📊 statistics

A Dynamic Latent Space Model for Healthcare Mobility Networks: the Italian National Health Service case

यह शोध पत्र 2018 से 2024 तक 109 इतालवी स्थानीय स्वास्थ्य प्राधिकरणों के बीच रोगी गतिशीलता प्रवाह में विकसित संरचनात्मक विषमताओं, महामारी संबंधी व्यवधानों और क्षेत्रीय असमानताओं का विश्लेषण और परिमाणीकरण करने के लिए एक हर्डल नेगेटिव बाइनोमियल लाइक्लीहुड के साथ एक बेयसियन डायनेमिक लेटेंट स्पेस मॉडल प्रस्तुत करता है।

मूल लेखक: Cecilia Manente, Marco Alfò, Silvia D'Angelo

प्रकाशित 2026-06-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Cecilia Manente, Marco Alfò, Silvia D'Angelo

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

इटली की स्वास्थ्य प्रणाली की कल्पना एक विशाल, हलचल भरे ट्रेन नेटवर्क के रूप में करें। ट्रेनों के बजाय, यात्री वे मरीज हैं जिन्हें कूल्हे के प्रत्यारोपण (hip replacement) की आवश्यकता है। स्टेशनों के बजाय, स्टॉप स्थानीय स्वास्थ्य जिले (जिन्हें ASL कहा जाता है) हैं।

आमतौर पर, लोग अपने घर के सबसे पास वाले स्टेशन पर इलाज कराते हैं। लेकिन कभी-कभी, वे किसी दूसरे स्टेशन की ओर ट्रेन में सवार हो जाते हैं—शायद इसलिए क्योंकि उस स्टेशन की प्रतिष्ठा बेहतर है, वहां अधिक विशेषज्ञ डॉक्टर हैं, या बस इसलिए क्योंकि स्थानीय स्टेशन भरा हुआ है। यह शोध पत्र इस बारे में है कि ये "यात्री" वास्तव में कहाँ जा रहे हैं, वे क्यों जा रहे हैं, और पिछले कुछ वर्षों में यह मानचित्र कैसे बदला है।

यहाँ शोध का सरल विवरण दिया गया है:

समस्या: एक नक्शा जो बहुत धुंधला था

लंबे समय तक, शोधकर्ताओं ने इस ट्रेन नेटवर्क को पूरे क्षेत्रों को एक साथ समूहबद्ध करके देखा (जैसे "उत्तर" बनाम "दक्षिण")। यह एक ऐसे नक्शे को देखने जैसा था जहाँ इटली केवल तीन बड़े धब्बों के रूप में था। इसने असली कहानी को छिपा दिया। उन बड़े धब्बों के भीतर, कुछ छोटे कस्बे लगभग सभी लोगों को बाहर भेज रहे थे, जबकि अन्य सभी को अपने पास रख रहे थे।

लेखक गहराई से देखना चाहते थे। उन्होंने केवल बड़े क्षेत्रों के बजाय 109 विशिष्ट स्थानीय जिलों को देखा। उन्होंने 2018 से 2024 के बीच 8,00,000 से अधिक कूल्हे के प्रत्यारोपण सर्जरी को ट्रैक किया।

चुनौती: "भूतिया" प्रवाह और "भीड़भाड़ वाली" ट्रेनें

दो चीजों ने इस डेटा का विश्लेषण करना कठिन बना दिया:

भूत (शून्य प्रवाह): अधिकांश जिलों के बीच कोई भी मरीजों का आदान-प्रदान नहीं होता है। यदि आप प्रत्येक संभावित जोड़ी के बीच रेखा खींचने की कोशिश करेंगे, तो 75% रेखाएं खाली होंगी। मानक गणितीय उपकरण इतने सारे खाली स्थानों से भ्रमित हो जाते हैं।
भीड़भाड़ वाली ट्रेनें (ओवरडिस्पर्शन): जब मरीज यात्रा करते हैं, तो वे छोटे, समान समूहों में यात्रा नहीं करते हैं। कुछ प्रसिद्ध अस्पतालों में हजारों मरीज होते हैं, जबकि अन्य में केवल कुछ ही होते हैं। डेटा "स्पाइकी" (उतार-चढ़ाव वाला) है, सुचारू नहीं।

समाधान: एक "जादुई अदृश्य मानचित्र"

इसे हल करने के लिए, लेखकों ने एक नए प्रकार के सांख्यिकीय मॉडल का निर्माण किया। इसे एक जादुई अदृश्य मानचित्र के रूप में समझें जहाँ प्रत्येक स्थानीय स्वास्थ्य जिला एक बिंदु है।

