🩺 endocrinology

Predicting county-level diagnosed diabetes prevalence in the United States using explainable gradient boosting and geographic interpretation

यह अध्ययन विविध सार्वजनिक डेटा स्रोतों के साथ एकीकृत एक व्याख्यात्मक लाइटजीबीएम (LightGBM) ढांचे का उपयोग करता है ताकि संयुक्त राज्य अमेरिका में काउंटी-स्तरीय निदान किए गए मधुमेह के प्रसार का सटीक रूप से पूर्वानुमान लगाया जा सके और भौगोलिक रूप से व्याख्या की जा सके, जिसमें गरीबी और खाद्य असुरक्षा को प्रमुख संरचनात्मक चालकों के रूप में पहचाना गया है, जबकि इस बात पर जोर दिया गया है कि प्राप्त अंतर्दृष्टि मॉडल-आधारित स्पष्टीकरण के रूप में कार्य करती है न कि कारण प्रभावों के रूप में।

मूल लेखक: Yahaya, Y., Khan, S., Rani Saha, P., Meia, M. A. A.

प्रकाशित 2026-06-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yahaya, Y., Khan, S., Rani Saha, P., Meia, M. A. A.

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

एक बड़ी तस्वीर: "डायबिटीज के परिदृश्य" का मानचित्रण

कल्पना कीजिए कि संयुक्त राज्य अमेरिका 3,000 अलग-अलग काउंटियों से बना एक विशाल पैचवर्क क्विल्ट (रजाई का डिज़ाइन) है। कुछ पैच चमकीले और स्वस्थ हैं, जबकि अन्य गहरे और संघर्षरत हैं। यह अध्ययन यह पता लगाना चाहता था कि क्यों कुछ पैच (काउंटियों) में अन्य की तुलना में डायग्नोस्ड डायबिटीज की दर बहुत अधिक है।

व्यक्तिगत लोगों को देखने के बजाय (जैसे किसी व्यक्ति के ब्लड शुगर की जांच करना), शोधकर्ताओं ने प्रत्येक काउंटी के पूरे पड़ोस को देखा। उन्होंने पूछा: "यदि हम पूरे शहर को देखें, तो ऐसी क्या चीज़ है जिससे वहां लोगों के डायबिटीज होने की संभावना बढ़ जाती है?"

टूल: एक सुपर-इंटेलिजेंट मौसम पूर्वानुमानकर्ता

इस पहेली को सुलझाने के लिए, शोधकर्ताओं ने एक कंप्यूटर मॉडल बनाया। इस मॉडल को एक सुपर-एडवांस्ड वेदर फोरकास्टर (मौसम पूर्वानुमानकर्ता) के रूप में सोचें।

लक्ष्य: जिस तरह एक मौसम पूर्वानुमानकर्ता बारिश की भविष्यवाणी करने के लिए तापमान, हवा और नमी का उपयोग करता है, उसी तरह इस मॉडल ने गरीबी, भोजन, नौकरियों और जनसांख्यिकी के डेटा का उपयोग करके एक काउंटी में डायबिटीज की दर को "अनुमानित" करने के लिए किया।
प्रतियोगिता: उन्होंने केवल एक पूर्वानुमानकर्ता का उपयोग नहीं किया। उन्होंने चार अलग-अलग प्रकार के कंप्यूटर एल्गोरिदम (Elastic Net, Random Forest, XGBoost, और LightGBM) के बीच एक प्रतियोगिता आयोजित की।
विजेता: LightGBM पहले दौर में जीता क्योंकि यह एक "अभ्यास परीक्षण" (validation set) पर दरों का अनुमान लगाने में सबसे सटीक था। हालांकि, XB00ST वास्तव में अंतिम "वास्तविक परीक्षा" (held-out test set) पर थोड़ा बेहतर प्रदर्शन कर गया। शोधकर्ताओं ने LightGBM को मुख्य स्टार के रूप में रखा क्योंकि उन्होंने नियम ऐसे ही बनाए थे, लेकिन उन्होंने परिणामों को पुख्ता करने के लिए XGBoost को बैकअप के रूप में रखा।

सामग्रियां: भविष्यवाणी में क्या जाता है?

