📄 public and global health

Using Bayesian Evidence Synthesis to estimate the number of sex workers in the United Kingdom

यह अध्ययन लक्षित सार्वजनिक स्वास्थ्य सहायता के लिए महत्वपूर्ण डेटा अंतराल को संबोधित करने हेतु ऐतिहासिक डेटा को हालिया यूके जनसंख्या और क्लिनिक उपस्थिति रिकॉर्ड के साथ एकीकृत करने के लिए बेयसियन एविडेंस सिंथेसिस (Bayesian Evidence Synthesis) का उपयोग करता है, जिससे यूनाइटेड किंगडम में लगभग 84,000 सेक्स वर्कर (95% विश्वसनीय अंतराल: 49,000–130,000) का एक सुदृढ़ अनुमान प्राप्त होता है।

मूल लेखक: Long, H., Gada, L., Murray, L., Laurence, T., Hayward, A., Finnie, T.

प्रकाशित 2026-05-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Long, H., Gada, L., Murray, L., Laurence, T., Hayward, A., Finnie, T.

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

बड़ी तस्वीर: अनदेखे को गिनना

कल्पना कीजिए कि आप एक विशाल, अंधेरे जंगल में छिपे लोगों की गिनती करने की कोशिश कर रहे हैं। आप उन सभी को नहीं देख सकते क्योंकि वे छिपने की कोशिश कर रहे हैं, या वे बाहर आने से डरते हैं, या वे बहुत अधिक इधर-उधर घूम रहे हैं। यह वही चुनौती थी जिसका सामना शोधकर्ताओं ने किया: यूके (UK) में सेक्स वर्कर की संख्या का अनुमान लगाना।

चूंकि सेक्स वर्क अक्सर कलंक या कानूनी जटिलताओं से जुड़ा होता है, इसलिए कई कार्यकर्ता आधिकारिक सरकारी रिकॉर्ड (जैसे जनगणना डेटा) या मानक सर्वेक्षणों में दिखाई नहीं देते हैं। उन्हें गिनने के पिछले प्रयास केवल पानी की एक बाल्टी देखकर झील में मछलियों की संख्या का अनुमान लगाने जैसा था; उन्होंने एक संख्या तो दी लेकिन यह नहीं बताया कि वे कितनी गलत हो सकती हैं।

इस शोध पत्र का लक्ष्य इस छिपी हुई आबादी का एक अधिक विश्वसनीय मानचित्र बनाना था, न केवल अनुमान लगाकर, बल्कि हमारे पास पहले से मौजूद सभी पुराने मानचित्रों को मिलाने और विवरणों के बारे में हम कितने अनिश्चित हैं, इसे स्वीकार करने के माध्यम से।

विधि: डेटा का "मास्टर शेफ"

शोधकर्ताओं ने बेयसियन एविडेंस सिंथेसिस (Bayesian Evidence Synthesis) नामक तकनीक का उपयोग किया। इसे एक मास्टर शेफ द्वारा एक आदर्श सूप बनाने की कोशिश के रूप में समझें।

सामग्री (पुराने अध्ययन): पिछले 30 वर्षों में, विभिन्न शोधकर्ताओं ने सेक्स वर्कर्स को गिनने की कोशिश की है। कुछ ने क्लीनिकों से प्राप्त डेटा का उपयोग किया, कुछ ने ऑनलाइन विज्ञापनों का, और कुछ ने सहायता सेवाओं के सर्वेक्षणों का। इनमें से प्रत्येक अध्ययन एक "सामग्री" है। कुछ सामग्रियां ताज़ा और उच्च गुणवत्ता वाली हैं; अन्य थोड़ी पुरानी हैं या उन्हें थोड़े अस्थिर हाथ से मापा गया है।
नुस्खा (मॉडल): केवल "सबसे अच्छे" अध्ययन को चुनने और बाकी को अनदेखा करने के बजाय, शोधकर्ताओं ने एक गणितीय नुस्खा (एक कंप्यूटर मॉडल) बनाया जो इन सभी सामग्रियों को आपस में मिलाता है।
सीक्रेट सॉस (अनिश्चितता): उनके नुस्खे का विशेष हिस्सा यह है कि वे "अस्थिर हाथों" को कैसे संभालते हैं। उन्होंने पुराने अध्ययनों के नंबरों को पूर्ण तथ्य के रूप में नहीं लिया। इसके बजाय, उन्होंने प्रत्येक पुराने नंबर को एक "सर्वश्रेष्ठ अनुमान" के रूप में माना जिसमें त्रुटि की गुंजाइश थी। उन्होंने इन "अनुमानों" को अपने मॉडल में डाला, जिससे पूरी प्रक्रिया में अनिश्चितता प्रवाहित हो सके।

