📊 statistics

Hybrid Probabilistic Forecasting of Under-Five Malaria Admissions in Ghana: A Gaussian Process Regression with Holt-Winters Smoothing

यह अध्ययन एक हाइब्रिड गॉसियन प्रोसेस रिग्रेशन और होल्ट-विंटर्स स्मूथिंग फ्रेमवर्क प्रस्तावित करता है जो घाना में मासिक पांच वर्ष से कम आयु के मलेरिया प्रवेशों के पूर्वानुमान में पारंपरिक मॉडलों से काफी बेहतर प्रदर्शन करता है, जो स्थानिक सेटिंग्स में परिचालन योजना और प्रारंभिक चेतावनी के लिए एक सुदृढ़, संभाव्य उपकरण प्रदान करता है।

मूल लेखक: T. Ansah-Narh, Y. Asare Afrane, J. Bremang Tandoh

प्रकाशित 2026-06-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: T. Ansah-Narh, Y. Asare Afrane, J. Bremang Tandoh

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

एक बड़ी तस्वीर: "मलेरिया के मौसम" की भविष्यवाणी करना

कल्पना कीजिए कि आप एक ऐसी जगह के मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं जहाँ हर साल भारी बारिश होती है, लेकिन बारिश की सटीक मात्रा अप्रत्याशित रूप से बदलती रहती है। अब "बारिश" को "मलेरिया के मामलों" से और "मौसम पूर्वानुमानकर्ताओं" को "घाना के स्वास्थ्य अधिकारियों" से बदल दें।

यह पेपर एक बेहतर पूर्वानुमान उपकरण (forecasting tool) बनाने के बारे में है जो यह अनुमान लगा सके कि पांच साल से कम उम्र के कितने बच्चों को मलेरिया होगा और उन्हें अस्पताल में भर्ती होने की आवश्यकता होगी। लक्ष्य केवल एक संख्या का अनुमान लगाना नहीं है (जैसे "500 बच्चे बीमार होंगे"), बल्कि एक आत्मविश्वास स्तर के साथ संभावनाओं की एक सीमा देना है (जैसे "हमें पूरा विश्वास है कि यह 400 और 600 के बीच होगा")।

समस्या: पुराने उपकरण बनाम नई वास्तविकता

शोधकर्ताओं ने दस वर्षों के डेटा (2014-2023) का अध्ययन किया और पाया कि पुराने पूर्वानुमान उपकरण संघर्ष कर रहे थे:

लीनियर रिग्रेशन (Linear Regression): यह एक लहरदार समुद्र के बीच एक सीधी रेखा खींचने जैसा है। यह सामान्य रुझान तो देखता है (क्या मलेरिया बढ़ रहा है या घट रहा है?) लेकिन यह लहरों (मौसमी उछाल) को मिस कर देता है।
होल्ट-विंटर्स (Holt-Winters - एक मौसमी विशेषज्ञ): यह टूल लहरों को देखने में माहिर है। यह जानता है कि बरसात के मौसम में मलेरिया बढ़ता है और सूखे के मौसम में गिर जाता है। हालाँकि, यदि आप इससे बहुत दूर के भविष्य की भविष्यवाणी करने के लिए कहते हैं, तो इसके अनुमान थोड़े "अस्थिर" हो सकते हैं या अपना आकार खो सकते हैं।
SARIMA: यह एक जटिल सांख्यिकीय उपकरण है जो दोनों करने की कोशिश करता है, लेकिन यह वास्तविक जीवन में बीमारी के प्रसार की अव्यवस्थित, गैर-रैखिक प्रकृति से भ्रमित हो सकता है, जिससे अनुमान बहुत व्यापक और अनिश्चित हो जाते हैं।

समाधान: एक "हाइब्रिड" टीम-अप

लेखकों ने एक हाइब्रिड मॉडल बनाया है जो दो दुनियाओं के सर्वश्रेष्ठ गुणों को जोड़ता है। इसे एक नेविगेशन टीम के रूप में सोचें:

गौसियन प्रोसेस रिग्रेशन (GPR): कल्पना कीजिए कि यह एक सुपर-स्मार्ट, लचीला जासूस है। यह डेटा को देखता है और कहता है, "मैं यहाँ जटिल पैटर्न देख रहा हूँ जो केवल साधारण लहरें नहीं हैं। मैं डेटा के अजीब, गैर-रैखिक घुमावों को सीख सकता हूँ।" यह अनिश्चितता (हम भविष्य के बारे में कितने अनिश्चित हैं) को समझने में उत्कृष्ट है।
होल्ट-विंटर्स स्मूथिंग (Holt-Winters Smoothing): कल्पना कीजिए कि यह एक स्थिर, अनुभवी कप्तान है। वह सड़क के नियमों (मौसमी पैटर्न) को जानता है और जहाज को एक सुचारू, अनुमानित मार्ग पर रखता है।