अपने पूर्वानुमान को बनाने के लिए, मॉडल ने सार्वजनिक डेटा के एक विशाल बुफे का सेवन किया। उन्होंने इसे आपस में मिलाया:

खाद्य वातावरण (Food Environment): कितने फास्ट-फूड रेस्टोरेंट बनाम ग्रोसरी स्टोर हैं? कितने लोग "फूड डेजर्ट" (ताजे भोजन से दूर वाले क्षेत्र) में रहते हैं?
पैसा और नौकरियां: गरीबी दर क्या है? कितने लोग बेरोजगार हैं? एक औसत परिवार कितना पैसा कमाता है?
जनसांख्यिकी (Demographics): जनसंख्या कितनी पुरानी है? नस्लीय संरचना क्या है?
स्वास्थ्य संबंधी आदतें: कितने लोग धूम्रपान करते हैं, मोटापे का शिकार हैं, या व्यायाम नहीं करते हैं?

आश्चर्य: शोधकर्ताओं ने पाया कि भले ही आप विशिष्ट स्वास्थ्य आदतों (जैसे धूम्रपान या मोटापा) को हटा दें और केवल "संरचनात्मक" चीजों (गरीबी, भोजन की उपलब्धता, नौकरियां) को देखें, फिर भी मॉडल अभी भी डायबिटीज की दरों का काफी अच्छी तरह से अनुमान लगा सकता है। यह कहने जैसा है कि, "आपको केक की सटीक रेसिपी जानने की ज़रूरत नहीं है यह जानने के लिए कि किचन गंदा है; गंदगी खुद बहुत कुछ बताती है।"

"क्यों": SHAP मैप्स का जादू

AI का उपयोग करने का सबसे कठिन हिस्सा यह है कि यह अक्सर एक "ब्लैक बॉक्स" होता है—आपको उत्तर तो मिलता है, लेकिन आप नहीं जानते कि क्यों। इसे ठीक करने के लिए, शोधकर्ताओं ने SHAP नामक एक टूल का उपयोग किया (जो सुनने में "शैप" जैसा लगता है लेकिन एक जटिल गणितीय अवधारणा का प्रतिनिधित्व करता है)।

SHAP को एक जासूस के आवर्धक लेंस (magnifying glass) के रूप में सोचें। यह प्रत्येक काउंटी के अंतिम अनुमान को तोड़ता है और कहता है: "यहाँ बताया गया है कि गरीबी ने डायबिटीज की दर में कितना योगदान दिया, और यहाँ बताया गया है कि खाद्य असुरक्षा ने इसमें कितना योगदान दिया।"

उन्होंने एक नक्शा बनाया जहाँ प्रत्येक काउंटी अपने "मुख्य अपराधी" द्वारा रंगी गई है।

दक्षिण के कई काउंटियों में, गरीबी सबसे बड़ा चालक (driver) थी।
अन्य जगहों पर, खाद्य असुरक्षा (भोजन के लिए पर्याप्त पैसा न होना) मुख्य चालक था।
कुछ स्थानों पर, बेरोजगारी या SNAP भागीदारी (फूड स्टैम्प) प्रमुख कारक था।

नक्शा हमें क्या बताता है (और क्या नहीं)

शोधकर्ताओं ने एक बहुत ही महत्वपूर्ण रेखा खींची है: यह नक्शा पैटर्न दिखाता है, कारण नहीं।

