Quantifying advances in infectious disease forecast skill across seasons and pathogens
यह अध्ययन पूर्वानुमानों की तुलना हिंडकास्ट (hindcast) और बेसलाइन बेंचमार्क से करने वाले एक नवीन कौशल स्कोर मीट्रिक को प्रस्तुत करता है ताकि यह प्रदर्शित किया जा सके कि इन्फ्लुएंजा और कोविड-19 के लिए एंसेम्बल और टीम पूर्वानुमानों के कौशल में पिछले एक दशक में, कोविड-19 के मिश्रित परिणामों के बावजूद, आम तौर पर सुधार हुआ 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 एक महीने बाद के मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। आप मौसमों के सामान्य पैटर्न को जानते हैं, लेकिन तूफान का सटीक मार्ग, बारिश का सटीक दिन, या हवा कितनी तेज चलेगी, यह केवल एक अनुमान बना रहता है। संक्रामक रोग पूर्वानुमान भी काफी हद तक इसी तरह काम करता है। बादलों और वायु-क्षेत्रों (fronts) के बजाय, वैज्ञानिक वायरस और बैक्टीरिया को ट्रैक करते हैं, और इस डेटा का उपयोग करते हैं कि कितने लोग बीमार हो रहे हैं, कितने अस्पताल में भर्ती हैं, और कितने लोगों की मृत्यु हो रही है। इसका लक्ष्य सार्वजनिक स्वास्थ्य अधिकारियों को एक अग्रिम सूचना देना है, जिससे वे दवाइयों का स्टॉक जमा कर सकें, अस्पताल के बेड तैयार कर सकें, और बीमारी की लहर आने से पहले समुदायों को सचेत कर सकें। एक दशक से अधिक समय से, संयुक्त राज्य अमेरिका में शोधकर्ता एक विशाल, सहयोगात्मक प्रयोग चला रहे हैं ताकि यह देखा जा सके कि क्या वे इन भविष्यवाणियों में बेहतर हो सकते हैं। उन्होंने दर्जनों अलग-अलग टीमों द्वारा किए गए हजारों पूर्वानुमानों को एकत्र किया है, जिसमें मौसमी फ्लू से लेकर कोविड-19 जैसी वैश्विक महामारी तक सब कुछ शामिल है। लेकिन एक महत्वपूर्ण प्रश्न बना हुआ है: क्या ये पूर्वानुमान वास्तव में समय के साथ बेहतर हो रहे हैं, या वे बस एक ही जगह पर चक्कर काट रहे हैं?
इसका उत्तर देने के लिए, नॉर्थईस्टर्न यूनिवर्सिटी और सेंटर्स फॉर डिजीज कंट्रोल एंड प्रिवेंशन (CDC) के शोधकर्ताओं की एक टीम ने सफलता को मापने का एक नया तरीका विकसित किया। अतीत में, वैज्ञानिक पूर्वानुमानों की तुलना ऐसे स्कोर का उपयोग करके करते थे जो उन्हें बताते थे कि एक विशिष्ट सप्ताह के लिए कौन सा मॉडल दूसरे से बेहतर था, लेकिन इन स्कोर की तुलना विभिन्न बीमारियों या विभिन्न वर्षों के बीच करना कठिन था। एक स्कोर जो हल्के फ्लू के मौसम के लिए अच्छा लग सकता था, वह एक अराजक महामारी वाले वर्ष के लिए बहुत खराब लग सकता था, इसलिए नहीं कि मॉडल विफल रहा, बल्कि इसलिए क्योंकि स्थिति स्वयं अधिक कठिन थी। शोधकर्ताओं को एक ऐसे पैमाने (रूलर) की आवश्यकता थी जो डेटा कितना भी अव्यवस्थित क्यों न हो, प्रगति को निष्पक्ष रूप से माप सके। उन्होंने एक "स्किल स्कोर" बनाया, जो एक मीट्रिक है जो प्रत्येक पूर्वानुमान की तुलना दो विशिष्ट संदर्भ बिंदुओं से करता है। पहला है एक "हिंदकास्ट" (hindcast), जो एक पूर्ण 'लुक-बैक' है। कल्पना कीजिए कि यदि आप भविष्य देख सकते और फिर डेटा संग्रह में सभी शोर और त्रुटियों को ध्यान में रखते हुए बिल्कुल वही लिख पाते जो हुआ था। यह पूर्णतः सर्वश्रेष्ठ संभव प्रदर्शन का प्रतिनिधित्व करता है। दूसरा संदर्भ बिंदु एक "बेसलाइन" (baseline) है, जो एक सरल अनुमान है जिसे एक कंप्यूटर बिना किसी जटिल मॉडलिंग के लगा सकता है। यह मापने के लिए कि एक वास्तविक पूर्वानुमान एक सरल अनुमान की तुलना में कितना बेहतर है, और यह 'परफेक्ट लुक-बैक' के कितने करीब पहुँचता है, शोधकर्ता अंततः यह देख सके कि क्या क्षेत्र वास्तव में आगे बढ़ रहा है।
