📄 health informatics

Predicting Depression and Anxiety Progression in Multiple Sclerosis from Longitudinal Clinical Data Using Machine Learning

यह अध्ययन प्रदर्शित करता है कि जबकि संरचित इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड डेटा का उपयोग करने वाले ग्रेडिएंट बूस्टिंग मॉडल मल्टीपल स्क्लेरोसिस के रोगियों में अवसाद और चिंता की प्रगति की भविष्यवाणी कर सकते हैं, उनकी सीमित भविष्य कहने वाली शक्ति (R² ≤ 0.28) बेसलाइन स्कोर द्वारा नियंत्रित होती है जो 'रिग्रेशन टू द मीन' (प्रतिगमन) को दर्शाती है, जो यह संकेत देता है कि सार्थक व्यक्तिगत-स्तरीय पूर्वानुमान के लिए संरचित नैदानिक चरों से परे समृद्ध डेटा स्रोतों की आवश्यकता है।

मूल लेखक: Specht, B., Garbaya, S., Schneider, R., Khadraoui, D., Chavarriaga, R., Tayeb, Z.

प्रकाशित 2026-06-25

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Specht, B., Garbaya, S., Schneider, R., Khadraoui, D., Chavarriaga, R., Tayeb, Z.

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 आप अगले साल के लिए किसी विशिष्ट शहर के मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। आपके पास पिछले मौसम के डेटा की एक विशाल लॉगबुक है, लेकिन आपके पास केवल शहर द्वारा दर्ज किए गए आधिकारिक, संरचित नंबर (तापमान, वर्षा, हवा की गति) ही उपलब्ध हैं। आपके पास स्थानीय लोगों की डायरी प्रविष्टियाँ नहीं हैं, जैसे कि आर्द्रता (humidity) के बारेंे में उनकी भावनाएँ, या उनके पिछवाड़े में होने वाले अचानक, अप्रत्याशित तूफान।

यह शोध पत्र अनिवार्य रूप से मल्टीपल स्केलेरोसिस (MS) वाले लोगों के मानसिक स्वास्थ्य के लिए एक "मौसम पूर्वानुमान" बनाने की कोशिश कर रहे शोधकर्ताओं की एक टीम है। वे यह देखना चाहते थे कि क्या वे केवल चिकित्सा रिकॉर्ड में पाए जाने वाले मानक नंबरों का उपयोग करके यह अनुमान लगा सकते हैं कि अगले वर्ष किसी रोगी के अवसाद (depression) या चिंता (anxiety) में कैसे बदलाव आएगा।

यहाँ उनकी यात्रा का विवरण दिया गया, जिसमें सरल उपमाओं (analogies) का उपयोग किया गया है:

लक्ष्य: "मूड शिफ्ट" (मनोदशा में बदलाव) की भविष्यवाणी करना

शोधकर्ताओं ने MS के दो सामान्य "मौसम पैटर्न" पर ध्यान केंद्रित किया: अवसाद (PHQ-9 नामक एक क्विज़ द्वारा मापा गया) और चिंता (GAD-7 नामक एक क्विज़ द्वारा मापा गया)।

केवल यह पूछने के बजाय कि, "क्या यह व्यक्ति अगले साल उदास होगा?" उन्होंने एक कठिन प्रश्न पूछा: "उनकी उदासी या चिंता में कितना बदलाव आएगा?"

यदि स्कोर बढ़ता है, तो मनोदशा खराब हो गई।
यदि स्कोर कम होता है, तो मनोदशा बेहतर हो गई।

उन्होंने इस प्रश्न का उत्तर देने के लिए 2,000 से अधिक रोगियों के डेटा का उपयोग करके एक "कंप्यूटर मस्तिष्क" (मशीन लर्निंग मॉडल) बनाया।

परिणाम: एक मामूली पूर्वानुमान

कंप्यूटर मस्तिष्क ने अपना सर्वश्रेष्ठ प्रयास किया, लेकिन पूर्वानुमान एकदम सटीक नहीं था।