अदृश्य दूरी: इस मानचित्र पर, वे बिंदु जो पास-पास हैं, उन जिलों का प्रतिनिधित्व करते हैं जो स्वाभाविक रूप रूप से मरीजों का आदान-प्रदान करते हैं (शायद वे पड़ोसी हैं या उनके अस्पताल की गुणवत्ता समान है)। दूर स्थित बिंदु शायद ही कभी मरीजों का आदान-प्रदान करते हैं।
बदलता हुआ मानचित्र: यह कोई स्थिर मानचित्र नहीं है; यह एक एनीमेशन है। बिंदु हर साल थोड़ा हिलते हैं, जिससे यह पता चलता है कि समय के साथ जिलों के बीच संबंध कैसे बदलते हैं।
"हर्डल" (बाधा) तंत्र: मॉडल के पास "भूतों" के लिए एक विशेष ट्रिक है। यह दो प्रश्न पूछता है:
1. क्या कोई मरीज यात्रा करेगा ही? (बाधा/हर्डल)।
2. यदि वे करते हैं, तो कितने लोग जाएंगे? (संख्या/काउंट)।
  यह मॉडल को खाली स्थानों और भीड़भाड़ वाली ट्रेनों को अलग-अलग संभालने की अनुमति देता है।
"प्रेषक" और "प्राप्तकर्ता" भूमिकाएँ: मॉडल यह पहचानता है कि कुछ जिले स्वाभाविक रूप से "जनरेटर" (जो कई लोगों को बाहर भेजते हैं) हैं और कुछ "चुंबक" (जो कई लोगों को अपनी ओर खींचते हैं) हैं। यह इन भूमिकाओं को अलग करता है ताकि यह एक बड़े शहर (जिसमें बहुत से लोग केवल उसके बड़े होने के कारण हैं) को वास्तव में आकर्षक अस्पताल के साथ भ्रमित न करे।

उन्होंने क्या पाया

1. उत्तर-दक्षिण विभाजन वास्तविक है
अदृश्य मानचित्र ने उस बात की पुष्टि की जो लोग पहले से ही संदेह कर रहे थे: दक्षिण मुख्य रूप से मरीजों को "भेजने" वाला है, और उत्तर मुख्य रूप रूप से "प्राप्त करने" वाला है। दक्षिणी जिले अक्सर मानचित्र के किनारे पर दिखाई देते हैं, जबकि उत्तरी जिले केंद्र में क्लस्टर बनाते हैं, जो प्रमुख केंद्रों के रूप में कार्य करते हैं।

2. द्वीपों के अपने नियम हैं
सिसिली और सार्डिनिया ने अपने विशिष्ट क्लस्टर बनाए। वे केवल "दक्षिणी इटली" की तरह नहीं दिखते; उनके अपने अनूठे पैटर्न हैं। सार्डिनिया के मरीज इटली के उत्तर-पूर्व की ओर देखते प्रतीत होते हैं, जबकि सिसिली के मरीज उत्तर-पश्चिम और दक्षिण की ओर देखते हैं। यह ऐसा है जैसे उनकी अपनी निजी ट्रेन लाइनें हैं जो मुख्य भूमि के मार्गों से मेल नहीं खाती हैं।

3. महामारी ने मानचित्र को हिला दिया
जब 2020 में महामारी आई, तो मानचित्र अव्यवस्थित हो गया। वैकल्पिक सर्जरी (जैसे कूल्हे के प्रत्यारोपण) को रोक दिया गया। जब 2021 और 2022 में वे फिर से शुरू हुईं, तो जिले सभी समान गति से उबर नहीं पाए। मानचित्र पर "बिंदु" और अधिक फैल गए, जिससे पता चला कि प्रणाली अधिक असमान हो गई है। कुछ क्षेत्र तेजी से उबर गए; कुछ पीछे रह गए।

4. आकार मायने रखता है (लेकिन उस तरह से नहीं जैसा आप सोचते हैं)
यदि आप केवल कच्चे नंबरों को देखते हैं, तो मिलान और रोम जैसे बड़े शहर सबसे बड़े चुंबक दिखते हैं। लेकिन लेखकों के मॉडल ने जनसंख्या के आकार के लिए सुधार किया। जब उन्होंने ऐसा किया, तो "वास्तविक" चुंबक सार्डिनिया और सिसिली के कुछ छोटे, विशिष्ट केंद्र निकले जो अपने द्वीपों और उससे आगे के मरीजों को अपनी ओर खींचते हैं, बावजूद इसके कि वहां कम लोग रहते हैं।

