Medication-Aware Financial Exploitation Detection for Alzheimer's Patients Using Edge-Aware Interaction Risk Modeling

तकनीकी सारांश: अल्जाइमर के रोगियों के लिए दवा-जागरूक वित्तीय शोषण पहचान (Medication-Aware Financial Exploitation Detection)

समस्या विवरण (Problem Statement)
वित्तीय शोषण अल्जाइमर रोग से पीड़ित व्यक्तियों के लिए एक महत्वपूर्ण खतरा है, विशेष रूप से संज्ञानात्मक स्थिरता (cognitive stability) में कमी के दौरों के दौरान। पारंपरिक धोखाधड़ी पहचान प्रणाली आमतौर पर केवल वित्तीय व्यवहारिक पैटर्न पर निर्भर करती है, और उन नैदानिक कारकों (clinical factors) की अनदेखी करती है जो गतिशील रूप से रोगी की संवेदनशीलता को बदलते हैं। मौजूदा शोध अक्सर संवेदनशीलता को एक स्थिर स्थिति के रूप में देखते हैं या सामान्य देखभाल और संचार उपकरणों पर ध्यान केंद्रित करते हैं, और गतिशील नैदानिक संदर्भ—विशेष रूप से दवा अनुपालन (medication adherence)—को लेनदेन-स्तरीय जोखिम मॉडलिंग में एकीकृत करने में विफल रहते हैं। फलस्वरूप, मानक विसंगति का पता लगाने वाली प्रणालियाँ एक ही लेनदेन की व्याख्या अलग-अलग तरीके से करने में विफल हो सकती हैं (जैसे कि यह कि क्या निर्धारित खुराक लेने में चूक हुई है)।

कार्यप्रणाली (Methodology)
यह शोध एक दवा-जागरूक ढांचे (medication-aware framework) का प्रस्ताव करता है जो संज्ञानात्मक रूप से जोखिम भरे वित्तीय आयोजनों का पता लगाने के लिए दवा अनुपालन रिकॉर्ड को वित्तीय लेनदेन स्ट्रीम के साथ सिंक्रोनाइज़ करता है। कार्यप्रणाली तीन परतों में संरचित है: घटना कैप्चर के लिए एक धारणा परत (perception layer), फीचर संरेखण के लिए एक तर्क परत (reasoning layer), और जोखिम स्कोरिंग के लिए एक क्रिया परत (action layer)।