उपमा (Analogy): कल्पना कीजिए कि आप एक नक्शा देखते हैं जहाँ हर बार जब बारिश होती है, लोग छाते लेकर चलते हैं। नक्शा छाते और बारिश के बीच एक मजबूत संबंध दिखाता है। लेकिन नक्शा यह साबित नहीं करता कि छाता ले जाना बारिश का कारण बनता है।
पेपर की चेतावनी: शोधकर्ता इस बात पर जोर देते हैं कि उनका नक्शा हमें बताता है कि किसी विशिष्ट शहर में उच्च डायबिटीज दरों के साथ क्या जुड़ा हुआ है, लेकिन यह यह सिद्ध नहीं करता कि गरीबी को ठीक करने से स्वचालित रूप से डायबिटीज ठीक हो जाएगी। यह हाइपोथीसिस जनरेशन (परिकल्पना निर्माण) के लिए एक उपकरण है—यह सार्वजनिक स्वास्थ्य अधिकारियों को बताता है, "हे, इस काउंटी को देखें; इसकी गरीबी या खाद्य पहुंच के बारे में कुछ ऐसा है जो उच्च डायबिटीज दरों से मजबूती से जुड़ा है। आगे की जांच करें।"

संक्षेप में परिणाम

सटीकता: मॉडल अमेरिका भर में डायबिटीज की दरों की भविष्यवाणी करने में अविश्वसनीय रूप से अच्छा था (सांख्यिकीय फिट के मामले में लगभग 96% सटीक)।
भूगोल मायने रखता है: मॉडल ने यादृच्छिक (random) काउंटियों का परीक्षण करते समय बहुत अच्छा काम किया, लेकिन एक पूरे क्षेत्र (जैसे उत्तर पूर्व) की भविष्यवाणी करने में उसे थोड़ा संघर्ष करना पड़ा जिसे उसने पहले नहीं देखा था। यह सुझाव देता है कि प्रत्येक क्षेत्र का अपना अनूठा "फ्लेवर" या जोखिम कारक होता है।
मुख्य चालक: राष्ट्रीय स्तर पर, गरीबी उच्च डायबिटीज दरों के लिए सबसे बार-बार आने वाला "मुख्य अपराधी" था, जिसके ठीक बाद खाद्य असुरक्षा का स्थान था।
स्थानिक क्लस्टरिंग (Spatial Clustering): डायबिटीज की दरें यादृच्छिक नहीं हैं; वे एक साथ समूह बनाती हैं। उच्च दरएं उच्च दरों वाले क्षेत्रों (मुख्यतः दक्षिण में) से घिरी होती हैं, और कम दरएं मिलकर समूहों में होती हैं (मुख्यतः मिडवेस्ट और पश्चिम में)।

मुख्य निष्कर्ष

यह अध्ययन डायबिटीज के जोखिम का एक हाई-डेफिनिशन हीट मैप बनाने जैसा है। यह शक्तिशाली गणित का उपयोग करके हमें दिखाता है कि आप कहाँ रहते हैं, आप कितना पैसा कमाते हैं, और आपके पड़ोस में कौन सा भोजन उपलब्ध है, ये सभी कारक डायबिटीज की दरों में बड़े कारक हैं।

हालाँकि, लेखक बहुत सावधानी से कहते हैं: यह एक शुरुआत है, समाधान नहीं। नक्शा हमें सही सवाल पूछने और गहराई से देखने के लिए सही जगह खोजने में मदद करता है, लेकिन यह हमें यह नहीं बताता कि समस्या को ठीक करने के लिए वास्तव में क्या करना चाहिए या कौन सा विशिष्ट कार्य सबसे अच्छा काम करेगा। यह परिदृश्य को समझने के लिए एक उपकरण है, इसे बदलने के लिए जादुई छड़ी नहीं।

तकनीकी सारांश: व्याख्यात्मक ग्रेडिएंट बूस्टिंग और भौगोलिक व्याख्या का उपयोग करके संयुक्त राज्य अमेरिका में काउंटी-स्तरीय निदान मधुमेह प्रसार (Diabetes Prevalence) का पूर्वानुमान लगाना

