📊 statistics

Landmarking with Latent Class Mixed Models for Dynamic Prediction of Time-to-event Data with Heterogeneous Biomarker Trajectories

यह शोध पत्र बड़े पैमाने के EHR डेटा के लिए डायनेमिक टाइम-टू-इवेंट प्रेडिक्शन (गतिशील समय-से-घटना पूर्वानुमान) में सुधार करने के लिए एक कंप्यूटेशनल रूप से कुशल लैंडमार्किंग दृष्टिकोण का प्रस्ताव करता है, जिसे लेटेंट क्लास मिक्स्ड मॉडल के साथ एकीकृत किया गया है और R पैकेज `landmaRk` में कार्यान्वित किया गया है, ताकि उन विषम बायोमार्कर प्रक्षेप पथों (heterogeneous biomarker trajectories) को ध्यान में रखा जा सके जिन्हें पारंपरिक विधियाँ पकड़ने में विफल रहती हैं।

मूल लेखक: Víctor Velasco-Pardo, Nathan Constantine-Cooke, Charlie W. Lees, Catalina A. Vallejos

प्रकाशित 2026-06-24

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Víctor Velasco-Pardo, Nathan Constantine-Cooke, Charlie W. Lees, Catalina A. Vallejos

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: बिखरे हुए अतीत से भविष्य की भविष्यवाणी करना

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि एक लंबी दूरी की दौड़ में कौन जीतेगा। आपके पास धावकों (मरीजों) की एक विशाल सूची है, और आपने हर बार एक चेकपॉइंट पार करने पर उनकी गति (बायोमार्कर्स) को ट्रैक किया है।

चिकित्सा जगत में, डॉक्टरों के पास हजारों लोगों के इन 'स्पीड चेक' वाले विशाल डिजिटल रिकॉर्ड (इलेक्ट्रॉनिक हेल्थ रिकॉर्ड्स) तक पहुंच होती है। लक्ष्य इस इतिहास का उपयोग यह अनुमान लगाने के लिए करना है कि भविष्य में कौन दौड़ से बाहर हो सकता है (स्वास्थ्य संबंधी घटना का अनुभव कर सकता है)।

हालाँकि, एक समस्या है: सभी धावक एक जैसे नहीं होते।
कुछ धावक तेज शुरुआत करते हैं और फिर धीमे हो जाते हैं। कुछ धीरे शुरू करते हैं और अंत में स्प्रिंट मारते हैं। कुछ की छिपी हुई चोटें होती हैं जिन्हें हम देख नहीं सकते। पारंपरिक भविष्यवाणी उपकरण अक्सर यह मान लेते हैं कि सभी धावक एक ही ट्रैक पर एक ही शैली में दौड़ रहे हैं, बस वे उन चीजों के लिए समायोजन करते हैं जिन्हें हम देख सकते हैं (जैसे उम्र या लिंग)। लेकिन वास्तव में, अलग-अलग पैटर्न वाले धावकों के छिपे हुए "उप-समूह" (sub-groups) होते हैं।

यह शोध पत्र दौड़ के परिणामों की भविष्यवाणी करने का एक नया तरीका पेश करता है जो इन छिपे हुए समूहों को ध्यान में रखता है, और यह भारी गणित के बिना करता है जिससे कंप्यूटर क्रैश हो जाते हैं।

पुराने तरीके: "लास्ट सीन" और "सुपर-कंप्यूटर"

इस शोध पत्र से पहले, इन भविष्यवाणियों को करने के दो मुख्य तरीके थे:

"लास्ट सीन" विधि (LOCF):
कल्पive एक कोच को एक धावक को देखते हुए यह कहते हुए देखें, "ठीक है, पिछली बार जब मैंने तुम्हें देखा था, तुम 5 मील प्रति घंटे की गति से दौड़ रहे थे। मैं मान लेता हूँ कि तुम अगले चेकपॉइंट तक 5 मील प्रति घंटे की गति से ही दौड़ते रहोगे।"

दोष: यह इस तथ्य को नजरअंदाज करता है कि धावक चेकपॉइंट के बीच में लड़खड़ा सकता था, तेज हो सकता था या धीमा हो सकता था। यह एक मोटा अनुमान है जो माप की त्रुटियों (measurement errors) को अनदेखा करता है।

