Nationwide Prediction of Missed and Cancelled Appointments Using Real-World EHR Data
एक बड़े राष्ट्रीय EHR डेटासेट का उपयोग करने वाला यह रेट्रोस्पेक्टिव अध्ययन प्रदर्शित करता है कि मशीन लर्निंग मॉडल, विशेष रूप से XGBoost, 0.95 के AUC के साथ अप्रयुक्त आउटपेशेंट नियुक्तियों की सटीक भविष्यवाणी कर सकते हैं, जो यह सुझाव देता है कि ऐसे भविष्य कहने वाले उपकरणों को शेड्यूलिंग वर्कफ़्लो में एकीकृत करने से स्वास्थ्य सेवा दक्षता में महत्वपूर्ण सुधार हो सकता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि एक विशाल, हलचल भरा रेलवे स्टेशन है जहाँ हर दिन लाखों लोग ट्रेन पकड़ने की कोशिश करते हैं। कभी वे समय पर पहुँच जाते हैं। कभी वे भूल जाते हैं, ट्रैफिक में फंस जाते हैं, या घर पर ही रुकने का फैसला करते हैं। जब कोई नहीं आता और खाली सीटों के साथ ट्रेन निकल जाती है, तो यह ईंधन, समय और पैसे की बर्बादी है। स्वास्थ्य सेवा (हेल्थकेयर) की दुनिया में, ये "खाली सीटें" डॉक्टर के अपॉइंटमेंट का न मिलना या रद्द होना हैं।
यह अध्ययन एक टीम को सुपर-स्मार्ट जासूसों की तरह काम करने जैसा है, जो यह पता लगा सके कि वास्तव में कौन अपनी ट्रेन मिस करने वाला है और क्यों, ताकि स्टेशन अधिक सुचारू रूप से चल सके।
यहाँ उनकी जांच का विवरण सरल भाषा में दिया गया है:
मिशन: "नो-शोज़" (न आने वालों) की भविष्यवाणी करना
शोधकर्ता एक क्रिस्टल बॉल (एक कंप्यूटर मॉडल) बनाना चाहते थे जो मरीज की फाइल देख सके और कह सके, "हे, इस बात की उच्च संभावना है कि यह व्यक्ति अपने अपॉइंटमेंट पर नहीं पहुँच पाएगा।"
उन्होंने केवल अनुमान नहीं लगाया; उन्होंने पूरे संयुक्त राज्य अमेरिका के मेडिकल रिकॉर्ड्स की एक विशाल डिजिटल लाइब्रेरी का उपयोग किया। यह 5.7 मिलियन लोगों के इतिहास को देखने जैसा है ताकि पैटर्न खोजे जा सकें। उन्होंने उन वयस्कों पर ध्यान केंद्रित किया जिनका 2010 से 2025 के बीच नियमित चेक-अप हुआ था।
जासूसी का तरीका: उन्होंने यह कैसे किया
रहस्य को सुलझाने के लिए, टीम ने तीन अलग-अलग प्रकार के "जासूसों" (एल्गोरिदम) की तुलना की:
- पुराने जमाने का जासूस (लॉजिस्टिक्स रिग्रेशन): एक पारंपरिक तरीका जो सीधी रेखा वाले कनेक्शनों को देखता है।
- विशेषज्ञों की टीम (रैंडम फॉरेस्ट): निर्णय लेने वालों का एक समूह जो उत्तर पर वोट देता है।
- सुपर-जीनियस (XGBoost): एक अत्यधिक उन्नत मशीन लर्निंग टूल जो उन जटिल और छिपे हुए पैटर्न को भी पहचान सकता है जिन्हें अन्य चूक जाते हैं।
उन्होंने इन जासूसों को कुछ सुराग दिए जैसे:
- मरीज कौन है? (आयु, बीमा का प्रकार, वे कहाँ रहते हैं)।
- अपॉइंटमेंट कब है? (क्या यह सोमवार की बारिश वाली सुबह है? क्या यह फ्लू का पीक सीजन है?)।
- उनका इतिहास क्या है? (क्या उन्होंने पहले भी अपॉइंटमेंट मिस किए हैं? उनकी पिछली विज़िट को कितना समय बीत चुका है?)।
परिणाम: सुपर-जीनियस की जीत
संख्याओं को चलाने के बाद, परिणाम स्पष्ट थे:
- पुराने जमाने के जासूस ठीक थे, जो लगभग 89% भविष्यवाणियां सही कर रहे थे।
