Describing health inequalities without distortion: Simple-Means MAIHDA vs Random-Effects MAIHDA
यह शोध पत्र Simple-Means MAIHDA (S-MAIHDA) को एक वितरण-मुक्त (distribution-free) विधि के रूप में प्रस्तुत करता है जो पारंपरिक रैंडम-इफेक्ट्स (Random-Effects) MAIHDA में निहित श्रिंकेज (shrinkage) के कारण होने वाले छोटे-स्ट्रटम प्रभावों के विरूपण और क्षीणन से बचने के लिए अवलोकित स्ट्रटम डेटा का उपयोग करके स्वास्थ्य असमानताओं का सटीक वर्णन करता है।
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
सार्वजनिक स्वास्थ्य के अध्ययन में, शोधकर्ता लंबे समय से यह समझने की कोशिश कर रहे हैं कि कुछ समूह अन्य समूहों की तुलना में अधिक स्वस्थ क्यों होते हैं। पारंपरिक रूप से, यह औसत निकालकर किया जाता रहा है: एक शहर, एक पड़ोस, या एक विशिष्ट जनसांख्यिकीय समूह के औसत स्वास्थ्य की गणना करना। हालाँकि, औसत सच्चाई को छिपा सकते हैं। जिस प्रकार नदी की औसत गहराई यह संकेत दे सकती है कि उसमें उतरना सुरक्षित है, जबकि वह बीच में एक गहरे, खतरनाक गड्ढे को छिपा लेती है, वैसे ही एक औसत स्वास्थ्य सांख्यिकी उसी क्षेत्र में रहने वाले विशिष्ट, छोटे समूहों के गंभीर संघर्षों को छिपा सकती है। असमानता की पूरी तस्वीर देखने के लिए, वैज्ञानिकों को औसत से परे देखने और यह जांचने की आवश्यकता है कि वातावरण स्वयं व्यक्तियों के जीवन को कैसे आकार देता है। इसमें न केवल यह समझना शामिल है कि कौन बीमार है, बल्कि यह भी कि वे जहाँ रहते हैं और उनकी सामाजिक स्थिति कैसे मिलकर स्वास्थ्य के पैटर्न बनाती है। चुनौती इन पैटर्न को सटीक रूप से मापने में है, बिना उन अंतरों को मिटाए जिन्हें देखा जाना आवश्यक है।
स्वीडन में शोधकर्ताओं की एक टीम ने इन स्वास्थ्य असमानताओं का मानचित्र बनाने का एक नया तरीका विकसित किया है जो विवरणों को छिपाने से इनकार करता है। उन्होंने माल्मो शहर में दो बहुत अलग स्वास्थ्य परिणामों पर ध्यान केंद्रित किया: मानसिक स्वास्थ्य स्थितियों के लिए दवाओं का उपयोग और सार्वजनिक डॉक्टर के बजाय निजी डॉक्टर को देखने का विकल्प। 43,000 से अधिक लोगों के डेटा का विश्लेषण करके, उन्होंने एक नए, सरल तरीके से गिनती करने की तुलना उन जटिल सांख्यिकीय मॉडलों से की जो वर्तमान में क्षेत्र में मानक हैं। उनका कार्य प्रकट करता है कि जबकि मानक मॉडल व्यापक सारांश मापों पर करीब से सहमत होते हैं, वे विशिष्ट छोटे समूहों के लिए असमानता के सबसे तीखे किनारों को सुचारू (smooth out) कर सकते हैं, जिससे वे वास्तव में जितने स्पष्ट हैं, उससे कम स्पष्ट दिखाई देते हैं। शोधकर्ताओं ने पाया कि डेटा में वास्तव में क्या हो रहा है उसकी एक सरल, सीधी गिनती, उन जटिल मॉडलों की तुलना में स्वास्थ्य विषमताओं की अधिक स्पष्ट और ईमानदार तस्वीर प्रदान करती है जो यह अनुमान लगाने की कोशिश करते हैं कि क्या होना चाहिए था।
