📊 statistics

Forecasting Oncology Demand Trends with Boosting-Based Bayesian Conjugate Models

यह शोध पत्र एक नवीन बेयसियन कंजुगेट मॉडल पेश करता है जिसे ऑन्कोलॉजी मांग के रुझानों का सटीक पूर्वानुमान लगाने के लिए एक अवशिष्ट-आधारित बूस्टिंग तंत्र के साथ उन्नत किया गया है, जो ब्राजील के वास्तविक डेटा पर मूल्यांकन किए जाने पर ARIMA और LSTM जैसे स्थापित बेसलाइन की तुलना में रुझान पहचान में बेहतर प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Ademir Batista dos Santos Neto, Tiago Alessandro Espinola Ferreira, Paulo Renato Alves Firmino

प्रकाशित 2026-05-08

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ademir Batista dos Santos Neto, Tiago Alessandro Espinola Ferreira, Paulo Renato Alves Firmino

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 व्यस्त ऑन्कोलॉजी क्लिनिक (एक कैंसर उपचार केंद्र) के प्रबंधक हैं। आपका सबसे बड़ा सिरदर्द यह अनुमान लगाना है कि अगले सप्ताह कितने मरीज आएंगे। यदि आप बहुत कम अनुमान लगाते हैं, तो कुर्सियां कम पड़ जाती हैं और डॉक्टर काम के बोझ से दब जाते हैं। यदि आप बहुत अधिक अनुमान लगाते हैं, तो आप अप्रयुक्त कर्मचारियों और उपकरणों पर पैसा बर्बाद करते हैं।

यह शोध पत्र इस अनुमान को लगाने का एक नया, स्मार्ट तरीका पेश करता है। लेखक इसे "बूस्टिंग-बेस्ड बेयसियन कंजुगेट मॉडल" (Boosting-Based Bayesian Conjugate Model) कहते हैं, लेकिन आइए इसे एक मौसम भविष्यवक्ता (Weather Forecaster) और एक सुधार दल (Correction Crew) की कहानी के रूप में समझते हैं।

दो-भागों वाली टीम

लेखकों ने एक ऐसी प्रणाली बनाई है जो भविष्य बताने की कोशिश करने वाली दो-सदस्यीय टीम की तरह काम करती है:

1. अनुभवी भविष्यवक्ता (द गामा-पॉइसन मॉडल - The Gamma-Poisson Model)
इसे एक अनुभवी पुराने व्यक्ति के रूप में सोचें जिसने बहुत सारा डेटा देखा है। वह जानता है कि मरीजों के आगमन की घटनाएं बारिश की बूंदों की तरह हैं: वे यादृच्छिक (randomly) रूप से होती हैं, लेकिन उनका एक औसत "दर" (rate) होता है कि आमतौर पर कितने मामले होते हैं।

यह कैसे काम करता है: यह दौरों के इतिहास को देखता है। यदि पिछला सप्ताह व्यस्त था, तो वह उम्मीद करता है कि यह सप्ताह भी व्यस्त होगा। वह "बेयसियन अपडेटिंग" नामक एक गणितीय ट्रिक का उपयोग करता है, जो उसके नोटबुक को लगातार फिर से लिखने जैसा है। जैसे ही एक नया मरीज आता है, वह इस बारेв विश्वास को अपडेट करता है कि अगले सप्ताह क्लिनिक कितना व्यस्त रहेगा।
सीमा: वह सामान्य औसत के लिए अच्छा है, लेकिन वह अचानक आए बदलावों को पकड़ने में चूक सकता है। यदि क्लिनिक में अचानक कोई नया रेफरल प्रोग्राम या स्थानीय प्रकोप शुरू हो जाता है, तो वह बदलाव को पहचानने में बहुत धीमा हो सकता है।

2. सुधार दल (द बूस्टिंग मैकेनिज्म - The Correction Crew)
यह इस शोध पत्र का "सीक्रेट सॉस" (गुप्त नुस्खा) है। चूंकि अनुभवी भविष्यवक्ता पूर्ण नहीं है, इसलिए लेखकों ने एक दूसरा स्तर जोड़ा है जो एक स्पॉटर (Spotter) की तरह काम करता है।

