Forecasting Influenza Incidence and Analyzing Interactive Effects of Environmental Factors across Different Age Groups in Beijing

एक बड़ी तस्वीर: बीजिंग में फ्लू की भविष्यवाणी करना

कल्पना कीजिए कि आप किसी शहर में तूफान आने की भविष्यवाणी करने की कोशिश कर रहे हैं। आपको मौसम को देखने की आवश्यकता है, लेकिन आपको यह भी जानने की आवश्यकता है कि किसके भीगने की संभावना सबसे अधिक है। इस अध्ययन ने बीजिंग, चीन में फ्लू के लिए बिल्कुल यही किया, जिसमें 2005 से 2020 तक के डेटा का विश्लेषण किया गया।

शोधकर्ताओं के तीन मुख्य लक्ष्य थे:

1. फ्लू के आंकड़ों के लिए सबसे अच्छा "मौसम पूर्वानुमानकर्ता" ढूँढना (गणितीय मॉडल का उपयोग करके)।
2. यह पता लगाना कि कौन से पर्यावरणीय "ट्रिगर" (जैसे बारिश, गर्मी या स्मॉग) फ्लू के उछाल का कारण बनते हैं।
3. यह देखना कि क्या अलग-अलग आयु वर्ग (बच्चे, वयस्क, बुजुर्ग) इन ट्रिगर्स के प्रति अलग तरह से प्रतिक्रिया करते हैं।

---

1. डेटा की सफाई: "ग्लिच" को हटाना

भविष्यवाणी शुरू करने से पहले, शोधकर्ताओं को अपने डेटा को साफ करना था। फ्लू के मामलों की संख्या को एक हार्ट रेट मॉनिटर की तरह समझें। आमतौर पर, इसमें एक स्थिर लय होती है, लेकिन कभी-कभी ग्लिच या सेंसर एरर के कारण इसमें अचानक उछाल आ जाता है।

कच्चे डेटा (raw data) में, फ्लू के मामलों में बहुत बड़े, अवास्तविक उछाल (आउटलेयर्स) थे जो समझ में नहीं आ रहे थे। शोधकर्ताओं ने एक साउंड इंजीनियर की तरह काम किया, उन "पॉप और क्लिक्स" को सुधारा ताकि एक स्पष्ट सिग्नल मिल सके। इसने डेटा को उनके मॉडल्स के लिए बहुत अधिक स्थिर और विश्वसनीय बना दिया।

2. पूर्वानुमान प्रतियोगिता: कौन जीता?

टीम ने यह देखने के लिए तीन अलग-अलग गणितीय मॉडलों के बीच एक दौड़ आयोजित की कि कौन सा मॉडल वर्ष 2020 के फ्लू के आंकड़ों की सबसे अच्छी भविष्यवाणी कर सकता है।

• प्रतिद्वंद्वी:

  • SARIMA: एक क्लासिक, कठोर मॉडल जो एक टेढ़ी-मेढ़ी वक्र (curve) पर सीधी रेखा फिट करने की कोशिश करता है।
  • FKF (कलमन फिल्टर): एक जटिल, हाई-टेक मॉडल जिसका उपयोग अक्सर नेविगेशन सिस्टम में किया जाता है।
  • Holt-Winters: एक मॉडल जो विशेष रूप से उन चीजों को संभालने के लिए डिज़ाइन किया गया है जो मौसम के अनुसार ऊपर-नीचे होती हैं (जैसे फ्लू)।

• परिणाम:
  Holt-Winters मॉडल ने भारी अंतर से दौड़ जीत ली।

  • क्यों? बीजिंग में फ्लू बहुत मौसमी है (इसे सर्दियों से प्यार है)। Holt-Winters मॉडल एक अनुभवी सर्फर की तरह है जो जानता है कि लहरें (फ्लू सीजन) कब आने वाली हैं।
  • हारने वाले: SARIMA मॉडल लहरों से भ्रमित हो गया और उसने भविष्यवाणी की कि फ्लू बढ़ेगा जब वह वास्तव में कम हो रहा था। कलman फिल्टर बहुत अधिक स्मूथ था; इसने एक सपाट रेखा की भविष्यवाणी की और बड़े विंटर स्पाइक्स को पूरी तरह से मिस कर दिया।

मुख्य बात: बीजिंग में सरल फ्लू भविष्यवाणी के लिए, आपको सबसे जटिल रॉकेट साइंस की आवश्यकता नहीं है; आपको एक ऐसे मॉडल की आवश्यकता है जो मौसम (सीजन) को समझता हो।

3. डीप लर्निंग प्रयोग: "सुपर-ब्रेन"

इसके बाद, शोधकर्ताओं ने Bi-LSTM, जो कि आर्टिफिशियल इंटेलिजेंस (डीप लर्निंग) का एक प्रकार है, का उपयोग करके एक अधिक उन्नत दृष्टिकोण आज़माया। केवल समय को देखने के बजाय, इस "सुपर-ब्रेन" ने एक साथ कई पर्यावरणीय कारकों (तापमान, वर्षा, आर्द्रता और वायु प्रदूषण) से सीखने की कोशिश की।

