Calibrating self-reported BMI in national surveillance: impact on obesity misclassification and socioeconomic inequalities in Portugal
यह अध्ययन प्रदर्शित करता है कि पुर्तगाल में स्व-रिपोर्ट किए गए मानवमितीय डेटा पर अंशांकन समीकरणों (calibration equations) को लागू करने से मोटापे के प्रसार के व्यवस्थित कम आकलन में सुधार होता है और सामाजिक-आर्थिक असमानताओं, विशेष रूप से महिलाओं के बीच, के मूल्यांकन को परिष्कृत करता है, जिससे राष्ट्रीय मोटापा निगरानी की वैधता बढ़ती 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
कल्पना कीजिए कि आप लोगों को अपनी लंबाई और वजन का अनुमान लगाने के लिए कहकर एक राष्ट्र के स्वास्थ्य का मानचित्र बनाने की कोशिश कर रहे हैं। सरकारों और शोधकर्ताओं के लिए यह एक सामान्य शॉर्टकट है क्योंकि लाखों लोगों को मापना महंगा और समय लेने वाला होता है। हालाँकि, मानवीय स्मृति कोई टेप माप (इंच टेप) नहीं है, और हमारा आत्म-बोध अक्सर इस बात से रंग जाता है कि हम कैसे देखे जाने की इच्छा रखते हैं। लोग अक्सर खुद को वास्तविक कद से अधिक लंबा और वास्तविक वजन से कम वजन का बताते हैं, एक ऐसी आदत जो मोटापे को ट्रैक करने के लिए उपयोग किए जाने वाले डेटा को विकृत कर देती है। जब ये संख्याएँ गलत होती हैं, तो सार्वजनिक स्वास्थ्य की तस्वीर विकृत हो जाती है, जिससे यह देखना कठिन हो जाता है कि कौन वजन संबंधी समस्याओं से जूझ रहा है और आय या शिक्षा जैसे सामाजिक कारक उन संघर्षों को कैसे प्रभावित करते हैं। यदि डेटा त्रुटिपूर्ण है, तो समस्या को ठीक करने के लिए बनाई गई नीतियां पूरी तरह से अपने लक्ष्य से चूक सकती हैं।
पुर्तगाल में, शोधकर्ताओं ने एक राष्ट्रीय सर्वेक्षण द्वारा प्रदान किए गए एक अनूठे अवसर का उपयोग करके इस विरूपण को ठीक करने का प्रयास किया। अध्ययन टीम के पास 3,400 से अधिक वयस्कों के डेटा तक पहुंच थी, जिन्होंने शोधकर्ताओं को अपनी लंबाई और वजन बताया था और फिर उन्हीं के माप प्रशिक्षित कर्मचारियों द्वारा लिए गए थे। इसने उन्हें यह देखने की अनुमति दी कि स्व-रिपोर्ट किए गए नंबर कहाँ गलत हुए थे। उन्होंने एक स्पष्ट पैटर्न पाया: लोग लगातार अपनी लंबाई को बढ़ाकर और अपने वजन को घटाकर बताते थे। यह त्रुटि यादृच्छिक (रैंडम) नहीं थी; जैसे-जैसे लोग उम्र में बड़े होते गए और जैसे-जैसे उनका वास्तविक शारीरिक वजन बढ़ा, यह त्रुटि भी बढ़ती गई। महिलाएं विशेष रूप से अपना वजन कम बताने की संभावना रखती थीं, जबकि पुरुष अक्सर अपनी लंबाई को बढ़ाकर बताते थे। अध्ययन ने यह भी खुलासा किया कि ये गलतियाँ समाज में समान रूप से नहीं फैली थीं; वे इस बात पर निर्भर करती थीं कि व्यक्ति कहाँ रहता है और उसकी शिक्षा का स्तर क्या है।
