Rethinking respiratory disease forecasting: temporal heterogeneity between surveillance predictors and outcomes drives forecast instability
यह अध्ययन प्रदर्शित करता है कि विविध निगरानी भविष्यवाणियों और श्वसन रोग परिणामों के बीच अस्थिर और मौसमी रूप से परिवर्तनशील संबंध स्थिर पूर्वानुमान मॉडलों और दीर्घकालिक ऐतिहासिक प्रशिक्षण की प्रभावशीलता को कमजोर करते हैं, जिससे पूर्वानुमान सटीकता में सुधार के लिए अनुकूलन रणनीतियों और निरंतर मूल्यांकन की आवश्यकता होती 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
हर सर्दियों में, एक परिचित लय वापस आती है: जुकाम, फ्लू और अन्य श्वसन संबंधी बीमारियों के वायरस फैलना शुरू हो जाते हैं, जो अस्पतालों को उनकी सीमाओं तक धकेल देते हैं और समुदायों को सुरक्षा और देखभाल के बारे में कठिन विकल्प चुनने के लिए मजबूर करते हैं। सार्वजनिक स्वास्थ्य अधिकारियों के लिए लक्ष्य यह है कि ये लहरें आने से पहले ही उन्हें देख लिया जाए, जिससे वे अस्पतालों को तैयार कर सकें, कर्मचारियों की तैनाती को समायोजित कर सकें और जनता को सलाह दे सकें। ऐसा करने के लिए, वैज्ञानिकों ने रोग के पूर्वानुमान के लिए मौसम के पूर्वानुमान की तरह काम करने वाली प्रणालियाँ बनाई हैं। बारिश के बादलों को ट्रैक करने के बजाय, ये प्रणालियाँ समुदाय में संक्रमण के संकेतों को ट्रैक करती हैं, जैसे कि कितने लोग खांसी के साथ आपातकालीन कक्षों में जाते हैं, कितने वायरस परीक्षण सकारात्मक आते हैं, या यहाँ तक कि शहर के सीवर सिस्टम से कितना वायरस बह रहा है। इसके पीछे का मूल विचार लंबे समय से यह रहा है कि यदि आप पर्याप्त इतिहास देखते हैं, तो आप एक स्थिर पैटर्न पा सकते हैं: कि इन शुरुआती चेतावनी संकेतों और अंततः अस्पताल पहुँचने वाले लोगों की संख्या के बीच का संबंध समय के साथ स्थिर रहता है। यदि यह सच होता, तो वर्षों के पिछले डेटा पर प्रशिक्षित एक मॉडल अधिक डेटा सीखते हुए बस बेहतर और अधिक सटीक होता जाता।
हालाँकि, यूटा (Utah) का एक नया अध्ययन इस सुखद धारणा को चुनौती देता है। वहाँ के शोधकर्ताओं ने यह परीक्षण करने के लिए हाथ डाला कि क्या इन शुरुआती चेतावनी संकेतों और अस्पताल में भर्ती होने के बीच के संबंध वास्तव में समान रहते हैं, या क्या वे स्वयं वायरस के बदलने के साथ बदलते और परिवर्तित होते हैं। उन्होंने दो प्रमुख श्वसन खतरों के डेटा का विश्लेषण किया: SARS-CoV-2, जो COVID-19 का कारण बनता है, और इन्फ्लुएंजा (influenza)। उन्होंने आयु के आधार पर अस्पताल में भर्ती होने की दैनिक गणना, आपातकालीन कक्षों के दौरे जहाँ रोगियों में इन बीमारियों के लक्षण दिखे, सकारात्मक आए वायरस परीक्षणों का प्रतिशत, और अपशिष्ट जल (wastewater) में वायरल सांद्रता के माप सहित व्यापक जानकारी एकत्र की। विभिन्न प्रकार के डेटा स्ट्रीम की वास्तविक अस्पताल संख्या के विरुद्ध तुलना करके, टीम ने पाया कि चेतावनी संकेतों और परिणामों के बीच के संबंध स्थिर नहीं हैं। जो पैटर्न एक सीजन के दौरान या वायरस के एक संस्करण के लिए सही थे, वे अगले सीजन में अक्सर टूट गए।
शोधकर्ताओं ने पाया कि जब उन्होंने एक साथ कई वर्षों के सभी डेटा को देखा, तो आंकड़ों ने चेतावनी संकेतों और अस्पताल में भर्ती होने के बीच एक मजबूत, सुसंगत संबंध का सुझाव दिया। ऐसा प्रतीत हुआ कि जैसे-जैसे आपातकालीन कक्षों के दौरे बढ़े, अस्पताल में भर्ती होने की संख्या भी विश्वसनीय रूप से बढ़ी। लेकिन यह दृष्टिकोण भ्रामक था। जब वैज्ञानिकों ने विशिष्ट समय अवधि को करीब से देखा, जैसे कि जब वायरस का एक नया वेरिएंट उभरा या किसी विशिष्ट फ्लू सीजन के दौरान, तो वे मजबूत संबंध अक्सर गायब हो गए या उलट गए। उदाहरण के लिए, महामारी की शुरुआती लहरों के दौरान, बच्चों और वयस्स्कों का डेटा एक साथ नहीं चला; एक समूह में जो हो रहा था, वह दूसरे समूह के बारे में बहुत कम बताता था। बाद में, जैसे-जैसे नए वेरिएंट आए, संबंध फिर से बदल गए। यही बात फ्लू के मामले में भी सच थी, जहाँ अपशिष्ट जल के संकेतों और अस्पताल की संख्या के बीच का संबंध हर सीजन में बदल गया। इसका अर्थ यह है कि एक ऐसे मॉडल पर आधारित पूर्वानुमान लगाना जो इस धारणा पर चलता है कि "अधिक इतिहास का अर्थ बेहतर भविष्यवाणी है", वास्तव में खुद को उन पैटर्न पर प्रशिक्षित कर रहा है जो अब अस्तित्व में नहीं हैं, जिससे इसकी भविष्यवाणियाँ कम सटीक होने की संभावना बढ़ जाती है।
