📊 statistics

Semi-supervised Method for Risk Prediction with Doubly Censored EHR Data

यह शोध पत्र एक नवीन अर्ध-पर्यवेक्षित शिक्षण ढांचे (semi-supervised learning framework) का प्रस्ताव करता है जो डबली सेंसर डेटा (doubly censored data) वाली इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड की चुनौतीपूर्ण स्थितियों के तहत जोखिम भविष्यवाणी की सटीकता में सुधार करने के लिए प्रचुर सरोगेट परिणामों के साथ सीमित गोल्ड-स्टैंडर्ड लेबल को प्रभावी ढंग से एकीकृत करता है।

मूल लेखक: Jie Zhou, Enhao Wang, Xuan Wang

प्रकाशित 2026-05-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jie Zhou, Enhao Wang, Xuan Wang

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 रहस्य सुलझाने की कोशिश कर रहे एक जासूस हैं: लोग वास्तव में टाइप 2 मधुमेह (Type 2 Diabetes) से कब ग्रस्त होते हैं?

आपके पास रोगी रिकॉर्ड का एक विशाल पुस्तकालय (इलेक्ट्रॉनिक हेल्थ रिकॉर्ड्स, या EHRs) है जिसमें लाखों लोग शामिल हैं। हालाँकि, आपको दो बड़ी समस्याओं का सामना करना पड़ता है जो इस रहस्य को सुलझाना कठिन बना देती हैं:

"डबल ब्लाइंड" (Double Blind) की समस्या: आपको हमेशा यह पता नहीं होता कि बीमारी वास्तव में कब शुरू हुई थी।
- कभी-कभी, एक मरीज अस्पताल में पहले से ही बीमार अवस्था में आता है। आप जानते हैं कि वह अस्पताल आने से पहले बीमार था, लेकिन आप नहीं जानते कि कब (यह लेफ्ट सेंसर्ड/Left Censored है)।
- कभी-कभी, एक मरीज अस्पताल प्रणाली से बाहर चला जाता है जबकि वह अभी भी स्वस्थ होता है। आप जानते हैं कि वह उस समय तक स्वस्थ था, लेकिन आप यह नहीं जानते कि वह अगले दिन बीमार हुआ या दस साल बाद (यह राइट सेंसर्ड/Right Censored है)।
- यह "डबल ब्लाइंड" स्थिति वास्तविक जोखिम की गणना करना कठिन बना देती है।
"गोल्ड स्टैंडर्ड" बनाम "सुराग" की समस्या:
- गोल्ड स्टैंडर्ड (लेबल वाला डेटा): सटीक सत्य जानने के लिए, विशेषज्ञों की एक टीम को हजारों पुराने कागजी चार्ट को मैन्युअल रूप से पढ़ना पड़ता है। यह बहुत धीमा, महंगा और थका देने वाला काम है। इस कारण, आपके पास केवल कुछ ही मरीजों (मान लीजिए, 1,600 लोग) के लिए "सही उत्तर" उपलब्ध है।
- सुराग (अनलेबल डेटा): अन्य 113,000+ मरीजों के लिए, आपके पास मैन्युअल समीक्षा नहीं है। इसके बजाय, आपके पास "सरोगेट सुराग" (surrogate clues) हैं, जैसे कि उनकी कंप्यूटर फाइल में एक विशिष्ट कोड (जैसे, "मधुमेह") पहली बार कब दिखाई दिया। ये सुराग पाना आसान है, लेकिन वे गलत या अपूर्ण हो सकते हैं (शायद कोड में गलती थी, या इसे देर से दर्ज किया गया था)।

पुराना तरीका बनाम नया तरीका

पुराना तरीका (सुपरवाइज्ड लर्निंग - Supervised Learning):
पहले, शोधकर्ता केवल उन 1,600 मरीजों के समूह को देखते थे जिनके पास "गोल्ड स्टैंडर्ड" उत्तर थे। वे बाकी 113,000 लोगों को इसलिए अनदेखा कर देते थे क्योंकि उनका डेटा "शोर भरा" (noisy) या "गलत" था। यह एक हत्या की गुत्थी सुलझाने की तरह है जहाँ आप केवल उस एक गवाह का इंटरव्यू लेते हैं जिसने अपराध देखा था, जबकि उन 100 अन्य लोगों को नजरअंदाज कर देते हैं जिन्होंने धुंधली परछाइयां देखी थीं या आवाजें सुनी थीं। आपका निष्कर्ष अस्थिर और अपूर्ण होगा।