"सुपर-कंप्यूटर" विधि (जॉइंट मॉडल्स):
यह विधि हर एक धावक के पथ और उनके बाहर होने की संभावना का एक पूर्ण, जटिल 3D मानचित्र बनाने की कोशिश करती है।

दोष: यह अविश्वसनीय रूप से भारी है। यदि आपके पास 1,00,000 लोगों का डेटा है, तो यह विधि एक कैलकुलेटर का उपयोग करके दस लाख टुकड़ों वाली पहेली को हल करने जैसा है। इसमें बहुत समय लगता है और बड़े डेटासेट पर यह अक्सर विफल हो जाता है।

एक विधि जॉइंट लेटेंट क्लास मॉडल्स भी थी जिसने छिपे हुए समूहों (जैसे "स्प्रिन्टर" बनाम "मैराथन रनर") को खोजने की कोशिश की, लेकिन वह सुपर-कंप्यूटर विधि की तरह ही भारी और धीमी थी।

नया समाधान: "स्मार्ट लैंडमार्क"

लेखक एक नई रणनीति प्रस्तावित करते हैं जिसे लैंडमार्किंग विद लेटेंट क्लास मिक्स्ड मॉडल्स (LCMM) कहा जाता है। इसे एक मॉड्यूलर, स्मार्ट चेकपॉइंट सिस्टम के रूप में समझें।

1. लैंडमार्क अवधारणा (चेकपॉइंट्स)

पूरी दौड़ की एक साथ भविष्यवाणी करने के बजाय, आप समय के विशिष्ट क्षण चुनते हैं (लैंडमार्क्स), जैसे "महीना 6" या "वर्ष 2"।

महीने 6 पर, आप केवल उन लोगों को देखते हैं जो अभी भी दौड़ में शामिल हैं।
आप उस बिंदु तक उनके इतिहास को देखते हैं।
आप अगले कुछ महीनों के लिए एक भविष्यवाणी करते हैं।
फिर आप महीने 7 पर जाते हैं, और यही प्रक्रिया दोहराते हैं।

यह लचीला है। यह इस तथ्य को संभालता है कि लोग अध्ययन में अलग-अलग समय पर शामिल होते हैं और छोड़ देते हैं, जो वास्तविक दुनिया के अस्पताल के डेटा में आम है।

2. सीक्रेट सॉस: छिपे हुए समूहों को खोजना (LCMM)

यहीं पर यह शोध पत्र चमकता है। चेकपॉइंट तक के इतिहास को देखते समय, नया तरीका पूछता है: "क्या यह धावक एक छिपे हुए समूह का हिस्सा है?"

कल्पना कीजिए कि धावक वास्तव में तीन अलग-अलग प्रजातियों के जानवर हैं:

समूह A: उच्च स्तर से शुरू होता है, नीचे गिरता है, फिर ऊपर की ओर उछलता है।
समूह B: बीच में स्थिर रहता है।
समूह C: उच्च स्तर से शुरू होता है और धीरे-धीरे कम होता जाता है।

पुराने तरीके शायद सभी का औसत निकाल देते। नया तरीका लेटेंट क्लास मिक्स्ड मॉडल्स (LCMM) का उपयोग करके कहता है, "आह, यह धावक समूह A का जानवर लग रहा है।" फिर यह समूह A के विशिष्ट पैटर्न का उपयोग करके भविष्यवाणी करता है।

महत्वपूर्ण बात यह है कि शोध पत्र ने पाया कि सटीक गणितीय पथ जानने की तुलना में समूह लेबल (group label) जानना अधिक महत्वपूर्ण है। भले ही उनकी गति की भविष्यवाणी करने वाला गणित पुराने तरीकों के समान हो, लेकिन यह जानना कि व्यक्ति किस समूह का है, सटीकता में भारी वृद्धि देता है।

3. टूल: `landmaRk`

लेखकों ने केवल एक सिद्धांत नहीं लिखा; उन्होंने इसके लिए एक स्विस आर्मी नाइफ बनाया है। उन्होंने landmaRk नामक एक मुफ्त सॉफ्टवेयर पैकेज बनाया।