यह कैसे काम करता है: भविष्यवक्ता के अनुमान लगाने के बाद, सुधार दल देखता है कि वास्तव में क्या हुआ बनाम क्या अनुमान लगाया गया था। वे "त्रुटि" (error - वास्तविक और अनुमानित के बीच का अंतर) की गणना करते हैं।
ट्रिक: केवल कच्चे नंबरों को देखने के बजाय, वे त्रुटि के अनुपात (गुणात्मक त्रुटि/multiplicative error) को देखते हैं और उसे एक विशेष गणितीय उपकरण (Log-Normal) का उपयोग करके एक सुचारू वक्र (smooth curve) में बदल देते हैं। फिर वे अगली त्रुटि की भविष्यवाणी करने के लिए इसका उपयोग करते हैं।
बूस्ट: वे भविष्यवक्ता के अनुमान को लेते हैं और उसमें सुधार दल के त्रुटि के पूर्वानुमान को जोड़ देते हैं। यह अंतिम संख्या को "बूस्ट" करता है, जिससे यह बहुत अधिक सटीक हो जाती है।

यह क्लिनिक के लिए क्यों महत्वपूर्ण है

लेखकों ने इस नई टीम का परीक्षण अस्पतालों में उपयोग किए जाने वाले पांच अन्य सामान्य तरीकों के विरुद्ध किया:

"नैइव" (Naïve) विधि: बस यह मान लेना कि अगला सप्ताह ठीक इसी सप्ताह जैसा ही होगा।
ARIMA और लीनियर रिग्रेशन: पुराने जमाने के सांख्यिकीय सूत्र।
XGBoost और LSTM: जटिल कंप्यूटर "मस्तिष्क" मॉडल (आर्टिफिशियल इंटेलिजेंस)।

परिणाम:
नया "अनुभवी + सुधार दल" वाला विजेता रहा। विशेष रूप से, वे ट्रेंड (रुझान) की दिशा की भविष्यवाणी करने में बहुत बेहतर थे।

उपमा: कल्पना कीजिए कि मरीजों की संख्या एक कार है जो ऊपर और नीचे की ओर ढलान पर जा रही है। अन्य मॉडल शायद यह अनुमान लगाएंगे कि कार पहाड़ी के शीर्ष पर है, लेकिन वे गलत हो सकते हैं कि कार ऊपर जाने वाली है या नीचे। नया मॉडल दूसरे सबसे अच्छे मॉडल की तुलना में दिशा (ऊपर या नीचे) का अनुमान लगभग 38% अधिक बार सही ढंग से लगा सका।

"सीक्रेट सॉस" को सरलता से समझा गया

शोध पत्र कुछ प्रमुख विशेषताओं पर प्रकाश डालता है जो इसे काम करने में मदद करती हैं:

यह चलते-चलते सीखता है: कुछ मॉडलों के विपरीत जिन्हें शून्य से फिर से प्रशिक्षित करने की आवश्यकता होती है, यह हर बार एक नया मरीज आने पर तुरंत खुद को अपडेट करता है (जैसे कि आपके ड्राइविंग के दौरान जीपीएस द्वारा आपका मार्ग पुनर्गणना करना)।
यह "उतार-चढ़ाव" को संभालता है: स्वास्थ्य सेवा का डेटा अव्यवस्थित और अप्रत्याशित (non-stationary) होता है। सुधार दल को विशेष रूप से उन अचानक उछालों और बदलावों को पकड़ने के लिए डिज़ाइन किया गया है जो अन्य मॉडलों को भ्रमित कर देते हैं।
यह गणितीय रूप से ईमानदार है: यह केवल अनुमान नहीं लगाता; यह अपनी अनिश्चितता का भी हिसाब रखता है। यह जानता है कि वह कब आश्वस्त है और कब केवल अनुमान लगा रहा है।

निचोड़

लेखकों ने ब्राजील (कारिरी, सेआरा) के एक अस्पताल के वास्तविक डेटा पर इसका परीक्षण किया, जिसमें विभिन्न प्रकार के कैंसर (प्रोस्टेट, स्तन, मलाशय आदि) शामिल थे। उन्होंने पाया कि उनकी नई विधि उन्हें यह बताने में काफी बेहतर थी कि: "हे, अगला सप्ताह इस सप्ताह की तुलना में अधिक व्यस्त (या शांत) होने वाला है," जो कि उनके द्वारा परीक्षण किए गए अन्य सभी मानक उपकरणों की तुलना में अधिक सटीक था।

