Predicting Subjective Cognitive Decline on Future BRFSS Survey Years: An Open Multi-Language Machine Learning Benchmark
यह अध्ययन बिहेवियरल रिस्क फैक्टर सर्विलांस सिस्टम (BRFSS) डेटा का उपयोग करते हुए एक ओपन, बहुभाषी मशीन लर्निंग बेंचमार्क प्रस्तुत करता है जो टेम्पोरल स्प्लिट्स के माध्यम से भविष्य के सब्जेक्टिव कॉग्निटिव डिक्लाइन (SCD) के स्थिर, सुव्यवस्थित-कैलिब्रेटेड पूर्वानुमान को प्रदर्शित करता है और कन्वर्जेंट इंटरप्रिटेबिलिटी विधियों के माध्यम से निर्णय लेने की कठिनाई जैसे प्रमुख भविष्यवक्ताओं की पहचान 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
कई लोगों के लिए, यह महसूस करना कि उनका मस्तिष्क बदल रहा है, किसी मेडिकल टेस्ट के परिणाम से नहीं, बल्कि एक शांत, व्यक्तिगत चिंता से शुरू होता है। उन्हें लग सकता है कि उनकी याददाश्त कमजोर हो रही है या वे सामान्य से अधिक भ्रमित हैं। यह भावना, जिसे 'सब्जेक्टिव कॉग्निटिव डिक्लाइन' (व्यक्तिगत संज्ञानात्मक गिरावट) के रूप में जाना जाता है, वयस्कों के बीच एक आम अनुभव है, फिर भी इसका अध्ययन करना कठिन है क्योंकि यह पूरी तरह से इस बात पर निर्भर करता है कि व्यक्ति क्या महसूस करता है, न कि उस पर जो एक डॉक्टर देख सकता है। हालांकि यह भावना कभी-कभी अल्जाइमर जैसे गंभीर रोगों का एक बहुत ही प्रारंभिक चेतावनी संकेत हो सकती है, लेकिन यह तनाव, नींद की कमी या अन्य स्वास्थ्य समस्याओं के कारण भी हो सकती है। चूंकि यह भावना बहुत व्यक्तिगत है और इसके कारण बहुत विविध हैं, इसलिए सार्वजनिक स्वास्थ्य अधिकारियों के लिए बड़े समूहों में इसे ट्रैक करना एक चुनौती रहा है। उन्हें यह समझने की आवश्यकता है कि कौन जोखिम में है और ये भावनाएं समय के साथ कैसे बदलती हैं, लेकिन पारंपरिक तरीके अक्सर मरीजों के छोटे समूहों या महंगे ब्रेन स्कैन पर निर्भर करते हैं जो सभी के लिए उपलब्ध नहीं होते।
शोधकर्ताओं की एक टीम ने पूरे संयुक्त राज्य अमेरिका में इन भावनाओं को ट्रैक करने के लिए एक नए प्रकार का डिजिटल टूल बनाकर इस समस्या का समाधान निकाला है। अस्पतालों में मरीजों को देखने के बजाय, उन्होंने एक विशाल, निरंतर चलने वाले टेलीफोन सर्वेक्षण की ओर रुख किया जिसे 'बिहेवियरल रिस्क फैक्टर सर्विलांस सिस्टम' कहा जाता है, जो हर साल लाखों अमेरिकियों से उनके स्वास्थ्य के बारे में पूछता है। शोधकर्ता यह देखना चाहते थे कि क्या वे लोगों द्वारा अपने दैनिक जीवन के बारे में दिए गए उत्तरों—जैसे कि वे अपने सामान्य स्वास्थ्य के बारे में कैसा महसूस करते हैं, क्या उन्हें निर्णय लेने में कठिनाई होती है, या क्या वे अवसाद (डिप्रेशन) से जूझ रहे हैं—का उपयोग यह अनुमान लगाने के लिए कर सकते