Data Auditing and Quality Assurance in a Federated Learning Consortium; Getting the Best of Both Worlds from Cross-Institutional and In-House Data Quality Inspection
यह शोध पत्र यह प्रदर्शित करता है कि इन-हाउस और फेडरेटेड लर्निंग डैशबोर्डों को संयोजित करना अंतर-संस्थागत अनुसंधान के लिए एक इष्टतम डेटा गुणवत्ता आश्वासन मॉडल बनाता है, जो स्थानीय सत्यापन की गहनता और सहयोगात्मक निरीक्षण के स्केलेबल, पारिस्थितिकी तंत्र-व्यापी पैटर्न डिटेक्शन के बीच प्रभावी ढंग से संतुलन बनाता 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
चिकित्सा अनुसंधान की दुनिया में, कुछ सबसे महत्वपूर्ण प्रश्न दुर्लभ बीमारियों से संबंधित होते हैं। क्योंकि ये स्थितियाँ बहुत कम लोगों को प्रभावित करती हैं, इसलिए एक अकेला अस्पताल स्पष्ट उत्तर खोजने के लिए पर्याप्त मामले देख पाता है, यह दुर्लभ है। इसे हल करने के लिए, वैज्ञानिकों को दुनिया भर के कई अलग-अलग अस्पतालों के रिकॉर्ड को संयोजित करने की आवश्यकता होती है। हालाँकि, एक सख्त बाधा रास्ते में खड़ी है: रोगी की गोपनीयता। कानून और नैतिक नियम अस्पतालों को विस्तृत व्यक्तिगत स्वास्थ्य फ़ाइलें किसी केंद्रीय स्थान पर भेजने से रोकते हैं, क्योंकि ऐसा करने से संवेदनशील जानकारी उजागर हो सकती है। इस समस्या से निपटने के लिए, शोधकर्ताओं ने 'फेडरेटेड लर्निंग' नामक एक विधि विकसित की है। डेटा को स्थानांतरित करने के बजाय, वे कंप्यूटर प्रोग्राम को डेटा के पास भेजते हैं। प्रोग्राम प्रत्येक अस्पताल का दौरा करता है, स्थानीय रिकॉर्ड से सीखता है, और केवल गणितीय सबक वापस लाता है, जिससे निजी फ़ाइलें वहीं पीछे रह जाती हैं। यह दृष्टिकोण गोपनीयता भंग किए बिना शक्तिशाली सहयोग की अनुमति देता है, लेकिन यह एक नई समस्या भी पैदा करता है। यदि आप कच्चे (raw) फ़ाइलों को नहीं देख सकते, तो आप कैसे जानेंगे कि उनके भीतर का डेटा सटीक है या नहीं? एक प्रोग्राम सही ढंग से नहीं सीख सकता यदि उसे दिए गए नंबर गलत हों, फिर भी त्रुटियों की जाँच करने के लिए आमतौर पर उन व्यक्तिगत रिकॉर्ड्स को देखने की आवश्यकता होती है जिन्हें छिपाने के लिए सिस्टम बनाया गया है।
शोधकर्ताओं की एक टीम ने STRONG-AYA नामक एक बड़े, विकसित होते नेटवर्क के भीतर इस विशिष्ट दुविधा को हल करने के उद्देश्य से काम किया, जो किशोरों और युवा वयस्कों में कैंसर का अध्ययन करता है। उन्होंने डेटा की गुणवत्ता का निरीक्षण करने के लिए दो अलग-अलग उपकरण, या डैशबोर्ड बनाए। एक उपकरण को एकल अस्पताल के भीतर उपयोग के लिए डिज़ाइन किया गया था, जहाँ शोधकर्ता प्रत्येक व्यक्तिगत रिकॉर्ड देख सकते थे। दूसरा उपकरण फेडरेटेड नेटवर्क के लिए बनाया गया था, जहाँ वह केवल अन्य अस्पतालों से वापस भेजे गए सारांश और सांख्यिकी देख सकता था। यह परीक्षण करने के लिए कि ये उपकरण कितनी अच्छी तरह काम करते हैं, शोधकर्ताओं ने फ्रांस के ल्योन में एक कैंसर केंद्र के स्तन कैंसर रिकॉर्ड का एक