Development and Validation of Interpretable Machine Learning Models for Early Prediction of Low Birth Weight in Ethiopia: A Secondary Analysis of the Ethiopian Demographic and Health Survey

दुनिया के कई हिस्सों में, जन्म के समय बच्चे का आकार उनके भविष्य के स्वास्थ्य के सबसे मजबूत संकेतकों में से एक होता है। जब एक नवजात शिशु का वजन एक विशिष्ट सीमा से कम होता है, तो उन्हें जीवन के पहले कुछ हफ्तों में गंभीर बीमारी और यहाँ तक कि मृत्यु के भी उच्च जोखिम का सामना करना पड़ता है। कम जन्म वजन (low birth weight) के रूप में जानी जाने वाली यह स्थिति अक्सर कई कारकों के जटिल मिश्रण से प्रेरित होती है: माँ का पोषण, स्वास्थ्य देखभाल तक उसकी पहुँच, उसका रहने का वातावरण और उसके पिछले गर्भधारण का इतिहास। सीमित चिकित्सा संसाधनों वाले देशों में, यह पहचानना कठिन है कि कौन सी गर्भवती महिलाएँ उच्चतम जोखिम में हैं। डॉक्टरों और सामुदायिक स्वास्थ्य कार्यकर्ताओं के पास अक्सर इन जोखिमों को स्पष्ट रूप से देखने के लिए उपकरण नहीं होते, जब तक कि हस्तक्षेप करने के लिए बहुत देर न हो जाए। चुनौती केवल यह जानने की नहीं है कि कौन जोखिम में है, बल्कि यह जानने की भी है कि क्लिनिक के पहले कुछ दौरों के दौरान उपलब्ध जानकारी का उपयोग करके समय रहते मदद कैसे की जाए।

इथियोपिया के शोधकर्ताओं ने इन जोखिमों को जल्दी पहचानने के लिए डिज़ाइन किए गए एक नए प्रकार के डिजिटल टूल को बनाकर इस समस्या का समाधान किया है। उन्होंने एक राष्ट्रीय सर्वेक्षण से प्राप्त डेटा के विशाल संग्रह का उपयोग किया जिसमें देश भर की हजारों महिलाओं का साक्षात्कार लिया गया था, जिसमें उनके स्वास्थ्य, उनके घरों और उनकी गर्भावस्था के बारे में विवरण दर्ज किए गए थे। पारंपरिक तरीकों पर निर्भर रहने के बजाय, जो विभिन्न जोखिम कारकों के बीच सूक्ष्म संबंधों को मिस कर सकते हैं, टीम ने इस डेटा के भीतर पैटर्न खोजने के लिए कंप्यूटर प्रोग्राम को प्रशिक्षित किया। उन्होंने विशेष रूप से उस जानकारी पर ध्यान केंद्रित किया जिसे एक स्वास्थ्य कार्यकर्ता माँ के पहले प्रसव पूर्व (prenatal) दौरे के दौरान एकत्र कर सकता है, जैसे कि उसकी आयु, उसकी लंबाई, क्या उसे एनीमिया (खून की कमी) है, पिछले बच्चे के बाद कितना समय बीता है, और उसके परिवार की आय। लक्ष्य एक ऐसी प्रणाली बनाना था जो इन शुरुआती संकेतों को देख सके और उच्च सटीकता के साथ भविष्यवाणी कर सके कि किन माताओं के कम जन्म वजन वाले बच्चे होने की संभावना है, और साथ ही यह भी स्पष्ट कर सके कि उसने वह भविष्यवाणी क्यों की।

टीम ने कई अलग-अलग कंप्यूटर लर्निंग विधियों का परीक्षण किया ताकि यह देखा जा सके कि कौन सा सबसे अच्छा काम करता है। उन्होंने डेटा को दो समूहों में विभाजित किया: एक कंप्यूटर को सिखाने के लिए और दूसरा उसके ज्ञान का परीक्षण करने के लिए, जिससे यह सुनिश्चित हो सके कि परिणाम ईमानदार हों और केवल एक तुक्का न हों। उनके द्वारा आजमाए गए विभिन्न एल्गोरिदम में से, एक मॉडल उल्लेखनीय रूप से अलग खड़ा हुआ। 'एक्सट्रीम ग्रेडिएंट बूस्टिंग' (extreme gradient boosting) के रूप में जाने जाने वाले इस मॉडल ने स्वस्थ बच्चों को जन्म देने वाली माताओं और न देने वाली माताओं के बीच अंतर करने में सबसे अधिक कुशलता प्रदर्शित की। नए, अनदेखे डेटा पर परीक्षण करने पर, इस प्रणाली ने लगभग नब्बे प्रतिशत मामलों में जोखिम की सही पहचान की। यह वर्तमान में कई चिकित्सा सेटिंग्स में उपयोग किए जाने वाले मानक सांख्यिकीय उपकरणों की तुलना में बहुत अधिक सटीक था, जो अक्सर गरीबी, पोषण और स्वास्थ्य इतिहास के बीच जटिल अंतःक्रियाओं को समझने में संघर्ष करते हैं।