हैं कि भविष्य में कौन याददाश्त संबंधी समस्याओं की रिपोर्ट करने की संभावना रखता है। ऐसा करने के लिए, उन्होंने एक कंप्यूटर प्रोग्राम बनाया जो भविष्य के वर्षों के बारे में भविष्यवाणी करने के लिए पिछले सर्वेक्षण डेटा से सीखता है, यह एक ऐसी विधि है जो सार्वजनिक स्वास्थ्य के लिए मौसम के पूर्वानुमान की तरह काम करती है, जो आज के पैटर्न का उपयोग करके कल के रुझानों का अनुमान लगाती है।
शोधकर्ताओं ने अपने सिस्टम का निष्पक्ष परीक्षण करने के लिए 2015 से 2024 तक के सर्वेक्षण डेटा को तीन अलग-अलग समय अवधियों में विभाजित किया। उन्होंने कंप्यूटर प्रोग्राम को सिखाने के लिए शुरुआती वर्षों का उपयोग किया, मध्य वर्षों का उपयोग यह जांचने के लिए किया कि क्या वह सही ढंग से सीख रहा है, और सबसे हालिया वर्षों का उपयोग किया, जिन्हें प्रोग्राम ने पहले कभी नहीं देखा था, यह देखने के लिए कि क्या वह वास्तव में भविष्यवाणी कर सकता है कि क्या हो रहा है। इस सख्त अलगाव ने यह सुनिश्चित किया कि परिणाम केवल पुराने डेटा के आधार पर कोई भाग्यशाली अनुमान मात्र न हों। उन्होंने अपने दृष्टिकोण का परीक्षण दो स्थानों पर किया: पूरे देश में और विशेष रूप से न्यूयॉर्क राज्य के भीतर। दोनों मामलों में, उन्होंने यह पता लगाने के लिए कि कौन से एल्गोरिदम सबसे अच्छा काम करते हैं, सोलह अलग-अलग प्रकार के कंप्यूटर लर्निंग एल्गोरिदम की तुलना की। लक्ष्य एक एकल आदर्श मशीन खोजना नहीं था, बल्कि एक विश्वसनीय, खुला सिस्टम बनाना था जिसका उपयोग अन्य वैज्ञानिक कर सकें और जिसमें सुधार कर सकें।
परिणामों ने दिखाया कि कंप्यूटर मॉडल पैटर्न की पहचान करने में काफी सफल रहे। जब सिस्टम ने 2023 और 2024 के नवीनतम डेटा को देखा, तो वह उन लोगों के बीच अंतर करने में सक्षम था जिन्होंने याददाश्त की चिंता व्यक्त की थी और जिन्होंने नहीं की थी, और इसकी सटीकता विभिन्न प्रोग्रामिंग भाषाओं और विधियों में सुसंगत थी। मॉडल इतने बेहतर प्रदर्शन कर रहे थे कि वे यह सुझाव दे सकें कि वे सार्वजनिक स्वास्थ्य निगरानी के लिए उपयोगी हो सकते हैं, जिससे अधिकारियों को संज्ञानात्मक चिंताओं के संकट बनने से पहले उभरते रुझानों को पहचानने में मदद मिल सके। हालांकि, शोधकर्ताओं ने सावधानीपूर्वक यह नोट किया कि ये उपकरण व्यक्तिगत निदान के लिए डिज़ाइन नहीं किए गए हैं। यह सिस्टम किसी एक व्यक्ति को यह बताने के बजाय कि उसे कोई विशिष्ट बीमारी है, जोखिम के आधार पर समूहों को रैंक करने में बेहतर है। सटीकता बड़े पैमाने पर निगरानी के लिए पर्याप्त थी, लेकिन एक अकेले मरीज के लिए डॉक्टर के मूल्यांकन की जगह लेने के लिए पर्याप्त नहीं थी।
