Temporal Data Requirement for Predicting Unplanned Hospital Readmissions
यह अध्ययन 7,000 से अधिक रोगियों के इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड का विश्लेषण करता है ताकि यह प्रदर्शित किया जा सके कि हिप और नी आर्थ्रोप्लास्टी के बाद 30-दिवसीय पुन: प्रवेश (री-एडमिशन) की भविष्यवाणी करने के लिए विभिन्न डेटा मोडैलिटीज के लिए अलग-अलग ऐतिहासिक समय खिड़कियों की आवश्यकता होती है, जिसमें असंरचित नैदानिक नोट्स केवल तीन से छह महीने के इतिहास का उपयोग करके सर्वश्रेष्ठ प्रदर्शन करते हैं जबकि संरचित डेटा बारह महीने तक के इतिहास से लाभान्वित होता है।
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 यह भविष्यवाणी करने की कोशिश कर रहे हैं कि क्या किसी मरीज को कूल्हे (hip) या घुटने (knee) के रिप्लेसमेंट सर्जरी के 30 दिनों के भीतर वापस अस्पताल आने की आवश्यकता होगी। आपके पास इन मरीजों के बारे में जानकारी का एक विशाल पुस्तकालय है: कुछ व्यवस्थित और सुव्यवस्थित है (जैसे लैब परिणामों और तारीखों का एक स्प्रेडशीट) और कुछ अव्यवस्थित और पैराग्राफों में लिखा गया है (जैसे डॉक्टरों के हस्तलिखित नोट्स और रिपोर्ट)।
बड़ा सवाल जो यह शोध पत्र पूछता है: "सर्वश्रेष्ठ भविष्यवाणी करने के लिए हमें मरीज के इतिहास में कितनी पीछे तक देखना चाहिए?"
कई लोग मान लेते हैं कि "अधिक डेटा हमेशा बेहतर होता है"—जैसे यह सोचना कि एक अपराधी को सुलझाने के लिए जासूस को संदिग्ध की पूरी जीवन कहानी पढ़ने की आवश्यकता होती है। यह अध्ययन उस विचार को चुनौती देता है। उन्होंने जो पाया, उसे सरल रूप में यहाँ समझाया गया है:
सुरागों के दो प्रकार
शोधकर्ताओं ने मरीज के डेटा को दो अलग-अलग प्रकार के सुरागों की तरह माना:
- संरचित डेटा (स्प्रेडशीट): यह व्यवस्थित डेटा है—जैसे उम्र, रक्त परीक्षण के नंबर, दवाओं की सूची और अस्पताल में भर्ती होने की तारीखें।
- असंरचित डेटा (कहानी): यह डॉक्टरों और नर्सों द्वारा लिखे गए क्लिनिकल नोट्स हैं। यह उस घटनाक्रम का विवरण है जो हुआ, जो संदर्भ और विवरणों से भरा है जो एक स्प्रेडशीट में फिट नहीं होते।
द "टाइम विंडो" (समय सीमा) प्रयोग
टीम ने कंप्यूटर मॉडल (प्रेडिक्टर्स) बनाए और उन्हें इतिहास के विभिन्न "टाइम विंडोज" का उपयोग करके टेस्ट किया। उन्होंने पूछा:
- क्या 3 साल पीछे देखना मदद करेगा?
- क्या 1 साल पीछे देखना मदद करेगा?
- क्या केवल 3 से 6 महीने पीछे देखना मदद करेगा?
- क्या केवल सर्जरी के दिन को देखना मदद करेगा?