शोधकर्ताओं ने माल्मो की जनसंख्या को 300 विशिष्ट समूहों में विभाजित करके शुरुआत की। प्रत्येक समूह को एक व्यक्ति के रहने के स्थान और उनकी सामाजिक विशेषताओं, जैसे कि उनकी आयु, लिंग और आय स्तर के संयोजन द्वारा परिभाषित किया गया था। इसने शहर का एक विस्तृत मोज़ेक (mosaic) तैयार किया, जहाँ प्रत्येक पड़ोस में बारह अलग-अलग सामाजिक प्रोफाइल थे। फिर उन्होंने दो विशिष्ट स्वास्थ्य व्यवहारों को देखा। पहला था साइकोट्रोपिक दवाओं का उपयोग, जो मानसिक स्वास्थ्य समस्याओं के लिए निर्धारित की जाती हैं। दूसरा था सार्वजनिक के बजाय निजी जनरल प्रैक्टिशनर को देखने का चुनाव। इन दो परिणामों को इसलिए चुना गया क्योंकि वे स्पेक्ट्रम के विपरीत छोरों का प्रतिनिधित्व करते हैं: एक लगभग पूरी तरह से व्यक्तिगत परिस्थितियों जैसे आय और आयु से प्रेरित है, जबकि दूसरा भूगोल और इस बात से प्रभावित है कि कोई व्यक्ति कहाँ रहता है।
जब शोधकर्ताओं ने अपने नए तरीके को लागू किया, जिसे वे 'सिंपल-मीन्स MAIHDA' कहते हैं, तो उन्होंने बस उन 300 समूहों में से लोगों की संख्या गिनी जिन्होंने दवा का उपयोग किया या निजी डॉक्टर को चुना। उन्होंने इन संख्याओं को सांख्यिकीय धारणाओं या गणितीय सूत्रों के आधार पर समायोजित करने की कोशिश नहीं की। इसके बजाय, उन्होंने ठीक वही रिपोर्ट किया जो डेटा ने दिखाया, जिसमें छोटे समूहों के साथ आने वाली अनिश्चितता भी शामिल थी। मानसिक स्वास्थ्य दवाओं के उपयोग के लिए, परिणामों ने धन और आयु से प्रेरित एक स्पष्ट पैटर्न दिखाया। उच्च आय वाले लोगों की तुलना में कम आय वाले लोग इन दवाओं का उपयोग करने के लिए काफी अधिक इच्छुक थे, चाहे वे किसी भी पड़ोस में रहते हों। अमीर और गरीब पड़ोस के बीच के अंतर बहुत कम थे, और वातावरण ने इन स्वास्थ्य परिणामों को आकार देने में लगभग कोई भूमिका नहीं निभाई; असमानता विशुद्ध रूप से व्यक्तिगत सामाजिक स्थिति का मामला थी।
इसके बिल्कुल विपरीत, निजी डॉक्टर को देखने का चुनाव भूगोल द्वारा शक्तिशाली रूप से आकार दिया गया था, लेकिन व्यक्तिगत आय द्वारा प्रतिस्थापित नहीं किया गया था। शोधकर्ताओं ने पाया कि उच्च आय वाले व्यक्ति सभी क्षेत्रों में कम आय वाले व्यक्तियों की तुलना में लगातार निजी डॉक्टरों को चुनने के लिए अधिक इच्छुक थे। हालाँकि, भूगोल ने एक शक्तिशाली प्रवर्धक (amplifier) के रूप में कार्य किया: समृद्ध पड़ोसों में अमीर और गरीब निवासियों के बीच का अंतर गरीब पड़ोसों की तुलना में काफी अधिक चौड़ा था। वातावरण ने केवल समग्र संख्या को ही नहीं बदला; इसने असमानता के स्वरूप को भी बदल दिया। समृद्ध क्षेत्रों में, अमीर और गरीब निवासियों के बीच का अंतर गरीब क्षेत्रों की तुलना में और भी अधिक व्यापक था। भूगोल ने सामाजिक विभाजन को बढ़ा दिया, जिससे स्वास्थ्य सेवा प्रदाता चुनने का निर्णय व्यक्तिगत स्थिति और स्थान दोनों की कहानी बन गया।