यह क्यों महत्वपूर्ण है

इस अध्ययन ने केवल मरीजों को नहीं गिना; इसने स्वास्थ्य सेवा के छिपे हुए भूगोल को प्रकट किया। इसने दिखाया कि मरीजों का घूमना यादृच्छिक (रैंडम) नहीं है—यह एक संरचित, विकसित होते पैटर्न का अनुसरण करता है।

इस "जादु적인 मानचित्र" का उपयोग करके, स्वास्थ्य अधिकारी देख सकते हैं:

कौन से जिले अपने मरीजों को बनाए रखने में संघर्ष कर रहे हैं।
कौन से जिले बाहरी लोगों की भीड़ से ओवरलोडेड हो रहे हैं।
बड़े झटकों (जैसे महामारी) के बाद प्रणाली कैसे उबर रही है।

यह शोध निष्कर्ष निकालता है कि यह गणितीय उपकरण समय के साथ स्वास्थ्य प्रणाली की "धड़कन" को देखने का एक लचीला तरीका है, जो उन असमानताओं और संरचनात्मक समस्याओं को पहचानने में मदद करता है जिन्हें मरीजों की केवल गिनती से नहीं पकड़ा जा सकता।

तकनीकी सारांश: स्वास्थ्य सेवा गतिशीलता नेटवर्क के लिए एक गतिशील लेटेंट स्पेस मॉडल

समस्या विवरण
स्वास्थ्य सेवा गतिशीलता—वह घटना जहाँ रोगी अपने निवास क्षेत्र से बाहर उपचार की तलाश करते हैं—विकेंद्रीकृत स्वास्थ्य प्रणालियों में महत्वपूर्ण असमानता और वित्तीय असंतुलन पैदा करती है। इटली में, स्थानीय स्वास्थ्य प्राधिकरणों (ASLs) के बीच रोगी प्रवाह में निरंतर उत्तर-दक्षिण विषमता ने राष्ट्रीय स्वास्थ्य सेवा (SSN) के भीतर असमानताओं को सुदृढ़ किया है। जबकि मौजूदा निगरानी ढांचे आमतौर पर क्षेत्रीय स्तर पर डेटा को एकत्रित करते हैं, यह क्षेत्र के भीतर व्यापक विषमता को छिपा देता है। इसके अतिरिक्त, पारंपरिक मात्रात्मक दृष्टिकोण, जैसे कि ग्रेविटी मॉडल, उत्पत्ति-गंतव्य युग्मों (origin–destination pairs) को स्वतंत्र मानते हैं, जिससे वे पारस्परिकता (reciprocity), प्रेषक/प्राप्तकर्ता विषमता (sender/receiver heterogeneity), और उच्च-क्रम क्लस्टरिंग जैसी संरचनात्मक नेटवर्क विशेषताओं को पकड़ने में विफल रहते हैं। इसके अलावा, ASL स्तर पर गतिशीलता डेटा विशिष्ट सांख्यिकीय चुनौतियों का प्रदर्शन करता है: उच्च विरलता (excess zeros), तीव्र ओवरडिस्पर्शन (overdispersion), और अस्थायी गतिशीलता जिसे स्थिर मॉडल संबोधित नहीं कर सकते।

कार्यप्रणाली
लेखक एक बेयसियन डायनेमिक लेटेंट स्पेस मॉडल (LSM) का प्रस्ताव करते हैं जो निर्देशित, भारित (directed, weighted) नेटवर्कों के लिए विशेष रूप से स्वास्थ्य सेवा गतिशीलता डेटा के अनुकूल है। यह ढांचा तीन महत्वपूर्ण सांख्यिकीय घटकों को एकीकृत करता है:

हर्डल नेगेटिव बाइनोमियल लाइकलीहुड (Hurdle Negative Binomial Likelihood): डेटा की दोहरी प्रकृति को संबोधित करने के लिए, मॉडल डेटा-जनरेटिंग प्रक्रिया को दो भागों में विभाजित करता है:
- एक बाइनरी घटक (लॉजिस्टिक हर्डल) जो सकारात्मक प्रवाह ( $\pi_{ij}^{(t)}$ ) की संभावना निर्धारित करता है, जो संरचनात्मक शून्य (structural zeros) को सैंपलिंग शून्य से अलग करता है।
- एक ज़ीरो-ट्रंकेटेड नेगेटिव बाइनोमियल घटक जो सकारात्मक प्रवाह के परिमाण को मॉडल करता है, जो डेटा में देखी गई तीव्र ओवरडिस्पर्शन को ध्यान में रखता है।
डायनेमिक लेटेंट स्पेस: नोड्स (ASLs) को एक निम्न-आयामी यूक्लिडियन स्पेस (व्याख्यात्मकता के लिए $d=2$ पर स्थिर) में एम्बेड किया गया है। नोड्स के बीच की लेटेंट दूरी बढ़ने के साथ अंतःक्रिया की संभावना कम हो जाती है। अस्थायी निर्भरता को एक गॉसियन रैंडम वॉक के माध्यम से मॉडल किया जाता है, जहाँ लेटेंट स्थितियाँ समय के साथ सुचारू रूप से विकसित होती हैं ( $x_i^{(t)} | x_i^{(t-1)} \sim N(x_i^{(t-1)}, \sigma_X^2 I_2)$ ), जो स्वास्थ्य सेवा प्रणाली की विकसित होती ज्यामिति को कैप्चर करती है।
बहुआयामी प्रेषक और प्राप्तकर्ता प्रभाव (Multiplicative Sender and Receiver Effects): दिशात्मक विषमता को स्पष्ट रूप से मॉडल करने के लिए, सकारात्मक प्रवाह का माध्य नोड-विशिष्ट मापदंडों को शामिल करता है: $\gamma_i$ (प्रेषक प्रभाव, रोगी भेजने की प्रवृत्ति) और $\theta_j$ (प्राप्तकर्ता प्रभाव, आकर्षण)। इन्हें लेटेंट स्थितियों से अलग अनुमानित किया जाता है, जिससे लेटेंट स्पेस रोगी विनिमय के सममित, समग्र ढांचे का प्रतिनिधित्व करने में सक्षम होता है।
कोवेरिएट्स और एक्सपोजर: मॉडल भौगोलिक दूरी को एक निवारक (deterrent) के रूप में हर्डल घटक में शामिल करता है और क्षेत्रीय आकार तथा अस्पताल की क्षमता के अंतर को नियंत्रित करने के लिए मार्जिनल फ्लो वॉल्यूम पर आधारित एक एक्सपोजर टर्म ( $E_{ij}^{(t)}$ ) शामिल करता है।

अनुमान लगाने के लिए मेट्रोपोलिस-हैस्टिंग्स विद इन गिब्स MCMC एल्गोरिदम का उपयोग किया जाता है। पोस्टीरियर इन्फरेंस में रैंडम-वॉक स्टेप्स के माध्यम से स्केलर मापदंडों को अपडेट करना और रोटेशन और ट्रांसलेशन के संबंध में पहचान सुनिश्चित करने के लिए प्रोक्रस्टेस रूपांतरणों (Procrustes transformations) के साथ व्यक्तिगत रूप से (नोड-दर-नोड, वर्ष-दर-वर्ष) लेटेंट निर्देशांकों को अपडेट करना शामिल है।

प्रमुख परिणाम
इस मॉडल को 2018 से 2024 तक 109 इतालवी ASLs के हिप रिप्लेसमेंट प्रक्रियाओं के लिए प्रशासनिक डिस्चार्ज रिकॉर्ड पर लागू किया गया था।