समस्या विवरण
निदान मधुमेह (diagnosed diabetes) लगभग 38.4 मिलियन अमेरिकियों को प्रभावित करता है, जिसका बोझ अमेरिकी काउंटियों में भौगोलिक रूप से असमान है। जबकि मौजूदा मशीन लर्निंग अध्ययन बायोमेट्रिक और नैदानिक चरों का उपयोग करके व्यक्तिगत स्तर के मधुमेह जोखिम का सफलतापूर्वक पूर्वानुमान लगाने में सफल रहे हैं, वे यह समझाने के लिए कम उपयुक्त हैं कि काउंटी स्तर पर प्रसार भौगोलिक रूप से क्यों भिन्न होता है। इसके अलावा, पारंपरिक स्थानिक प्रतिगमन (spatial regression) मॉडल गैर-रेखीय संबंधों (nonlinear relationships) को पकड़ने में संघर्ष करते हैं, जबकि साथ ही स्थानीय रूप से व्याख्या योग्य आउटपुट भी प्रदान करने की आवश्यकता होती है। एक ऐसे ढांचे की आवश्यकता है जो सार्वजनिक काउंटी-स्तरीय डेटा का उपयोग करके मधुमेह प्रसार की भविष्यवाणी कर सके और संरचनात्मक एवं प्रासंगिक स्थितियों के बारे में व्याख्या योग्य, भौगोलिक रूप से विशिष्ट अंतर्दृष्टि प्रदान कर सके जो इन असमानताओं को संचालित करती हैं।

कार्यप्रणाली
इस अध्ययन में एक पारिस्थितिक क्रॉस-सेक्शनल डिज़ाइन (ecological cross-sectional design) का उपयोग किया गया जिसमें 2,957 अमेरिकी काउंटियों का विश्लेषण किया गया। विश्लेषण की इकाई 'काउंटी' थी, जिसे राज्यों के भीतर मौजूद खाद्य पहुंच, सामाजिक-आर्थिक नुकसान और स्थानीय स्वास्थ्य व्यवहारों के अंतर को पकड़ने के लिए चुना गया था।