मॉड्यूलर: आप इसके हिस्सों को बदल सकते हैं। क्या आप एक सरल "लास्ट सीन" विधि का उपयोग करना चाहते हैं? ठीक है। क्या आप नए "छिपे हुए समूह" वाले तरीके का उपयोग करना चाहते हैं? ठीक है। क्या आप किसी अन्य सर्वाइवल कैलकुलेटर को आजमाना चाहते हैं? आप इसे प्लग इन कर सकते हैं।
तेज़: इसे बिना क्रैश हुए बड़े डेटासेट (जैसे अस्पताल के रिकॉर्ड) पर चलने के लिए डिज़ाइन किया गया है, जो भारी "सुपर-कंप्यूटर" विधियों के विपरीत है।

उन्होंने क्या परीक्षण किया?

उन्होंने इसे दो तरीकों से परखा:

सिमुलेशन (अभ्यास दौड़):
उन्होंने नकली डेटा बनाया जहाँ वे "सत्य" जानते थे (वहाँ ठीक 3 छिपे हुए समूह थे)।

परिणाम: नया तरीका (लैंडमार्किंग + छिपे हुए समूह) पुराने "लास्ट सीन" तरीके या भारी "सुपर-कंप्यूटर" तरीकों की तुलना में परिणाम की भविष्यवाणी करने में बहुत बेहतर था। यह तेज़ भी था।
मुख्य निष्कर्ष: सबसे बड़ी जीत तब मिली जब मॉडल को यह बताया गया कि व्यक्ति किस समूह से संबंधित है, न कि केवल उनकी गति का गणित बताने से।

वास्तविक डेटा (AIDS डेटासेट):
उन्होंने HIV/AIDS रोगियों के बारे में एक क्लिनिकल ट्रायल के वास्तविक ऐतिहासिक डेटा का उपयोग किया, जिसमें मृत्यु की भविष्यवाणी करने के लिए CD4 काउंट (प्रतिरक्षा स्वास्थ्य का एक माप) को ट्रैक किया गया था।

परिणाम: नए तरीके ने फिर से पुराने तरीकों को पछाड़ दिया। इसने प्रतिरक्षा प्रणाली में बदलाव के उन छिपे हुए पैटर्न को खोज निकाला जिन्हें पुराने तरीकों ने मिस कर दिया था।
नोट: "सुपर-कंप्यूटर" विधियां (जॉइंट मॉडल्स) धीमी थीं और नए मॉड्यूलर दृष्टिकोण की तुलना में कैलिब्रेशन (संभावनाओं को सही ढंग से प्राप्त करना) में वास्तव में कम सटीक थीं।

निचोड़ (The Bottom Line)

यह शोध पत्र दावा करता है कि लैंडमार्किंग (विशिष्ट समय पर दौड़ की जांच करना) को लेटेंट क्लास मॉडल्स (समान धावकों के छिपे हुए समूहों को खोजना) के साथ जोड़कर, हम पहले की तुलना में बहुत बेहतर और तेज़ी से स्वास्थ्य परिणामों की भविष्यवाणी कर सकते हैं।

उन्होंने चिकित्सा समुदाय को इसे आसानी से करने के लिए एक मुफ्त, लचीला टूल (landmaRk) भी दिया, जिससे शोधकर्ता बिना कोडिंग विशेषज्ञ बने विभिन्न गणितीय रणनीतियों को मिला और मिला सकते हैं।

संक्षेप में: उन्होंने बिखरे हुए मेडिकल डेटा में छिपे हुए पैटर्न को पहचानने का एक तरीका खोजा ताकि बेहतर भविष्यवाणियां की जा सकें, और उन्होंने इसे बिना कंप्यूटर को धीमा किए करने के लिए एक उपयोगकर्ता के अनुकूल टूलकिट बनाया।

तकनीकी सारांश: गतिशील भविष्यवाणी के लिए लेटेंट क्लास मिक्स्ड मॉडल के साथ लैंडमार्किंग