जादुई ट्रिक:
शोधकर्ताओं ने केवल एक को नहीं चुना; उन्होंने "जासूस" (GPR) को जटिल डेटा को समझने के लिए भारी काम करने दिया, और फिर उन्होंने "कप्तान" (Holt-Winters) को जासूस के अनियंत्रित अनुमानों को सुचारू बनाने के लिए छोड़ दिया।

परिणाम: अंतिम पूर्वानुमान इतना लचीला है कि यह अजीब उछाल को संभाल सके और इतना सुचारू भी है कि योजना बनाने के लिए उपयोगी हो। यह एक ऊबड़-खाबड़, ऑफ-रोड सवारी को बिना मंजिल खोए एक चिकनी हाईवे पर ले जाने जैसा है।

उन्होंने क्या पाया

सटीकता: नया हाइब्रिड टीम एक बड़ी सफलता रही। इसने डेटा के पैटर्न को 99% तक समझाया (एक स्कोर $R^2 = 0.99$ के साथ), जो पुराने उपकरणों (जो लगभग 82% या उससे कम स्कोर करते थे) की तुलना में बहुत बेहतर है।
विश्वसनीयता: मॉडल "वेल-कैलिब्रेटेड" (well-calibrated) है। इसका मतलब है कि जब मॉडल कहता है, "हमें 95% यकीन है कि संख्या X और Y के बीच होगी," तो यह वास्तव में 94% बार सही होता है।
"उत्तरी बनाम दक्षिणी" कहानी:
- उत्तरी जिले: इन क्षेत्रों में मलेरिया के मामले बहुत अधिक हैं। भले ही पूर्ण संख्या के रूप में उतार-चढ़ाव बहुत अधिक होता है (हजारों मामले), लेकिन पैटर्न वास्तव में काफी स्थिर और अनुमानित है। यह भारी ट्रैफिक वाले व्यस्त हाईवे की तरह है; वॉल्यूम बहुत बड़ा है, लेकिन प्रवाह सुसंगत है।
- दक्षिणी/कम बोझ वाले जिले: इन क्षेत्रों में मामले बहुत कम हैं। हालाँकि, क्योंकि संख्या बहुत कम है, एक छोटा सा बदलाव (जैसे 5 अतिरिक्त मामले) एक बड़े प्रतिशत उछाल की तरह दिखता है। यह उन्हें ग्राफ पर "अस्थिर" या "शोर वाला" (noisy) दिखाता है, भले ही वास्तविक स्वास्थ्य जोखिम कम हो।

इसका स्वास्थ्य अधिकारियों के लिए क्या अर्थ है

यह पेपर सुझाव देता है कि यह नया टूल घाना के स्वास्थ्य योजनाकारों की मदद करता है:

स्टॉक जमा करना: वे आगामी बरसात के मौसम के लिए दवाओं के किट या अस्पताल के बेड की संख्या का बेहतर अनुमान लगा सकते हैं।
जोखिम प्रबंधन: मॉडल एक "सुरक्षा मार्जिन" देता है। यदि मॉडल भविष्यवाणी करता है कि 10,000 मामले होंगे लेकिन कहता है कि 12,000 होने की संभावना है, तो अधिकारी सावधानी के तौर पर 12,000 के लिए तैयार हो सकते हैं।
फोकस क्षेत्र: यह उन्हें यह समझने में मदद करता है कि जबकि उत्तर में उच्च संख्या है, दक्षिण में "शोर वाला" डेटा हो सकता है जिसे अलग तरह से संभालने की आवश्यकता है।

सीमाएं (जो पेपर स्वीकार करता है)

लेखक ईमानदार हैं कि उनका टूल क्या नहीं करता है:

मौसम का डेटा नहीं: उन्होंने अपने मॉडल में वर्षा या तापमान के डेटा को शामिल नहीं किया क्योंकि वह डेटा हर जिले के लिए पूरी तरह उपलब्ध नहीं था। वे केवल पिछले मलेरिया के आंकड़ों पर निर्भर रहे।
अल्पकालिक फोकस: मॉडल अगले 6 से 12 महीनों के लिए सबसे विश्वसनीय है। यदि आप 5 साल आगे की भविष्यवाणी करने की कोशिश करते हैं, तो "अनिश्चितता" बहुत अधिक बढ़ जाती है जो उपयोगी नहीं रह जाती।
डेटा की गुणवत्ता: मॉडल उतना ही अच्छा है जितना कि वह डेटा जिसे उसे खिलाया जाता है। यदि अस्पताल मामलों की सटीक रिपोर्ट करना बंद कर देते हैं, तो भविष्यवाणी प्रभावित होगी।

संक्षेप में

यह पेपर एक नया "हाइब्रिड" गणितीय उपकरण प्रस्तुत करता है जो एक लचीले AI जासूस को एक स्थिर मौसमी कप्तान के साथ जोड़ता है। यह टीम पिछले तरीकों की तुलना में घाना में मलेरिया के मामलों की अधिक सटीक भविष्यवाणी कर सकती है, जिससे स्वास्थ्य अधिकारियों को बेहतर आत्मविश्वास और कम अनुमान के साथ बरसात के मौसम के लिए तैयार होने में मदद मिलती है।

तकनीकी सारांश: घाना में पाँच वर्ष से कम उम्र के बच्चों के मलेरिया प्रवेश का हाइब्रिड संभाव्य पूर्वानुमान (Hybrid Probabilistic Forecasting)

समस्या विवरण
उप-सहारा अफ्रीका में सटीक मलेरिया पूर्वानुमान अत्यधिक मौसमी बदलावों, रिपोर्टिंग अनिश्चितताओं और गैर-स्थिर (non-stationary) संचरण गतिकी के कारण महत्वपूर्ण चुनौतियों का सामना करता है। घाना में, जिला-स्तरीय निगरानी के लिए ऐसे पूर्वानुमान ढाँचों की आवश्यकता है जो न केवल भविष्य बताने में सक्षम हों, बल्कि संभाव्यता की दृष्टि से कठोर और सीमित-डेटा स्थितियों में सुदृढ़ भी हों। पारंपरिक महामारी विज्ञान संबंधी टाइम-सीरीज मॉडल, जैसे कि ARIMA और SARIMA, अक्सर रैखिकता (linearity) और स्थिरता (stationarity) की धारणाओं पर निर्भर करते हैं, जो मलेरिया संचरण की जटिल, गैर-रैखिक गतिकी द्वारा बाधित होती हैं। इसके अतिरिक्त, शुद्ध संभाव्य मशीन लर्निंग मॉडल, हालांकि जटिल पैटर्न को पकड़ने में सक्षम होते हैं, लंबे क्षितिज (horizons) पर तेजी से विस्तृत/व्यापक भविष्यवाणात्मक अंतराल (predictive intervals) उत्पन्न कर सकते हैं, जिससे सार्वजनिक स्वास्थ्य नियोजन के लिए उनकी परिचालन उपयोगिता सीमित हो जाती है। संभाव्य मॉडलों के लचीलेपन को शास्त्रीय मौसमी स्मूथिंग (classical seasonal smoothing) की संरचनात्मक स्थिरता के साथ एकीकृत करने में एक पद्धतिगत अंतराल मौजूद है, ताकि ऐसे पूर्वानुमान प्राप्त किए जा सकें जो अनिश्चितता मात्रा निर्धारण और मौसमी सामंजस्य के बीच संतुलन बना सकें।

कार्यप्रणाली (Methodology)
यह अध्ययन एक हाइब्रिड संभाव्य पूर्वानुमान ढाँचे का प्रस्ताव करता है जो गाऊसी प्रोसेस रिग्रेशन (GPR) को होल्ट-विंटर्स एक्सपोनेंशियल स्मूथिंग (Holt–Winters exponential smoothing) के साथ एकीकृत करता है। विश्लेषण में घाना स्वास्थ्य सेवा से प्राप्त पाँच वर्ष से कम उम्र के बच्चों के लिए दस वर्षों के जिला-स्तरीय मासिक मलेरिया प्रवेश डेटा (2014-2023) का उपयोग किया गया है।