उपमा: कल्पना कीजिए कि आप एक रहस्यमय बॉक्स का वजन बताने की कोशिश कर रहे हैं।

पुराना तरीका: आप अपने पांच दोस्तों से पूछते हैं। एक कहता है 10 किलो, एक कहता है 50 किलो, एक कहता है 20 किलो। आप बस उनका औसत निकालकर 26.6 किलो कहते हैं और कहते हैं, "यह वजन है।"
इस पेपर का तरीका: आप अपने पांच दोस्तों से पूछते हैं, लेकिन आप यह भी पूछते हैं, "आप कितने निश्चित हैं?" एक दोस्त कहता है, "मेरा अनुमान 10 किलो है, लेकिन मैं 5 किलो तक गलत हो सकता हूँ।" दूसरा कहता है, "मेरा अनुमान 50 किलो है, लेकिन मैं काफी आश्वस्त हूँ कि यह 40 और 60 के बीच है।" मॉडल फिर इन अनुमानों और उनके आत्मविश्वास के स्तरों को जोड़कर आपको एक अंतिम उत्तर देता है जो कहता है, "वजन संभवतः 26 किलो है, लेकिन यह वास्तविक रूप से 15 किलो और 40 किलो के बीच कहीं भी हो सकता है।"

परिणाम: अंतिम गणना

सभी डेटा को मिलाने और जटिल गणित चलाने के बाद, मॉडल ने एक नया अनुमान निकाला:

संख्या: यूके में लगभग 84,000 सेक्स वर्कर्स हैं।
"शायद" की सीमा: चूंकि डेटा जटिल है, शोधकर्ता 95% आश्वस्त हैं कि वास्तविक संख्या 49,000 और 130,000 के बीच कहीं है।
संदर्भ: यह पूरे यूके की जनसंख्या का लगभग 0.12% है।

इसे समझने के लिए, पेपर नोट करता है कि यह समूह पुरुषों के साथ यौन संबंध बनाने वाले पुरुषों (लगभग 1% जनसंख्या) की आबादी से छोटा है, लेकिन संभावित रूप से ड्रग्स लेने वाले लोगों की आबादी से बड़ा है।

यह क्यों महत्वपूर्ण है (पेपर के अनुसार)

पेपर का तर्क है कि एक स्पष्ट "त्रुटि की सीमा" (margin of error) के साथ संख्या होना, एक ऐसी सटीक दिखने वाली संख्या से बेहतर है जो गलत हो सकती है।

बेहतर योजना: यदि स्वास्थ्य सेवाओं को पता है कि जनसंख्या संभवतः 50k से 130k के बीच है, तो वे संसाधनों (जैसे टीके, परीक्षण या सहायता सेवाएं) की योजना इस तरह बना सकते हैं कि वे उस सीमा के उच्च स्तर को भी संभाल सकें, बजाय इसके कि वे आवश्यकता का कम अनुमान लगाएं।
असमानता को कम करना: पेपर कहता है कि सेक्स वर्कर्स अक्सर स्वास्थ्य संबंधी असमानताओं और देखभाल की बाधाओं का सामना करते हैं। एक बेहतर अनुमान होने से, स्वास्थ्य अधिकारी समस्या के पैमाने को बेहतर ढंग से समझ सकते हैं और इन अंतरालों को कम करने के लिए लक्षित सहायता डिजाइन कर सकते हैं।

"बारीक विवरण" (सीमाएं)

लेखक अपने "सूप" की खामियों के बारे में बहुत ईमानदार हैं:

कोई पूर्ण डेटा नहीं: उन्हें उन पुराने अध्ययनों पर निर्भर रहना पड़ा जिनमें अपने स्वयं के एरर बार (error bars) नहीं थे। उन्हें यह तय करने के लिए एक प्रणाली बनानी पड़ी कि कौन से पुराने अध्ययन कैसे किए गए थे और कौन से "बेहतर" थे।
समय यात्रा: डेटा लगभग 25 वर्षों तक फैला हुआ है। सेक्स वर्क की दुनिया बदल गई है (विशेष रूप से इंटरनेट के साथ), इसलिए मॉडल यह मान लेता है कि जनसंख्या की संरचना में भारी बदलाव नहीं आया है, जो कि सच भी हो सकता है।
कोई सीधा संपर्क नहीं: मॉडल ने सीधे सेक्स वर्कर्स से बात नहीं की; इसने केवल मौजूदा रिपोर्टों का विश्लेषण किया। लेखक स्वीकार करते हैं कि बेहतर डेटा प्राप्त करने के लिए भविष्य के कार्यों में सीधे सेक्स वर्कर्स को शामिल करने की आवश्यकता है।

