A Review of Suicide-Related Risks through Propensity Score Methods using the Maryland Suicide Data Warehouse

चिकित्सा विज्ञान में यह अनुमान लगाना कि कौन व्यक्ति आत्महत्या कर सकता है, सबसे कठिन चुनौतियों में से एक है। डॉक्टर और शोधकर्ता लंबे समय से जानते हैं कि कुछ स्थितियाँ, जैसे गंभीर अवसाद या नशीली दवाओं का सेवन, किसी व्यक्ति के लिए आत्महत्या से मरने की संभावना को बढ़ा देती हैं। हालाँकि, यह जानना कि कौन से कारक सबसे महत्वपूर्ण हैं, जटिल है क्योंकि लोगों के पास शायद ही कभी केवल एक समस्या होती है। एक व्यक्ति चिंता, नौकरी खोने और पुराने दर्द से एक साथ जूझ रहा हो सकता है। जब शोधकर्ता कंप्यूटर मॉडल का उपयोग करके इन स्थितियों का अध्ययन करने की कोशिश करते हैं, तो ओवरलैपिंग (एक-दूसरे पर चढ़ने वाले) कारकों की विशाल संख्या परिणामों को भ्रमित कर सकती है। यह बताना कठिन हो जाता है कि क्या कोई विशिष्ट निदान जोखिम का कारण है, या यह केवल व्यक्ति की कठिन जीवन परिस्थितियों का एक दुष्प्रभाव है। इस समस्या को हल करने के लिए, वैज्ञानिकों ने सांख्यिकीय उपकरण विकसित किए हैं जो एक तराजू की तरह काम करते हैं, जिससे वे विभिन्न समूहों को संतुलित कर सकते हैं ताकि वे निष्पक्ष रूप से तुलना कर सकें, मानो वे उस एक कारक को छोड़कर हर मामले में समान हों जिसका परीक्षण किया जा रहा है।

जॉन्स हॉपकिन्स यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इन उपकरणों का परीक्षण वास्तविक दुनिया के डेटा के एक विशाल संग्रह पर करने का निर्णय लिया ताकि यह देखा जा सके कि क्या वे स्पष्ट कर सकते हैं कि आत्महत्या के जोखिम को वास्तव में क्या प्रेरित करता है। उन्होंने मैरीलैंड राज्य के एक डेटाबेस के साथ काम किया जो अस्पतालों और क्लीनिकों के मेडिकल रिकॉर्ड को आधिकारिक मृत्यु रिकॉर्ड के साथ जोड़ता है। इससे उन्हें लगभग दस लाख जीवित रोगियों को देखने और 2016 से 2020 के बीच आत्महत्या से मरने वाले लगभग दो हजार लोगों के साथ उनकी तुलना करने का अवसर मिला। शोधकर्ता यह देखना चाहते थे कि क्या इन उन्नत वेटिंग (भार देने वाली) विधियों का उपयोग करने से कहानी बदल जाती है, विशेष रूप से इस संबंध में कि मृत्यु से एक वर्ष पहले लोग कितनी बार डॉक्टरों के पास जाते थे और उनके पास कौन से विशिष्ट निदान थे।

शोधकर्ताओं ने बिना किसी समायोजन के कच्चे आंकड़ों (raw numbers) को देखकर शुरुआत की। स्वाभाविक रूप से, उन्होंने पाया कि जो लोग आत्महत्या से मरे थे, उनमें बाइपोलर डिसऑर्डर, पोस्ट-ट्रॉमेटिक स्ट्रेस या साइकोटिक डिसऑर्डर जैसी मानसिक स्वास्थ्य स्थितियों के निदान होने की संभावना जीवित रोगियों की तुलना में बहुत अधिक थी। उनमें ड्रग या अल्कोहल के सेवन के संघर्ष की भी अधिक संभावना थी। अनएडजस्टेड (बिना समायोजित) डेटा में, बाइपोलर डिसऑर्डर के निदान वाले व्यक्ति के लिए बिना उस निदान वाले व्यक्ति की तुलना में आत्महत्या से मरने की संभावना लगभग छब्बीस गुना अधिक दिखाई दे रही थी। इसी तरह, पदार्थ के सेवन के इतिहास या आवास अस्थिरता जैसे सामाजिक संघर्षों ने परिणाम के साथ मजबूत संबंध दिखाया। डेटा ने यह भी दिखाया कि इन व्यक्तियों ने सामान्य आबादी की तुलना में डॉक्टरों, आपातकालीन कक्षों और अस्पतालों के चक्कर बहुत अधिक लगाए, विशेष रूप से मृत्यु से कुछ दिनों और हफ्तों पहले।