आधारभूत मॉडल (Baseline Models): अध्ययन पहले तीन शास्त्रीय दृष्टिकोणों का उपयोग करके प्रदर्शन बेंचमार्क स्थापित करता है:
- लीनियर रिग्रेशन (Linear Regression): दीर्घकालिक रुझानों को पकड़ने के लिए।
- होल्ट-विंटर्स एक्सपोनेंशियल स्मूथिंग: स्तर (level), रुझान (trend) और योगात्मक मौसमी घटकों (additive seasonal components) को मॉडल करने के लिए।
- सीजनल ARIMA (SARIMA): ऑटोकोरिलेशन और स्टोकेस्टिक मौसमी को मॉडल करने के लिए।
- नोट: सीमित नमूना आकार (120 अवलोकन) और विश्लेषणात्मक रूप से व्याख्या योग्य अनिश्चितता अनुमानों की आवश्यकता के कारण डीप लर्निंग मॉडलों (जैसे ANN) को बाहर रखा गया था।
हाइब्रिड ढाँचा: मुख्य योगदान एक हाइब्रिड एन्सेम्बल है जहाँ GPR एक संभाव्य आधार के रूप में कार्य करता है, और होल्ट-विंटर्स मौसमी नियमितीकरण (seasonal regularization) प्रदान करता है।
- GPR घटक: एक मिश्रित कर्नेल ( $k = k_{SE} + k_{Per} + k_{RQ} + k_{Long} + k_{WN}$ ) का उपयोग सहज इंट्रा-सीजनल भिन्नता, वार्षिक आवधिकता, मध्यम-स्तर की गैर-स्थिरता, दीर्घकालिक संरचनात्मक परिवर्तनों और व्हाइट नॉइज़ को पकड़ने के लिए किया जाता है। GPR गैर-रैखिक टेम्पोरल व्यवहार को मॉडल करता है और पूर्ण भविष्यवाणात्मक वितरण (माध्य और सहप्रसरण) प्रदान करता है।
  ක एकीकरण रणनीति: हाइब्रिड दृष्टिकोण GPR के भविष्यवाणात्मक माध्य प्रक्षेपवक्र (predictive mean trajectory) पर होल्ट-विंटर्स स्मूथिंग लागू करता है। यह GPR आउटपुट पर मौसमी नियमितता लागू करता है, जिससे गाऊसी प्रक्रिया से प्राप्त अनिश्चितता संरचना को बनाए रखते हुए दीर्घ-क्षितिज पूर्वानुमानों को स्थिर किया जा सके। भविष्यवाणात्मक प्रसरण (predictive variance) को स्मूथिंग प्रक्रिया से प्राप्त अवशिष्ट प्रसरण (residual variance) को शामिल करने के लिए समायोजित किया जाता है।
सत्यापन (Validation): मॉडल प्रदर्शन का मूल्यांकन एक रोलिंग-ओरिजिन एक्सपैंडिंग-विंडो वैलिडेशन योजना का उपयोग करके किया गया था, जिसमें 12 महीने का निश्चित पूर्वानुमान क्षितिज (forecast horizon) निर्धारित था, जिसे अनदेखे भविष्य के अवलोकनों पर प्रदर्शन का आकलन करने के लिए क्रमिक रूप से दोहराया गया था। मूल्यांकन के लिए RMSE, MAE, $R^2$ , AIC, BIC और अवशिष्ट निदान (नॉर्मलिटी, स्टेशनैरिटी, ऑटोकोरिलेशन) मेट्रिक्स का उपयोग किया गया। भविष्यवाणात्मक सटीकता में अंतर की सांख्यिकीय सार्थकता का आकलन करने के लिए युग्मवार डाइबोल्ड-मैरियो (DM) परीक्षणों का उपयोग किया गया।

