Predicting Cervical Cancer Screening Utilization Among Women of Reproductive Age in Ethiopia Using Supervised Machine Learning: A Nationally Representative 2024/25 EDHS Study
2024/25 के इथियोपियाई जनसांख्यिकीय और स्वास्थ्य सर्वेक्षण का उपयोग करते हुए, इस अध्ययन ने एक संभाव्यता-कैलिब्रेटेड एक्सट्रीम ग्रेडिएंट बूस्टिंग मशीन लर्निंग मॉडल विकसित और मान्य किया है जो सर्वाइकल कैंसर स्क्रीनिंग उपयोग की भविष्यवाणी करने में पारंपरिक तरीकों से बेहतर प्रदर्शन करता है, जिससे लक्षित सार्वजनिक स्वास्थ्य हस्तक्षेपों के मार्गदर्शन के लिए प्रमुख सामाजिक-आर्थिक और व्यवहार संबंधी चालकों की पहचान की जा सके।
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
गर्भाशय ग्रीवा का कैंसर (सर्वाइकल कैंसर) एक ऐसी बीमारी है जिसे घातक होने से पहले ही रोका जा सकता है, फिर भी यह दुनिया के कई हिस्सों में महिलाओं की मृत्यु का एक प्रमुख कारण बना हुआ है। इसका समाधान अवधारणा में सरल है लेकिन व्यवहार में कठिन: नियमित जांच डॉक्टर को बीमारी के लक्षण प्रकट होने से बहुत पहले ही उसके शुरुआती संकेतों को खोजने और उपचार करने की अनुमति देती है। समृद्ध देशों में, संगठित कार्यक्रमों ने इस जांच को एक नियमित प्रक्रिया बना दिया है, जिससे मृत्यु दर में भारी कमी आई है। हालांकि, इथियोपिया जैसे देशों में, जहाँ संसाधन सीमित हैं और समुदाय विशाल हैं, महिलाओं को इन स्क्रीनिंग सेवाओं तक पहुँचाना एक बड़ी चुनौती है। वर्तमान प्रयास अक्सर व्यापक, 'एक ही आकार सबके लिए' (वन-साइज़-फिट्स-ऑल) वाले दृष्टिकोणों पर निर्भर करते हैं जो उन विशिष्ट महिलाओं को नहीं देख पाते जिन्हें मदद की सबसे अधिक आवश्यकता है। इसे हल करने के लिए, शोधकर्ता एक अलग तरह के उपकरण की ओर मुड़ रहे हैं: कंप्यूटर मॉडल जो मानव व्यवहार की भविष्यवाणी करने के लिए डेटा से सीखते हैं। ये मॉडल केवल अनुमान नहीं लगाते; वे हजारों पिछले रिकॉर्डों का विश्लेषण करते हैं ताकि उन छिपे हुए पैटर्न को खोज सकें कि क्या चीज़ एक महिला को देखभाल प्राप्त करने या उससे दूर रहने के लिए प्रेरित करती है।
इथियोपिया में शोधकर्ताओं की एक टीम ने हाल ही में इस महत्वपूर्ण प्रश्न पर यह दृष्टिकोण लागू किया है: देश की प्रजनन आयु वाली लाखों महिलाओं में से कौन सर्वाइकल कैंसर की जांच कराने की सबसे अधिक संभावना रखती है, और क्यों? सबसे हालिया राष्ट्रीय स्वास्थ्य सर्वेक्षण का उपयोग करते हुए, जिसने पूरे देश की 15,000 से अधिक महिलाओं की जानकारी एकत्र की, उन्होंने एक परिष्कृत कंप्यूटर प्रणाली बनाई जो स्क्रीनिंग के निर्णयों के पीछे के जटिल कारणों को समझने के लिए डिज़ाइन की गई है। साधारण नियमों पर निर्भर रहने के बजाय, टीम ने छह अलग-अलग प्रकार के लर्निंग एल्गोरिदम को प्रशिक्षित किया, जिससे उन्हें उन कारकों के सूक्ष्म संयोजनों को पहचानने में मदद मिली—जैसे शिक्षा, धन और सूचना तक पहुँच—जो एक महिला को स्क्रीनिंग कराने के लिए प्रेरित करते हैं। लक्ष्य केवल अतीत को समझना नहीं था, बल्कि एक विश्वसनीय उपकरण बनाना था जो भविष्य में स्वास्थ्य कर्मियों को उन महिलाओं की पहचान करने में मदद कर सके जिन्होंने कभी स्क्रीनिंग नहीं कराई है और उन्हें सही सहायता के साथ लक्षित कर सके।