सबसे आश्चर्यजनक खोजों में से एक यह थी कि विभिन्न विधियों के बीच संकेत कितने सुसंगत थे। चाहे शोधकर्ताओं ने एक जटिल कंप्यूटर मॉडल का उपयोग किया हो, एक मानक सांख्यिकीय समीकरण का, या विभिन्न स्वास्थ्य कारकों के बीच संबंध का एक दृश्य मानचित्र (विजुअल मैप) का, वही कुछ उत्तर सबसे मजबूत संकेतक के रूप में उभरे। सबसे महत्वपूर्ण कारक यह था कि क्या किसी व्यक्ति ने कहा कि उन्हें स्वास्थ्य समस्याओं के कारण निर्णय लेने में कठिनाई होती है। जिन लोगों ने इस प्रश्न का उत्तर "हाँ" में दिया, उनमें उन लोगों की तुलना में याददाश्त संबंधी समस्याओं की रिपोर्ट करने की संभावना बहुत अधिक थी जिन्होंने "नहीं" कहा था। अन्य मजबूत संकेतों में शामिल थे कि एक व्यक्ति अपने समग्र स्वास्थ्य को कैसे आंकता है और क्या वह अवसाद से जूझ रहा है। ये निष्कर्ष बताते हैं कि संज्ञानात्मक गिरावट की भावना व्यक्ति के व्यापक शारीरिक और मानसिक कल्याण से गहराई से जुड़ी हुई है, न कि यह एक अलग लक्षण है।
अध्ययन ने डेटा में एक बढ़ते रुझान को भी रेखांकित किया। सर्वेक्षण के बाद के वर्षों में, विशेष रूप से 2023 और 2024 में, याददाश्त और भ्रम की समस्याओं की रिपोर्ट करने वाले लोगों की संख्या में उल्लेखनीय वृद्धि देखी गई। कंप्यूटर मॉडल इस वृद्धि को ट्रैक करने और उन लोगों को अलग करने में सक्षम रहे जो चिंताओं के साथ थे या बिना चिंताओं के, भले ही कुल संख्या बदल रही हो। डेटा के प्रति अनुकूल होने की यह क्षमता महत्वपूर्ण है, क्योंकि इसका अर्थ है कि टूल उपयोगी बना रह सकता है भले ही स्वास्थ्य परिदृश्य बदल जाए। शोधकर्ताओं ने अपनी पूरी प्रक्रिया, जिसमें कोड और डेटा शामिल है, जनता के लिए उपलब्ध करा दी है ताकि अन्य वैज्ञानिक परिणामों को सत्यापित कर सकें या समान विधियों को विभिन्न क्षेत्रों में लागू कर सकें।
अंततः, यह कार्य बड़े पैमाने पर जनता की आवाज़ सुनने का एक नया तरीका प्रदान करता है। सरल सर्वेक्षण उत्तरों को एक भविष्य कहने वाले उपकरण (प्रेडिक्टिव टूल) में बदलकर, शोधकर्ताओं ने एक ऐसा सिस्टम बनाया है जो स्वास्थ्य अधिकारियों को देश भर में संज्ञानात्मक चिंताओं के दायरे को समझने में मदद कर सकता है। यह टूल इस रहस्य को हल नहीं करता कि लोग ऐसा क्यों महसूस करते हैं, और न ही यह कोई उपचार प्रदान करता है, लेकिन यह एक स्पष्ट, डेटा-संचालित चित्र प्रस्तुत करता है कि कौन संघर्ष कर रहा है और उनके संघर्ष समय के साथ कैसे बदल रहे हैं। यह व्यक्तिगत चिंताओं के संग्रह को एक ऐसे मानचित्र में बदल देता है जो भविष्य के अनुसंधान और सार्वजनिक स्वास्थ्य प्रयासों का मार्गदर्शन कर सकता है, यह सुनिश्चित करता है कि जनसंख्या की जरूरतों को उनके विकसित होने के साथ देखा और समझा जा सके।
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।