स्कोर: मॉडल मनोदशा में होने वाले परिवर्तनों के लगभग 22% से 28% हिस्से की व्याख्या कर सका।
उपमा: कल्पना कीजिए कि आप एक सिक्के के उछाल (coin toss) के परिणाम का अनुमान लगाने की कोशिश कर रहे हैं। यदि आप केवल "हेड्स" का अनुमान लगाते हैं, तो आप 50% बार सही होते हैं। यह मॉडल एक रैंडम अनुमान से बेहतर है, लेकिन यह अभी भी तस्वीर के एक बड़े हिस्से को समझने में चूक रहा है। शेष 70%+ कारण कि रोगी की मनोदशा क्यों बदली, वे चीजें थीं जिन्हें चिकित्सा रिकॉर्ड में दर्ज नहीं किया गया था (जैसे कि एक बुरा ब्रेकअप, नई नौकरी, या एक सहायक मित्र)।

डेटा में "ट्रिक": रबर बैंड प्रभाव (The Rubber Band Effect)

सबसे महत्वपूर्ण बात जो शोधकर्ताओं ने पाई वह यह थी कि भविष्य का सबसे बड़ा संकेत केवल यह था कि रोगी अभी कैसा महसूस कर रहा था।

निष्कर्ष: जिन रोगियों का शुरुआती स्कोर बहुत अधिक था (बहुत अधिक अवसादग्रस्त/चिंतित), उनमें सुधार की प्रवृत्ति देखी गई। जिन रोगियों का शुरुआती स्कोर बहुत कम था (बहुत खुश), उनकी स्थिति बिगड़ने की प्रवृत्ति देखी गई।
रूपक (Metaphor): एक रबर बैंड के बारे में सोचें। यदि आप एक रबर बैंड को उसकी अंतिम सीमा तक खींचते हैं (एक उच्च स्कोर), तो वह स्वाभाविक रूप से बीच की ओर वापस आना चाहता है। यदि आप इसे पूरी तरह से ढीला छोड़ देते हैं (एक कम स्कोर), तो यह नीचे की ओर झुक सकता है या खिंच सकता है।
वास्तविकता: यह अनिवार्य रूप से कोई जादुई चिकित्सा खोज नहीं है; यह एक सांख्यिकीय नियम है जिसे "रिग्रेशन टू द मीन" (Regression to the Mean) कहा जाता है। चरम संख्याएँ आमतौर पर समय के साथ औसत की ओर वापस आती हैं। कंप्यूटर ने इस पैटर्न को सीखा, लेकिन शोधकर्ताओं ने महसूस किया कि यह मुख्य रूप से एक गणितीय ट्रिक थी न कि कोई गहरी चिकित्सा अंतर्दृष्टि।

वास्तविक सुराग: आयु और लक्षण

एक बार जब शोधकर्ताओं ने "रबर बैंड" प्रभाव को हटा दिया, तो उन्हें डेटा में छिपे हुए कुछ वास्तविक सुराग मिले:

आयु एक निरंतर सुराग है:
- पैटर्न: वृद्ध रोगियों की तुलना में युवा रोगियों में सुधार कम (या गिरावट अधिक) देखा गया, चाहे उनकी शुरुआत कैसी भी रही हो।
- रूपक: एक मैराथन की कल्पना करें। पुराने धावक दौड़ के दर्द से निपटने का अनुभव रखते हैं और वर्षों के अनुभव से एक "मानसिक कवच" बना चुके होते हैं। युवा धावक, जो अभी भी अपने करियर और परिवार बनाने की कोशिश कर रहे हैं, MS के अचानक आने वाले व्यवधान को एक अधिक कष्टदायक और विघटनकारी घटना के रूप में पा सकते हैं, जिससे उनके मानसिक स्वास्थ्य के वापस संभलना कठिन हो जाता है।
अवसाद बनाम चिंता के अलग-अलग "फिंगरप्रिंट" हैं:
- अवसाद (PHQ-9): कंप्यूटर ने अवसाद क्विज़ के विशिष्ट हिस्सों पर ध्यान दिया। इसने इस बात पर ध्यान दिया कि क्या रोगी को सोने में कठिनाई थी, थकान महसूस होती थी, या बेकार महसूस होता था। यह एक सूप के विशिष्ट अवयवों (ingredients) को देखने जैसा था ताकि यह अनुमान लगाया जा सके कि उसका स्वाद कैसे बदलेगा।
- चिंता (GAD-7): कंप्यूटर ने चिंता क्विज़ के बाहरी चीजों को देखा। इसने दर्द और रोगी को बीमारी कितने समय से है पर ध्यान दिया। ऐसा लगता है कि चिंता के लिए, MS का शारीरिक बोझ (दर्द और दीर्घकालिक संघर्ष) चिंता के विशिष्ट लक्षणों की तुलना में एक बड़ा भविष्यवक्ता है।

