भविष्य का अनुमान लगाने की कला

कल्पना कीजिए कि आप एक जहाज के कप्तान हैं जो यह तय करने की कोशिश कर रहे हैं कि एक खतरनाक चट्टान के चारों ओर से चक्कर लगाकर निकलना है या कोहरे से भरे चैनल के माध्यम से जोखिम भरा शॉर्टकट लेना है। आपके पास एक नक्शा है, लेकिन वह थोड़ा धुंधला है। शायद वह चट्टान वास्तव में एक रेत का टीला हो, या शायद कोहरा आपकी सोच से कहीं अधिक घना हो। विज्ञान और चिकित्सा की दुनिया में, निर्णय लेने वाले हर दिन ठीक यही सामना करते हैं। वे "निर्णय मॉडल" (decision models)—यानी गणितीय मानचित्रों—का उपयोग करके मरीजों के लिए सबसे अच्छा उपचार या देश के लिए सबसे अच्छी नीति चुनते हैं। लेकिन ये मानचित्र भविष्य के अनुमानों पर निर्भर करते हैं, जैसे कि किसी दवा के काम करने की कितनी संभावना है या इसकी लागत कितनी होगी।

इन अनुमानों को अधिक स्मार्ट बनाने के लिए, वैज्ञानिक सूचना के मूल्य (Value of Information - VOI) नामक एक उपकरण का उपयोग करते हैं। VOI को ज्ञान के लिए एक "प्राइस टैग" (मूल्य टैग) के रूप में समझें। यह पूछता है: "यदि हम अभी किसी विशिष्ट प्रश्न का उत्तर जान सकें (जैसे कि किसी दवा की सफलता दर), तो बेहतर निर्णय लेने से हम कितने पैसे या स्वास्थ्य की बचत करेंगे?" यदि उत्तर "बहुत अधिक" है, तो उस उत्तर को खोजने के लिए एक नए अध्ययन पर पैसा खर्च करना समझदारी है। यदि उत्तर "बहुत अधिक नहीं" है, तो हमें अनुमान लगाना बंद कर देना चाहिए और हमारे पास मौजूद सबसे अच्छे विकल्प को चुन लेना चाहिए।

पारंपरिक रूप से, इस प्राइस टैग की गणना करने के लिए, वैज्ञानिकों को भविष्य के एक विशिष्ट मानचित्र को चुनना पड़ता है। उन्हें कहना पड़ता है, "मुझे 100% यकीन है कि कोहरा इतना घना है।" लेकिन वास्तविक दुनिया में, साक्ष्य अक्सर अव्यवस्थित होते हैं। कभी-कभी, डेटा एक साथ कई अलग-अलग मानचित्रों का समर्थन करता है, और कोई भी एक मानचित्र स्पष्ट रूप से विजेता नहीं होता। यहीं पर रोवन इस्कंदर का नया शोध पत्र काम आता है, जो कोहरे को गायब होने का नाटक किए बिना, उसे संभालने का एक तरीका प्रदान करता है।

केवल एक मानचित्र चुनने की समस्या

यह शोध पत्र एक पेचीदा समस्या का समाधान करता है: क्या होता है जब साक्ष्य केवल एक "परफेक्ट" मानचित्र की ओर इशारा नहीं करते, बल्कि बचाव योग्य मानचित्रों के एक पूरे परिवार की ओर इशारा करते हैं?

कल्पना कीजिए कि आप एक रहस्यमय बक्से के वजन का अनुमान लगाने की कोशिश कर रहे हैं।

• पुराना तरीका: आप एक अनुमान चुनते हैं (मान लीजिए 10 पाउंड), गलत होने की लागत की गणना करते हैं, और तय करते हैं कि क्या आपको इसे तौलने के लिए एक तराजू खरीदना चाहिए।
• वास्तविकता: साक्ष्य वास्तव में संभावनाओं की एक श्रृंखला का समर्थन करते हैं। बक्सा 8 पाउंड, 10 पाउंड या 12 पाउंड का हो सकता है, और आप यह साबित नहीं कर सकते कि कौन सा सही है। यदि आप केवल 10 पाउंड चुनते हैं, तो आपको लग सकता है कि तराजू खरीदना सार्थक है। लेकिन यदि बक्सा वास्तव में 8 पाउंड का है, तो शायद तराजू खरीदना बिल्कुल भी सार्थक नहीं होगा।