मॉडल चयन: एक विनिर्देश जो मल्टीप्लिकेटिव प्रेषक/प्राप्तकर्ता प्रभावों, हर्डल घटक में भौगोलिक दूरी और एक्सपोजर समायोजन (Mult Geo Offset) को जोड़ता है, ने सर्वोत्तम समग्र फिट (सबसे कम DIC, उच्चतम कोसाइन समानता) प्रदान किया, जिसने नेटवर्क की रिलेशनल संरचना को सफलतापूर्वक पुनरुत्पादित किया।
लेटेंट ज्योमेट्री: अनुमानित लेटेंट स्पेस ने मैक्रो-एरिया द्वारा निरंतर क्लस्टरिंग को प्रकट किया। विशेष रूप से, द्वीप क्षेत्रों (सिसिली और सार्डिनिया) ने विशिष्ट लॉजिस्टिक और रेफरल पैटर्न को दर्शाते हुए अलग क्लस्टर बनाए। 2018 से 2024 तक लेटेंट स्थितियों का फैलाव निरंतर बढ़ा, जिसमें 2019 और 2021 के बीच उल्लेखनीय त्वरण देखा गया, जो कोविड-19 महामारी के दौरान इलेक्टिव सर्जरी के व्यवधान के साथ मेल खाता है।
दिशात्मक विषमता: एक्सपोजर टर्म के समावेश ने प्राप्तकर्ता प्रभावों की व्याख्या को महत्वपूर्ण रूप से बदल दिया। एक्सपोजर सुधार के बिना, बड़े उत्तरी सुविधाएं पूर्ण आयतन के कारण हावी थीं। एक्सपोजर सुधार के साथ, मॉडल ने सार्डिनिया और सिसिली के छोटे हब ASLs की पहचान की, जिनमें अपने आकार के स्वतंत्र होकर उच्च संरचनात्मक आकर्षण और बाहरी प्रवृत्ति थी। इसके विपरीत, कैंपानिया क्लस्टर ने लगातार उच्च बाहरी प्रवृत्ति (पैसिव मोबिलिटी) दिखाई, जबकि लोम्बार्डी ASLs ने मजबूत स्थानीय प्रतिधारण (कम प्रेषक प्रभाव) प्रदर्शित किया।
ओवरडिस्पर्शन डायनेमिक्स: डिस्पर्शन पैरामीटर ( $r$ ) ने 2020-2021 के दौरान एक अस्थायी वृद्धि (ओवरडिस्पर्शन में कमी) दिखाई, जो इंगित करता है कि महामारी के दौरान प्रवाह स्थापित गलियारों के साथ अधिक केंद्रित हो गया था। 2021 के बाद, $r$ में गिरावट आई, जो सुझाव देता है कि गतिविधि के असमान रूप से पुनः शुरू होने के साथ प्रवाह तीव्रता में उच्च विषमता की ओर वापसी हुई है।
सिमुलेशन प्रदर्शन: सिमुलेशन अध्ययनों ने विभिन्न स्तरों की विरलता और ओवरडिस्पर्शन के बावजूद उच्च सटीकता (प्रोक्रस्टेस सहसंबंध > 0.96) और प्रेषक/प्राप्तकर्ता प्रभावों (सहसंबंध > 0.98) के साथ लेटेंट ज्योमेट्री को रिकवर करने की MCMC एल्गोरिदम की क्षमता की पुष्टि की।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह अत्यधिक शून्य (excess zeros), ओवरडिस्पर्शन और नेटवर्क निर्भरता को एक साथ संबोधित करने वाले गतिशील स्वास्थ्य सेवा गतिशीलता नेटवर्क के सांख्यिकीय विश्लेषण के लिए एक लचीला, एकीकृत ढांचा प्रदान करता है। इसके प्राथमिक योगदान हैं:

मेथोडोलॉजिकल इंटीग्रेशन: यह दिशात्मक विषमता को सममित लेटेंट संरचना से अलग करते हुए, हर्डल नेगेटिव बाइनोमियल लाइकलीहुड और स्पष्ट प्रेषक/प्राप्तकर्ता प्रभावों के साथ निर्देशित, भारित नेटवर्कों तक लेटेंट स्पेस मॉडल का विस्तार करता है।
सूक्ष्म अंतर्दृष्टि (Granular Insight): क्षेत्रीय स्तर के बजाय ASL स्तर पर डेटा का विश्लेषण करके, यह मॉडल सूक्ष्म रिलेशनल संरचनाओं को प्रकट करता है, जिसमें स्थानीय हब और परिधियाँ शामिल हैं, जो एकत्रित विश्लेषणों में छिप जाती हैं।
नीतिगत प्रासंगिकता: यह ढांचा स्वास्थ्य प्रणालियों की विकसित होती ज्यामिति की निगरानी करने, बाहरी झटकों (जैसे महामारी) के प्रभाव को मापने और रोगी प्रवाह में संरचनात्मक विषमताओं को उजागर करने के लिए एक उपकरण प्रदान करता है। यह क्षेत्रीय स्वास्थ्य सेवा प्रावधान और विकेंद्रीकरण नीतियों की प्रभावशीलता के मूल्यांकन का समर्थन करता है।

लेखक इस बात पर जोर देते हैं कि हालांकि यह मॉडल अंतर्निहित ज्यामिति और संरचनात्मक विषमताओं को प्रभावी ढंग से कैप्चर करता है, लेकिन इसका प्राथमिक अनुमानित उद्देश्य छोटे प्रवाह काउंट्स की सटीक भविष्यवाणी करने के बजाय लेटेंट नेटवर्क संरचना को रिकवर करना है। कार्यप्रणाली को समय के साथ देखे गए क्षेत्रीय इकाइयों के बीच निर्देशित भारित प्रवाह के किसी भी संदर्भ में सीधे लागू करने योग्य प्रस्तुत किया गया है।