संक्षेप में, उन्होंने एक स्व-सुधार इंजन (self-correcting prediction engine) बनाया है जो वर्तमान मानक उपकरणों की तुलना में रोगी की मांग के ट्रेंड को पहचानने में बेहतर है, जिससे अस्पतालों को अपने संसाधनों की योजना बनाने में अधिक प्रभावी ढंग से मदद मिलती है।

तकनीकी सारांश: बूस्टिंग-आधारित बेयसियन कंजुगेट मॉडल्स के साथ ऑन्कोलॉजी डिमांड ट्रेंड्स का पूर्वानुमान

समस्या विवरण
स्वास्थ्य सेवा की मांग, विशेष रूप से ऑन्कोलॉजी (कैंसर विज्ञान) में, सटीक पूर्वानुमान लगाना संसाधन आवंटन और सेवा नियोजन के लिए महत्वपूर्ण है। हालांकि, ऑन्कोलॉजी इकाइयों को उच्च परिवर्तनशीलता के कारण महत्वपूर्ण चुनौतियों का सामना करना पड़ता है, जो विलंबित निदान, व्यक्तिगत उपचार प्रोटोकॉल और अनियमित फॉलो-अप विज़िट द्वारा संचालित होती है। पारंपरिक टाइम सीरीज़ मॉडल, जैसे कि ऑटोरेग्रेसिव इंटीग्रेटेड मूविंग एवरेज (ARIMA) और एक्सपोनेंशियल स्मूथिंग (ETS), संरचनात्मक बदलावों, गैर-स्थिर (non-stationary) ट्रेंड डायनेमिक्स को पकड़ने या पूर्व ज्ञान को प्रभावी ढंग से शामिल करने में अक्सर संघर्ष करते हैं। इसके अलावा, जबकि लॉन्ग शॉर्ट-टर्म मेमोरी (LSTM) नेटवर्क और XGBoost जैसे मशीन लर्निंग मॉडल लचीलापन प्रदान करते हैं, उनमें गतिशील स्वास्थ्य सेवा वातावरण के लिए आवश्यक विश्लेषणात्मक सुग्राह्यता (analytical tractability) और अनिश्चितता मात्रा निर्धारण (uncertainty quantification) की कमी हो सकती है। विशिष्ट चुनौती एक ऐसे मॉडल की आवश्यकता है जो गैर-स्थिर पैटर्न के अनुकूल हो सके, अल्पकालिक और दीर्घकालिक दोनों ट्रेंड शिफ्ट को ट्रैक कर सके, और क्लोज्ड-फॉर्म अपडेटिंग क्षमताओं को बनाए रख सके।

कार्यप्रणाली (Methodology)
लेखक एक बेयसियन इन्फरेंस फ्रेमवर्क का प्रस्ताव करते हैं जो कंजुगेट डिस्ट्रीब्यूशन को रेजिड्यूअल-आधारित बूस्टिंग मैकेनिज्म के साथ जोड़ता है। यह कार्यप्रणाली तीन क्रमिक चरणों में संचालित होती है:

बेस मॉडल (गामा-पॉइसन कंजुगेशन):
मांग पूर्वानुमान का मूल आधार गामा-पॉइसन कंजुगेट जोड़ी का उपयोग करता है। साप्ताहिक अपॉइंटमेंट काउंट्स ( $x_t$ ) को एक अज्ञात दर पैरामीटर $\lambda_t$ के साथ पॉइसन प्रक्रिया के रूप में मॉडल किया जाता है। $\lambda$ के लिए एक गामा वितरण कंजुगेट प्रायर (conjugate prior) के रूप में कार्य करता है। यह अनुक्रमिक बेयसियन अपडेटिंग की अनुमति देता है जहाँ पोस्टीरियर डिस्ट्रीबशन गामा परिवार में ही रहता है, जिससे पोस्टीरियर मीन फोरकास्ट के लिए एक क्लोज्ड-फॉर्म समाधान प्राप्त होता है। यह घटक मांग प्रक्रिया की दीर्घकालिक स्मृति (long-term memory) को कैप्चर करता है।
रेजिड्यूअल मॉडलिंग (गामा-लॉग-नॉर्मल कंजुगेशन):
अवलोकित (observed) और अनुमानित मूल्यों के बीच व्यवस्थित विचलन को संबोधित करने के लिए, मॉडल रेजिड्यूल्स (residuals) का विश्लेषण करता है। मल्टीप्लिकेटिव रेजिड्यूल्स को एक लॉगरिदमिक फंक्शन ( $\log_p1(x) = \log(x+1)$ ) का उपयोग करके रूपांतरित किया जाता है ताकि नॉर्मल डिस्ट्रीब्यूशन के करीब पहुँचा जा सके। इसके बाद इन रूपांतरित रेजिड्यूल्स पर गामा-लॉग-नॉर्मल कंजुगेट संरचना लागू की जाती है। विशेष रूप से, त्रुटि (error) की प्रिसिजन को गामा प्रायर के साथ मॉडल किया जाता है, और प्रिसिजन के आधार पर माध्य त्रुटि को नॉर्मल डिस्ट्रीब्यूशन के साथ मॉडल किया जाता है। इससे त्रुटि टर्म के लिए एक पोस्टीरियर मीन प्राप्त होता है जो वर्चुअल और एम्पिरिकल साक्ष्य का एक भारित औसत (weighted average) प्रस्तुत करता है।
बूस्टिंग और करेक्शन:
अंतिम पूर्वानुमान ( $\hat{x}_{t+1}$ ) बेस पॉइसन फोरकास्ट ( $\hat{\lambda}_{t+1}$ ) और बैक-ट्रांसफॉर्म्ड एरर फोरकास्ट के योग द्वारा उत्पन्न किया जाता है। मूल स्केल पर वापस आने के लिए एरर टर्म को एक्सपोनेंशिएट और एडजस्ट ( $\exp(\hat{\mu}_{t+1}) - 1$ ) किया जाता है, जिसमें संख्यात्मक अस्थिरता को रोकने के लिए max(0, ...) फंक्शन लागू किया जाता है। यह एडिटिव करेक्शन मॉडल को डेटा-जनरेटिंग प्रक्रिया में परिवर्तनों के अनुकूल होने की अनुमति देता है जबकि कंजुगेट अपडेट्स की विश्लेषणात्मक सुग्राह्यता को सुरक्षित रखता है।

एल्गोरिदम ऑनलाइन लर्निंग के लिए डिज़ाइन किया गया है, जो नए डेटा के आने पर प्रत्येक टाइम स्टेप पर पोस्टीरियर पैरामीटर्स ( $\alpha, \beta$ बेस मॉडल के लिए; स्टैटिस्टिक्स एरर मॉडल के लिए) को अपडेट करता है।

प्रमुख योगदान

हाइब्रिड बेयसियन फ्रेमवर्क: एक गामा-पॉइसन बेस मॉडल के साथ गामा-लॉग-नॉर्मल रेजिड्यूअल बूस्टिंग मैकेनिज्म का एकीकरण, जो मांग काउंट्स और व्यवस्थित ट्रेंड शिफ्ट दोनों को ट्रैक करने में सक्षम है।
विश्लेषणात्मक सुग्राह्यता (Analytical Tractability): कंजुगेट प्रायर का उपयोग क्लोज्ड-फॉर्म, अनुक्रमिक अपडेट सुनिश्चित करता है, जिससे सिमुलेशन-आधारित तरीकों जैसे MCMC की कम्प्यूटेशनल लागत से बचा जा सकता है, जो रियल-टाइम या संसाधन-सीमित सेटिंग्स के लिए फायदेमंद है।
स्पष्ट ट्रेंड दिशा पर जोर: कार्यप्रणाली केवल परिमाण त्रुटियों (magnitude errors) के बजाय 'परसेंटेज ऑफ करेक्ट डायरेक्शन' (POCID) मेट्रिक का उपयोग करके ट्रेंड की दिशा को स्पष्ट रूप से प्राथमिकता देती है।
वास्तविक दुनिया का सत्यापन: मॉडल का मूल्यांकन साओ विसेंटे डी पाउला हॉस्पिटल, करीरी, सेआरा, ब्राजील के वास्तविक साप्ताहिक ऑन्कोलॉजी सर्विस डेटा पर किया गया था, जिसमें जनवरी 2023 से दिसंबर 2024 तक दस अलग-अलग कैंसर प्रकार (जैसे प्रोस्टेट, स्तन, रेक्टल) शामिल थे।