सारांश

इस पेपर ने जाकर एक-एक करके सेक्स वर्कर्स को नहीं गिना। इसके बजाय, इसने एक डेटा जासूस के रूप में कार्य किया, जिसने पिछले 30 वर्षों के सभी खंडित, अपूर्ण सुरागों को लिया, उन्हें एक परिष्कृत गणितीय पद्धति के साथ जोड़ा, और एक एकल, तर्कसंगत अनुमान प्रस्तुत किया: 84,000 लोग, जिसमें एक स्पष्ट चेतावनी लेबल के साथ कि वास्तविक संख्या काफी अधिक या कम हो सकती है। इसका लक्ष्य इस संख्या का उपयोग स्वास्थ्य सेवाओं को इस समुदाय की अधिक प्रभावी ढंग से सहायता करने में मदद करने के लिए करना है।

तकनीकी सारांश: यूके (UK) सेक्स वर्कर जनसंख्या के अनुमान के लिए बेयसियन साक्ष्य संश्लेषण (Bayesian Evidence Synthesis)

समस्या विवरण
यूनाइटेड किंगडम में सेक्स वर्कर्स को महत्वपूर्ण स्वास्थ्य असमानताओं और स्वास्थ्य देखभाल तक पहुँचने में बाधाओं का सामना करना पड़ता है, जो अक्सर कलंक (stigma), भेदभाव और कानूनी संदर्भों के कारण बढ़ जाती हैं। लक्षित, साक्ष्य-आधारित सार्वजनिक स्वास्थ्य सहायता प्रदान करने के लिए एक महत्वपूर्ण बाधा सेक्स वर्कर जनसंख्या के आकार के संबंध में विश्वसनीय डेटा की कमी है। मौजूदा अनुमान, जो 1999 से 2017 के बीच विभिन्न अध्ययनों से प्राप्त हुए हैं, व्यापक रूप से भिन्न हैं (लगभग 35,000 से 105,000 तक की सीमा में) और, महत्वपूर्ण रूप से, इनमें अनिश्चितता का परिमाण नहीं दिया गया है। पिछले अध्ययनों ने अक्सर अपने अनुमानों को बिना कॉन्फिडेंस इंटरवल (confidence intervals) के केवल पॉइंट वैल्यूज (point values) के रूप में माना, जो उन मापदंडों और पद्धतियों की अंतर्निहित अनिश्चितता को समझने में विफल रहे जिनका उपयोग उनके अनुमान निकालने के लिए किया गया था। अनिश्चितता-परिमाणित डेटा की यह अनुपस्थिति प्रभावी संसाधन आवंटन, प्रकोप प्रतिक्रिया योजना और अनुकूलित स्वास्थ्य हस्तक्षेपों के डिजाइन में बाधा डालती है।

कार्यप्रणाली (Methodology)
लेखक सात ऐतिहासिक अनुमान अध्ययनों (1999-2017 के बीच के) को हाल के राष्ट्रीय जनसंख्या डेटा और जेनेटो-यूरिनरी मेडिसिन क्लिनिक अटेंडेंस डेटा (GUMCAD) के साथ एकीकृत करने के लिए एक बेयसियन साक्ष्य संश्लेषण (Bayesian Evidence Synthesis) ढांचे का उपयोग करते हैं। मुख्य पद्धतिगत नवाचार ऐतिहासिक अध्ययनों को केवल "ब्लैक बॉक्स" के रूप में नहीं, बल्कि अनिश्चित मापदंडों वाली यांत्रिक प्रक्रियाओं (mechanistic processes) के रूप में मानना है।