निष्कर्ष (The Bottom Line)

शोधकर्ताओं ने निष्कर्ष निकाला कि हालांकि हम मानक चिकित्सा रिकॉर्ड का उपयोग करके इस बात का एक रफ आइडिया प्राप्त कर सकते हैं कि किसी व्यक्ति के मानसिक स्वास्थ्य में कैसे बदलाव आ सकता है, लेकिन ये रिकॉर्ड एक रंगीन पेंटिंग के ब्लैक-एंड-व्हाइट स्केच की तरह हैं।

किसी व्यक्ति के मानसिक स्वास्थ्य में बदलाव क्यों आता है, इसकी "असली" कहानी उन चीजों से जुड़ी है जो अस्पताल का कंप्यूटर नहीं लिखता:

सामाजिक समर्थन (मित्र और परिवार)।
जीवन के तनाव (पैसा, काम, रिश्ते)।
डॉक्टर से मिलने के बीच में रोगी वास्तव में कैसा महसूस करता है।

एक सच्चा "हाई-डेफिनिशन" पूर्वानुमान प्राप्त करने के लिए, हमें मानक मेडिकल फॉर्म से परे देखना होगा और इसमें रोगी की डायरी, फोन पर दैनिक मूड ट्रैकिंग और डॉक्टरों के निजी नोट्स शामिल करने होंगे। तब तक, वर्तमान डेटा के साथ हम जो कर सकते हैं वह एक मामूली अनुमान है, जो काफी हद तक इस बात से प्रभावित है कि रोगी कहाँ से शुरू हुआ था और उसकी आयु क्या है।

तकनीकी सारांश: मल्टीपल स्क्लेरोसिस में अनुदैर्ध्य नैदानिक डेटा का उपयोग करके अवसाद और चिंता की प्रगति की भविष्यवाणी करना

समस्या विवरण
मल्टीपल स्क्लेरोसिस (MS) के रोगियों में अवसाद और चिंता अत्यधिक प्रचलित हैं, जो क्रमशः आबादी के लगभग 30.5% और 22% को प्रभावित करते हैं, फिर भी नैदानिक डेटा से मानसिक स्वास्थ्य प्रक्षेपवक्र (trajectories) की भविष्यवाणी करने के उपकरण सीमित हैं। जबकि मशीन लर्निंग ने क्रॉस-सेक्शनल स्क्रीनिंग (AUCs 0.67–0.73) में मिश्रित सफलता दिखाई है, भविष्य की लक्षण गंभीरता या उपचार प्रतिक्रिया की भविष्यवाणी करना अधिक चुनौतीपूर्ण है। मौजूदा साहित्य का एक सुसंगत निष्कर्ष यह है कि आधारभूत (baseline) लक्षण की गंभीरता भविष्यवाणियों पर हावी रहती है, जो अक्सर क्रियाशील नैदानिक चालकों के बजाय 'रिग्रेशन टू द मीन' (regression to the mean) जैसे सांख्यिकीय आर्टिफैक्ट्स को दर्शाती है। यह अध्ययन इस बात की जांच करता है कि संरचित इलेक्ट्रॉनिक हेल्थ रिकॉर्ड (EHR) डेटा अवसाद (PHQ-9) और चिंता (GAD-7) की प्रगति के संबंध में क्या भविष्यवाणी कर सकता है, और ऐसी भविष्यवाणियों की सीमाओं की पहचान करता है।

कार्यप्रणाली
लेखकों ने एक शैक्षणिक चिकित्सा केंद्र के 18,252 MS रोगियों के डेटा का उपयोग करके एक रेट्रोस्पेक्टिव कोहोर्ट अध्ययन किया।