अध्ययन की शुरुआत इथियोपिया की जनसंख्या का प्रतिनिधित्व करने वाले एक विशाल डेटासेट के साथ हुई, जिसमें महिला की आयु और उसके रहने के स्थान से लेकर बीमारी के बारे में उसकी जानकारी और अपने स्वास्थ्य संबंधी निर्णय लेने की उसकी क्षमता तक के विवरण शामिल थे। शोधकर्ताओं ने पाया कि राष्ट्रीय स्क्रीनिंग दर चिंताजनक रूप से कम थी, जिसमें केवल लगभग 4 प्रतिशत महिलाओं ने कभी स्क्रीनिंग कराई थी। इसका अर्थ यह था कि अध्ययन में शामिल प्रत्येक 100 महिलाओं में से 96 ने कभी इस जीवन रक्षक जांच का लाभ नहीं उठाया था। डेटा ने स्पष्ट विभाजन दिखाए: शहरों की महिलाएं ग्रामीण गांवों की महिलाओं की तुलना में स्क्रीनिंग कराने के लिए बहुत अधिक सक्षम थीं, और उच्च शिक्षा या अधिक धन वाली महिलाएं बिना शिक्षा या धन वाली महिलाओं की तुलना में सेवाओं तक पहुँचने में बहुत अधिक सक्षम थीं। महत्वपूर्ण रूप से, शोधकर्ताओं ने पाया कि गर्भाशय ग्रीवा के कैंसर के बारे में जानना स्क्रीनिंग कराने का सबसे मजबूत भविष्यवक्ता (प्रिडिक्टर) था, फिर भी अध्ययन में शामिल अधिकांश महिलाओं ने इस बीमारी के बारे में कभी सुना भी नहीं था।
इन जटिल पैटर्न को समझने के लिए, शोधकर्ताओं ने कई अलग-अलग कंप्यूटर लर्निंग विधियों का परीक्षण किया। उन्होंने पाया कि एक विशिष्ट प्रकार का उन्नत एल्गोरिदम, जिसे 'एक्सट्रीम ग्रेडिएंट बूस्टिंग' के रूप में जाना जाता है, सार्वजनिक स्वास्थ्य में आमतौर पर उपयोग किए जाने वाले पारंपरिक सांख्यिकीय तरीकों की तुलना में कहीं अधिक बेहतर था। जबकि मानक तरीके सामान्य रुझानों की पहचान कर सकते थे, यह उन्नत मॉडल उन कारकों के जटिल जाल को देख सकता था जो एक महिला के निर्णय को प्रभावित करते हैं। उदाहरण के लिए, इसने सीखा कि केवल शिक्षा पर्याप्त नहीं थी; शिक्षा का लाभ तब कई गुना बढ़ जाता था जब महिला शहरी क्षेत्र में भी रहती थी। इसी तरह, बीमारी के बारे में जानने से केवल तभी स्क्रीनिंग होती थी जब महिला के पास अपने साथी की अनुमति के बिना अपने स्वास्थ्य संबंधी निर्णय लेने की शक्ति भी होती थी। मॉडल इतना सटीक था कि वह उन महिलाओं के बीच अंतर कर सका जिन्होंने स्क्रीनिंग कराई थी और जिन्होंने नहीं कराई थी, एक ऐसे स्तर की सटीकता के साथ जो पिछले प्रयासों से कहीं अधिक थी।
