Reconsidering the case against risk prediction in self-harm: routinely collected health data distinguishes groups at higher and lower risk of adverse outcomes following paracetamol overdose

जासूस की दुविधा: क्या डेटा तूफान आने से पहले उसे देख सकता है?

कल्पना कीजिए कि आप एक मौसम विज्ञानी हैं जो अचानक आने वाले एक खतरनाक तूफान की भविष्यवाणी करने की कोशिश कर रहे हैं। चिकित्सा की दुनिया में, विशेष रूप से जब लोग खुद को नुकसान पहुँचाने के लिए पैरासिटामोल (एक सामान्य दर्द निवारक) की अधिक मात्रा लेने के बाद अस्पताल आते हैं, तो एक बड़ी बहस चल रही है कि क्या हम भविष्य के आत्मহত্যার या अस्पताल में दोबारा भर्ती होने के "तूफान" की भविष्यवाणी कर सकते हैं। लंबे समय से, यूके में आधिकारिक नियम यह रहा है: "कोशिश मत करो कि इसकी भविष्यवाणी की जाए।" विचार यह था कि डॉक्टर हर दिन जो डेटा एकत्र करते हैं—जैसे उम्र, पिछले मेडिकल दौरे और प्रिस्क्रिप्शन सूचियाँ—वह बहुत अधिक शोर-शराबे वाला और बेकार है जो हमें यह नहीं बता सकता कि कौन जोखिम में है। यह एक बादल की एक अकेली, धुंधली फोटो देखकर मौसम का अनुमान लगाने जैसा है; विशेषज्ञों ने कहा कि उस फोटो में पर्याप्त विवरण नहीं है जिससे वह उपयोगी हो सके।

लेकिन क्या होगा अगर उस फोटो में वास्तव में एक गुप्त पैटर्न है? क्या होगा अगर, एक साथ हजारों ऐसी धुंधली तस्वीरों को देखने के लिए एक सुपर-स्मार्ट कंप्यूटर दिमाग (मशीन लर्निंग) का उपयोग करके, हम एक ऐसी आकृति को पहचान सकें जिसे मानवीय आँख नहीं देख पाती? यही वह सवाल है जो वैज्ञानिक पूछ रहे हैं। वे जानना चाहते हैं कि क्या "नियमित रूप से एकत्र किया गया स्वास्थ्य डेटा"—वह उबाऊ, रोज़मर्रा का रिकॉर्ड जो डॉक्टर लिखते हैं—वास्तव में एक छिपा हुआ संकेत रखता है जो उन लोगों को अलग कर सके जिनका परिणाम बुरा होगा और जो नहीं होंगे। यदि उत्तर "हाँ" है, तो इसका मतलब यह नहीं है कि हमारे पास कोई भविष्य बताने वाला यंत्र (क्रिस्टल बॉल) है, लेकिन इसका मतलब यह हो सकता है कि हमें अभी तक अपना नक्शा फेंक नहीं देना चाहिए था। यदि उत्तर "नो" है, तो हमें पता चल जाएगा कि हमें मदद के लिए कहीं और देखना होगा।

द ग्रेट पैरासिटामोल पज़ल: शोर में संकेत खोजना

इस अध्ययन में, शोधकर्ताओं की एक टीम ने "डेटा बेकार है" वाले सिद्धांत को परखने का निर्णय लिया। उन्होंने आत्महत्या रोकने के लिए कोई जादुई उपकरण बनाने की कोशिश नहीं की; इसके बजाय, वे एक सुराग खोजने वाले जासूस की तरह काम कर रहे थे। उन्होंने 2017 और 2023 के बीच NHS लोथियन (स्कॉटलैंड) के आपातकालीन विभागों में पैरासिटामोल ओवरडोज़ के साथ आए 4,095 वयस्कों के मेडिकल रिकॉर्ड एकत्र किए।