• डेटासेट निर्माण: एक हाइब्रिड सिमुलेशन डेटासेट बनाया गया जिसमें 45 दिनों के दौरान 180 कृत्रिम (synthetic) रोगियों को शामिल किया गया, जिससे 8,100 दवा रिकॉर्ड और 30,855 लेनदेन प्राप्त हुए। दवा अनुपालन को एक दैनिक निर्धारित घटना के रूप में मॉडल किया गया जहाँ एक खुराक छूटने पर एक "संवेदनशीलता विंडो" (12 घंटे की अवधि) सक्रिय होती है। लेनदेन को रोगी-विशिष्ट पॉइसन प्रक्रियाओं (Poisson processes) का उपयोग करके उत्पन्न किया गया था, जिसमें संवेदनशीलता विंडो के दौरान 'बर्स्ट एक्टिविटी' (burst activity) और शोषण की संभावना बढ़ जाती है।
• फीचर इंजीनियरिंग: प्रत्येक लेनदेन के लिए पांच प्रमुख फीचर्स निकाले गए:
  1. राशि विसंगति ($A_i$): रोगी-विशिष्ट औसत खर्च के आधार पर एक मजबूत सकारात्मक विचलन स्कोर।
  2. विक्रेता नवीनता ($V_i$): एक बाइनरी इंडिकेटर कि क्या विक्रेता अपरिचित है।
  3. आवृत्ति स्पाइक ($F_i$): एक घंटे की विंडो के भीतर लेनदेन की संख्या में विचलन।
  4. समय विचलन ($T_i$): दिन के समय के आधार पर जोखिम स्कोरिंग।
  5. दवा अनुपालन ($M_i$): एक बाइनरी इंडिकेटर (ली गई दवा के लिए 1, छूटी हुई के लिए 0)।
• भविधिक मॉडलिंग (Predictive Modeling): तीन लॉजिस्टिक रिग्रेशन फॉर्मुलेशन का मूल्यांकन किया गया:
  1. केवल-वित्तीय बेसलाइन (Financial-Only Baseline): यह फीचर्स $(A, V, F, T)$ का उपयोग करता है।
  2. योगात्मक दवा-जागरूक (Additive Medication-Aware): इसमें $M_i$ को एक प्रत्यक्ष फीचर के रूप में जोड़ा गया है।
  3. इंटरैक्शन-जागरूक मॉडल (Interaction-Aware Model): यह मूल फीचर्स को बनाए रखता है और इंटरैक्शन टर्म्स $(A(1-M), V(1-M), F(1-M), T(1-M))$ जोड़ता है। यह फॉर्मुलेशन परीक्षण करता है कि क्या दवा छूटने से वित्तीय विसंगतियों की व्याख्या बदल जाती है।
• मूल्यांकन: मॉडलों को 80% रोगियों पर प्रशिक्षित किया गया और 20% पर परीक्षण किया गया। प्रदर्शन को सटीकता (accuracy), प्रिसिजन (precision), रिकॉल (recall), F1-स्कोर, ROC-AUC और औसत शुद्धता (Average Precision - AP) का उपयोग करके मापा गया। महत्वपूर्ण रूप से, एक माध्यमिक मूल्यांकन ने परीक्षण सेट को केवल 'संवेदनशीलता विंडो' के भीतर होने वाले लेनदेन तक सीमित रखा ताकि सुरक्षा-महत्वपूर्ण प्रदर्शन का आकलन किया जा सके।

प्रमुख योगदान (Key Contributions)

1. फ्रेमवर्क नवाचार: एक दवा-जागरूक जोखिम मॉडलिंग ढांचे का परिचय जो अनुपालन को एक स्थिर रोगी विवरण के बजाय एक 'संदर्भात्मक संशोधक' (contextual modifier) के रूप में मानता है।
2. डेटा सिंथेसिस: दैनिक दवा घटनाओं को लेनदेन स्ट्रीम के साथ जोड़ने वाला एक सिंक्रोनाइज़्ड हाइब्रिड डेटासेट का निर्माण, जो विशेष रूप से छूटी हुई खुराक और बढ़े हुए शोषण जोखिम के बीच टेम्पोरल कपलिंग को मॉडल करता है।
3. मॉडल तुलना: व्याख्या योग्य (interpretable) वेटेड स्कोरिंग, योगात्मक बेसलाइन और इंटरैक्शन-जागरूक मॉडलों का तुलनात्मक विश्लेषण, जो यह दर्शाता है कि इंटरैक्शन टर्म्स नैदानिक परिकल्पना को बेहतर ढंग से पकड़ते हैं।
4. संदर्भात्मक मूल्यांकन: प्रदर्शन मूल्यांकन जो वैश्विक पहचान क्षमताओं और विशेष रूप से दवा-प्रेरित संवेदनशीलता विंडो के भीतर संवेदनशीलता के बीच अंतर करता है।

परिणाम (Results)