टीम द्वारा उठाया गया सबसे महत्वपूर्ण कदमों में से एक यह सुनिश्चित करना था कि कंप्यूटर की भविष्यवाणियां ईमानदार और विश्वसनीय हों। जटिल कंप्यूटर मॉडल अक्सर अति-आत्मविश्वासी हो जाते हैं, जो ऐसी संभावनाओं की भविष्यवाणी करते हैं जो बहुत अधिक या बहुत कम होती हैं। शोधकर्ताओं ने मॉडल के आउटपुट को समायोजित करने के लिए 'कैलिब्रेशन' नामक तकनीक का उपयोग किया, यह सुनिश्चित करते हुए कि यदि मॉडल भविष्यवाणी करता है कि किसी महिला के स्क्रीनिंग कराने की 10 प्रतिशत संभावना है, तो वह संभावना वास्तविकता से मेल खाती हो। इस समायोजन के बाद, मॉडल एक भरोसेमंद मार्गदर्शक बन गया। इसने दिखाया कि विशिष्ट, गैर-आक्रामक (नॉन-इनवेसिव) प्रश्नों पर ध्यान केंद्रित करके—जैसे कि क्या महिला ने बीमारी के बारे में सुना है, क्या उसने हाल ही में किसी क्लिनिक का दौरा किया है, और अपने स्वास्थ्य देखभाल में उसकी कितनी भूमिका है—स्वास्थ्य कार्यकर्ता सटीक रूप से उन महिलाओं की पहचान कर सकते थे जो कभी स्क्रीनिंग कराने के उच्च जोखिम पर थीं।
शोधकर्ताओं ने यह समझाने के लिए भी एक विधि का उपयोग किया कि कंप्यूटर अपने निष्कर्षों तक कैसे पहुँचा, जिससे एल्गोरिदम के "ब्लैक बॉक्स" को तोड़कर संख्याओं के पीछे के मानवीय तर्क को दिखाया जा सके। इस विश्लेषण ने पुष्टि की कि स्क्रीनिंग के लिए सबसे शक्तिशाली चालक बीमारी की जागरूकता, माध्यमिक या उच्च शिक्षा, और अपने स्वास्थ्य संबंधी निर्णयों के लिए स्वतंत्रता थी। इसने यह भी रेखांकित किया कि स्वास्थ्य प्रणाली के साथ हालिया संपर्क, जैसे कि बच्चे के टीकाकरण या प्रसव पूर्व देखभाल के लिए क्लिनिक का दौरा करना, एक मजबूत संकेत था कि महिला सर्वाइकल कैंसर के लिए स्क्रीनिंग हेतु तैयार है। ये निष्कर्ष बताते हैं कि स्क्रीनिंग की बाधाएं केवल दूरी या लागत के बारे में नहीं हैं, बल्कि ज्ञान, स्वायत्तता और दैनिक जीवन की संरचना में गहराई से निहित हैं।
शोधकर्ता प्रस्ताव देते हैं कि इस कैलिब्रेटेड कंप्यूटर मॉडल को इथियोपिया के हजारों सामुदायिक स्वास्थ्य कार्यकर्ताओं द्वारा उपयोग किए जाने वाले मोबाइल टैबलेट में सीधे एकीकृत किया जा सकता है। जैसे ही ये कार्यकर्ता घरों का दौरा करेंगे, वे कुछ प्रश्नों के सरल उत्तर दर्ज कर सकेंगे, और सिस्टम तुरंत उन महिलाओं को चिह्नित कर देगा जिन्होंने कभी स्क्रीनिंग नहीं कराई है और यह भी बताएगा कि क्यों। यह अनुमान लगाने के बजाय कि किन घरों को प्राथमिकता दी जानी चाहिए, स्वास्थ्य कर्मी अपना सीमित समय और संसाधन उन महिलाओं पर केंद्रित कर सकते हैं जिन्हें उनकी सबसे अधिक आवश्यकता है, उन्हें अनुकूलित सलाह दे सकते हैं और रेफरल की व्यवस्था कर सकते हैं। यह दृष्टिकोण सार्वजनिक स्वास्थ्य को एक व्यापक, बिखरे हुए प्रयास से एक सटीक, लक्षित रणनीति की ओर ले जाता है। प्रत्येक महिला के सामने आने वाली विशिष्ट बाधाओं को समझने के लिए डेटा का उपयोग करके, देश उन महिलाओं के बीच के अंतर को पाटने की शुरुआत कर सकता है जो सुरक्षित हैं और वे जो असुरक्षित बनी हुई हैं, जिससे एक जटिल सांख्यिकीय मॉडल को जीवन बचाने वाले एक व्यावहारिक उपकरण में बदला 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।