लेखक का तर्क है कि जब आपके पास संभावनाओं की एक श्रृंखला हो, तो एक एकल अनुमान थोपना आँखों पर पट्टी बांधने जैसा है। यह गणित को साफ-सुथरा दिखा सकता है, लेकिन यह इस तथ्य को छिपा देता है कि आपका निष्कर्ष पूरी तरह से इस बात पर निर्भर करता है कि आपने कौन सा अनुमान चुना था।

नया दृष्टिकोण: "कोहरे वाला लिफाफा" (The "Foggy Envelope")

इस्कंदर एक नई विधि पेश करते हैं जिसे इम्प्रिसिजन-प्रोबेबिलिटी वैल्यू ऑफ इंफॉर्मेशन (IP-VOI) कहा जाता है। एक मानचित्र चुनने के बजाय, यह विधि सभी बचाव योग्य मानचित्रों को एक साथ मेज पर रखती है। यह एक "कोहरे वाला लिफाफा" (foggy envelope) बनाती है जो सभी संभावित उत्तरों को लपेट लेता है।

यहाँ बताया गया है कि शोध पत्र के अपने "घाव-ड्रेसिंग" (wound-dressing) उदाहरण (सर्जिकल घावों को संक्रमण से बचाने के लिए ड्रेसिंग के प्रकार के बारे में एक अध्ययन) में यह कैसे काम करता है:

1. सेटअप: शोधकर्ताओं ने इस निर्णय को देखा कि किस प्रकार की ड्रेसिंग का उपयोग किया जाए। उन्होंने साक्ष्यों की व्याख्या करने के 36 अलग-अलग तरीके पहचाने। कुछ मानचित्रों ने माना कि संक्रमण का जोखिम अधिक था; अन्य ने माना कि यह कम था। कुछ ने माना कि उपचार एक निश्चित तरीके से जुड़े हुए थे; अन्य ने नहीं।
2. पुराना परिणाम: यदि आप केवल एक "मानक" मानचित्र चुनते हैं, तो गणित कहता है कि "परफेक्ट इंफॉर्मेशन का अपेक्षित मूल्य" (Expected Value of Perfect Information - यानी सब कुछ जानने से हमें कितना लाभ होगा) लगभग £152 प्रति घाव है। यह सुझाव देता है कि एक बड़ा राष्ट्रीय अध्ययन सार्थक है।
3. नया परिणाम: जब शोधकर्ताओं ने सभी 36 मानचित्रों के लिफाफे (envelope) को देखा, तो उस जानकारी का मूल्य एक संख्या नहीं था। यह एक सीमा थी: £74 से £249 प्रति घाव।

यह सीमा एक बहुत अधिक समृद्ध कहानी बताती है।

• यदि निर्णय सीमा (वह राशि जो अध्ययन को न्यायसंगत बनाने के लिए बचाई जानी चाहिए) £50 है, तो अध्ययन सार्थक है चाहे कौन सा भी मानचित्र सत्य हो। पूरा लिफाफा इस रेखा के ऊपर है।
• यदि सीमा £100 है, तो लिफाफा इस रेखा को काटता है। इसका अर्थ है कि यह धारणा-निर्भर (assumption-dependent) है। यदि संक्रमण का जोखिम कम है, तो अध्ययन सार्थक नहीं है। यदि यह अधिक है, तो यह सार्थक है। एक सिंगल-मैप विश्लेषण इस अनिश्चितता को पकड़ने में विफल रहता और गलत निर्णय की ओर ले जा सकता था।

"गारंटीकृत" बनाम "सर्वश्रेष्ठ अनुमान"

यह शोध पत्र एक अनिश्चितता के बावजूद निर्णय लेने का एक चतुर तरीका भी पेश करता है। यह एक नियम का उपयोग करता है जिसे "लोअर-एक्सपेक्टेशन" (lower-expectation) या "सबसे खराब स्थिति" की सोच कहा जाता है। यह पूछने के बजाय कि, "औसत लाभ क्या है?" यह पूछता है, "गारंटीकृत लाभ क्या है, भले ही सबसे खराब संभव मानचित्र सत्य साबित हो?"