नया तरीका (सेमी-सुपरवाइज्ड लर्निंग - Semi-Supervised Learning):
लेखकों ने एक नया गणितीय "जासूसी उपकरण" (एक सेमी-सुपरवाइज्ड एस्टिमेटर) विकसित किया है जो दो काम एक साथ करता है:

यह एक ठोस आधार प्राप्त करने के लिए छोटे, सटीक समूह से "गोल्ड स्टैंडर्ड" उत्तरों से शुरुआत करता है।
फिर यह 113,000 लोगों के विशाल समूह से मिले "सुरागों" का उपयोग करके उस आधार को "ऑगमेंट" (बढ़ावा) देता है।

इसे इस तरह समझें: आपके पास शहर का एक बहुत सटीक लेकिन छोटा नक्शा है (लेबल वाला डेटा)। साथ ही, आपके पास पूरे शहर की एक बड़ी, थोड़ी धुंधली सैटेलाइट फोटो भी है (अनलेबल डेटा जिसमें सरोगेट सुराग हैं)। नया तरीका यह पता लगाता है कि उस खाली जगह को भरने के लिए धुंधली फोटो को सटीक नक्शे के ऊपर कैसे रखा जाए, जिससे बिना हर एक सड़क को मैन्युअल रूप से बनाए, अंतिम नक्शा बहुत अधिक स्पष्ट और विश्वसनीय बन सके।

यह कैसे काम करता है (जादुई ट्रिक)

यह विधि एक "वर्किंग मॉडल" का उपयोग करती है। कल्पना कीजिए कि आपके पास एक मोटा अनुमान है कि "सुराग" और "सत्य" के बीच क्या संबंध है।

चरण 1: आप केवल छोटे, पूर्ण समूह का उपयोग करके जोखिम की गणना करते हैं।
चरण 2: आप विशाल समूह का उपयोग करके जोखिम की गणना करते हैं जिसमें अपूर्ण सुराग हैं।
चरण 3: विधि इन दोनों गणनाओं के बीच के अंतर को देखती है। यह छोटे समूह के अनुमान को "ठीक" करने के लिए बड़े समूह का उपयोग करती है। भले ही सुरागों और सत्य के बीच के संबंध के बारे में आपका अनुमान एकदम सही न हो, गणित यह दिखाता है कि यह सुधार अंतिम परिणाम को अकेले छोटे समूह के उपयोग की तुलना में बहुत बेहतर बनाता है।

लेखकों ने एक "सुपर-टूल" भी बनाया है जो सुरागों और सत्य के बीच के संबंध का अनुमान लगाने के दो अलग-अलग तरीकों को जोड़ता है, जिससे परिणाम और भी मजबूत हो जाता है।

उन्होंने क्या पाया

शोधकर्ताओं ने इस उपकरण का परीक्षण दो तरीकों से किया:

सिमुलेशन (अभ्यास सत्र): उन्होंने कंप्यूटर द्वारा जनरेट किए गए मरीजों की एक काल्पनिक दुनिया बनाई जहाँ उन्हें वास्तविक उत्तर पता थे। उन्होंने पाया कि उनकी नई विधि पुराने तरीके की तुलना में काफी अधिक सटीक थी। इसने परिणामों में "उलझन" (अनिश्चितता) को लगभग 40% से 50% तक कम कर दिया। यहाँ तक कि जब "सुराग" अपूर्ण थे, तब भी यह विधि अच्छी तरह से काम करती रही।
वास्तविक दुनिया का परीक्षण (टाइप 2 मधुमेह): उन्होंने इसे अमेरिका की एक स्वास्थ्य प्रणाली के वास्तविक डेटा पर लागू किया जिसमें 1,15,000 से अधिक मरीज शामिल थे।
- वे यह देखना चाहते थे कि आयु, लिंग और नस्ल जैसे कारक मधुमेह के जोखिम को कैसे प्रभावित करते हैं।
- पुराने तरीके ने (केवल 1,600 मैन्युअल रूप से समीक्षा किए गए मरीजों का उपयोग करके) एक उत्तर दिया, लेकिन उसमें त्रुटि की संभावना बहुत अधिक थी।
- नए तरीके ने (सभी 1,15,000 मरीजों का उपयोग करके) एक उत्तर दिया जो बहुत अधिक स्पष्ट (sharper) था। उदाहरण के लिए, आयु के प्रभाव के लिए उनकी सटीकता पुराने तरीके की तुलना में लगभग 80% तक सुधर गई।