यह देखने के लिए कि यह व्यवहार में कैसे काम करता है, टीम ने अस्पताल में भर्ती होने की भविष्यवाणी करने के लिए दर्जनों अलग-अलग पूर्वानुमान मॉडल चलाए। उन्होंने इन मॉडलों को सिखाने के दो मुख्य तरीके परीक्षण किए: एक विधि ने हाल के डेटा की एक निश्चित विंडो का उपयोग किया, जबकि दूसरी विधि ने इसमें पुराने से पुराना डेटा जोड़ना जारी रखा, यह मानकर कि एक बड़ा इतिहास मदद करेगा। परिणाम आश्चर्यजनक थे। वे मॉडल जिन्होंने पुराने ऐतिहासिक डेटा को ढेर करना जारी रखा, उन मॉडलों की तुलना में खराब प्रदर्शन करते रहे जिन्होंने केवल हाल के हफ्तों पर ध्यान केंद्रित किया। कई मामलों में, सबसे लंबे इतिहास के डेटा पर प्रशिक्षित मॉडल प्रकोप के मोड़ (turning points) की भविष्यवाणी करने में विफल रहे, जैसे कि कब मामले बढ़ने लगे या कब वे गिरने लगे। वे मॉडल जो वर्तमान स्थिति के प्रति तेजी से अनुकूलित हुए और दूर के अतीत को अनदेखा कर दिया, वे अक्सर अधिक विश्वसनीय थे। यह सुझाव देता है कि श्वसन संबंधी वायरसों की दुनिया एक एकल, स्थिर सूत्र के लिए बहुत अधिक परिवर्तनशील है। वायरस का व्यवहार, लोगों द्वारा चिकित्सा सहायता लेने का तरीका, और हमारे पानी और क्लीनिकों में वायरस का दिखना, ये सभी निरंतर परिवर्तन की स्थिति में हैं।
अध्ययन ने यह भी खुलासा किया कि कोई भी एक प्रकार का मॉडल या डेटा स्रोत रामबाण (silver bullet) नहीं था। एक विधि जो महामारी की एक लहर के दौरान पूरी तरह से काम करती थी, वह अगली लहर के दौरान पूरी तरह विफल हो सकती है। इसी तरह, एक मॉडल जिसने एक वर्ष फ्लू के चरम की सटीक भविष्यवाणी की, वह अगले सीजन में चूक सकता है। शोधकर्ताओं ने पाया कि सबसे अच्छा दृष्टिकोण एक "सर्वश्रेष्ठ" मॉडल पर भरोसा करना नहीं था, बल्कि कई अलग-अलग मॉडलों के एक विविध समूह का उपयोग करना था जो एक साथ काम कर रहे हों। कई अलग-अलग दृष्टिकोणों की भविष्यवाणियों को मिलाकर, प्रणाली मजबूत बनी रह सकती है भले ही बीमारी के अंतर्निहित नियम बदल जाएं। यह दृष्टिकोण स्वीकार करता है कि भविष्य अतीत का एक साधारण पुनरावृत्ति (replay) नहीं है। यह मानते हुए कि अतीत भविष्य की कुंजी है, भविष्यवाणियों के बजाय, सार्वजनिक स्वास्थ्य पूर्वानुमानकों को लगातार यह जांचने की आवश्यकता है कि उनके उपकरण अभी भी काम कर रहे हैं या नहीं और वायरस के विकसित होने के साथ अपनी विधियों को बदलने के लिए तैयार रहना चाहिए।
अंततः, यूटा का कार्य यह सुझाव देता है कि श्वसन संबंधी रोगों का पूर्वानुमान लगाना मौसम के पूर्वानुमान जैसा नहीं है, जहाँ वायुमंडल का भौतिक विज्ञान काफी हद तक सुसंगत रहता है, बल्कि यह एक नदी के नेविगेशन जैसा है जो अपना मार्ग लगातार बदलती रहती है। मौसम, बारिश और भूभाग के आधार पर पानी अलग तरह से बहता है। शोधकर्ताओं ने निष्कर्ष निकाला कि इन वायरसों से आगे रहने के लिए, सार्वजनिक स्वास्थ्य प्रणालियों को एक एकल, पूर्ण मॉडल के विचार को त्यागना होगा जो उपलब्ध सभी इतिहास पर प्रशिक्षित हो। इसके बजाय, उन्हें लचीली प्रणालियाँ बनानी चाहिए जो वास्तविक समय में अपने प्रदर्शन का मूल्यांकन कर सकें, उन धारणाओं को छोड़ सकें जो अब फिट नहीं बैठती हैं, और एक बदलते परिदृश्य को समझने के लिए विभिन्न दृष्टिकोणों पर निर्भर रह सकें। इसके लिए वैज्ञानिकों और सार्वजनिक स्वास्थ्य अधिकारियों के बीच निरंतर साझेदारी की आवश्यकता है, यह सुनिश्चित करते हुए कि समुदायों की रक्षा के लिए उपयोग किए जाने वाले उपकरण उन खतरों के जितने गतिशील और उत्तरदायी हैं जिनका वे पता लगाने के लिए डिज़ाइन किए गए हैं।
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।