समस्या विवरण
इलेक्ट्रॉनिक हेल्थ रिकॉर्ड्स (EHR) की बढ़ती सुलभता समय-से-घटना (time-to-event) परिणामों के गतिशील जोखिम पूर्वानुमान के लिए अवसर प्रदान करती है, जिसमें समय-परिवर्तनीय सह-चर (time-varying covariates), जैसे कि बायोमार्कर के बार-बार होने वाले मापन का उपयोग किया जाता है। हालाँकि, मौजूदा गतिशील भविष्यवाणी विधियाँ वास्तविक दुनिया के बायोमेडिकल डेटा पर लागू होने में महत्वपूर्ण सीमाओं का सामना करती हैं।

समरूपता धारणा (Homogeneity Assumption): पारंपरिक लैंडमार्किंग और जॉइंट मॉडल (longitudinal and survival data - JMLS) आमतौर पर यह मान लेते हैं कि अनुदैर्ध्य प्रक्षेपवक्र (longitudinal trajectories) व्यक्तियों में समरूप होते हैं, जहाँ विषमता को केवल प्रेक्षित सह-चरों या पतली-पूंछ वाले रैंडम इफेक्ट्स (जैसे, सामान्य वितरण) द्वारा कैप्चर किया जाता है। यह धारणा तब विफल हो जाती है जब आबादी में लेटेंट (latent) संरचना मौजूद होती है—अर्थात, ऐसे उपसमूह जो विशिष्ट प्रक्षेपवक्र पैटर्न और जोखिम प्रोफाइल साझा करते हैं, जिन्हें प्रेक्षित सह-चरों द्वारा स्पष्ट नहीं किया जा सकता।
कंप्यूटेशनल स्केलेबिलिटी (Computational Scalability): जबकि जॉइंट लेटेंट क्लास मॉडल (JLCM) इस प्रकार की लेटेंट विषमता को ध्यान में रख सकते हैं, वे गणनात्मक रूप से गहन होते हैं और अक्सर बड़े EHR डेटासेट तक स्केल करने में विफल रहते हैं। इसके अलावा, JLCM और JMLS के लिए सभी व्यक्तियों के लिए एक सामान्य बेसलाइन समय ( $t=0$ ) की आवश्यकता होती है, जो EHR सेटिंग्स में रोगियों के बदलते फॉलो-अप अवधि और इन/आउटफ्लो के साथ असंगत है।
सॉफ्टवेयर सीमाएँ: लैंडमार्किंग विश्लेषण के लिए मौजूदा सॉफ्टवेयर अक्सर कठोर होता है, जो आमतौर पर प्रक्षेपवक्रों को सारांशित करने के लिए "लास्ट ऑब्जर्वेशन कैरीड फॉरवर्ड" (LOCF) या लीनियर मिक्स्ड इफेक्ट्स (LME) मॉडल तक ही सीमित रहता है, और सर्वाइवल के लिए कॉक्स प्रोपोर्शनल हैजार्ड्स (Cox PH) मॉडल का उपयोग करता है। यह अधिक लचीली, विषमता-जागरूक रणनीतियों को लागू करने की क्षमता को सीमित करता है।

कार्यप्रणाली (Methodology)
लेखक एक नवीन विषमता-जागरूक लैंडमार्किंग दृष्टिकोण प्रस्तावित करते हैं जो लेटेंट क्लास मिक्स्ड मॉडल्स (LCMM) को लैंडमार्किंग फ्रेमवर्क में एकीकृत करता है। यह कार्यप्रणाली इस प्रकार कार्य करती है:

