🤖 machine learning

Predicting Trajectories of Long COVID in Adult Women: The Critical Role of Causal Disentanglement

यह अध्ययन एक कॉज़ल डिसेंटैंगलमेंट (causal disentanglement) फ्रेमवर्क प्रस्तुत करता है जो स्थिर नैदानिक प्रोफाइल और अनुदैर्ध्य वियरेबल डेटा को एकीकृत करता है ताकि वयस्क महिलाओं में पोस्ट-एक्यूट सिक्वेलै ऑफ सार्स-सीओवी-2 (Post-Acute Sequelae of SARS-CoV-2) के प्रक्षेपवक्रों की सटीक भविष्यवाणी की जा सके, जिसने रजोनिवृत्ति जैसे भ्रमित करने वाले कारकों से सक्रिय पैथोलॉजी को प्रभावी ढंग से अलग करके 86.7% परिशुद्धता प्राप्त की है।

मूल लेखक: Jing Wang, Jie Shen, Yiming Luo, Amar Sra, Qiaomin Xie, Jeremy C. Weiss

प्रकाशित 2026-03-19

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Jing Wang, Jie Shen, Yiming Luo, Amar Sra, Qiaomin Xie, Jeremy C. Weiss

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 समस्या: सिग्नल में "स्टैटिक" (शोर)

कल्पना कीजिए कि आप रेडियो पर एक विशिष्ट गाना सुनने की कोशिश कर रहे हैं (यह लॉन्ग कोविड के लक्षण हैं)। लेकिन रेडियो में बहुत सारा स्टैटिक और अन्य आवाजें भी आ रही हैं (जैसे मेनोपॉज (रजोनिवृति), बुढ़ापा, या मधुमेह)।

लंबे समय से, डॉक्टर अंतर करने के लिए संघर्ष कर रहे हैं। यदि कोई महिला कहती है कि वह थकी हुई है या उसे नींद नहीं आ रही है, तो क्या यह बचे हुए वायरस (लॉन्ग कोविड) के कारण है, या यह सिर्फ मेनोपॉज के कारण है? यह एक भीड़ भरे, शोर वाले कमरे में फुसफुसाहट सुनने की तरह है। यदि आप फुसफुसाहट को भीड़ से अलग नहीं कर सकते, तो आप गलत समस्या का इलाज कर सकते हैं।

समाधान: मस्तिष्क के लिए एक "स्मार्ट फिल्टर"

यह शोध पत्र एक नए कंप्यूटर प्रोग्राम (एक AI) का वर्णन करता है जिसे ठीक इसी समस्या को हल करने के लिए बनाया गया है। शोधकर्ताओं ने 1,155 महिलाओं का डेटा लिया, जिसमें उनका मेडिकल इतिहास और वियरेबल डिवाइसेस (जैसे स्मार्टवॉच जो हृदय गति और नींद को ट्रैक करती हैं) से प्राप्त डेटा शामिल था।

AI से केवल यह पूछने के बजाय कि, "यह व्यक्ति कितना बीमार है?", उन्होंने AI को एक विशेष तकनीक सिखाई जिसे कॉज़ल डिसेंटैंगलमेंट (Causal Disentanglement) कहा जाता है।

उपमा: "दो सिरों वाला" जासूस

AI को एक ऐसे जासूस के रूप में सोचें जिसके पास दो अलग-अलग टोपियाँ हैं:

"असली कारण" वाली टोपी: यह केवल उन लक्षणों को देखती है जो निश्चित रूप से वायरस के कारण हैं (जैसे "ब्रेन फॉग" या "सांस लेने में तकलीफ")।
"बैकग्राउंड नॉइज़" वाली टोपी: यह उन चीजों को देखती है जो व्यक्ति के सामान्य जीवन या अन्य स्वास्थ्य समस्याओं का हिस्सा हैं (जैसे "मेनोपॉज" या "बढ़ती उम्र")।

AI का काम इस रहस्य को सुलझाने के लिए पहली टोपी पहनना और दूसरी टोपी को अनदेखा करना है।

यह कैसे काम करता है (जादुई ट्रिक)

शोधकर्ताओं ने एक विशेष प्रकार के AI (लार्ज लैंग्वेज मॉडल) का उपयोग किया और इसे तीन मुख्य चरणों का उपयोग करके "सिग्नल" को "शोर" से अलग करना सिखाया:

विभाजन (The Split): जब AI किसी मरीज की कहानी पढ़ता है, तो वह जानकारी को तुरंत दो ढेरों में विभाजित कर देता है: "वायरस वाली चीजें" और "अन्य चीजें"।
मिक्स-अप टेस्ट (The Mix-Up Test): यह सुनिश्चित करने के लिए कि AI वास्तव में सही चीज़ सीख रहा है, शोधकर्ताओं ने एक खेल खेला। उन्होंने मरीज A का "वायरस वाला हिस्सा" लिया और उसे मरीज B के "अन्य हिस्से" के साथ मिला दिया। उन्होंने AI से बीमारी के स्तर का अनुमान लगाने को कहा। यदि AI ने सही अनुमान लगाया, तो इसने साबित कर दिया कि वह "अन्य चीजों" को अनदेखा कर रहा है और केवल वायरस पर ध्यान केंद्रित कर रहा है।
स्कोरकार्ड: AI हर शब्द को एक "सैलिएंसी स्कोर" (महत्व का स्कोर) देता है।
- "सांस फूलना" (breathlessness) और "सुस्ती" (malaise) जैसे शब्दों को 1.0 का पूर्ण स्कोर मिला (AI ने कहा: "यह निश्चित रूप से वायरस है!")।
- "मेनोपॉज" और "मधुमेह" जैसे शब्दों को बहुत कम स्कोर मिला (0.27 से नीचे) (AI ने कहा: "यह केवल बैकग्राउंड नॉइज़ है; मैं इसे अनदेखा कर रहा हूँ।")।

परिणाम: "ईमानदार" बनाम "तेज़" होना

यह पेपर उनके नए AI की तुलना XGBoost नामक एक मानक, बहुत लोकप्रिय कंप्यूटर प्रोग्राम से करता है।

XGBoost एक तेज कैलकुलेटर की तरह है। यह अंतिम संख्या का तेजी से अनुमान लगाने में बहुत अच्छा है और बहुत सुसंगत है। हालांकि, यह "शोर" (मेनोपॉज) से भ्रमित हो सकता है और गलती से उन चीजों के लिए वायरस को जिम्मेदार ठहरा सकता है जो वायरस की गलती नहीं हैं।
नया AI एक सावधान डॉक्टर की तरह है। यह अपने कच्चे नंबरों में थोड़ा कम सुसंगत हो सकता है, लेकिन यह "क्लिनिकल रूप से ईमानदार" होने में बहुत बेहतर है। यह वायरस को उन लक्षणों के लिए दोषी ठहराने से इनकार करता है जो वास्तव में उम्र बढ़ने या मेनोपॉज का हिस्सा हैं।

यह क्यों महत्वपूर्ण है

यह महिलाओं के स्वास्थ्य के लिए एक बड़ी बात है। क्योंकि महिलाओं में लॉन्ग कोविड होने की संभावना अधिक होती है, और क्योंकि वे अक्सर हार्मोनल परिवर्तनों से गुजरती हैं जो लॉन्ग कोविड के लक्षणों की नकल करते हैं, इसलिए गलत निदान होना आसान है।

इस "स्मार्ट फिल्टर" का उपयोग करके, डॉक्टर अंततः विश्वास के साथ कह सकते हैं: "आपके लक्षण वायरस के कारण हैं, न कि केवल उम्र बढ़ने के कारण।" इसका मतलब है कि महिलाएं मेनोपॉज का हिस्सा होने के बजाय लॉन्ग कोविड के लिए सही उपचार प्राप्त कर सकती हैं।

संक्षेप में: शोधकर्ताओं ने एक सुपर-स्मार्ट AI बनाया है जो उम्र बढ़ने और हार्मोन के 'स्टैटिक' को ट्यून आउट करना जानता है ताकि वह स्पष्ट रूप से लॉन्ग कोविड की आवाज सुन सके।