परिणाम
प्रस्तावित मॉडल की तुलना पांच बेसलाइन्स से की गई: नैइव (Naïve) फोरकास्टिंग, लीनियर रिग्रेशन, ARIMA, LSTM, और XGBoost।

ट्रेंड दिशा (POCID): प्रस्तावित मॉडल ने अधिकांश सीरीज़ में उच्चतम POCID मान प्राप्त किए, जिसने दूसरे सर्वश्रेष्ठ दृष्टिकोण को विशिष्ट मामलों में 38.25% तक पीछे छोड़ दिया। इसने ARIMA, लीनियर रिग्रेशन और नैइव विधियों की तुलना में मांग परिवर्तन की दिशा की भविष्यवाणी करने में बेहतर स्थिरता और सटीकता प्रदर्शित की।
स्केल-सेंसिटिव मेट्रिक्स: मॉडल ने पैरामेट्रिक और ट्री-आधारित बेसलाइन्स की तुलना में त्रुटि मेट्रिक्स में महत्वपूर्ण कमी दिखाई। मीडियन रिडक्शन में ARIMA के मुकाबले MAPE में 74.5%, लीनियर रिग्रेशन के मुकाबले 77.6%, LSTM के मुकाबले 75.7%, और XGBoost के मुकाबले 74.7% की कमी शामिल थी।
सांख्यिकीय महत्व: मीन स्क्वेर्ड एरर (MSE) पर आधारित डाइबोल्ड-मारियानो (DM) टेस्ट का उपयोग करते हुए, प्रस्तावित मॉडल ने 10 में से 7 सीरीज़ में दूसरे सर्वश्रेष्ठ मॉडल की तुलना में सांख्यिक的に बेहतर प्रदर्शन किया। शेष मामलों में, परिणाम अनिर्णायक थे, लेकिन लेखकों ने प्रस्तावित मॉडल के पक्ष में एक फॉलबैक मानदंड लागू किया।

महत्व और दावे
पेपर का दावा है कि पूर्व ज्ञान को रेजिड्यूअल-आधारित बूस्टिंग के साथ एकीकृत करना गैर-स्थिर हेल्थकेयर टाइम सीरीज़ को संभालने के लिए एक सिद्धांतवादी ढांचा प्रदान करता है। लेखक तर्क देते हैं कि यह दृष्टिकोण उन जगहों पर मांग ट्रेंड दिशाओं की पहचान करने में विशिष्ट लाभ प्रदान करता है जहाँ पारंपरिक मॉडल संरचनात्मक परिवर्तनशीलता के अनुकूल होने में विफल रहते हैं।

लेखक मॉडल की सार्वभौमिकता के संबंध में विनम्र बने हुए हैं, यह नोट करते हुए कि:

नैइव बेंचमार्क पर प्रदर्शन सीरीज़-निर्भर है।
मॉडल का प्रदर्शन प्रायर डिस्ट्रीब्यूशन के इनिशियलाइजेशन के प्रति संवेदनशील है, विशेष रूप से जब डेटा कम हो या अत्यधिक परिवर्तनशील हो।
कुछ मूल्यांकन मेट्रिक्स आउटलेयर्स (outliers) के प्रति संवेदनशीलता दिखाते हैं, जो अंतिम आकलन को प्रभावित करते हैं।

भविष्य के कार्य में प्रायर एलिसिटेशन (संभवतः एम्पिरिकल बेयस का उपयोग करके) के लिए व्यवस्थित दृष्टिकोण तलाशना और विकसित डेटा संरचनाओं के अनुकूलन क्षमता को और बढ़ाने के लिए LSTM नेटवर्क से प्रेरित शॉर्ट- और लॉन्ग-टर्म मेमोरी मैकेनिज्म को एकीकृत करना प्रस्तावित है।

दो-भागों वाली टीम

यह क्लिनिक के लिए क्यों महत्वपूर्ण है

"सीक्रेट सॉस" को सरलता से समझा गया

निचोड़

इसी तरह के और पेपर