प्रमुख परिणाम

भविदित प्रदर्शन (Predictive Performance): हाइब्रिड GPR-होल्ट-विंटर्स मॉडल ने 0.9906 का निर्धारण गुणांक ( $R^2$ ) प्राप्त किया, जो सर्वोत्तम स्टैंडअलोन बेसलाइन, होल्ट-विंटर्स ( $R^2 = 0.8213$ ) से काफी बेहतर था, और लीनियर रिग्रेशन ( $R^2 = 0.3043$ ) तथा SARIMA ( $R^-2 = 0.3882$ ) की तुलना में काफी श्रेष्ठ था।
अनिश्चितता अंशांकन (Uncertainty Calibration): हाइब्रिड मॉडल ने सुव्यवस्थित अवशिष्ट व्यवहार प्रदर्शित किया, जिसमें लगभग 94.2% अवशिष्ट $\pm 2\sigma$ अनिश्चितता सीमाओं के भीतर पाए गए। अवशिष्ट निदान ने निकट-सामान्य वितरण (Shapiro-Wilk $p=0.41$ ) और न्यूनतम व्यवस्थित पूर्वाग्रह (systematic bias) का संकेत दिया।
पूर्वानुमान स्थिरता (Forecast Stability): जबकि शुद्ध GPR पूर्वानुमान लंबे क्षितिज पर विस्तृत होते विश्वसनीय अंतरालों (credible intervals) को प्रदर्शित करते हैं (जो एपिस्टेमिक अनिश्चितता को दर्शाते हैं), हाइब्रिड ढाँचे ने होल्ट-विंटर्स के मौसमी बैकबोन का लाभ उठाकर अधिक स्थिर निकट-अवधि अंतराल प्रदान किए। इसके परिणामस्वरूप पूर्वानुमान परिचालन रूप से व्याख्या योग्य बनते हैं और साथ ही संभाव्य कठोरता को भी बनाए रखते हैं।
स्थानिक-कालिक विश्लेषण (Spatio-Temporal Analysis): अध्ययन ने स्पष्ट पारिस्थितिक विषमता की पहचान की। उत्तरी उच्च-भार वाले जिलों (जैसे तमाल मेट्रोपॉलिटन) ने बड़े पूर्ण उतार-चढ़ाव के बावजूद स्थिर सापेक्ष संचरण पैटर्न (कम विचरण गुणांक) दिखाया। इसके विपरीत, कम-भार वाले जिलों में उच्च सापेक्ष परिवर्तनशीलता देखी गई, जो अक्सर वास्तविक महामारी विज्ञान संबंधी अस्थिरता के बजाय छोटे आधार (denominators) के कारण थी।
प्रक्षेपण (Projections): 2024-2028 के लिए पूर्वानुमान लगभग 8,000 से 12,200 मामलों के औसत मासिक प्रवेश को दर्शाते हैं, जो देखे गए मौसमी पैटर्न के अनुरूप हैं।

महत्व और दावे
लेख दावा करता है कि प्रस्तावित हाइब्रिड ढाँचा महामारी विज्ञान संबंधी पूर्वानुमान में एक विशिष्ट पद्धतिगत स्थान को संबोधित करता है: अनिश्चितता मात्रा निर्धारण और मौसमी स्थिरता के बीच संतुलन बनाने की आवश्यकता। GPR को होल्ट-विंटर्स के साथ एकीकृत करके, अध्ययन यह प्रदर्शित करता है कि यह संभव है:

सटीकता बढ़ाना: शास्त्रीय सांख्यिकीय मॉडलों और स्टैंडअलोन संभाव्य दृष्टिकोणों की तुलना में बेहतर भविष्यवाणात्मक प्रदर्शन प्राप्त करना।
परिचालन उपयोगिता में सुधार: अधिक अस्थिरता से मुक्त पूर्वानुमान उत्पन्न करना, जो सार्वजनिक स्वास्थ्य प्रणालियों में संसाधन आवंटन, दवा खरीद और स्टाफिंग योजना के लिए अधिक उपयुक्त हैं।
संभाव्य कठोरता बनाए रखना: जोखिम मूल्यांकन के लिए आवश्यक अंशांकित अनिश्चितता अनुमान प्रदान करना, जो अक्सर नियतात्मक मौसमी मॉडलों में अनुपलब्ध होते हैं।

लेखक इस बात पर जोर देते हैं कि यह ढांचा विशेष रूप से संसाधन-सीमित परिवेशों में मूल्यवान है जहाँ डेटा सीमित है और पर्यावरणीय सह-चर (environmental covariates) व्यवस्थित रूप से उपलब्ध नहीं हैं। अध्ययन स्थापित करता है कि यह एक स्केलेबल, अनिश्चितता-जागरूक दृष्टिकोण है जो मलेरिया की प्रारंभिक चेतावनी और मौसमी तैयारी के लिए उपयोगी है, जो संभाव्य मशीन लर्निंग को शास्त्रीय टाइम-सीरीज स्मूथिंग के साथ एकीकृत करने के लिए एक पद्धतिगत आधार प्रदान करता है। लेखक विनम्रतापूर्वक नोट करते हैं कि यद्यपि यह ढांचा मजबूती से कार्य करता है, भविष्य के कार्यों में दीर्घ-क्षितिज भविष्यवाणात्मक प्रदर्शन को और बेहतर बनाने के लिए पर्यावरणीय और हस्तक्षेप सह-चरों को शामिल करते हुए बहुभिन्नरूपी विस्तार (multivariate extensions) की खोज की जानी चाहिए।