यहाँ शोध पत्र "Predicting Trajectories of Long COVID in Adult Women: The Critical Role of Causal Disentanglement" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र एडल्ट महिलाओं में पोस्ट-एक्यूट सीक्वेले ऑफ SARS-CoV-2 (PASC), जिसे सामान्यतः 'लॉन्ग कोविड' के रूप में जाना जाता है, की गंभीरता की भविष्यवाणी करने की महत्वपूर्ण चुनौती को संबोधित करता है। मुख्य कठिनाई "सिग्नल-टू-नॉइज़" (signal-to-noise) की समस्या में निहित है:

नैदानिक ओवरलैप (Diagnostic Overlap): PASC के विशिष्ट लक्षण (जैसे थकान, अनिद्रा, जोड़ों का दर्द, संज्ञानात्मक धुंधलापन/ब्रेन फॉग) स्वाभाविक जैविक परिवर्तनों (विशेष रूप से रजोनिवृत्ति/मेनोपॉज) और सामान्य सह-रुग्णताओं (जैसे मधुमेह, हृदय संबंधी समस्याएं) के कारण होने वाले लक्षणों के साथ काफी ओवरलैप करते हैं।
कन्फाउंडिंग बायस (Confounding Bias): मानक भविष्य कहनेवाला मॉडल अक्सर इन आधारभूत शारीरिक परिवर्तनों ("शोर/noise") को सक्रिय वायरल पैथोलॉजी ("सिग्नल/signal") के साथ मिला देते हैं, जिससे नैदानिक अस्पष्टता, अति-निदान (over-diagnosis) और पक्षपाती उपचार पथ उत्पन्न होते हैं।
डेटा जटिलता (Data Complexity): हालांकि वियरेबल टेक्नोलॉजी (wearable technology) समृद्ध अनुदैर्ध्य डेटा (हृदय, नींद, गतिविधि) प्रदान करती है, लेकिन उच्च आयामीता (high dimensionality) और अंतर्निहित शोर के लिए वास्तविक कारण संबंधी रोग मार्करों (causal disease markers) को आधारभूत शारीरिक उतार-चढ़ाव से अलग करने हेतु उन्नत कम्प्यूटेशनल विधियों की आवश्यकता होती है।

2. कार्यप्रणाली (Methodology)

लेखक एक कॉज़ल-डिसेन्टैंगल्ड रिग्रेसर (Causal-Disentangled Regressor) प्रस्तावित करते हैं जो एक लार्ज लैंग्वेज मॉडल (LLM) बैकबोन (विशेष रूप से Qwen-2.5-0.5B) पर आधारित है, ताकि इनवेरिएंट (invariant) रोग विशेषताओं को कन्फाउंडिंग वेरिएबल्स से अलग किया जा सके।

डेटा स्रोत (Data Sources)

कोहोर्ट (Cohort): NIH RECOVER डेटासेट से 1,155 वयस्क महिलाएं (औसत आयु 61)।
बहु-आयामी इनपुट (Multi-Modal Input):
1. स्थिर प्रोफाइल (Static Profiles): जनसांख्यिकी और नैदानिक सह-रुग्णताएं (हृदय रोग, मानसिक स्वास्थ्य, मेनोपॉज स्थिति)।
2. अनुदैर्ध्य वियरेबल डेटा (Longitudinal Wearable Data): चार सप्ताह का औसत-एकत्रित शारीरिक संकेत, जिसमें हार्ट रेट वेरिएबिलिटी (HRV), श्वसन मेट्रिक्स, स्लीप आर्किटेक्चर (लेटेंसी, REM), और शारीरिक गतिविधि की तीव्रता शामिल है।
3. लक्ष्य (Target): भविष्य के PASC गंभीरता स्कोर (3-महीने का पूर्वानुमान)।

आर्किटेक्चरल फ्रेमवर्क (Architectural Framework)

यह मॉडल एक विशेष आर्किटेक्चर का उपयोग करता है जो इनपुट नैरेटिव के लेटेंट रिप्रेजेंटेशन ( $h$ ) को द्वि-विभाजित (bifactorize) करने के लिए डिज़ाइन किया गया है:

अटेंशन-आधारित फीचर डिसेन्टैंगलमेंट (Attention-Based Feature Disentanglement):
- एक डिसेन्टैंगलमेंट अटेंशन लेयर एक सॉफ्टमैक्स-MLP तंत्र का उपयोग करके स्केलर गेट्स ( $\alpha_o$ कॉज़ल के लिए, $\alpha_c$ कन्फाउंडर के लिए) उत्पन्न करती है।
- लेटेंट स्टेट को दो अलग-अलग वेक्टर्स में प्रोजेक्ट किया जाता है:
  - कॉज़ल फीचर ( $x_o$ ): यह PASC पैथोलॉजी से सीधे जुड़े इनवेरिएंट लक्षणों (जैसे "malaise", "brain fog") को कैप्चर करता है।
  - कन्फाउंडर फीचर ( $x_c$ ): यह शोर वाले वेरिएबल्स (जैसे "मेनोपॉज", "मधुमेह") और भाषाई आर्टिफैक्ट्स को अलग करता है।
रोबस्टनेस के लिए एनवायरनमेंट मिक्सिंग (Environment Mixing for Robustness):
- स्प्यूरियस कोरिलेशन (spurious correlations) पर निर्भरता को रोकने के लिए, मॉडल प्रशिक्षण के दौरान कृत्रिम काउंटरफैक्चुअल रिप्रेजेंटेशन ( $x_{mix}$ ) उत्पन्न करता है।
- यह रोगी $i$ के कॉज़ल फीचर्स को रोगी $j$ के कन्फाउंडिंग फीचर्स के साथ मिलाता है ( $x_{mix} = \text{Combine}(x_{o,i}, x_{c,j})$ )।
- यह रिग्रेशन हेड को केवल कॉज़ल सिग्नल के आधार पर PASC स्कोर की भविष्यवाणी करने के लिए मजबूर करता है, चाहे परिवेश (environment) कुछ भी हो।
InfoNCE-आधारित कॉन्ट्रास्टिव मिक्स लॉस (InfoNCE-based Contrastive Mix Loss):
- एक विशेष लॉस फंक्शन ( $L_{mix}$ ) जो इन्फॉर्मेशन नॉइज़ कॉन्ट्रास्टिव एस्टीमेशन (InfoNCE) पर आधारित है, का उपयोग किया जाता है।
- यह मिश्रित रिप्रेजेंटेशन को मूल क्लिनिकल ग्राफ के साथ संरेखित करता है ताकि सिमेंटिक निरंतरता सुनिश्चित हो सके, जो गणितीय रूप से डिसेन्टैंगल्ड फीचर्स की स्वतंत्रता को लागू करता है और यह सुनिश्चित करता है कि कॉज़ल जानकारी ही प्रमुख सिग्नल बनी रहे।
मल्टी-हेड रिग्रेशन (Multi-Head Regression):
- मॉडल तीन प्रेडिक्शन हेड्स का उपयोग करता है: एक कॉज़ल हेड ( $f_o$ ), एक कन्फाउंडर हेड ( $f_c$ ), और एक जॉइंट हेड ( $f_{co}$ )।
- सभी हेड्स को ग्राउंड-ट्रुथ PASC स्कोर के विरुद्ध सुपरवाइज किया जाता है, जो नेटवर्क को यह पहचानने के लिए प्रशिक्षित करता है कि कौन से इनपुट घटक वास्तव में भविष्य कहने योग्य हैं बनाम कौन से बेसलाइन अवस्था की विशेषता हैं।

3. मुख्य परिणाम (Key Results)

अध्ययन ने 80/20 ट्रेन/टेस्ट स्प्लिट के साथ मल्टी-सीड वैलिडेशन रणनीति (5 रैंडम सीड्स) का उपयोग किया।