घाव-ड्रेसिंग के उदाहरण में:

• एक परफेक्ट अध्ययन से "औसत" लाभ £152 था।
• "गारंटीकृत" लाभ (वह मूल्य जो आपको तब भी मिलता है जब साक्ष्य निराशावादी पक्ष में हों) £122 था।

यह एक महत्वपूर्ण अंतर है। यह निर्णय लेने वालों को यह देखने में मदद करता है कि क्या कोई सिफारिश मजबूत (robust) (सभी संभावनाओं में स्थिर) है या नाजुक (fragile) (केवल तभी काम करती है जब आप सबसे आशावादी मानचित्र चुनें)।

शोध पत्र क्या पाता है (और क्या नहीं पाता)

मुख्य निष्कर्ष यह है कि यह नई विधि केवल एक अलग संख्या नहीं देती; यह उस प्रकार के प्रश्न को बदल देती है जो हम पूछते हैं।

• यह पाता है: राष्ट्रीय-स्तर के घाव-ड्रेसिंग के मामले में, यह निष्कर्ष कि "एक अध्ययन सार्थक है" मजबूत (robust) था। सबसे खराब मामले वाले मानचित्र ने भी कहा कि अध्ययन मूल्यवान है।
• यह पाता है: हालांकि, छोटे समूहों (जैसे कि एक एकल अस्पताल) के लिए, निष्कर्ष धारणा-निर्भर (assumption-dependent) हो गया। लिफाफे ने एक "ब्रेक-ईवन" ज़ोन दिखाया जहाँ निर्णय इस बात पर निर्भर करता था कि आप किस मानचित्र को मानते हैं।
• यह खारिज करता है: शोध पत्र इस विचार के विरुद्ध तर्क देता है कि आप हमेशा एक "सर्वश्रेष्ठ" मानचित्र चुन सकते हैं और बाकी को अनदेखा कर सकते हैं। यह दिखाता है कि ऐसा करने से निश्चितता का भ्रामक आभास हो सकता है। यदि आपका सिंगल-मैप परिणाम £150 है, लेकिन लिफाफा £74–£249 है, तो आपको नहीं पता कि आप सुरक्षित हैं या मुसीबत में।
• यह स्पष्ट करता है: यह विधि इस बात का समाधान नहीं है कि यह अनिश्चितता को पूरी तरह खत्म कर देगी। शोध पत्र स्वीकार करता है कि इसकी गणना करना कंप्यूटेशनल रूप से महंगा (एक के बजाय 36 सिमुलेशन चलाने के लिए बहुत अधिक कंप्यूटर पावर की आवश्यकता होती है) है और इसके परिणाम सिमुलेशन हैं, न कि पूर्ण प्रमाण। यह यह भी स्पष्ट करता है कि यह विधि तब है जब आप विभिन्न मानचित्रों को प्रोबेबिलिटी (संभावना) नहीं दे सकते (अर्थात, आप यह नहीं जानते कि प्रत्येक मानचित्र की कितनी संभावना है)। यदि आप उन भारों (weights) को असाइन कर सकते हैं, तो पुराने तरीके अभी भी काम करते हैं।

निष्कर्ष (Takeaway)

यह शोध पत्र एक निर्णय लेने वाले को एक नए चश्मे को थमाने जैसा है। पुराने चश्मे उन्हें एक एकल, स्पष्ट रेखा दिखाते हैं जहाँ उत्तर है। नए चश्मे उन्हें एक धुंधला, छायांकित क्षेत्र दिखाते हैं। हालांकि एक धुंधला क्षेत्र शुरू में कम संतोषजनक लग सकता है, लेकिन यह वास्तव में अधिक ईमानदार है। यह निर्णय लेने वाले को बताता है: "यहाँ वह सीमा है जो साक्ष्य का समर्थन करती है। यदि आपका निर्णय इस क्षेत्र में कहीं भी सुरक्षित है, तो आगे बढ़ें। यदि आपका निर्णय केवल क्षेत्र के बिल्कुल किनारे पर काम करता है, तो सावधान रहें—आप एक अनुमान पर दांव लगा रहे हैं, तथ्य पर नहीं।"

इस "लिफाफा" दृष्टिकोण का उपयोग करके, वैज्ञानिक अब यह दिखाने का नाटक करना बंद कर सकते हैं कि वे जितना जानते हैं उससे कहीं अधिक जानते हैं, और अनुसंधान संबंधी निर्णय लेना शुरू कर सकते हैं जो वास्तव में मजबूत (robust) हैं, चाहे कोहरा कैसे भी छंटे।