Predicting Hospitalization from a Whole-Person Health Score with Incomplete Electronic Health Records Data: A Case Study

यहाँ सरल भाषा और रोज़मर्रा के उदाहरणों का उपयोग करके शोध पत्र (paper) की व्याख्या दी गई है।

बड़ी तस्वीर: एक "हेल्थ रिपोर्ट कार्ड" जिसमें ग्रेड गायब हैं

कल्पना कीजिए कि आप दस अलग-अलग विषयों (जैसे गणित, इतिहास, विज्ञान, आदि) के आधार पर एक छात्र को एक एकल "हेल्थ रिपोर्ट कार्ड" स्कोर देना चाहते हैं। यह स्कोर, जिसे एलोस्टैटिक लोड इंडेक्स (ALI) कहा जाता है, आपको बताता है कि छात्र का शरीर कितने तनाव में है।

• लक्ष्य: यदि स्कोर अधिक है (कई "फेलिंग ग्रेड"), तो छात्र के बीमार होने या अस्पताल जाने का जोखिम अधिक होता है।
• समस्या: एक वास्तविक कक्षा में, आपके पास हमेशा हर विषय के टेस्ट स्कोर नहीं होते हैं। शायद छात्र ने विज्ञान का टेस्ट नहीं दिया, या इतिहास के शिक्षक का पेपर खो गया। वास्तविक दुनिया में (इलेक्ट्रॉनिक हेल्थ रिकॉर्ड्स में), डॉक्टर हर मरीज के लिए हर एक ब्लड टेस्ट नहीं करवाते हैं। कुछ डेटा गायब होता है।

शोधकर्ताओं ने पूछा: जब कुछ ग्रेड गायब हों, तो हम इस "हेल्थ रिपोर्ट कार्ड" की सटीक गणना कैसे कर सकते हैं, और क्या हम इसका उपयोग यह अनुमान लगाने के लिए कर सकते हैं कि कौन अस्पताल में भर्ती होगा?

प्रयोग: 1,000 छात्र और एक अधूरा पज़ल

टीम ने नॉर्थ कैरोलिना के एक अस्पताल के 1,000 मरीजों के डेटा का अध्ययन किया। उनके पास दस विशिष्ट स्वास्थ्य मार्कर (जैसे रक्तचाप, कोलेस्ट्रॉल और ब्लड शुगर) थे जो ALI स्कोर बनाते हैं।

• वास्तविकता: कुछ मार्कर ढूँढना आसान था (जैसे रक्तचाप, जो लगभग हर विज़िट पर लिया जाता है)। अन्य बहुत कठिन थे (जैसे विशिष्ट ब्लड टेस्ट जो केवल तभी ऑर्डर किए जाते हैं जब डॉक्टर को किसी समस्या का संदेह हो)।
• चुनौती: यदि आप केवल गायब टेस्ट को अनदेखा कर देते हैं, तो आप गलती से यह सोच सकते हैं कि मरीज स्वस्थ है जबकि वह नहीं है। यदि आप गायब टेस्ट को "खराब" मान लेते हैं, तो आप सोच सकते हैं कि वह उम्मीद से अधिक बीमार है।

रणनीतियाँ: गायब ग्रेड को कैसे संभालें

शोधकर्ताओं ने खाली स्थानों को भरने या उनसे बचने के विभिन्न तरीकों को आज़माया, जैसे किसी खेल में अलग-अलग रणनीतियों का परीक्षण करना:

1. "प्रपोर्शन" विधि (एक आंशिक रिपोर्ट कार्ड):
   गायब टेस्ट को "अच्छा" या "बुरा" गिनने के बजाय, उन्होंने केवल उपलब्ध टेस्ट के प्रतिशत की गणना की जो अस्वस्थ थे।

• उदाहरण: यदि एक छात्र ने 10 में से 5 टेस्ट दिए और 2 में फेल हुआ, तो उसका स्कोर 40% विफलता है, न कि 20% (जो आपको तब मिलता जब आप 5 गायब टेस्ट को पास मान लेते)।

2. "बेस्ट/वर्स्ट केस" का अनुमान लगाना:

• बेस्ट केस (सबसे अच्छा मामला): मान लें कि सभी गायब टेस्ट स्वस्थ थे। (आशावादी)
• वर्स्ट केस (सबसे बुरा मामला): मान लें कि सभी गायब टेस्ट अस्वस्थ थे। (निराशावादी)
• उदाहरण: किसी छात्र के अंतिम ग्रेड का अनुमान लगाते समय यह सोचना कि उसने छूटे हुए सभी टेस्ट में टॉप किया, या वह उन सभी में फेल हो गया।

3. "मिसिंगनेस एज़ अ कैटेगरी" विधि (गायब होना एक श्रेणी के रूप में):
   अनुमान लगाने के बजाय, उन्होंने "टेस्ट का गायब होना" को एक अनूठी श्रेणी के रूप में माना।

• उदाहरण: यह कहने के बजाय कि "छात्र A गणित में फेल हुआ," आप कहते हैं "छात्र A का 'गणित गायब' स्टेटस है।"

4. "पैटर्न सबमॉडेल्स" विधि (कस्टम समूह):
   यह सबसे जटिल रणनीति थी। उन्होंने देखा कि मरीज अक्सर टेस्ट के एक ही कॉम्बिनेशन को मिस करते हैं (जैसे, यदि आपने होमोसिस्टीन टेस्ट मिस किया है, तो संभवतः आपने सी-रिएक्टिव प्रोटीन टेस्ट भी मिस किया होगा)। उन्होंने मरीजों को इन विशिष्ट "मिसिंग पैटर्न" के आधार पर समूहों में बांटा और प्रत्येक समूह के लिए एक छोटा, कस्टम प्रेडिक्शन मॉडल बनाया।

• उदाहरण: एक शिक्षक द्वारा पूरी कक्षा को ग्रेड देने के बजाय, आपके पास उन छात्रों के हर समूह के लिए एक अलग शिक्षक है जिन्होंने समान टेस्ट मिस किए हैं।

परिणाम: क्या काम आया?