इस उपलब्धि को जो चीज़ विशेष रूप से मूल्यवान बनाती है, वह यह है कि कंप्यूटर मॉडल एक रहस्यमय 'ब्लैक बॉक्स' की तरह काम नहीं करता है। कई उन्नत कंप्यूटर प्रणालियों में, बिना किसी स्पष्टीकरण के उत्तर दे दिया जाता है, जिससे डॉक्टर अनिश्चित रहते हैं कि उस पर कैसे कार्रवाई की जाए। शोधकर्ताओं ने प्रत्येक व्यक्तिगत मामले के लिए भविष्यवाणी को तोड़ने वाली एक विधि का उपयोग करके इस समस्या का समाधान किया। उन्होंने पाया कि प्रणाली लगातार कुछ प्रमुख कारकों को जोखिम के मुख्य कारणों के रूप में दर्शाती है। सबसे महत्वपूर्ण चेतावनी संकेत मातृ एनीमिया (maternal anemia) था, एक ऐसी स्थिति जहाँ माँ के रक्त में ऑक्सीजन ले जाने के लिए पर्याप्त स्वस्थ लाल कोशिकाएं नहीं होती हैं। अन्य महत्वपूर्ण कारकों में गर्भधारण के बीच कम अंतराल, कम वजन वाली माँ, ग्रामीण क्षेत्र में रहना, बहुत कम घरेलू संपत्ति, और पहले प्रसव पूर्व चेकअप में देरी या उसे छोड़ देना शामिल था। मॉडल ने केवल एक माँ को "उच्च जोखिम" के रूप में चिह्नित नहीं किया; इसने दिखाया कि उसकी एनीमिया या उसके कम जन्म अंतराल के कारण ही अलर्ट जारी हुआ था।

शोधकर्ताओं ने सत्यापित किया कि ये भविष्यवाणियाँ न केवल गणितीय रूप से सुदृढ़ थीं बल्कि नैदानिक रूप से भी उपयोगी थीं। उन्होंने यह सुनिश्चित करने के लिए जाँच की कि कंप्यूटर द्वारा दी गई संभावनाएँ वास्तविक दुनिया के परिणामों से मेल खाती हैं, और पाया कि जब मॉडल कहता था कि एक महिला के कम जन्म वजन वाले बच्चे होने की तीस प्रतिशत संभावना है, तो वास्तव में वैसी ही संभावना थी। यह विश्वसनीयता बताती है कि इस टूल को इथियोपिया में स्वास्थ्य विस्तार कार्यकर्ताओं (health extension workers) के दैनिक कार्यों में एकीकृत किया जा सकता है। कल्पना कीजिए कि एक स्वास्थ्य कार्यकर्ता माँ के पहले दौरे के दौरान एक गर्भवती महिला के साथ बैठी है, और एक मोबाइल डिवाइस में कुछ बुनियादी तथ्य दर्ज कर रही है। सिस्टम तुरंत जोखिम की गणना करेगा और विशिष्ट कारणों को उजागर करेगा, जैसे कि आयरन सप्लीमेंट की आवश्यकता या करीबी निगरानी के लिए रेफरल की आवश्यकता। यह दृष्टिकोण सटीक मदद को ठीक वहीं पहुँचाता है जहाँ इसकी आवश्यकता है, जिससे एक व्यापक सार्वजनिक स्वास्थ्य चुनौती को प्रबंधनीय, व्यक्तिगत कार्यों की एक श्रृंखला में बदला जा सकता है।

हालाँकि यह अध्ययन बड़ी उम्मीद जगाता है, लेकिन लेखक इसकी सीमाओं के प्रति भी सावधान हैं। डेटा एक सर्वेक्षण से आया था जहाँ माताओं ने अपने स्वयं के अनुभवों और अपने बच्चों के आकार के बारे में बताया था, जो प्रत्यक्ष नैदानिक माप की तुलना में कभी-कभी कम सटीक हो सकता है। इसके अतिरिक्त, क्योंकि डेटा एक ही समय पर एकत्र किया गया था, मॉडल संबंधों की पहचान करता है न कि यह सिद्ध करता है कि एक कारक सीधे दूसरे का कारण बनता है। फिर भी, निष्कर्ष एक स्पष्ट मार्ग प्रदान करते हैं। शक्तिशाली कंप्यूटर लर्निंग को पारदर्शिता की आवश्यकता के साथ जोड़कर, शोधकर्ताओं ने एक ऐसा ढांचा तैयार किया है जो संसाधन-विहीन परिवेश की सीमाओं का सम्मान करता है और सबसे कमजोर नवजात शिशुओं की रक्षा करने का एक परिष्कृत तरीका भी प्रदान करता है। यह कार्य दर्शाता है कि सही उपकरणों के साथ, प्रारंभिक हस्तक्षेप संभव है, जो शिशु मृत्यु दर के एक प्रमुख कारण के विरुद्ध लहर को मोड़ सकता है।