डेटा स्रोत: विश्लेषण ने पांच सार्वजनिक स्रोतों से डेटा को एकीकृत किया जिन्हें फेडरल इंफॉर्मेशन प्रोसेसिंग स्टैंडर्ड्स (FIPS) कोड के माध्यम से जोड़ा गया था:
- परिणाम (Outcome): 2023 आयु-समायोजित निदान मधुमेह प्रसार (CDC PLACES, जो BRFSS पर आधारित है)।
- पूर्वानुमानक (Predictors): खाद्य पहुंच और वातावरण (USDA फूड एक्सेस रिसर्च एटलस, USDA फूड एनवायरनमेंट एटलस), सामाजिक-आर्थिक और जनसांख्यिकीय संकेतक (U.S. Census ACS 5-वर्षीय अनुमान), और ग्रामीणता (USDA रूरल-अर्बन कॉन्टिनम कोड्स)।
- सहचर (Covariates): स्वास्थ्य व्यवहार और नैदानिक स्थितियां (मोटापा, शारीरिक निष्क्रियता, उच्च रक्तचाप, धूम्रपान) भी CDC PLACES से शामिल की गई थीं।
फीचर इंजीनियरिंग: एक 'फूड डेजर्ट इंडेक्स' (FDI) की गणना की गई, जो जनसंख्या-भारित सूत्र का उपयोग करके ट्रैक्ट-स्तरीय डेटा को काउंटी स्तर पर एकत्रित करता है। एक 'फूड एनवायरनमेंट कंपोजिट इंडेक्स' (FECI) का निर्माण PCA (प्रिंसिपल कंपोनेंट एनालिसिस) के माध्यम से किया गया, जिसमें फास्ट-फूड घनत्व, किराना स्टोर घनत्व और SNAP भागीदारी को संयोजित किया गया। लुप्त डेटा (missing data) को इटरेटिव मल्टीवेरिएट इम्प्यूटेशन के माध्यम से संभाला गया।
मॉडलिंग दृष्टिकोण: चार प्रतिगमन मॉडल प्रशिक्षित और तुलना किए गए: इलास्टिक नेट (Elastic Net), रैंडम फॉरेस्ट (Random Forest), XGBoost, और LightGBM।
- चयन: मॉडलों को क्रॉस-वैलिडेटेड ग्रिड सर्च के माध्यम से ट्यून किया गया। प्राथमिक मॉडल का चयन विशेष रूप से वैलिडेशन सेट (डेटा का 15%) पर रूट मीन स्क्वेर्ड एरर (RMSE) के आधार पर किया गया।
- सत्यापन (Validation): अंतिम मूल्यांकन के लिए एक होल्ड-आउट टेस्ट सेट (15%) का उपयोग किया गया। भौगोलिक सामान्यीकरण का आकलन करने के लिए रीजन-होल्ड-आउट वैलिडेशन भी किया गया।
- व्याख्यात्मकता (Interpretability): चयनित मॉडल की व्याख्या SHAP (SHapley Additive exPlanations) के साथ 'ट्रीएक्सप्लेनर' (TreeExplainer) एल्गोरिदम का उपयोग करके की गई। वैश्विक फीचर महत्व (global feature importance) को रैंक करने और प्रत्येक काउंटी के लिए "प्रमुख सकारात्मक संरचनात्मक योगदानकर्ता" (dominant positive structural contributor) की पहचान करने के लिए SHAP मानों का उपयोग किया गया।
संवेदनशीलता और डायग्नोस्टिक्स: नौ संवेदनशीलता विश्लेषणों ने वैकल्पिक प्रेडिक्टर सेट (जैसे, स्वास्थ्य व्यवहारों को बाहर करना, FECI को हटाना, कोलीनैरिटी को कम करना) के विरुद्ध मजबूती का परीक्षण किया। ग्लोबल मोरन का $I$ (Global Moran's I) का उपयोग करके देखे गए परिणामों और मॉडल अवशेषों (residuals) पर स्थानिक ऑटोकोरिलेशन का आकलन किया गया।