• इसका प्रदर्शन कैसा रहा:
  • बुजुर्गों के लिए (60+): AI एक सितारा साबित हुआ। इसने बुजुर्गों के फ्लू मामलों की उच्च सटीकता के साथ भविष्यवाणी की और भ्रमित नहीं हुआ (ओवरफिट नहीं हुआ)। यह एक बुद्धिमान दादा-दादी की तरह था जो जानता है कि ठंड कब आने वाली है।
  • वयस्कों के लिए (15–59): AI को सबसे अधिक संघर्ष करना पड़ा। यह कोई स्पष्ट पैटर्न नहीं ढूंढ सका, जो यह दर्शाता है कि वयस्कों के फ्लू के मामले उन अनिश्चित कारकों से प्रभावित होते हैं जिन्हें मॉडल पकड़ नहीं सका।
  • बच्चों के लिए (0–14): AI ठीक-ठाक रहा, लेकिन फिर भी कुछ गलतियाँ कीं।

4. "ट्रिगर्स": फ्लू के उछाल का कारण क्या है?

शोधकर्ताओं ने यह पता लगाने के लिए कि कौन से पर्यावरणीय कारक सबसे अधिक महत्वपूर्ण हैं, Random Forest नामक टूल का उपयोग किया (इसे निर्णय लेने वाले पेड़ों की एक टीम के रूप में सोचें)।

• सार्वभौमिक ट्रिगर्स: सभी के लिए (बच्चों, वयस्कों और बुजुर्गों के लिए), मौसम ही बॉस था। तापमान, वर्षा और आर्द्रता (humidity) फ्लू फैलने के शीर्ष तीन कारण थे।
• आयु-विशिष्ट ट्रिगर्स:
  • बच्चे और वयस्क (0–59): ये समूह वायु प्रदूषण (विशेष रूप से एयर क्वालिटी इंडेक्स या AQI) के प्रति संवेदनशील थे। यह ऐसा है जैसे उनके फेफड़े स्मॉग से आसानी से उत्तेजित हो जाते थे, जिससे उनके फ्लू पकड़ने की संभावना बढ़ जाती थी।
  • बुजुर्ग (60+): यह समूह सामान्य स्मॉग के बारे में कम चिंतित था और विशिष्ट गैसों जैसे कार्बन मोनोऑक्साइड (CO) और ओजोन (O₃) के प्रति अधिक संवेदनशील था। ऐसा इसलिए हो सकता है क्योंकि उम्र बढ़ने के साथ उनके फेफड़ों को इन विशिष्ट गैसों को फिल्टर करने में कठिनाई होती है।

5. "डबल ट्रबल" प्रभाव

अंत में, उन्होंने देखा कि ये कारक मिलकर कैसे काम करते हैं।

• निष्कर्ष: अधिकांश कारकों ने मजबूती से साथ मिलकर काम नहीं किया। हालांकि, आर्द्रता (humidity) एक "वॉल्यूम नॉब" की तरह काम करती है। जब नमी अधिक होती थी, तो वायु प्रदूषण के बुरे प्रभाव थोड़े अधिक तेज़ (बुरे) हो जाते थे। यह वैसा ही है जैसे गीली लकड़ी सूखी लकड़ी की तुलना में अलग तरह से जलती है; नमी ने प्रदूषण के लोगों पर पड़ने वाले प्रभाव को बदल दिया।

सारांश निष्कर्ष

पेपर यह निष्कर्ष निकालता है कि:

1. सरलता बेहतर है: केवल समय के आधार पर फ्लू के आंकड़ों की भविष्यवाणी करने के लिए Holt-Winters मॉडल सबसे अच्छा उपकरण है।
2. AI की सीमाएं हैं: Bi-LSTM AI मॉडल बुजुर्गों के लिए अच्छा काम करता है लेकिन वयस्कों के लिए संघर्ष करता है, जो दर्शाता है कि विभिन्न समूहों को अलग-अलग भविष्यवाणी उपकरणों की आवश्यकता होती है।
3. एक ही नियम सब पर लागू नहीं होता: जबकि मौसम मुख्य अपराधी है, बच्चे और वयस्क सामान्य स्मॉग से अधिक प्रभावित होते हैं, जबकि बुजुर्ग CO और ओजोन जैसी विशिष्ट गैसों से अधिक प्रभावित होते हैं।

फ्लू को रोकने के लिए, हमें मौसम पर बारीकी से नज़र रखने की आवश्यकता है, लेकिन हमें यह भी याद रखना होगा कि 10 साल के बच्चे के लिए चेतावनी में प्रदूषकों पर ध्यान केंद्रित करने की आवश्यकता एक 80 साल के व्यक्ति की तुलना में भिन्न हो सकती है।