मुख्य निष्कर्ष (The Bottom Line)

यह शोध पत्र यह दावा नहीं करता कि यह मधुमेह का इलाज करता है या आज डॉक्टरों के इलाज के तरीके को बदल देता है। इसके बजाय, यह इलेक्ट्रॉनिक रिकॉर्ड का उपयोग करके रोग के जोखिमों का अध्ययन करने के लिए गणित करने का एक बेहतर तरीका प्रदान करता है।

यह सिद्ध करता है कि आपको बड़ी मात्रा में "अपूर्ण" डेटा को केवल इसलिए फेंकने की आवश्यकता नहीं है क्योंकि आपके पास केवल कुछ ही "पूर्ण" उत्तर हैं। इस नए सेमी-सुपरवाइज्ड तरीके का उपयोग करके, शोधकर्ता बिना वर्षों तक कागजी चार्ट को मैन्युअल रूप से पढ़े, अधिक सटीक परिणाम प्राप्त कर सकते हैं। यह डेटा के एक छोटे से हिस्से के बजाय पूरे डेटासेट की शक्ति का उपयोग करके एक "धुंधली" तस्वीर को एक स्पष्ट तस्वीर में बदल देता है।

तकनीकी सारांश: दोहरी सेंसरिंग वाले EHR डेटा के साथ जोखिम भविष्यवाणी के लिए अर्ध-पर्यवेक्षित (Semi-supervised) विधि

समस्या विवरण
यह शोध पत्र इलेक्ट्रॉनिक हेल्थ रिकॉर्ड (EHR) डेटा में जोखिम प्रभावों (रिग्रेशन गुणांकों) का अनुमान लगाने की चुनौती को संबोधित करता है जहाँ घटना का समय दोहरी सेंसरिंग (बाएं और दाएं दोनों ओर) के अधीन होता है। कई नैदानिक सेटिंग्स में, किसी बीमारी का वास्तविक प्रारंभ समय (onset time) पहले दर्ज किए गए विज़िट से पूर्व हो सकता है (लेफ्ट सेंसरिंग/बाएं सेंसरिंग) या फॉलो-अप के अंत में अप्रधारित रह सकता है (राइट सेंसरिंग/दाएं सेंसरिंग)। इसके अतिरिक्त, "गोल्ड-स्टैंडर्ड" घटना के समय प्राप्त करने के लिए श्रम-साध्य मैनुअल चार्ट समीक्षा की आवश्यकता होती है, जिसके परिणामस्वरूप एक ऐसी स्थिति उत्पन्न होती है जहाँ केवल रोगियों का एक छोटा समूह (लेबल वाला सेट) सटीक परिणाम डेटा रखता है, जबकि अधिकांश (अनलेबल सेट) ऐसा नहीं करता है।

यद्यपि सरोगेट परिणाम (जैसे, प्रथम डायग्नोस्टिक कोड तक का समय) पूरे समूह के लिए उपलब्ध होते हैं, वे गलत वर्गीकरण (misclassification) के प्रति संवेदनशील होते हैं। केवल छोटे लेबल वाले सेट पर निर्भर रहने से उच्च परिवर्तनशीलता (variability) उत्पन्न होती है, जबकि त्रुटिपूर्ण सरोगेट्स का सीधे उपयोग करने से पूर्वाग्रह (bias) उत्पन्न होता है। मौजूदा अर्ध-पर्यवेकृत शिक्षण (SSL) विधियाँ बाइनरी या राइट-सेंसर्ड परिणामों के लिए प्रभावी हैं, लेकिन वे दोहरी सेंसरिंग की जटिलताओं को समाहित नहीं करती हैं।

कार्यप्रणाली
लेखक दोहरी सेंसरिंग के तहत जोखिम भविष्यवाणी के लिए एक नवीन अर्ध-पर्यवेकृत शिक्षण (SSL) ढांचा प्रस्तावित करते हैं, जो एक सेमी-पैरामेट्रिक लीनियर ट्रांसफॉर्मेशन मॉडल का उपयोग करता है:
$h(T) = -\beta'Z + \varepsilon$
जहाँ $T$ घटना का समय है, $Z$ सहचरों (covariates) का एक वेक्टर है, $h$ एक अज्ञात बढ़ता हुआ फलन है, और $\varepsilon$ एक ज्ञात वितरण का पालन करता है।