लैंडमार्किंग फ्रेमवर्क: यह दृष्टिकोण पूर्व-निर्धारित लैंडमार्क समय ( $s$ ) पर अनुक्रमिक रूप से सर्वाइवल मॉडल फिट करता है। प्रत्येक $s$ पर, जोखिम सेट ( $R_s$ ) की पहचान की जाती है (वे व्यक्ति जो $s$ तक घटना-मुक्त हैं)।
LCMM के माध्यम से अनुदैर्ध्य सारांश (Longitudinal Summarization): LOCF या मानक LME के बजाय, यह विधि $R_s$ $R_{s}$ में व्यक्तियों के लिए देखे गए अनुदैर्ध्य प्रक्षेपवक्र $Y_i(s)$ $Y_{i} (s)$ को मॉडल करने के लिए LCMM का उपयोग करती है।
- LCMM यह मानता है कि जनसंख्या $G$ लेटेंट क्लासेज से बनी है, जिनमें से प्रत्येक के विशिष्ट प्रक्षेपवक्र पैटर्न हैं।
- क्लस्टर सदस्यता को मल्टीनोमियल लॉजिस्टिक रिग्रेशन के माध्यम से मॉडल किया जाता है।
- प्रत्येक व्यक्ति के लिए, विधि क्लस्टर सदस्यता की पोस्टीरियर संभावनाओं ( $\hat{\pi}_{ig}$ ) की गणना करती है।
- प्रक्षेपवक्र सारांश ( $\hat{y}_i(s)$ ): क्लस्टर आवंटन में अनिश्चितता को ध्यान में रखने के लिए, विधि पोस्टीरियर संभावनाओं द्वारा भारित (weighted) क्लस्टर-विशिष्ट प्रक्षेपवक्र भविष्यवाणियों को औसत करती है: $\hat{y}_i(s) = \sum \hat{\pi}_{ig} \hat{y}_i(s | c_i=g)$ ।
- क्लस्टर लेबल इनपुट: विधि सर्वाइवल मॉडल में अनुमानित क्लस्टर लेबल ( $\hat{c}_i$ ) को एक सह-चर के रूप में शामिल करने पर भी विचार करती है, जो प्रक्षेपवक्र के आकार का एक संक्षिप्त सारांश प्रदान करता है।
सर्वाइवल मॉडलिंग: $\hat{y}_i(s)$ और वैकल्पिक रूप से $\hat{c}_i$ का उपयोग करके लैंडमार्क-विशिष्ट सर्वाइवल मॉडल (जैसे, Cox PH) फिट किया जाता है ताकि $s+w$ पर घटना-मुक्त होने की सशर्त संभावना का अनुमान लगाया जा सके।
कार्यान्वयन (landmaRk): लेखकों ने एक मॉड्यूलर R पैकेज विकसित किया है जो CRAN पर उपलब्ध है, जिसका नाम landmaRk है। यह निम्नलिखित के लिए एक पाइपलाइन लागू करता है:
1. जोखिम सेट और लैंडमार्क समय को परिभाषित करना।
2. अनुदैर्ध्य उप-मॉडल (LOCF, LME और LCMM का समर्थन करते हुए) फिट करना।
3. सर्वाइवल उप-मॉडल फिट करना।
4. क्रॉस-वैलिडेशन के माध्यम से भविष्य कहनेवाला प्रदर्शन (time-dependent AUC और Brier scores का उपयोग करके) का मूल्यांकन करना।
  इसकी मॉड्यूलरिटी उपयोगकर्ताओं को घटकों को बदलने और कस्टम अनुदैर्ध्य या सर्वाइवल मॉडल को परिभाषित करने की अनुमति देती है।

मुख्य परिणाम
प्रस्तावित विधि के प्रदर्शन का मूल्यांकन सिमुलेशन अध्ययनों और AIDS डेटासेट के केस स्टडी के माध्यम से किया गया।

