EpiFlow: A framework for improving the utility of wastewater signals for disease forecasting
एपिफ्लो (EpiFlow) फ्रेमवर्क प्रोसेस्ड वेस्टवॉटर वायरल लोड सिग्नल्स को कॉज़ैलिटी-ड्रिवन (कारणता-आधारित), टाइम-वेरिंग मॉडल्स के साथ एकीकृत करके वास्तविक समय के संक्रामक रोग पूर्वानुमान को बढ़ाता है, जो कम प्रसार की अवधि या रिपोर्टिंग में देरी के दौरान भी अस्पताल में भर्ती होने की भविष्यवाणी की सटीकता और कवरेज में महत्वपूर्ण सुधार करता है।
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
मानव शरीर की कल्पना एक हलचल भरे शहर के रूप में करें, और सीवेज सिस्टम को इसके भूमिगत नदी के रूप में, जो शहर द्वारा उत्पादित हर चीज़ को बहा ले जाता है। दशकों से, वैज्ञानिकों ने महसूस किया है कि यह "भूमिगत नदी" शहर के स्वास्थ्य की एक गुप्त डायरी है। यदि कोई वायरस फैल रहा है, तो भले ही लोग ठीक महसूस कर रहे हों या कभी डॉक्टर के पास न गए हों, वह वायरस अक्सर टॉयलेट के पानी में सूक्ष्म निशान छोड़ देता है। यह क्षेत्र, जिसे 'वेस्टवॉटर-बेस्ड एपिडेमियोलॉजी' (अपशिष्ट जल-आधारित महामारी विज्ञान) कहा जाता है, शहर के प्लंबिंग को सुनने जैसा है ताकि भीड़ में किसी के वास्तव में छींकने से पहले ही उसकी खाँसी को सुना जा सके। यह एक शक्तिशाली उपकरण है क्योंकि यह संक्रमण को सभी से पकड़ता है, न कि केवल उन लोगों से जो इतने बीमार हैं कि अस्पताल जा सकें।
हालाँकि, इस डायरी को पढ़ना कठिन है। नदी शोर भरी है; बारिश पानी को पतला कर देती है, पाइपों का उपयोग करने वाले लोगों की संख्या बदलती रहती है, और वायरस स्वयं अलग-अलग गति से टूटता है। यह एक तूफान में फुसफुसाहट सुनने जैसा है। वैज्ञानिक लंबे समय से सोच रहे हैं: क्या हम इन शोर भरी फुसफुसाहटों का उपयोग यह सटीक अनुमान लगाने के लिए कर सकते हैं कि कितने लोग अंततः अस्पताल में भर्ती होंगे? उत्तर एक साधारण "हाँ" या "नहीं" नहीं है। कभी-कभी फुसफुसाहट स्पष्ट होती है, और कभी-कभी यह शोर में खो जाती है। बड़ा सवाल यह है कि क्या हम सिग्नल को साफ कर सकते हैं और भविष्य के प्रकोप को देखने के लिए इसका उपयोग कर सकते हैं, खासकर जब वायरस शांत हो और उसे ट्रैक करना कठिन हो।
यहीं पर एक नया टूलकिट जिसे EpiFlow कहा जाता है, एक उच्च-तकनीकी जासूस की तरह काम करता है। EpiFlow के पीछे के शोधकर्ताओं ने केवल कच्चे डेटा को नहीं देखा; उन्होंने इसे साफ करने, इसकी लय को समझने और भविष्य के बारे में बेहतर अनुमान लगाने के लिए एक ढांचा तैयार किया। उन्होंने अपशिष्ट जल के डेटा को एक अव्यवस्थित ऑडियो रिकॉर्डिंग की तरह माना जिसे समझने के लिए नॉइज़-कैंसलिंग हेडफ़ोन और एक स्मार्ट संपादक की आवश्यकता थी।
टीम ने वर्जीनिया के कोविड-19 डेटा पर अपने जासूसी कार्य का परीक्षण किया, जिसमें अक्टूबर 2021 से दिसंबर 2023 तक के अपशिष्ट जल के नमूनों और अस्पताल में भर्ती होने के आंकड़ों को देखा गया। उन्होंने पाया कि कच्चे अपशिष्ट जल के आंकड़े वास्तव में "शोर भरे" थे और अकेले भविष्यवाणी करना कठिन था। लेकिन जब उन्होंने अपने विशेष "डिनोइजिंग" (शोर कम करने वाले) फिल्टर (एक गणितीय स्मूथिंग तकनीक जिसे सावित्ज़की-गोलय फिल्टर कहा जाता है) को लागू किया, तो सिग्नल बहुत स्पष्ट हो गया। उन्होंने पाया कि पानी में मौजूद वायरस और अस्पताल में भर्ती लोगों के बीच का संबंध स्थिर नहीं था; यह समय के साथ बदलता रहा। कभी-कभी अपशिष्ट जल आगे रहता था, जो हफ्तों पहले अस्पताल में उछाल की चेतावनी देता था, और अन्य समय में यह संबंध उलट गया या फीका पड़ गया।
इन बदलते हुए रिदम (लय) को अपनाने वाले एक मॉडल (एक रोलिंग-विंडो वेक्टर ऑटोरेग्रेसिव मॉडल) का उपयोग करके, EpiFlow ने दिखाया कि अपशिष्ट जल का डेटा भविष्यवाणियों में काफी सुधार कर सकता है। परिणाम विशेष रूप से "सर्ज" (उछाल) की अवधि के दौरान प्रभावशाली थे, जब वायरस तेजी से फैल रहा था। इन महत्वपूर्ण समयों में, साफ किए गए अपशिष्ट जल डेटा का उपयोग करने वाले मॉडल ने केवल पिछले अस्पताल के आंकड़ों को देखने वाले मॉडलों की तुलना में अपनी भविष्यवाणियों की सटीकता में 20 प्रतिशत अंक का सुधार किया। यहाँ तक कि जब अपशिष्ट जल की रिपोर्ट में एक या दो सप्ताह की देरी हुई (जो एक सामान्य वास्तविक दुनिया की समस्या है), तब भी मॉडल मानक तरीकों से बेहतर प्रदर्शन करने में सफल रहा।
यह शोध पत्र सुझाव देता है कि हालांकि अपशिष्ट जल कोई जादुई क्रिस्टल बॉल (भविष्य बताने वाला गोला) नहीं है, लेकिन यह पहेली का एक महत्वपूर्ण हिस्सा है। मुख्य बात यह है कि आप केवल कच्चे सीवेज नंबरों को कंप्यूटर में नहीं डाल सकते और एक सटीक भविष्यवाणी की उम्मीद नहीं कर सकते। आपको डेटा को साफ करना होगा, यह समझना होगा कि सीवर और अस्पताल के बीच का संबंध समय के साथ बदलता है, और एक लचीले मॉडल का उपयोग करना होगा जो महामारी के विकसित होने के साथ सीखता है। लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण तब सबसे अच्छा काम करता है जब वायरस का उछाल आता है, जिससे एक महत्वपूर्ण प्रारंभिक चेतावनी प्रणाली मिलती है जो अस्पतालों को बिस्तर भरने से पहले तैयारी करने में मदद करती है। वे यह भी नोट करते हैं कि उनकी विधि मौजूदा डेटा का एक सिमुलेशन और विश्लेषण है, जो वास्तविक दुनिया के उपयोग के लिए आशाजनक है, लेकिन यह हर बीमारी परिदृश्य के लिए एक स्थायी, अपरिवर्तनीय समाधान नहीं है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।