अनुमान प्रक्रिया में दो मुख्य चरण शामिल हैं:

पर्यवेक्षित अनुमान (Supervised Estimation): एक पर्यवेक्षित अनुमानक ( $\hat{\beta}_{SL}$ ) केवल लेबल वाले डेटा ( $D_l$ ) का उपयोग करके एक नॉन-पैरामेट्रिक मैक्सिमम लाइकलीहुड दृष्टिकोण के माध्यम से प्राप्त किया जाता है, जिसमें विषय-विशिष्ट स्वतंत्र पॉइसन वेरिएबल्स के साथ एक एक्सपेक्टेशन-मैक्सिमाइजेशन (EM) एल्गोरिदम का उपयोग किया जाता है।
संवर्धन (Augmentation): पर्यवेक्षित अनुमानक को बड़े अनलेबल सेट ( $D_u$ $D_{u}$ ) से प्राप्त जानकारी का उपयोग करके संवर्धित किया जाता है जिसमें सरोगेट परिणाम ( $T^*$ $T^{*}$ ) शामिल होते हैं। लेखक सरोगेट के लिए एक वर्किंग मॉडल मानते हैं जिसके पैरामीटर $\theta = (\gamma, \alpha)$ $θ = (γ, α)$ हैं। दो विशिष्ट वर्किंग मॉडल प्रस्तावित किए गए हैं:
- मॉडल 1 (समान संरचना): यह मानता है कि $T^*$ उसी सेमी-पैरामेट्रिक लीनियर ट्रांसफॉर्मेशन मॉडल का पालन करता है जैसा कि $T$ (समीकरण 4) करता है।
- मॉडल 2 (लचीली संरचना): यह एक अधिक लचीले ट्रांसफॉर्मेशन मॉडल को मानता है जहाँ त्रुटि वितरण अज्ञात है और संभावित रूप से वास्तविक त्रुटि के साथ सह-संबंधित है (समीकरण 5)। यह मॉडल लेफ्ट-सेंसोरिंग की संभावना के लिए लॉजिस्टिक मॉडल और राइट-सेंसर्ड हिस्से के लिए कॉक्स मॉडल को संयोजित करने वाले एक कॉनवेक्स लॉस फंक्शन का उपयोग करता है।

अंतिम अर्ध-पर्यवेकृत अनुमानक ( $\hat{\beta}_{SSL}$ ) को $\hat{\beta}_{SL}$ को एक ऐसे पद के साथ समायोजित करके बनाया जाता है जो संयुक्त डेटा से प्राप्त सरोगेट पैरामीटर $\gamma$ के अनुमानक ( $\bar{\gamma}$ ) और लेबल वाले डेटा से प्राप्त $\hat{\gamma}$ के बीच के अंतर के समानुपाती है। एक संयुक्त अनुमानक ( $\hat{\beta}_{SSL3}$ ) भी प्रस्तावित किया गया है जो दक्षता को अधिकतम करने के लिए दोनों वर्किंग मॉडलों के संवर्धन पदों को जोड़ता है।

प्रमुख योगदान

पद्धतिगत नवीनता: यह शोध पत्र विशेष रूप से दोहरी सेंसरिंग वाले डेटा के लिए SSL विधियों को विकसित करके साहित्य के अंतराल को भरता है, जो एक ऐसी स्थिति है जिसे मौजूदा SSL ढांचे द्वारा पहले संबोधित नहीं किया गया था।
सैद्धांतिक वैधता: लेखक प्रस्तावित अनुमानकों के एसिम्प्टोटिक गुणों को स्थापित करते हैं, जो कंसिस्टेंसी (consistency) और एसिम्प्टोटिक नॉर्मलिटी (asymptotic normality) को सिद्ध करते हैं। वे प्रदर्शित करते हैं कि SSL अनुमानक पर्यवेक्षित अनुमानक ( $\hat{\beta}_{SL}$ ) की तुलना में अधिक कुशल हैं, चाहे सरोगट के लिए वर्किंग मॉडल सही ढंग से निर्दिष्ट (correctly specified) हों या न हों।
दक्षता लाभ: दिखाया गया है कि संयुक्त अनुमानक एकल वर्किंग मॉडलों पर आधारित अनुमानकों की तुलना में कम से कम उतना ही कुशल है।
मजबूती (Robustness): इस ढांचे को वास्तविक लेबल की उच्च अनुपलब्धता दर (जहाँ मिसिंग रेट 1 के करीब पहुँच जाता है) को संभालने के लिए डिज़ाइन किया गया है, जिससे मानक मिसिंग-डेटा विधियाँ अप्रभावी हो जाती हैं।