शोधकर्ताओं ने यह देखने के लिए इन रणनीतियों का परीक्षण किया कि कौन सी रणनीति अस्पताल में भर्ती होने की भविष्यवाणी करने में सबसे अच्छी थी।

• साधारण गणित ने फैंसी AI को हरा दिया: आश्चर्यजनक रूप से, एक बुनियादी सांख्यिकीय टूल जिसे लॉजिस्टिक्स रिग्रेशन (एक मानक कैलकुलेटर की तरह) कहा जाता है, रैंडम फॉरेस्ट (एक जटिल, हाई-टेक AI जो कई निर्णय वृक्ष बनाता है) से बेहतर काम कर गया।

  • क्यों? डेटा पहले से ही "स्वस्थ" या "अस्वस्थ" (हाँ/नहीं) में सरल बना दिया गया था। जटिल, नॉन-लीनियर डेटा पर्याप्त नहीं था जिससे फैंसी AI छिपे हुए पैटर्न खोज सके। यह एक साधारण जोड़ की समस्या को हल करने के लिए सुपरकंप्यूटर का उपयोग करने जैसा था; कैलकुलेटर उतना ही अच्छा और तेज़ था।

• "काउंट" बनाम "यस/नो" का आश्चर्य: उन्होंने अस्पताल जाने की सटीक संख्या (0, 1, 2, आदि) का अनुमान लगाने की कोशिश की, लेकिन यह "क्या वे अस्पताल गए? हाँ या नहीं?" की भविष्यवाणी करने से बेहतर नहीं रहा।

  • सीख: यह भविष्यवाणी करना आसान है कि क्या कोई अस्पताल जाएगा, बजाय इसके कि वह कितनी बार जाएगा।

• "समरी स्कोर" बनाम "व्यक्तिगत भाग":

  • समरी स्कोर: जब उन्होंने दस मार्करों को एक एकल संख्या (ALI स्कोर) में संयोजित किया, तो गायब डेटा को संभालने के सभी अलग-अलग तरीकों ने लगभग एक जैसा प्रदर्शन किया। "प्रपोर्शन" विधि थोड़ा बेहतर था, लेकिन बहुत मामूली रूप से।
  • व्यक्तिगत भाग: जब उन्होंने प्रत्येक मार्कर को अलग से देखा, तो पैटर्न सबमॉडेल्स (कस्टम समूह) ने अपने विशिष्ट डेटा पर सबसे अच्छा प्रदर्शन किया (AUC = 0.73)।
  • पेंच: जब उन्होंने इन कस्टम मॉडलों का नए डेटा पर परीक्षण किया (क्रॉस-वैलिडेशन), तो वे उतने प्रभावी नहीं रहे (AUC गिरकर 0.63 हो गया)। यह उस छात्र की तरह है जिसने एक विशिष्ट प्रैक्टिस टेस्ट के उत्तर रट लिए लेकिन जब प्रश्न थोड़े बदले, तो वह संघर्ष करने लगा।

निष्कर्ष

शोध पत्र यह निष्कर्ष निकालता है कि:

1. गायब डेटा पेचीदा है: आप इसे केवल अनदेखा नहीं कर सकते या बेतरतीब ढंग से अनुमान नहीं लगा सकते।
2. इसे सरल रखें: इस विशिष्ट प्रकार के स्वास्थ्य डेटा के लिए, एक सरल सांख्यिकीय मॉडल जटिल मशीन लर्निंग से बेहतर काम करता है।
3. "पैटर्न" दृष्टिकोण आशाजनक है लेकिन इसे और अभ्यास की आवश्यकता है: विशिष्ट गायब डेटा पैटर्न के आधार पर मरीजों को समूहबद्ध करने से परीक्षण में सबसे अच्छे परिणाम मिले, लेकिन इसे वास्तविक दुनिया में विश्वसनीय रूप से काम करने के लिए और अधिक डेटा की आवश्यकता है।

मुख्य बात: शोधकर्ताओं ने सफलतापूर्वक दिखाया कि अधूरा डेटा होने पर भी "संपूर्ण-व्यक्ति स्वास्थ्य स्कोर" (Whole-Person Health Score) कैसे बनाया जा सकता है। उन्होंने पाया कि हालांकि जटिल तरीके कागजों पर अच्छे दिखते हैं, लेकिन इस विशिष्ट संदर्भ में अस्पताल जाने की भविष्यवाणी करने के लिए सरल और अनुकूलित दृष्टिकोण अक्सर सबसे अच्छा काम करते हैं। अगला कदम, जिसका उन्होंने उल्लेख किया है, बस इस सिस्टम को वास्तविक अस्पतालों के चार्ट में डालना है ताकि डॉक्टरों को निर्णय लेने में मदद मिल सके।