सिमुलेशन अध्ययन:
- डेटा को विभिन्न सैंपल साइज, एरर डिस्ट्रीब्यूशन (नॉर्मल बनाम हेवी-टेल्ड), और वेइबुल शेप पैरामीटर्स के तहत जॉइंट लेटेंट क्लास मॉडल स्पेसिफिकेशन के तहत जेनरेट किया गया था।
- प्रदर्शन: LCMM-आधारित लैंडमार्किंग मॉडल, जिनमें अनुमानित क्लस्टर लेबल शामिल थे (जैसे, LCMM2cl), ने भेदभाव (tdAUC) और कैलिब्रेशन (Brier score) के मामले में पारंपरिक लैंडमार्किंग (LOCF, LME) और मानक JLCM की तुलना में लगातार बेहतर प्रदर्शन किया।
- क्लस्टर लेबल बनाम प्रक्षेपवक्र पुनर्निर्माण: भविष्यवाणी में सुधार मुख्य रूप से प्रक्षेपवक्र के पुनर्निर्माण के बजाय अनुमानित क्लस्टर लेबल के समावेश से प्रेरित था। LCMM से प्राप्त अनुमानित मान $\hat{y}_i(s)$ अक्सर LME के समान थे, लेकिन क्लस्टर लेबल प्रक्षेपवक्र के आकार के संबंध में अतिरिक्त भविष्यसूचक जानकारी कैप्चर करते थे।
- मजबूती (Robustness): एक एकल वैश्विक मॉडल की तुलना में लैंडमार्क-विशिष्ट LCMM को फिट करना (प्रत्येक $s$ पर क्लस्टर्स को पुन: अनुमानित करना) क्लस्टर्स की संख्या ( $G$ ) के ओवर-स्पेसिफिकेशन के प्रति अधिक मजबूत साबित हुआ।
- दक्षता: प्रस्तावित दृष्टिकोण JLCM की तुलना में कम्प्यूटेशनल रूप से अधिक कुशल था, जिससे यह बड़े डेटासेट के लिए उपयुक्त बन गया।
केस स्टडी (AIDS डेटासेट):
- मृत्यु के समय की भविष्यवाणी करने के लिए CD4 काउंट प्रक्षेपवक्र का उपयोग करते हुए, विषमता-जागरूक लैंडमार्किंग दृष्टिकोण (विशेष रूप से शुरुआती लैंडमार्क्स पर LCMM2cl) ने आम तौर पर LOCF और LME की तुलना में उच्च भेदभाव प्राप्त किया।
- जॉइंट मॉडल (JLCM) ने लैंडमार्किंग दृष्टिकोणों की तुलना में निम्नतम भेदभाव और काफी खराब कैलिब्रेशन दिखाया।
- प्रदर्शन लैंडमार्क समय और होराइजन के अनुसार भिन्न होता है, कोई एक मॉडल सार्वभौमिक रूप से सर्वश्रेष्ठ नहीं है, लेकिन विषमता-जागरूक दृष्टिकोण ने स्टेटिक-ओनली और LOCF बेसलाइन्स में लगातार सुधार किया।

महत्व और दावे
पेपर दो प्राथमिक योगदानों का दावा करता है:

पद्धतिगत नवाचार: यह एक कम्प्यूटेशनल रूप से कुशल, विषमता-जागरूक गतिशील जोखिम भविष्यवाणी रणनीति पेश करता है जो लैंडमार्किंग प्रतिमान के भीतर LCMM का लाभ उठाती है। यह EHR डेटा में लेटेंट जनसंख्या संरचना को ध्यान में रखने वाली स्केलेबल विधियों की अपूर्ण आवश्यकता को संबोधित करता है, जो JLCM की कम्प्यूटेशनल बाधाओं और पारंपरिक लैंडमार्किंग की समरूपता धारणाओं को दूर करता है।
सॉफ्टवेयर विकास: landmaRk पैकेज लैंडमार्किंग विश्लेषण के लिए एक मानकीकृत, मॉड्यूलर फ्रेमवर्क प्रदान करता है। लैंडमार्किंग को इंटरचेंजेबल कंपोनेंट्स के एक पाइपलाइन के रूप में औपचारिक बनाकर, यह विभिन्न मॉडल स्पेसिफिकेशन (जैसे, LME बनाम LCMM) की तुलना को सुगम बनाता है और गतिशील जोखिम भविष्यवाणी रणनीतियों के विकास और पुनरुत्पादकता (reproducibility) को तेज करता है।

लेखक जोर देते हैं कि उनका दृष्टिकोण विशेष रूप से उन EHR सेटिंग्स के लिए मूल्यवान है जहाँ डेटा विषमता उच्च है और कम्प्यूटेशनल स्केलेबिलिटी महत्वपूर्ण है। वे नोट करते हैं कि हालांकि क्लस्टर्स ( $G$ ) की संख्या निर्दिष्ट की जानी चाहिए, विधि क्लस्टर मिसस्पेसिफिकेशन के प्रति मजबूती प्रदर्शित करती है, और अनुमानित क्लस्टर लेबल का समावेश प्रक्षेपवक्र के आकार की जानकारी को कैप्चर करने के एक प्रमुख तंत्र के रूप में कार्य करता है जो भविष्यसूचक सटीकता में सुधार करता है।