परिणाम

सिमुलेशन अध्ययन: विभिन्न नमूना आकारों और त्रुटि वितरणों (इसमें वे मामले भी शामिल हैं जहाँ वर्किंग मॉडल गलत तरीके से निर्दिष्ट है) के साथ व्यापक सिमुलेशन दिखाते हैं कि प्रस्तावित SSL अनुमानक पर्यवेक्षित विधियों की तुलना में मानक त्रुटि (standard error) को काफी कम कर देते हैं। पर्यवेक्षित अनुमानक की तुलना में SSL अनुमानकों की सापेक्ष दक्षता (Relative Efficiency - RE) लगभग 1.35 से 1.52 के बीच रही। संयुक्त अनुमानक ( $\hat{\beta}_{SSL3}$ ) ने लगातार उच्चतम दक्षता प्राप्त की।
वास्तविक डेटा अनुप्रयोग: इस पद्धति को टाइप 2 डायबिटीज (T2D) के जोखिम कारकों का अध्ययन करने के लिए एक अमेरिकी स्वास्थ्य प्रणाली के EHR डेटा पर लागू किया गया। इस डेटासेट में 115,236 रोगी शामिल थे, जिनमें से केवल 1,613 के पास मैन्युअल रूप से समीक्षा किए गए (लेबल वाले) ऑनसेट टाइम थे। SSL अनुमानकों ने पर्यवेक्षित अनुमानक की तुलना में काफी कम मानक त्रुटि प्रदान की, जिसमें सापेक्ष दक्षता 1.81 तक पहुँच गई। परिणामों ने पुष्टि की कि उच्च नामांकन आयु बाद में T2D के प्रारंभ से जुड़ी है, जबकि पुरुष लिंग और गैर-श्वेत नस्ल उच्च जोखिम से जुड़े हैं।

महत्व और दावे
लेखक दावा करते हैं कि उनकी विधि दोहरी सेंसरिंग के तहत सीमित गोल्ड-स्टैंडर्ड लेबल के साथ बड़े पैमाने पर सरोगेट डेटा को एकीकृत करने का एक सिद्धांतपूर्ण तरीका प्रदान करती है। प्राथमिक महत्व अनुमान दक्षता में पर्याप्त सुधार में निहित है, जो लागत-साध्य और श्रम-साध्य मैनुअल चार्ट समीक्षाओं पर निर्भरता को कम करता है। प्रचुर मात्रा में उपलब्ध अनलेबल EHR डेटा का लाभ उठाकर, यह विधि वास्तविक दुनिया के परिवेश में रोग के जोखिम कारकों के अध्ययन को अधिक व्यवहार्य और सांख्यिकीय रूप से सुदृढ़ बनाती है। शोध पत्र विनम्रतापूर्वक नोट करता है कि हालांकि दक्षता लाभ सरोगेट और वास्तविक परिणाम के बीच संबंध की मजबूती पर निर्भर करता है, प्रस्तावित ढांचा मॉडल मिसस्पेसिफिकेशन (misspecification) के तहत भी सुसंगत (consistent) रहता है। भविष्य के कार्य के रूप में कोवेरिएट-डिपेंडेंट सेंसरिंग और मिसिंग-एट-रैंडम (MAR) तंत्र को समायोजित करने के लिए ढांचे का विस्तार करने का सुझाव दिया गया है।

पुराना तरीका बनाम नया तरीका

यह कैसे काम करता है (जादुई ट्रिक)

उन्होंने क्या पाया

मुख्य निष्कर्ष (The Bottom Line)

तकनीकी सारांश: दोहरी सेंसरिंग वाले EHR डेटा के साथ जोखिम भविष्यवाणी के लिए अर्ध-पर्यवेक्षित (Semi-supervised) विधि

इसी तरह के और पेपर