आश्चर्यजनक परिणाम
1. "कहानी" के लिए (क्लिनिकल नोट्स): ताज़ा जानकारी ही सबसे अच्छी है
जब मॉडलों ने केवल डॉक्टरों के नोट्स का उपयोग किया, तो बहुत पीछे देखने से भविष्यवाणियां वास्तव में खराब हो गईं।
- उपमा: डॉक्टरों के नोट्स को एक मौसम रिपोर्ट की तरह समझें। यदि आप जानना चाहते हैं कि कल बारिश होगी या नहीं, तो तीन साल पहले की मौसम रिपोर्ट पढ़ने से कोई मदद नहीं मिलेगी। आपको पिछले कुछ दिनों की रिपोर्ट की आवश्यकता है।
- निष्कर्ष: क्लिनिकल नोट्स के लिए सबसे सटीक समय सर्जरी से 3 से 6 महीने पहले का था। उसके बाद, पुराने नोट्स "शोर" (noise) बन गए और मॉडल को भ्रमित करने लगे। सबसे हालिया कहानी सबसे अधिक महत्वपूर्ण थी।
2. "स्प्रेडशीट" के लिए (संरचित डेटा): पुराना डेटा भी ठीक है
जब मॉडलों ने केवल व्यवस्थित डेटा (लैब, जनसांख्यिकी, इतिहास) का उपयोग किया, तो परिणाम अलग थे।
- उपमा: संरचित डेटा को एक वंश वृक्ष (family tree) की तरह समझें। यह जानना कि आपके दादा-परदादाओं का स्वास्थ्य इतिहास क्या था, शायद सब कुछ न बताए, लेकिन वे मिलकर एक तस्वीर बनाते हैं। आप जितने अधिक पीढ़ियों को जानेंगे, तस्वीर उतनी ही स्पष्ट होगी।
- निष्कर्ष: मॉडल तब बेहतर हुए जब उन्होंने 12 महीने तक पीछे देखा। एक वर्ष के बाद, अधिक पुराना डेटा जोड़ने से वास्तव में कोई मदद नहीं मिली; प्रदर्शन स्थिर (plateaued) हो गया।
3. उन्हें आपस में मिलाना
जब उन्होंने नोट्स और स्प्रेडशीट दोनों को मिला दिया, तो परिणाम नोट्स के पैटर्न का पालन करते हैं। क्लिनिकल नोट्स की "ताजगी" इतनी शक्तिशाली थी कि इसने पूरे मॉडल के लिए सबसे अच्छा टाइम विंडो निर्धारित किया।
मुख्य निष्कर्ष
यह पुरानी धारणा कि "अधिक ऐतिहासिक डेटा हमेशा बेहतर होता है" हर चीज़ के लिए सच नहीं है।
- यदि आप कहानियाँ (नोट्स) पढ़ रहे हैं, तो आप हालिया अध्यायों को चाहते हैं।
- यदि आप आंकड़े (संरचित डेटा) पढ़ रहे हैं, तो आप थोड़ा और पीछे देख सकते हैं, लेकिन इसकी एक सीमा है।
यह पता लगाकर कि इतिहास का कितना हिस्सा देखना सही है, अस्पताल समय और कंप्यूटर की शक्ति बचा सकते हैं। उन्हें तीन साल का डेटा स्टोर और प्रोसेस करने की आवश्यकता नहीं है यदि पिछले छह महीने वास्तव में पुन: भर्ती (readmission) की भविष्यवाणी करने के लिए सबसे महत्वपूर्ण हैं।
जो उन्होंने नहीं कहा
इस शोध पत्र ने सख्ती से केवल कूल्हे और घुटने की सर्जरी पर ध्यान केंद्रित किया और यह दावा नहीं किया कि ये नियम हृदय की सर्जरी या अन्य चिकित्सा स्थितियों पर लागू होते हैं। उन्होंने यह भी उल्लेख किया कि उनका डेटा एक विशिष्ट अस्पताल प्रणाली से आया था, इसलिए "नियम" अन्य स्थानों पर थोड़े अलग दिख सकते हैं। उन्होंने वास्तविक दुनिया के डॉक्टरों की सहज समझ (gut feeling) के विरुद्ध नहीं, बल्कि केवल डेटा के विरुद्ध अपने मॉडलों का परीक्षण किया।
संक्षेप में: निकट भविष्य की समस्या को हल करने के लिए पूरे अतीत को न खोदें। कभी-कभी, कहानी के सबसे हालिया अध्याय सबसे महत्वपूर्ण सुराग रखते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।