इन रिकॉर्ड्स को एक विशाल पहेली बॉक्स की तरह समझें। इसके अंदर 37 अलग-अलग प्रकार की जानकारी थी जो एक डॉक्टर को उस समय पता होगी जब मरीज अस्पताल में प्रवेश करता है: उनकी आयु, वे कहाँ रहते हैं (जो यह संकेत देता है कि वह क्षेत्र कितना वंचित है), वे पहले से कौन सी दवाएं ले रहे हैं, और क्या उन्होंने पहले कभी मानसिक स्वास्थ्य विशेषज्ञ से मुलाकात की है। शोधकर्ताओं ने इन पहेली के टुकड़ों को "इलास्टिक-नेट लॉजिस्टिक रिग्रेशन" नामक एक स्मार्ट कंप्यूटर मॉडल में डाला। आप इस मॉडल को एक बहुत ही सख्त लाइब्रेरियन के रूप में सोच सकते हैं जो किताबों के एक विशाल ढेर को दो ढेरों में छाँटने की कोशिश कर रहा है: "उन लोगों के बारे में किताबें जिनका परिणाम बुरा होगा" और "उन लोगों के बारे में किताबें जिनका परिणाम बुरा नहीं होगा।"

शोधकर्ताओं ने मरीज के अस्पताल से जाने के बाद तीन अलग-अलग समय अवधियों को देखा:

1. पहला सप्ताह (0–7 दिन): क्या उनकी मृत्यु हुई या उन्हें मानसिक स्वास्थ्य वार्ड में भर्ती किया गया?
2. अगला महीना (8–30 दिन): क्या समस्या जारी रही?
3. पूरा वर्ष (31–365 दिन): क्या तूफान अंततः टूट गया?

बड़ी खोज
परिणाम आश्चर्यजनक थे। कंप्यूटर मॉडल ने वास्तव में एक पैटर्न ढूँढ लिया। यह एकदम सटीक नहीं था, लेकिन यह सिक्का उछालकर अनुमान लगाने से बेहतर था।

• पहले सप्ताह में, मॉडल मरीजों को लगभग 65% से 82% बार सही ढंग से रैंक कर सका (यह इस पर निर्भर करता है कि आप इसे कैसे मापते हैं)।
• 8-से-30 दिनों की अवधि में, यह 63% से 90% के बीच था।
• पूरे वर्ष के दौरान, यह 71% से 85% के बीच था।

सांख्यिकी की दुनिया में, 50% का स्कोर केवल एक तुक्का है। 50% से ऊपर कुछ भी होने का मतलब है कि मॉडल वास्तव में कुछ वास्तविक देख रहा है। शोधकर्ताओं ने पाया कि मॉडल उच्च जोखिम वाले लोगों को पहचानने में अच्छा था, और यह सुनिश्चित करने में बहुत अच्छा था कि उसके द्वारा दिए गए आंकड़े वास्तविक परिणामों से मेल खाते हों (इसे "कैलिब्रेशन" कहा जाता है)।

सुराग कहाँ से आए?
आप सोच सकते हैं कि मॉडल केवल उम्र या लिंग को देख रहा था, जैसे कि एक रूढ़िवादी जासूस। लेकिन शोधकर्ताओं ने पाया कि यह मुख्य कहानी नहीं थी। मॉडल की असली "सुपरपावर्स" मानसिक स्वास्थ्य से संबंधित सुरागों से आई थीं। मॉडल को सबसे अच्छे अनुमान इन चीजों से मिले:

• क्या व्यक्ति को एंटीसाइकोटिक या चिंता (anxiety) की दवाएं दी गई थीं।
• क्या उनका मनोचिकित्सक से मिलने का इतिहास रहा था।
• क्या उन्हें सिज़ोफ्रेनिया या अल्कोहल-संबंधित लिवर रोग का निदान था।
• वे कितने अलग-अलग प्रकार की दवाएं ले रहे थे (पॉलीफार्मेसी)।

उम्र का भी उपयोग किया गया था, लेकिन वह मुख्य चालक नहीं था। असली संकेत व्यक्ति की मानसिक स्वास्थ्य यात्रा के जटिल इतिहास में छिपा हुआ था।

यह पेपर क्या कहता है (और क्या नहीं कहता)