पदानुक्रमित मॉडल संरचना (Hierarchical Model Structure):
- स्तर 1 (अध्ययन-विशिष्ट अनुमान): रिपोर्ट किए गए पॉइंट अनुमानों को स्वीकार करने के बजाय, मॉडल प्रत्येक अध्ययन के अनुमान को उसके प्रलेखित मापदंडों (जैसे, सर्विस कॉन्टैक्ट्स, मल्टीप्लायर्स, रेश्यो) से पुनर्गठित करता है। प्रत्येक मापदंड को एक 'प्रायर डिस्ट्रीब्यूशन' (prior distribution) सौंपा जाता है, जिससे मॉडल के माध्यम से मूल पद्धति की अंतर्निहित अनिश्चितता का प्रसार (propagate) हो सके। देखे गए अध्ययन काउंट्स को इन यांत्रिक अनुमानों के शोर वाले लॉग-नॉर्मल रियलाइजेशन (noisy log-normal realizations) के रूप में मॉडल किया जाता है।
- स्तर 2 (पदानुक्रमित पूलिंग): अध्ययन-विशिष्ट अनुमानों को वर्तमान यूके जनसंख्या द्वारा स्केल किए गए अध्ययन-विशिष्ट अनुपात ( $\theta_i$ ) द्वारा सॉफ्ट-कन्स्ट्रेंड किया जाता है।
- स्तर 3 (जनसंख्या-स्तरीय मापदंड): अध्ययन-विशिष्ट अनुपात एक सामान्य बीटा वितरण (Beta distribution) से लिए जाते हैं, जो समग्र जनसंख्या अनुपात ( $p$ ) और अध्ययन-बीच की विषमता (between-study heterogeneity) पैरामीटर ( $\tau$ ) द्वारा नियंत्रित होते हैं।
गुणवत्ता वेटिंग सिस्टम (Quality Weighting System):
ऐतिहासिक अध्ययनों में स्टैंडर्ड एरर्स की कमी को दूर करने के लिए, लेखकों ने WHO के दिशानिर्देशों पर आधारित एक व्यवस्थित गुणवत्ता वेटिंग सिस्टम विकसित किया है। यह सिस्टम 0-100 के आधार पर भार (weights) आवंटित करता है:
- डेटा संग्रह विधि (67% भार): इसका मूल्यांकन जनसंख्या कवरेज (सेक्टर्स, जेंडर, आयु, भूगोल) और सामयिक प्रासंगिकता (temporal relevance) के आधार पर किया जाता है। कवरेज को नवीनता (recency) पर प्राथमिकता दी जाती है।
- विधि-विशिष्ट मानदंड (33% भार): इसका मूल्यांकन विशिष्ट विधि के निष्पादन (जैसे, मल्टीप्लायर विधियों में स्रोतों की स्वतंत्रता, एन्यूमरेशन में आउटरीच) के आधार पर किया जाता है।
  ये वेट्स लाइकलीहुड फंक्शन (likelihood function) के वेरिएंस को निर्धारित करते हैं; उच्च-गुणवत्ता वाले अध्ययनों को कम वेरिएंस (उच्च परिशुद्धता/precision) प्राप्त होता है, जबकि निम्न-गुणवत्ता वाले अध्ययनों को उच्च वेरिएंस प्राप्त होता है।
लाइकलीहुड और प्रायर (Likelihood and Priors):
- लाइकलीहुड: देखे गए अध्ययन काउंट्स की तुलना मॉडल-व्युत्पन्न अनुमानों से करने के लिए वेटेड लॉग-नॉर्मल डिस्ट्रीब्यूशन का उपयोग किया जाता है। यह विकल्प जनसंख्या के आकार की धनात्मकता (positivity) की बाधा का सम्मान करता है और अनुमान त्रुटियों की गुणात्मक प्रकृति को ध्यान में रखता है।
- प्रायर: समग्र जनसंख्या अनुपात ( $p$ ) एक Beta(12, 9988) प्रायर का उपयोग करता है, जो पिछले शोध के आधार पर अपने अनुमान को 0.12% के आसपास केंद्रित करता है लेकिन डेटा के प्रभाव की अनुमति भी देता है। विषमता पैरामीटर ( $\tau$ ) एक लॉग-नॉर्मल प्रायर का उपयोग करता है ताकि अध्ययन-बीच की भिन्नता की अनुमति मिल सके।