XGBoost बेसलाइन के साथ प्रदर्शन तुलना:
- XGBoost: इसने कम वेरिएंस के साथ बेहतर रिग्रेशन मेट्रिक्स प्राप्त किए (RMSE: $4.76 \pm 0.16$ , MAE: $3.51 \pm 0.08$ )। यह रॉ स्कोर अनुमान के लिए एक विश्वसनीय भविष्यवक्ता है लेकिन इसमें कॉज़ल व्याख्यात्मकता (interpretability) का अभाव है।
- कॉज़ल इन्फरेंस नेटवर्क: इसने प्रतिस्पर्धी क्लासिफिकेशन एक्यूरेसी ( $0.867 \pm 0.044$ ) और बेहतर प्रिसिजन (precision) ( $0.836 \pm 0.116$ ) प्राप्त की। हालांकि इसने रिग्रेशन मेट्रिक्स (RMSE: $5.35 \pm 1.17$ ) में उच्च वेरिएंस दिखाया, लेकिन यह एक जानबूझकर किया गया ट्रेड-ऑफ है क्योंकि ऑब्जेक्टिव फंक्शन एनवायरनमेंटल कन्फाउंडर्स को दंडित (penalize) करता है।
सेलिएंसी एनालिसिस (Saliency Analysis - Causal Attribution):
- एक्टिव पैथोलॉजी: टोकन जो सीधे संकेतकों जैसे "breathlessness" और "malaise" को दर्शाते हैं, उन्होंने अधिकतम सेलिएंसी (1.00) प्राप्त की, जो पल्मोनरी और सिस्टमिक डिसफंक्शन पर मॉडल के फोकस की पुष्टि करती है।
- बेसलाइन नॉइज़ सप्रेशन: कन्फाउंडिंग फैक्टर्स जैसे "मेनोपॉज" और "मधुमेह" को सफलतापूर्वक दबा दिया गया, जिनका सेलिएंसी स्कोर 0.27 से नीचे रहा।
- भाषाई शोर (Linguistic Noise): प्रशासनिक टोकन (जैसे "that", "to") को अनदेखा कर दिया गया (सेलिएंसी < 0.17)।

4. मुख्य योगदान (Key Contributions)

क्लिनिकल LLMs में कॉज़ल डिसेन्टैंगलमेंट: यह शोध पत्र एक नया आर्किटेक्चर पेश करता है जो स्पष्ट रूप से लेटेंट स्पेस को विभाजित करता है ताकि कॉज़ल डिजीज मार्कर्स को एनवायरनमेंटल/बायोलॉजिकल कन्फाउंडर्स से अलग किया जा सके, जो वर्तमान PASC अनुसंधान की एक बड़ी सीमा को संबोधित करता है।
वियरेबल और LLM डेटा का एकीकरण: यह एक ऐसा फ्रेमवर्क प्रदर्शित करता है जो स्ट्रक्चर्ड क्लिनिकल हिस्ट्री को अनस्ट्रक्चर्ड/सेमी-स्ट्रक्चर्ड अनुदैर्ध्य वियरेबल डेटा के साथ एक सिमेंटिक नैरेटिव फॉर्मेट के भीतर फ्यूज करता है।
"क्लिनिकली ऑनेस्ट" प्रेडिक्शन: मॉडल कच्चे रिग्रेशन स्थिरता के बजाय प्रिसिजन और व्याख्यात्मकता को प्राथमिकता देता है। बेसलाइन शोर (जैसे मेनोपॉज) को फ़िल्टर करके, यह अति-निदान और गलत वर्गीकरण के जोखिम को कम करता है।
एनवायरनमेंट मिक्सिंग रणनीति: काउंटरफैक्चुअल डेटा ऑग्मेंटेशन (एक रोगी के कॉज़ल फीचर्स को दूसरे के कन्फाउंडर्स के साथ मिलाना) का उपयोग मॉडल को विशिष्ट रोगी पृष्ठभूमि के प्रति इनवेरिएंट (invariant) बनाने में प्रभावी है।

5. महत्व (Significance)

यह शोध सेक्स-स्पेसिफिक और एंडोक्राइन-अवेयर डायग्नोस्टिक टूल्स के लिए एक मजबूत ढांचा प्रदान करता है। वायरल पैथोलॉजी और हार्मोनल ट्रांजिशन (मेनोपॉज) के बीच सफलतापूर्वक अंतर करके, प्रस्तावित पद्धति महिलाओं में लॉन्ग कोविड के प्रक्षेपवक्र (trajectories) का अधिक सटीक मूल्यांकन प्रदान करती है, जो कि उच्चतम जोखिम प्रोफाइल वाला एक वर्ग है। यह दृष्टिकोण मानक LLMs को क्लिनिकली अवेयर डायग्नोस्टिक इंस्ट्रूमेंट्स में बदल देता है जो बेसलाइन स्वास्थ्य स्थितियों के सांख्यिकीय सहसंबंधों के बजाय रोग की गंभीरता के वास्तविक कॉज़ल ड्राइवरों पर ध्यान केंद्रित करके व्यक्तिगत उपचार पथों को निर्देशित कर सकते हैं।