टीम ने इस नए मापने वाले पैमाने को दस वर्षों में उत्पन्न 2.5 मिलियन से अधिक पूर्वानुमानों पर लागू किया। उन्होंने इन्फ्लुएंजा जैसी बीमारी, अस्पताल में भर्ती होने और मृत्यु दर के साथ-साथ कोविड-19 के समान लक्ष्यों का अध्ययन किया। उन्होंने इन पूर्वानुमानों का परीक्षण तीन अलग-अलग प्रकार के सरल बेसलाइन्स के विरुद्ध किया: एक जिसने बीमारी के दीर्घकालिक इतिहास को देखा, एक जिसने यह माना कि अगला सप्ताह पिछले सप्ताह जैसा ही होगा, और एक जो डेटा के हालिया रुझान का अनुसरण करता था। परिणाम फ्लू के लिए स्पष्ट थे। सभी पूर्वानुमान टीमों के सामूहिक प्रयास, जिसे 'एन्सेम्बल' (ensemble) कहा जाता है, ने लगातार सरल अनुमानों को पछाड़ दिया। इससे भी महत्वपूर्ण बात यह है कि इन पूर्वानुमानों का कौशल समय के साथ लगातार सुधरा है। हाल के फ्लू सीजन के लिए चार सप्ताह पहले किया गया एक पूर्वानुमान, पहले वर्ष के दौरान केवल एक सप्ताह पहले किए गए पूर्वानुमान की तुलना में अधिक सटीक था। यह सुझाव देता है कि जैसे-जैसे टीमों के पास सीखने के लिए अधिक समय, अध्ययन के लिए अधिक डेटा और उपयोग के लिए बेहतर उपकरण मिले हैं, वे वास्तव में फ्लू के भविष्य को देखने में बेहतर हुए हैं।
कोविड-19 की कहानी अधिक जटिल थी, जो एक नई बीमारी की अनूठी चुनौतियों को दर्शाती है। महामारी के शुरुआती दिनों में, जब सीखने के लिए ऐतिहासिक डेटा लगभग शून्य था, पूर्वानुमान मामलों और मौतों की भविष्यवाणी करने में आश्चर्यजनक रूप से अच्छे थे, जिन्होंने सरल बेसलाइन्स को पीछे छोड़ दिया। हालांकि, जैसे-जैसे महामारी विकसित हुई और खेल के नियम बदले—जैसे कि जब परीक्षण के तरीकों में बदलाव आया या रिपोर्टिंग सिस्टम अपडेट किए गए—पूर्वानुमानों की सटीकता में गिरावट आई। मॉडल डेटा संग्रह के तरीकों में आए इन अचानक परिवर्तनों के साथ तालमेल बिठाने में संघर्ष करते रहे। जबकि अस्पताल में भर्ती होने के पूर्वानुमानों में अंततः सुधार के संकेत मिले, दैनिक मामलों और मौतों के पूर्वानुमानों में वैसा स्पष्ट ऊपर की ओर रुझान नहीं दिखा। यह एक प्रमुख सबक को रेखांकित करता है: पूर्वानुमान तब सबसे अच्छा काम करता है जब बीमारी के पैटर्न स्थिर हों और डेटा सुसंगत हो। जब डेटा संग्रह के तरीकों में बदलाव आता है, तो सबसे स्मार्ट एल्गोरिदम भी अपनी पकड़ बनाने के लिए संघर्ष करते हैं।
शोधकर्ताओं ने पाया कि सबसे सफल पूर्वानुमान केवल बेहतर गणित या तेज़ कंप्यूटरों का परिणाम नहीं थे, बल्कि बेहतर डेटा और निरंतर सहयोग का परिणाम थे। फ्लू के पूर्वानुमानों को दशकों की निरंतर रिपोर्टिंग का लाभ मिला, जिससे मॉडलों को मौसम की लय को सीखने में मदद मिली। इसके विपरीत, कोविड-19 मामलों के साथ संघर्ष अक्सर मामलों को गिनने के तरीकों में बदलाव से जुड़ा था, जिसने ऐसी उलझन पैदा की जिसे कोई भी मॉडल आसानी से सुलझा नहीं सका। अध्ययन ने यह भी खुलासा किया कि जबकि सबसे अच्छे सामूहिक पूर्वानुमान बहुत मजबूत थे, कई व्यक्तिगत टीमें अभी भी सबसे सरल बेसलाइन्स को मात देने के लिए संघर्ष कर रही थीं। यह सुझाव देता है कि जबकि पूरा क्षेत्र आगे बढ़ रहा है, फिर भी सर्वश्रेष्ठ मॉडलों और औसत मॉडलों के बीच एक बड़ा अंतर है। नया स्किल स्कोर ढांचा इस प्रगति को स्पष्ट रूप से देखने का एक तरीका प्रदान करता है, जो कार्य की कठिनाई को भविष्यवाणी की गुणवत्ता से अलग करता है। यह दिखाता है कि संक्रामक रोग पूर्वानुमान एक परिपक्व होता विज्ञान है, जो मानव रोग की जटिल वास्तविकता को समझने की कोशिश कर रहा है, लेकिन यह हमें यह भी याद दिलाता है कि सार्वजनिक स्वास्थ्य के कुछ सबसे अप्रत्याशित क्षण अभी भी हमारी पहुंच से बाहर 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।