मुख्य परिणाम

जनसंख्या अनुमान: मॉडल यूनाइटेड किंगडम में कुल 84,000 सेक्स वर्कर्स का अनुमान लगाता है।
अनिश्चितता: 95% क्रेडिबल इंटरवल (credible interval) 49,000 से 130,000 है, जो वर्तमान यूके जनसंख्या (लगभग 6.93 करोड़) का 0.121% प्रतिनिधित्व करता है। मीडियन अनुमान 81,000 है, जो थोड़ा राइट-स्क्यूड (right-skewed) पोस्टीरियर डिस्ट्रीब्यूशन को दर्शाता है।
मॉडल समायोजन: संश्लेषण ने व्यक्तिगत अध्ययनों में सिद्धांतपूर्ण समायोजन किए। उदाहरण के लिए, Cusick et al. (2009) के अनुमान को प्रायर-निहित अनुमान के साथ संरेखित करने के लिए पर्याप्त रूप से ऊपर (+31%) समायोजित किया गया, जबकि Import IO (2017) और Pitcher (2015) को मामूली रूप से नीचे की ओर समायोजित किया गया। क्लिनिकल काउंट्स से प्राप्त GUMCAD डेटा ने स्केलिंग फैक्टर्स की संचयी अनिश्चितता के कारण सबसे विस्तृत क्रेडिबल इंटरवल दिखाया।
मजबूती (Robustness): सेंसिटिविटी विश्लेषण (leave-one-out और यूनिफॉर्म वेटिंग) ने पुष्टि की कि परिणाम मजबूत हैं। किसी भी एक अध्ययन को हटाने से अनुमान में 2.3% से कम का बदलाव आया, और वेटिंग स्कीम बदलने से केवल 0.2% का नगण्य अंतर आया। मॉडल ने ओवरफिटिंग के बिना देखे गए अनुमानों के पैटर्न को सफलतापूर्वक पुनरुत्पादित किया।

महत्व और दावे
पत्र तीन प्राथमिक योगदानों का दावा करता है:

संशोधित अनुमान: यह एक व्यापक, संश्लेषित अनुमान प्रदान करता है जो लगभग दो दशकों के अनुसंधान से सामूहिक जानकारी का लाभ उठाता है, जिससे किसी भी एकल अध्ययन की सीमाओं का प्रभाव कम हो जाता है।
अनिश्चितता का परिमाणीकरण: पूर्व पॉइंट अनुमानों के विपरीत, यह दृष्टिकोण अध्ययन-विशिष्ट मापदंडों और अध्ययन-बीच की विषमता से अनिश्चितता को कठोरता से प्रसारित करता है। यह नीति निर्माताओं को एक विश्वसनीय अंतराल प्रदान करता है जो मजबूत योजना और जोखिम मूल्यांकन के लिए आवश्यक है।
विस्तार योग्य ढांचा (Extensible Framework): पदानुक्रमित बेयसियन मॉडल एक प्रतिलिपि योग्य और विस्तार योग्य ढांचा प्रदान करता है। इसमें नई साक्ष्य (जैसे, निगरानी प्रणालियों या डिजिटल प्लेटफॉर्म से) को पूर्ण पुन: विश्लेषण की आवश्यकता के बिना शामिल किया जा सकता है, जिससे पद्धतिगत निरंतरता बनी रहती है।

सीमाएं और भविष्य की दिशाएं
लेखक कई सीमाओं को स्वीकार करते हैं:

डेटा बाधाएं: मूल अध्ययनों में स्टैंडर्ड एरर्स की कमी है, जिसके लिए एक व्यक्तिपरक गुणवत्ता वेटिंग सिस्टम की आवश्यकता होती है।
सामयिक स्थिरता (Temporal Stability): मॉडल 25 वर्षों के अंतराल वाले अध्ययनों में सामयिक स्थिरता मानता है, जो तकनीकी परिवर्तनों (जैसे, ऑनलाइन प्लेटफॉर्म) या कानूनी विकास के कारण होने वाले बदलावों को मिस कर सकता है।
पद्धतिगत विरासत: यह दृष्टिकोण अभी भी मल्टीप्लायर मेथड्स और एक्सट्रपलेशन (extrapolations) पर निर्भर है, जिससे मूल अध्ययनों की कवरेज सीमाएं विरासत में मिलती हैं।
लिव्ड एक्सपीरियंस (Lived Experience): इस अध्ययन में सेक्स वर्कर-नेतृत्व वाले संगठनों के साथ सह-उत्पादन (co-production) शामिल नहीं था।

पत्र निष्कर्ष निकालता है कि हालांकि यह अनुमान एक महत्वपूर्ण राष्ट्रीय आधार रेखा प्रदान करता है, भविष्य के कार्यों को सटीकता, समावेशिता और डेटा संग्रह की सुरक्षा में सुधार के लिए सह-निर्मित, समुदाय-नेतृत्व वाली पद्धतियों को प्राथमिकता देनी चाहिए। लेखक इस बात पर जोर देते हैं कि जनसंख्या आकार का अनुमान स्वास्थ्य असमानताओं को कम करने और लक्षित सहायता के लिए सूचना प्रदान करने के लिए होना चाहिए, जबकि डेटा को प्रवर्तन (enforcement) या निगरानी के लिए उपयोग करने से सख्ती से बचना चाहिए।