वास्तविक डेटासेट लिया और उसकी दो प्रतियां बनाईं। फिर उन्होंने जानबूझकर डेटा में गलतियाँ डालीं, जैसे कि किसी मरीज की आयु को उसके निदान की तारीख से कम दर्ज करना, या किसी विशिष्ट लिंग के लिए मौजूद न होने वाले ट्यूमर प्रकार को असाइन करना। उन्होंने एक ऐसा परिदृश्य भी सिम्युलेट किया जहाँ दो अलग-अलग अस्पतालों ने एक ही बीमारी का वर्णन करने के लिए अलग-अलग कोडिंग सिस्टम का उपयोग किया, जो वास्तविक दुनिया के सहयोग में एक सामान्य समस्या है।
परिणामों ने दिखाया कि दोनों उपकरणों ने एक ही स्थिति के बहुत अलग, फिर भी आवश्यक दृश्य प्रस्तुत किए। इन-हाउस डैशबोर्ड, जिसके पास पूर्ण कच्चे रिकॉर्ड तक पहुंच थी, एक सूक्ष्मदर्शी (microscope) की तरह कार्य करता था। यह सटीक रूप से पहचान सकता था कि किस मरीज में त्रुटि थी, जैसे कि एक गणना किया गया बॉडी मास इंडेक्स जो शारीरिक रूप से असंभव था, और अस्पताल के कर्मचारियों को बता सकता था कि किस विशिष्ट रिकॉर्ड को ठीक करने की आवश्यकता है। इसने पाया कि कैंसर स्टेजिंग मीट्रिक के लिए डेटा बिंदुओं का 9.2 प्रतिशत हिस्सा गायब था, और यह प्रत्येक गायब बिंदु को एक विशिष्ट व्यक्ति से जोड़ सका। इसके विपरीत, फेडरेटेड डैशबोर्ड एक वाइड-एंगल लेंस की तरह था। चूंकि यह व्यक्तिगत नाम या रिकॉर्ड नहीं देख सकता था, इसलिए यह किसी विशिष्ट मरीज की ओर इशारा नहीं कर सकता था। इसके बजाय, इसने पूरे नेटवर्क में पैटर्न को देखा। इसने सफलतापूर्वक पता लगाया कि एक अस्पताल दूसरे की तुलना में एक अलग कोडिंग सिस्टम का उपयोग कर रहा था, एक ऐसी विसंगति जो केवल एक साइट को देखने पर अदृश्य रहती। इसने यह भी पकड़ा कि दो सिम्युलेटेड केंद्रों के बीच कुछ डेटा बिंदुओं का वितरण अलग था, जिससे डेटा रिकॉर्ड करने के तरीके में एक व्यवस्थित अंतर का पता चला।
अध्ययन में पाया गया कि दोनों में से कोई भी उपकरण अपने आप में पूर्ण नहीं था, और केवल एक पर निर्भर रहने से शोध में कमियां रह जाएंगी। इन-हाउस टूल ने डेटा को साफ करने के लिए आवश्यक गहराई प्रदान की, लेकिन यह बड़े चित्र (big picture) को नहीं देख सका कि विभिन्न अस्पताल एक-दूसरे की तुलना में कैसे हैं। फेडरेटेड टूल संस्थानों के बीच व्यापक रुझानों और अंतरों को देख सकता था, लेकिन इसमें विशिष्ट त्रुटियों को ठीक करने की सूक्ष्मता का अभाव था। शोधकर्ताओं ने निष्कर्ष निकाला कि सबसे अच्छा दृष्टिकोण दोनों का एक साथ उपयोग करना है। फेडरेटेड सिस्टम नेटवर्क को व्यापक समस्याओं या साइटों के बीच विसंगतियों के बारे में सचेत कर सकता है, जबकि इन-हाउस सिस्टम प्रत्येक अस्पताल को गहराई से जाने और विशिष्ट गलतियों को सुधारने की अनुमति देता है। यह संयुक्त रणनीति शोधकर्ताओं को अपने रोगियों की गोपनीयता बनाए रखने में मदद करती है और साथ ही यह भी सुनिश्चित करती है कि उनके द्वारा जीवन रक्षक खोजों के लिए उपयोग किया जाने वाला डेटा यथासंभव सटीक और विश्वसनीय हो।
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।