• वैश्विक प्रदर्शन: केवल-वित्तीय बेसलाइन ने उच्चतम वैश्विक F1-स्कोर (0.5000) प्राप्त किया। इंटरैक्शन-जागरूक मॉडल का वैश्विक F1 थोड़ा कम (0.4826) था, लेकिन इसने उच्चतम औसत शुद्धता (0.4476) और रिकॉल (0.6407) प्राप्त किया, जो उच्च-जोखिम वाले मामलों की श्रेष्ठ रैंकिंग को दर्शाता है।
• संवेदनशीलता विंडो प्रदर्शन: सबसे महत्वपूर्ण निष्कर्ष दवा छूटने वाली विंडो के दौरान देखा गया। इंटरैक्शन-जागरूक मॉडल ने रिकॉल को 0.7442 (केवल-वित्तीय) से बढ़ाकर 0.9070 कर दिया, जिसमें F1-स्कोर में केवल मामूली गिरावट (0.5865 बनाम 0.5926) आई। यह सुझाव देता है कि मॉडल तब वास्तविक शोषण घटनाओं की पहचान करने में अधिक सफल होता है जब रोगी चिकित्सकीय रूप से संवेदनशील होता है।
• फीचर व्याख्या: गुणांक विश्लेषण (Coefficient analysis) से पता चला कि विक्रेता नवीनता (vendor novelty) प्रमुख सिग्नल है। हालांकि, इंटरैक्शन टर्म्स $V(1-M)$ और $A(1-M)$ सकारात्मक थे, जो पुष्टि करते हैं कि जब दवा छूट जाती है, तो अपरिचित विक्रेता और असामान्य राशि काफी अधिक संदिग्ध हो जाते हैं। दवा अनुपालन स्वयं एक स्टैंडअलोन प्रेडिक्टर के बजाय एक संदर्भात्मक संशोधक के रूप में कार्य करता है।

महत्व और दावे (Significance and Claims)
यह शोध दावा करता है कि दवा अनुपालन केवल एक अलग प्रेडिक्टर के रूप में नहीं, बल्कि एक संदर्भात्मक संशोधक (contextual modifier) के रूप में सबसे प्रभावी है जो वित्तीय विसंगतियों की व्याख्या करने के तरीके को बदल देता है। अध्ययन प्रदर्शित करता है कि नैदानिक और वित्तीय संकेतों को सिंक्रोनाइज़ करने से संज्ञानात्मक रूप से संवेदनशील व्यक्तियों के लिए अधिक संदर्भ-जागरूक सुरक्षा मिलती है।

लेखक इस बात पर जोर देते हैं कि यह ढांचा एज-अवेयर (edge-aware) और गोपनीयता-संवेदनशील परिनियोजन के लिए डिज़ाइन किया गया है, जो कच्चे डेटा को संक्षिप्त जोखिम फीचर्स में परिवर्तित करता है ताकि संवेदनशील नैदानिक या बैंकिंग इतिहास को उजागर करने से बचा जा सके। वे एक स्तरित सुरक्षा रणनीति (layered protection strategy) का समर्थन करते हैं: सामान्य स्क्रीनिंग के लिए एक केवल-वित्तीय डिटेक्टर, जिसे एक इंटरैक्शन-जागरूक मॉडल द्वारा बढ़ाया जाता है जो विशिष्ट संवेदनशीलता विंडो के दौरान संवेदनशीलता बढ़ाता है। यह दृष्टिकोण स्वचालित ब्लॉकिंग के बजाय क्रमिक हस्तक्षेपों (जैसे देखभाल करने वाले की समीक्षा) का समर्थन करता है, जिससे महत्वपूर्ण अवधियों के दौरान रोगी की स्वायत्तता को बनाए रखते हुए शोषण के जोखिम को कम किया जा सके।

यह शोध स्पष्ट रूप से बताता है कि ये निष्कर्ष सिमुलेशन-आधारित सत्यापन पर आधारित हैं और लाइव क्लिनिकल या बैंकिंग परिनियोजन के लिए तत्काल तत्परता का दावा नहीं करते हैं। प्राथमिक योगदान यह प्रमाण है कि इंटरैक्शन-जागरूक मॉडलिंग, केवल-वित्तीय या योगात्मक बेसलाइन की तुलना में संवेदनशीलता-संवेदी पहचान में सुधार करती है।