल संरचना मानता है: $Cov(\beta_{d,t}, \beta_{d',t'}) = \sigma^2_\beta \exp(-\frac{|d-d'|}{\phi}) \exp(-\frac{|t-t'|}{\tau})$ ।
- यह समान बाढ़ अवधियों और निरंतर एक्सपोजर दिनों के बीच सूचना साझा करने की अनुमति देता है, जिससे बिना किसी मनमाने विवक्तीकरण (discretization) के अनुमान को स्थिरता मिलती है।
- लैग्ड प्रभाव कोएफिशिएंट ( $\theta_{d,l}$ ) के लिए भी इसी तरह की GP संरचना लागू की जाती है।
अनुमान (Estimation): मॉडल स्ट्रैटम-विशिष्ट इंटरसेप्ट्स को कंडीशन आउट करके एक मल्टीनोमियल लाइकलीहुड प्रदान करता है, जिससे गणना का बोझ कम हो जाता है। मापदंडों का अनुमान हैमिल्टोनियन मोंटे कार्लो (HMC) सैंपलिंग का उपयोग करके लगाया जाता है।

प्रमुख योगदान

नवाचार ढांचा: EDVCM पहला ऐसा ढांचा है जो स्पष्ट रूप से एक्सपोजर प्रभावों को जलवायु घटना की अवधि और उस घटना के विशिष्ट दिन के फलन के रूप में मॉडल करता है, जिससे अवधि-संचालित विषमता की जांच संभव होती है।
पद्धतिगत नवाचार: यह एक सीमित दो-आयामी स्थान (अवधि और दिन) में प्रभावों को पैरामीटराइज़ करके वेरिंग-कोएफिशिएंट मॉडल (VCM) और डिस्ट्रीब्यूटेड लैग मॉडल (DLM) का विस्तार करता है।
सिमुलेशन प्रदर्शन: सिमुलेशन अध्ययनों में, EDVCM ने पारंपरिक दृष्टिकोणों (स्वतंत्र नॉर्मल प्रायर के साथ बेयसियन मॉडल और फ्रीक्वेंटिस्ट GLMs) की तुलना में बेहतर प्रदर्शन किया। विशेष रूप से, इसने कम रूट मीन स्क्वायर एरर (RMSE) और बेहतर बायस रिडक्शन प्राप्त किया, विशेष रूपकर "नॉइजी" डेटा परिदृश्यों में और विरल डेटा वाली अवधियों के कोएफिशिएंट का अनुमान लगाते समय। इसने वहां भी नाममात्र कवरेज प्रोबेबिलिटी बनाए रखी जहां स्वतंत्र प्रायर मॉडल अंडर-कवर हुए।

अनुभवजन्य परिणाम (Empirical Results)
मॉडल को 65+ आयु वर्ग के वयस्कों के लिए राष्ट्रव्यापी मेडिकेयर क्लेम डेटा (2000-2016) पर लागू किया गया, जिसे ग्लोबल फ्लड डेटाबेस से प्राप्त उच्च-रिज़ॉल्यूशन सैटेलाइट-व्युत्पन्न बाढ़ डेटा के साथ जोड़ा गया था। परिणाम मस्कुलोस्केलेटल सिस्टम रोगों के लिए काउंटी-स्तरीय अस्पताल में भर्ती होने की दरें थीं।