कोहोर्ट चयन: अध्ययन में 2,163 रोगियों के साथ 7,327 वैध PHQ-9 मूल्यांकन युग्मों और 1,465 रोगियों के साथ 3,319 वैध GAD-7 युग्मों का उपयोग किया गया। शामिल होने के लिए पुष्ट MS निदान और कम से कम एक बेसलाइन-फॉलो-अप युग्म होना आवश्यक था, जिसमें 0.5–1.5 वर्ष का अंतराल हो।
अस्थायी डिजाइन (Temporal Design): बेसलाइन ( $t_0$ ) विशेषताओं को $\pm30$ दिन की विंडो से निकाला गया था, जबकि अंतराल विशेषताओं को $t_0$ और फॉलो-अप ( $t_1$ ) के बीच एकत्र किया गया था। परिणाम को स्कोर परिवर्तन ( $\Delta = \text{score}_{t1} - \text{score}_{t0}$ ) के रूप में परिभाषित किया गया था, जहाँ सकारात्मक मान बिगड़ते लक्षणों को और नकारात्मक मान सुधार को दर्शाते हैं।
फीचर इंजीनियरिंग: हजारों संरचित EHR उम्मीदवारों (डेमोग्राफिक्स, लैब्स, दवाएं, उपयोगिता, वाइटल्स) से, विशेषताओं को मिसिंगनेस (>50% हटा दिया गया) और सहसंबंध (पियर्सन $r > 0.9$ ) के लिए फ़िल्टर किया गया। अंतिम मॉडलों में लगभग 17-19 नैदानिक विशेषताओं और बेसलाइन स्कोर का उपयोग किया गया।
मॉडल आर्किटेक्चर: स्कोर परिवर्तन की भविष्यवाणी करने के लिए ग्रेडिएंट बूस्टिंग मॉडल (CatBoost) का उपयोग किया गया। डेटा को रोगी स्तर पर 80/20 के अनुपात में विभाजित किया गया ताकि लीकेज (leakage) को रोका जा सके। हाइपरपैरामीटर्स को रूट मीन स्क्वेर्ड एरर (RMSE) को कम करने के लिए ऑप्टुना (Optuna) के माध्यम से ट्यून किया गया।
व्याख्यात्मकता (Interpretability): फीचर महत्व को मापने और मॉडल व्यवहार की व्याख्या करने के लिए SHAP (SHapley Additive exPlanations) मानों का उपयोग किया गया। गोपनीयता की सुरक्षा के लिए, विज़ुअलाइज़ेशन के लिए SHAP मानों को 10 रोगियों के बिन (bins) में एकत्रित किया गया।

प्रमुख योगदान

मॉडल विकास: MS के एक बड़े कोहोर्ट में केवल स्थिर भविष्य के स्कोर के बजाय अवसाद और चिंता के 'स्कोर परिवर्तन' (प्रक्षेपवक्र) की भविष्यवाणी करने के लिए ग्रेडिएंट बूस्टिंग मॉडल का विकास और सत्यापन।
रिग्रेशन टू द मीन का परिमाणीकरण: बेसलाइन गंभीरता के प्रभुत्व के लक्षण वर्णन, जो यह दर्शाता है कि हालांकि यह भविष्यवाणी को संचालित करता है, लेकिन इसका एक महत्वपूर्ण हिस्सा 'रिग्रेशन टू द मीन' (उच्च स्कोर में सुधार होता है; निम्न स्कोर में गिरावट आती है) को दर्शाता है।
विशिष्ट प्रेडिक्टिव प्रोफाइल की पहचान: अवसाद और चिंता मॉडलों के बीच भिन्न फीचर महत्व की पहचान, जो यह प्रकट करता है कि अवसाद के प्रक्षेपवक्र लक्षण उप-स्केल्स (subscales) पर निर्भर करते हैं, जबकि चिंता के प्रक्षेपवत्र शारीरिक रोग कारकों को शामिल करते हैं।