हालाँकि, जब शोधकर्ताओं ने समूहों को संतुलित करने के लिए सांख्यिकीय वेटिंग विधियों को लागू किया, तो कहानी काफी बदल गई। जब उन्होंने इस तथ्य के लिए समायोजन किया कि मानसिक बीमारी वाले लोगों में अक्सर अन्य ओवरलैपिंग समस्याएं होती हैं, तो कुछ स्थितियों और आत्महत्या के जोखिम के बीच का संबंध बदल गया। कुछ स्थितियों के लिए, जोखिम प्रारंभिक संख्या की तुलना में और भी अधिक दिखाई दिया। उदाहरण के लिए, समूहों को संतुलित करने के बाद, ओपियोइड के उपयोग और आत्महत्या से मृत्यु के बीच का संबंध और भी मजबूत हो गया, जिसमें समायोजित विश्लेषण ने प्रारंभिक मॉडल के 2.1 की तुलना में 3.08 का ऑड्स रेशियो दिखाया। यही बात कई प्रकार के पदार्थ सेवन विकारों वाले लोगों के लिए भी सच थी; समायोजित विश्लेषण ने दिखाया कि उनका जोखिम अस्पताल के दौरों की एक साधारण गिनती की तुलना में कहीं अधिक था।

सबसे आश्चर्यजनक बदलाव शायद सामाजिक जरूरतों के साथ हुआ। अनएडजस्टेड विश्लेषण में, आवास अस्थिरता या खाद्य असुरक्षा जैसी सामाजिक जरूरतों का होना वास्तव में आत्महत्या के जोखिम को कम करता हुआ प्रतीत हुआ, जो विरोधाभासी लगता है। लेकिन एक बार जब शोधकर्ताओं ने इन रोगियों द्वारा सामना की जाने वाली जटिल चिकित्सा और सामाजिक कारकों के लिए वेटिंग विधियों का उपयोग किया, तो तस्वीर पूरी तरह से पलट गई। समायोजित परिणामों ने दिखाया कि ये सामाजिक संघर्ष वास्तव में मजबूत जोखिम कारक थे, जिससे आत्महत्या से मृत्यु की संभावना तीन गुना से अधिक बढ़ गई। यह सुझाव देता है कि प्रारंभिक मॉडल पूर्ण चित्र को पकड़ने में विफल रहे, संभवतः इसलिए क्योंकि गंभीर सामाजिक जरूरतों वाले लोग अलग प्रकार की देखभाल प्राप्त कर रहे थे जिसने वास्तविक खतरे को छिपा दिया था।

अध्ययन ने इस बात पर भी बारीकी से नज़र डाली कि लोग कितनी बार डॉक्टर के पास जाते थे और मृत्यु के कितने करीब वे दौरे होते थे। शोधकर्ताओं ने पाया कि संपर्क की आवृत्ति एक शक्तिशाली संकेत थी। जो लोग आत्महत्या से मरे थे, उनकी मृत्यु से एक वर्ष पहले चिकित्सा मुलाकातों की संख्या जीवित रोगियों की तुलना में बहुत अधिक थी। यह अंतर जीवन के अंतिम सप्ताह में सबसे नाटकीय हो गया। मृत्यु के सात दिनों में, मरने वाले लोगों में से 2.6% के छह या अधिक अलग-अलग मेडिकल दौरे हुए थे, जबकि नियंत्रण समूह के बहुत कम लोगों के इतने दौरे हुए थे। जब शोधकर्ताओं ने उच्च संपर्क आवृत्ति के आधार पर जोखिम की गणना की, तो अंतर स्पष्ट था: एक सप्ताह में छह या अधिक दौरों का होना, कम दौरों की तुलना में लगभग सौ गुना अधिक जोखिम से जुड़ा था। यह पैटर्न सभी सांख्यिकीय विधियों में बना रहा, जिससे पुष्टि हुई कि चिकित्सा गतिविधि में अचानक उछाल एक महत्वपूर्ण चेतावनी संकेत है।

शोधकर्ताओं ने निष्कर्ष निकाला कि सही उत्तर प्राप्त करने के लिए ये सांख्यिकीय वेटिंग उपकरण आवश्यक हैं। उन्होंने पाया कि पारंपरिक तरीके अक्सर विवरणों को धुंधला कर देते हैं, जिससे किसी जोखिम कारक की वास्तविक ताकत को देखना कठिन हो जाता है। इन उपकरणों का उपयोग करके, वे देख सके कि सामाजिक संघर्ष और आत्महत्या के बीच का संबंध पहले की तुलना में बहुत अधिक मजबूत है, और जीवन के अंतिम दिनों में चिकित्सा देखभाल की मात्रा एक बड़ा संकेतक है। यह अध्ययन आत्महत्या की भविष्यवाणी की समस्या को हल करने का दावा नहीं करता है, लेकिन यह डेटा को देखने का एक स्पष्ट तरीका प्रदान करता है। यह सुझाव देता है कि जब क्लिनिशियन सामाजिक कठिनाई के इतिहास वाले या अस्पताल के दौरों में अचानक वृद्धि वाले रोगी को देखते हैं, तो वे मानक मॉडलों की तुलना में बहुत उच्च स्तर के खतरे को देख रहे होते हैं। यह कार्य इस बात पर प्रकाश डालता है कि आत्महत्या के जोखिम को समझने के लिए केवल अलग-थलग निदान ही नहीं, बल्कि पूरे व्यक्ति और उनके देखभाल के संपूर्ण इतिहास को देखना आवश्यक है।