इन त्रुटियों को सुधारने के लिए, शोधकर्ताओं ने समायोजन नियमों, या अंशांकन समीकरणों (कैलिब्रेशन इक्वेशंस) का एक सेट विकसित किया, जो सरल जानकारी पर आधारित था जो अधिकांश सर्वेक्षणों में पहले से ही एकत्र की जाती है: एक व्यक्ति की आयु, लिंग, वह कहाँ रहता है, और उसका शिक्षा स्तर। इन नियमों में स्व-रिपोर्ट किए गए नंबरों को फीड करके, वे एक "अंशांकित" (कैलिब्रेटेड) अनुमान उत्पन्न कर सके जो वास्तविक मापे गए वजन और लंबाई के बहुत करीब था। परिणाम चौंकाने वाले थे। समायोजन से पहले, स्व-रिपोर्ट किए गए डेटा ने सुझाव दिया कि वास्तव में मौजूद स्थिति की तुलना में कम लोग मोटापे से ग्रस्त थे। भौतिक माप के लगभग सटीक होने के बाद, अंशांकन लागू करने पर, अनुमानित मोटापे की दर वास्तविक मापों से मेल खाती हुई काफी बढ़ गई। महिलाओं के लिए, अंशांकित डेटा ने दिखाया कि मोटापे की दर 26.0 प्रतिशत थी, जो भौतिक मापों में पाए गए 26.2 प्रतिशत के लगभग समान थी। पुरुषों के लिए, अंशांकित आंकड़ा 21.7 प्रतिशत था, जो 22.5 प्रतिशत के वास्तविक माप के बहुत करीब था।
इस सुधार का सबसे महत्वपूर्ण प्रभाव तब देखा गया जब शोधकर्ताओं ने असमानता का परीक्षण किया। उन्होंने देखा कि शिक्षा, आय और रोजगार के विभिन्न स्तरों वाले लोगों के बीच मोटापे की दर कैसे भिन्न होती है। अध्ययन में पाया गया कि बिना सुधारे गए स्व-रिपोर्ट किए गए डेटा पर निर्भर रहने से इन अंतरों की वास्तविक सीमा छिप गई थी, लेकिन पुरुषों और महिलाओं के लिए यह अलग-अलग तरीके से हुआ। महिलाओं के लिए, समायोजन ने वास्तव में सबसे और कम शिक्षित समूहों के बीच के अंतर को थोड़ा व्यापक बना दिया, जिससे पता चला कि पिछले अनुमानों ने इस असमानता को कम करके आंका था। पुरुषों के लिए, इसके विपरीत हुआ; बिना सुधारे गए डेटा ने असमानता को वास्तविक स्थिति से अधिक बड़ा दिखाया था, और अंशांकन ने संख्याओं को अधिक सटीक स्तर पर ला दिया। आय और रोजगार के पैटर्न सुधार से कम प्रभावित थे, लेकिन शिक्षा से संबंधित अंतरों में उल्लेखनीय बदलाव आया।
यह कार्य प्रदर्शित करता है कि जबकि स्व-रिपोर्ट किया गया डेटा सुविधाजनक है, सामाजिक असमानताओं को समझने के लिए इसका एक छिपा हुआ मूल्य (लागत) होता है। शोधकर्ताओं ने दिखाया कि सामान्य जनसांख्यिकीय विवरणों पर आधारित सरल गणितीय समायोजनों का उपयोग करके, राष्ट्रीय स्वास्थ्य सर्वेक्षण बिना प्रत्येक प्रतिभागी को शारीरिक रूप से मापे, मोटापे की एक बहुत अधिक सच्ची तस्वीर प्राप्त कर सकते हैं। यह दृष्टिकोण न केवल मोटापे से ग्रस्त लोगों की कुल संख्या को ठीक करता है; यह यह भी स्पष्ट करता है कि कौन सबसे अधिक जोखिम में है और सामाजिक परिस्थितियाँ उन जोखिमों को कैसे आकार देती हैं। अध्ययन का सुझाव है कि स्वास्थ्य अधिकारियों को अपने सर्वेक्षणों में मापे गए डेटा वाले छोटे समूहों को शामिल करने पर विचार करना चाहिए, जिससे वे इन सुधार उपकरणों का निर्माण कर सकें और यह सुनिश्चित कर सकें कि नंबरों द्वारा बताई गई कहानी वास्तविकता को दर्शाती 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।