अवधि-निर्भर विषमता (Duration-Dependent Heterogeneity): अध्ययन में पाया गया कि मस्कुलोस्केलेटल अस्पताल में भर्ती होने पर बाढ़ के प्रभावों की दिशा और परिमाण बाढ़ की अवधि पर बहुत अधिक निर्भर करता है।
- छोटी बाढ़ (1, 4, 5 दिन): अस्पताल में भर्ती होने की दरों में कमी (सुरक्षात्मक प्रभाव) से जुड़ी थी, जिसमें 5-दिवसीय बाढ़ के 5वें दिन सबसे बड़ी कमी देखी गई (रेट रेशियो [RR] = 0.79)।
- लंबी बाढ़ (2-3 दिन, 6+ दिन): अस्पताल में भर्ती होने की दरों में वृद्धि (प्रतिकूल प्रभाव) से जुड़ी थी।
महत्वपूर्ण अंतराल (Critical Windows): प्रतिकूल प्रभावों (लंबी बाढ़) के लिए, जोखिम बाढ़ की घटना के अंतिम चतुर्थांश (latter quarter) में केंद्रित था। अधिकतम प्रतिकूल प्रभाव 6-दिवसीय बाढ़ के अंतिम दिन देखा गया (RR = 1.28)।
संचयी प्रभाव (Cumulative Effects): जबकि अधिकांश अवधियों के लिए संचयी रेट रेशियो शून्य (1.0) को पार कर गए, 7-दिवसीय बाढ़ ने सबसे बड़ा संचयी प्रतिकूल प्रभाव दिखाया, जबकि 5-दिवसीय बाढ़ ने सबसे बड़ा संचयी सुरक्षात्मक प्रभाव दिखाया।
व्याख्या: लेखक सुझाव देते हैं कि छोटी बाढ़ के कारण उपचार में देरी (गैर-आपातकालीन दौरों को टालना) हो सकती है, जिसके परिणामस्वरूप कम देखी गई दरें होती हैं। इसके विपरीत, लंबी बाढ़ अंततः व्यक्तियों को बिगड़ती स्थितियों या सिस्टम व्यवधानों के कारण देखभाल खोजने के लिए मजबूर कर सकती है, जिससे अस्पताल में भर्ती होने के मामलों में उछाल आता है।

महत्व और सीमाएं
लेख दावा करता है कि EDVCM अवधि-संचालित प्रभाव विषमता के बारे में "उच्च-रिज़ॉल्यूशन अंतर्दृष्टि" प्रदान करता है, जो कोलैप्स्ड एक्सपोजर अवधियों की सीमाओं से आगे बढ़ता है जो भेद्यता के महत्वपूर्ण अंतरालों को छिपा सकते हैं। यह पहचानकर कि प्रतिकूल प्रभाव लंबी बाढ़ के अंतिम दिनों में केंद्रित होते हैं, मॉडल सार्वजनिक स्वास्थ्य प्रतिक्रिया योजना और लक्षित अनुकूलन रणनीतियों के लिए कार्रवाई योग्य इंटेलिजेंस प्रदान करता है।

लेखक कई सीमाओं को स्वीकार करते हैं:

स्थानिक रिज़ॉल्यूशन (Spatial Resolution): एक्सपोजर को काउंटी स्तर पर एकत्रित किया गया था, जिससे उन व्यक्तियों के लिए गलत वर्गीकरण (misclassification) हो सकता है जो सीधे बाढ़ की चपेट में नहीं आए।
अवशिष्ट कंफाउंडिंग (Residual Confounding): सभी अवलोकन संबंधी अध्ययनों की तरह, इसमें अपरिभाषित समय-परिवर्तनीय कंफाउंडर्स मौजूद हो सकते हैं।
कंप्यूटेशनल स्केलेबिलिटी: मॉडल की आयामीता (dimensionality) अधिकतम बाढ़ अवधि के साथ द्विघाती (quadratically) रूप से बढ़ती है, जो अत्यंत लंबी घटनाओं के लिए बोझिल हो सकती है।
वितरण संबंधी धारणाएं: पॉइसन रिग्रेशन का उपयोग माध्य-विचरण समानता (mean-variance equality) मानता है, हालांकि अस्पताल में भर्ती होने के डेटा में ओवरडिस्पर्शन (overdispersion) की संभावना है।

अध्ययन निष्कर्ष निकालता है कि EDVCM जलवायु घटनाओं के जटिल, अवधि-निर्भर स्वास्थ्य प्रभावों को चरित्रित करने के लिए एक मजबूत उपकरण है, जिसकी हीट वेव और वाइल्डफायर जैसे अन्य परिवर्तनशील-अवधि वाले खतरों के लिए भी संभावित प्रयोज्यता है।