शोध पत्र का तर्क है कि अधिकांश शोधकर्ताओं द्वारा उपयोग किए जाने वाले मानक सांख्यिकीय मॉडल, जिन्हें 'रैंडम-इफेक्ट्स मॉडल' कहा जाता है, विशिष्ट समूहों के लिए इन तीखी वास्तविकताओं को पकड़ने में विफल रहते हैं, भले ही वे समग्र चित्र पर सहमत हों। ये मॉडल छोटे समूहों के अनुमानों को समग्र औसत की ओर "सिकुड़ाने" (shrinking) का काम करते हैं। तर्क यह है कि यदि कोई समूह छोटा है, तो उसका डेटा अविश्वसनीय हो सकता है, इसलिए यह मानना अधिक सुरक्षित है कि वह शहर-व्यापी औसत के करीब है। शोधकर्ता प्रदर्शित करते हैं कि यह प्रक्रिया एक फिल्टर की तरह काम करती है जो मानचित्र के किनारों को धुंधला कर देती है। मानसिक स्वास्थ्य दवाओं के लिए, मानक मॉडल ने इस निष्कर्ष को महत्वपूर्ण रूप से नहीं बदला कि भूगोल नगण्य था, क्योंकि भौगोलिक प्रभाव पहले से ही अनुपस्थित था। हालाँकि, निजी डॉक्टर के चुनाव के लिए, मानक मॉडल ने धनी और गरीब पड़ोस के चरम मूल्यों को एक-दूसरे के करीब खींच लिया, जिससे भौगोलिक विभाजन वास्तविक स्थिति की तुलना में कम गंभीर दिखाई देने लगा।
शोधकर्ता इस बात पर जोर देते हैं कि यह "सिकुड़ना" (shrinking) केवल एक गणितीय विचित्रता नहीं है; इसके वास्तविक परिणाम होते हैं। जब एक मॉडल डेटा को सुचारू (smooth) कर देता है, तो यह एक छोटे, हाशिए पर रहने वाले समूह को ऐसा दिखा सकता है जैसे कि उनका स्वास्थ्य जोखिम औसत के करीब है, जबकि वास्तव में, वे बहुत अधिक गंभीर स्थिति का सामना कर रहे हो सकते हैं। कच्चे, प्रेक्षित (observed) नंबरों को रिपोर्ट करके, नया तरीका इन असमानताओं के वास्तविक परिमाण को सुरक्षित रखता है। यह दिखाता है कि कुछ स्वास्थ्य मुद्दों के लिए, आप जहाँ रहते हैं वह आपके जीवन के अवसरों को नया आकार देने वाली एक शक्तिशाली शक्ति है, जबकि अन्य के लिए, आपकी व्यक्तिगत परिस्थितियाँ प्रमुख कारक होती हैं। अध्ययन यह दावा नहीं करता कि जटिल मॉडल बेकार हैं; वे तब अच्छे होते हैं जब डेटा कम होता है और भविष्यवाणी करनी होती है। लेकिन स्वास्थ्य असमानता की वास्तविकता का वर्णन करने के लिए, शोधकर्ताओं का तर्क है कि सबसे सरल दृष्टिकोण—जो वहां है उसकी गिनती करना—सबसे ईमानदार है।
अध्ययन निष्कर्ष निकालता है कि स्वास्थ्य विषमताओं को वास्तव में समझने और संबोधित करने के लिए, वैज्ञानिकों और नीति निर्माताओं को डेटा को बिना सुचारू किए देखना चाहिए। नया तरीका इसे करने के लिए एक उपकरण प्रदान करता है, जिससे शोधकर्ता देख सकते हैं कि असमानता का कितना हिस्सा इस बात से है कि लोग कहाँ रहते हैं और कितना इस बात से है कि वे कौन हैं। माल्मो के मामले में, डेटा ने खुलासा किया कि जहाँ मानसिक स्वास्थ्य संघर्ष काफी हद तक व्यक्तिगत गरीबी की कहानी है, वहीं स्वास्थ्य सेवा प्रदाता चुनने का विकल्प भूगोल और अलगाव की कहानी है जो सामाजिक अंतरों को बढ़ा देता है। डेटा के छोटे, तीखे अंतरों को छिपाने से इनकार करके, शोधकर्ता असमानता की वास्तविक संरचना को समझने के लिए एक स्पष्ट मार्ग प्रदान करते हैं। यह कार्य सुझाव देता है कि यदि हम स्वास्थ्य असमानताओं को ठीक करना चाहते हैं, तो हमें पहले उन्हें ठीक वैसे ही देखना होगा जैसा वे हैं, न कि जैसा एक सांख्यिकीय मॉडल सोचता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।