मुख्य परिणाम

मॉडल प्रदर्शन: सबसे कम वैलिडेशन-सेट RMSE (0.442) के आधार पर LightGBM को प्राथमिक मॉडल के रूप में चुना गया। होल्ड-आउट टेस्ट सेट पर, इसने 0.423 प्रतिशत अंक का RMSE, 0.964 का $R^2$ , और 2.76% का MAPE प्राप्त किया। XGBoost ने टेस्ट सेट पर थोड़ा बेहतर प्रदर्शन किया ( $R^2$ = 0.968, RMSE = 0.399) लेकिन इसे केवल एक माध्यमिक बेंचमार्क के रूप में रखा गया।
फीचर महत्व: वैश्विक SHAP विश्लेषण ने समग्र रूप से सबसे प्रभावशाली प्रेडिक्टर के रूप में शारीरिक निष्क्रियता की पहचान की। संरचनात्मक और प्रासंगिक प्रेडिक्टर्स के बीच, गरीबी दर, खाद्य असुरक्षा दर, SNAP भागीदारी दर, बेरोजगारी दर और मध्यम घरेलू आय सबसे महत्वपूर्ण योगदानकर्ता थे। व्यापक सामाजिक-आर्थिक कारकों के учета के बाद फूड डेजर्ट इंडेक्स और रिटेल घनत्व संकेतकों का वैश्विक महत्व कम था।
भौगोलिक व्याख्या:
- प्रमुख योगदानकर्ता: राष्ट्रीय स्तर पर, गरीबी दर सबसे अधिक बार दिखने वाला प्रमुख सकारात्मक संरचनात्मक योगदानकर्ता (26.1% काउंटियाँ) था, इसके बाद खाद्य असुरक्षा (23.9%) का स्थान रहा।
- क्षेत्रीय भिन्नता: पैटर्न जनगणना क्षेत्र (Census region) के अनुसार भिन्न थे। दक्षिण और मिडवेस्ट में गरीबी और खाद्य असुरक्षा प्रमुख थे; उत्तर पूर्व (Northeast) में बेरोजगारी सबसे आम थी; और पश्चिम में SNAP भागीदारी प्रमुख थी।
- स्थानिक ऑटोकोरिलेशन: देखे गए परिणाम में मजबूत स्थानिक क्लस्टरिंग (ग्लोबल मोरन का $I$ = 0.665) देखी गई। मॉडल फिटिंग के बाद, अवशेष स्थानिक ऑटोकोरिलेशन काफी कम होकर $I$ = 0.069 हो गया, हालांकि यह अभी भी सांख्यिकीय रूप से महत्वपूर्ण बना हुआ था, जो कुछ अनसुलझे भौगोलिक रूप से संरचित भिन्नता का संकेत देता है।
मजबूती (Robustness): केवल संरचनात्मक और प्रासंगिक प्रेडिक्टर्स का उपयोग करने वाला एक संवेदनशीलता मॉडल (स्वास्थ्य-व्यवहार सहचरों को छोड़कर) पर्याप्त भविष्य कहनेवाला शक्ति ( $R^2$ = 0.827) बनाए रखता है, जिससे पता चलता है कि इन कारकों में काफी स्वतंत्र भविष्य कहनेवाला जानकारी है। रीजन-होल्ड-आउट वैलिडेशन ने कमजोर ट्रांसपोर्टेबिलिटी (transportability) दिखाई, विशेष रूप से उत्तर पूर्व में ( $R^2$ = 0.336), जो यह उजागर करता है कि रैंडम-स्प्लिट सटीकता भौगोलिक सामान्यीकरण की गारंटी नहीं देती है।

महत्व और दावे
यह शोध पत्र दावा करता है कि व्याख्या योग्य मशीन लर्निंग, जब सार्वजनिक काउंटी-स्तरीय डेटा पर लागू की जाती है, तो निदान मधुमेह प्रसार के भौगोलिक भिन्नता को प्रभावी ढंग से चित्रित कर सकती है। प्राथमिक महत्व SHAP का उपयोग करके जटिल मॉडल भविष्यवाणियों को भौगोलिक रूप से विशिष्ट स्पष्टीकरणों में अनुवादित करने की क्षमता में निहित है।

लेखक इस बात पर जोर देते हैं कि ये SHAP-व्युत्पन्न मानचित्र और प्रमुख-योगदानकर्ता विश्लेषण स्थानीय परिकल्पना पीढ़ी (local hypothesis generation) और उन काउंटियों तथा संरचनात्मक स्थितियों की पहचान करने के उपकरण के रूप में कार्य करते हैं जिनकी आगे जांच की आवश्यकता है। हालांकि, शोध पत्र स्पष्ट रूप से कहता है कि ये आउटपुट भविधिक पैटर्न और मॉडल स्पष्टीकरण का वर्णन करते हैं, न कि कारण प्रभावों (causal effects) का। लेखक चेतावनी देते हैं कि SHAP मानों को कारण निर्धारक या हस्तक्षेप लक्ष्यों के लिए प्रत्यक्ष सिफारिशों के रूप में नहीं समझा जाना चाहिए। इसके बजाय, इस ढांचे को भौगोलिक रूप से सूचित मधुमेह-रोकथाम योजना का समर्थन करने के लिए एक पुनरुत्पादक दृष्टिकोण के रूप में प्रस्तुत किया गया है, बशर्ते इसे स्थानीय निगरानी डेटा, हितधारक ज्ञान और कारण अनुसंधान (causal research) के साथ जोड़ा जाए।