परिणाम

भविधिक प्रदर्शन: मॉडलों ने मध्यम प्रदर्शन प्राप्त किया, जिसने PHQ-9 स्कोर परिवर्तन में 22% विचरण ( $R^2=0.22$ ) और GAD-7 स्कोर परिवर्तन में 28% विचरण ( $R^2=0.28$ ) की व्याख्या की। शेष विचरण उन कारकों के कारण है जो संरचित EHR में कैप्चर नहीं किए गए हैं (जैसे जीवन की घटनाएँ, सामाजिक समर्थन)।
बेसलाइन स्कोर का प्रभुत्व: बेसलाइन स्कोर सबसे महत्वपूर्ण विशेषता थी (PHQ-9 के लिए औसत $|SHAP|$ 0.97 और GAD-7 के लिए 2.16)। हालांकि, SHAP डिकंपोजिशन ने खुलासा किया कि बेसलाइन स्कोर ने PHQ-9 मॉडल में कुल प्रेडिक्टिव एट्रिब्यूशन का केवल 31% और GAD-7 मॉडल में 59% हिस्सा लिया।
द्वितीयक प्रेडिक्टर के रूप में आयु: आयु दोनों मॉडलों में एक सुसंगत द्वितीयक प्रेडिक्टर के रूप में उभरी। युवा रोगियों में सकारात्मक SHAP मान देखे गए, जो बेसलाइन गंभीरता से स्वतंत्र रूप से कम सुधार या अधिक बिगड़ने का संकेत देते हैं।
फीचर विशिष्टता:
- PHQ-9: यह कुल स्कोर के अलावा लक्षण उप-स्केल्स, विशेष रूप से आत्म-मूल्य (self-worth), ऊर्जा, मोटर लक्षण और नींद पर भारी रूप से निर्भर था।
- GAD-7: इसमें दर्द स्कोर, रोग की अवधि, हृदय गति और PHQ मूड आइटम्स जैसे नैदानिक कारक शामिल थे, जो शारीरिक बोझ और चिंता के प्रक्षेपवक्र के बीच संबंध का सुझाव देते हैं।

महत्व और दावे
यह शोध दावा करता है कि केवल संरचित नैदानिक डेटा अकेले MS में मानसिक स्वास्थ्य प्रक्षेपवक्र के पीछे के चालकों के एक अंश को ही कैप्चर कर पाता है। जबकि बेसलाइन गंभीरता सबसे मजबूत सांख्यिकीय प्रेडिक्टर है, यह काफी हद तक 'रिग्रेशन टू द मीन' को दर्शाती है न कि किसी परिवर्तनीय नैदानिक तंत्र को। अध्ययन निष्कर्ष निकालता है कि सार्थक व्यक्तिगत-स्तर की भविष्यवाणी के लिए संरचित EHR से परे समृद्ध डेटा स्रोतों की आवश्यकता है, विशेष रूप से:

नैदानिक नोट्स (NLP के माध्यम से) ताकि रोगी की चिंताओं और सामाजिक परिस्थितियों को कैप्चर किया जा सके।
नैदानिक मुलाकातों के बाहर एकत्र किए गए रोगी-रिपोर्ट किए गए परिणाम (जैसे डिजिटल फेनोटाइपिंग, इकोलॉजिकल मोमेंटरी असेसमेंट)।
क्लिनिकल विज़िट के बीच मूड और गतिविधि को ट्रैक करने के लिए पैसिव सेंसिंग डेटा (स्मार्टफोन, फिटनेस ट्रैकर) का एकीकरण।

लेखक इस बात पर जोर देते हैं कि जबकि मॉडल जोखिम कारकों (जैसे कम उम्र) की पहचान करते हैं, प्रमुख प्रेडिक्टर परिवर्तनीय (modifiable) नहीं हैं। इसलिए, नैदानिक मूल्य नए हस्तक्षेप लक्ष्यों की खोज करने के बजाय उन रोगियों की पहचान करने में निहित है जिन्हें हस्तक्षेप की आवश्यकता है। यह अध्ययन MS में मानसिक स्वास्थ्य भविष्यवाणी के लिए वर्तमान सीमाओं के बेंचमार्क के रूप में कार्य करता है।

लक्ष्य: "मूड शिफ्ट" (मनोदशा में बदलाव) की भविष्यवाणी करना

परिणाम: एक मामूली पूर्वानुमान

डेटा में "ट्रिक": रबर बैंड प्रभाव (The Rubber Band Effect)

वास्तविक सुराग: आयु और लक्षण

निष्कर्ष (The Bottom Line)

इसी तरह के और पेपर