यह समझना बहुत महत्वपूर्ण है कि यह अध्ययन क्या नहीं कह रहा है। लेखक यह दावा नहीं कर रहे हैं कि अब हम सटीक रूप से भविष्यवाणी कर सकते हैं कि कौन सा व्यक्ति अगली बार आत्महत्या का प्रयास करेगा। वे यह नहीं कह रहे हैं कि हमें कल से अस्पतालों में यह तय करने के लिए इस कंप्यूटर मॉडल का उपयोग करना शुरू कर देना चाहिए कि किसे उपचार मिलना चाहिए।

वास्तव में, वे स्पष्ट रूप से इसके विरुद्ध चेतावनी देते हैं। मॉडल की सटीकता, हालांकि संयोग से बेहतर है, लेकिन इतनी अधिक नहीं है कि किसी एक व्यक्ति के लिए अंतिम निर्णय के रूप में उपयोग की जा सके। यदि आप इस टूल का उपयोग एक व्यक्ति पर करते हैं, तो यह अभी भी गलत हो सकता है। पेपर का तर्क है कि वर्तमान यूके के नियम, जो कहते हैं "कोई जोखिम भविष्यवाणी उपकरण नहीं," शायद काम की चीज़ को भी फेंक देते हैं। नियम इस विचार पर आधारित था कि डेटा में कोई उपयोगी संकेत मौजूद ही नहीं है। यह अध्ययन सुझाव देता है कि एक उपयोगी संकेत मौजूद है, लेकिन यह अभी इतना मजबूत नहीं है कि एक स्वतंत्र 'क्रिस्टल बॉल' के रूप में काम कर सके।

शोधकर्ता यह भी बताते हैं कि उनके द्वारा उपयोग किया गया "उबाऊ" स्ट्रक्चर्ड डेटा (37 चेकबॉक्स) की एक सीमा है। यह एक फिल्म को केवल उसके कलाकारों की सूची और रनिंग टाइम पढ़कर समझने जैसा है; आप कथानक, भावनाओं और संवादों को छोड़ देते हैं। एक व्यक्ति के जोखिम के बारे में वास्तविक, गहरे सुराग—जैसे उनके विशिष्ट विचार, उनकी निराशा की भावनाएं, या उनका सपोर्ट सिस्टम—आमतौर पर डॉक्टरों के नोट्स के फ्री टेक्स्ट (मुक्त पाठ) में लिखे होते हैं, न कि चेकबॉक्स में। पेपर सुझाव देता है कि यदि हम कंप्यूटर को उन नोट्स को पढ़ना सिखाते हैं (नेचुरल लैंग्वेज प्रोसेसिंग का उपयोग करके), तो हम एक और भी मजबूत संकेत पा सकते हैं।

निष्कर्ष

तो, फैसला क्या है? पेपर निष्कर्ष निकालता है कि यह विचार कि "नियमित रूप से एकत्र किया गया स्वास्थ्य डेटा में कोई उपयोगी भविष्य कहने वाला संकेत नहीं होता है" सत्य नहीं है। डेटा में एक संकेत है; यह उच्च और निम्न जोखिम वाले लोगों के समूहों के बीच अंतर कर सकता है। हालाँकि, सिग्नल वर्तमान में इतना कमजोर है कि इसे एकल व्यक्तियों के बारे में जीवन-मरण के निर्णय लेने के लिए उपयोग नहीं किया जा सकता है।

लेखक मूल रूप से कह रहे हैं: "केवल इसलिए इस शोध को बंद न करें क्योंकि वर्तमान अध्याय पूर्ण नहीं है।" वे वैज्ञानिकों से और अधिक खोजने का आग्रह कर रहे हैं, शायद कंप्यूटर को चिकित्सा नोट्स के बिखरे हुए, मानवीय हिस्सों को पढ़ना सिखाकर, न कि इस विचार को त्यागकर कि डेटा जीवन बचाने में मदद कर सकता है। बेहतर भविष्यवाणी का दरवाजा अभी भी खुला है; हमें बस इसमें चलने के लिए बेहतर उपकरणों की आवश्यकता है।