- विशेषज्ञों की टीम बेहतर थी, जिसने 92% हासिल किया।
- सुपर-जीनियस (XGBoost) चैंपियन था, जिसने 95% सटीकता दर प्राप्त की।
इसका मतलब है कि कंप्यूटर लगभग पूर्ण निश्चितता के साथ भविष्यवाणी कर सकता था कि अपॉइंटमेंट बर्बाद होगा या उसमें उपस्थिति होगी।
"क्यों": छिपे हुए पैटर्न को उजागर करना
शोधकर्ता केवल एक ऐसा "ब्लैक बॉक्स" नहीं चाहते थे जो उत्तर दे दे; वे जानना चाहते थे कि यह कैसे काम करता है। उन्होंने इंजन के अंदर झाँकने के लिए "एक्सप्लेनेबल एआई" (व्याख्या योग्य एआई) नामक एक विशेष उपकरण का उपयोग किया।
उन्होंने पाया कि लोग अपॉइंटमेंट क्यों मिस करते हैं, इसके कारण सरल नहीं हैं। यह केवल "बुजुर्ग लोग अधिक मिस करते हैं" जैसा नहीं है। यह कारकों का एक उलझा हुआ, गैर-रेखीय मिश्रण है। उदाहरण के लिए, दिन का एक विशिष्ट समय केवल एक निश्चित प्रकार के बीमा वाले और शहर में रहने वाले लोगों के लिए समस्या हो सकता है, लेकिन ग्रामीण क्षेत्र के किसी व्यक्ति के लिए नहीं। कंप्यूटर ने इंसानों की तुलना में इन अजीब और विशिष्ट संयोजनों को बेहतर ढंग से समझा।
बड़ी तस्वीर: यह क्यों मायने रखता है
समस्या: जब मरीज अपॉइंटमेंट मिस करते हैं, तो डॉक्टर खाली बैठे रहते हैं, और अन्य मरीज जिन्हें देखभाल की जरूरत है, वे अंदर नहीं आ पाते। यह एक ऐसे रेस्टोरेंट की तरह है जहाँ खाली मेजें हैं जबकि लोग लाइन में खड़े हैं।
समाधान: यदि क्लीनिक इस "सुपर-जीनियस" कंप्यूटर का उपयोग कर सकते हैं यह अनुमान लगाने के लिए कि कौन अपॉइंटमेंट मिस करने वाला है, तो वे उस दिन के आने से पहले कार्रवाई कर सकते हैं। वे एक रिमाइंडर भेज सकते हैं, समय बदल सकते हैं, या उस खाली सीट को वेटलिस्ट पर मौजूद किसी अन्य व्यक्ति से भर सकते हैं।
कमी (सीमाएं)
95% सफलता दर के बावजूद, इस अध्ययन में कुछ खामियां थीं:
- इतिहास का "ब्लैक बॉक्स": चूंकि उन्होंने पुराने रिकॉर्ड देखे, इसलिए वे मरीजों से यह नहीं पूछ सके, "आपने क्यों मिस किया?" उन्हें जो कुछ भी लिखा गया था, उसके आधार पर अनुमान लगाना पड़ा।
- गड़बड़ी: डेटाबेस में हमेशा यह स्पष्ट नहीं था कि मरीज ने कैंसिल किया (जो कि विनम्र है) या वह नो-शो रहा (जो कि रूखा व्यवहार है)। मॉडल ने दोनों को "अप्रयुक्त" (unused) के रूप में माना, जो कि एक ऐसे मेहमान को एक ऐसे मेहमान के साथ मिलाने जैसा है जिसने विनम्रता से निमंत्रण अस्वीकार किया और एक ऐसे मेहमान के साथ जिसने बिना बताए आना छोड़ दिया।
निष्कर्ष
यह अध्ययन साबित करता है कि हम स्वास्थ्य सेवा में समय और पैसा बर्बाद होने से रोकने के लिए हमारे कंप्यूटरों में मौजूद डेटा का उपयोग कर सकते हैं। अपॉइंटमेंट शेड्यूलिंग को मौसम के पूर्वानुमान की तरह मानकर—यानी मिस किए गए अपॉइंटमेंट के "तूफान" की भविष्यवाणी करके—हम स्वास्थ्य सेवा प्रणाली को समय पर चला सकते हैं, जिससे यह सुनिश्चित होता है कि जब डॉक्टर आपको देखने के लिए तैयार हों, तो आप वास्तव में वहां मौजूद हों।
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।