Machine Learning-Based Identification of Key Predictors of Estimated Glomerular Filtration Rate in Older Taiwanese Women
इस अध्ययन ने अनुमानित ग्लोमेरुलर फिल्ट्रेशन दर (eGFR) के प्राथमिक गैर-रेखीय भविष्यवक्ताओं के रूप में आयु, सीरम यूरिक एसिड, रक्तचाप और सी-रिएक्टिव प्रोटीन की पहचान करने के लिए 1,344 वृद्ध ताइवानी महिलाओं के डेटा पर मशीन लर्निंग का उपयोग किया, जिसमें XGBoost मॉडल ने अन्य एल्गोरिदम की तुलना में बेहतर भविष्य कहनेवाला प्रदर्शन प्रदर्शित किया।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आपका शरीर एक हलचल भरा शहर है, और इसके भीतर एक विशाल, उच्च-तकनीकी जल उपचार संयंत्र स्थित है जिसे किडनी (वृक्क) कहा जाता है। उनका काम कचरे को बाहर निकालना और पानी को साफ रखना है ताकि आप स्वस्थ रह सकें। यह जांचने के लिए कि क्या यह संयंत्र ठीक से काम कर रहा है, डॉक्टर आमतौर पर आपके रक्त में एक विशिष्ट रसायन देखते हैं जिसे क्रिएटिनिन (creatinine) कहा जाता है। क्रिएटिनिन को आपकी मांसपेशियों से निकलने वाले एक "धुएं के संकेत" के रूप में समझें; आपके पास जितनी अधिक मांसपेशियां होंगी, आपको उतना ही अधिक धुआं दिखाई देगा। लेकिन यहाँ एक पेचीदा बात है: जैसे-जैसे लोग बूढ़े होते हैं, विशेष रूप से महिलाएं, वे अक्सर अपनी मांसपेशियों को खो देते हैं। इसका मतलब है कि धुएं का संकेत कमजोर हो जाता है, और इस तरह से संयंत्र की जांच करने का पुराना तरीका गलती से आपको यह बता सकता है कि संयंत्र वास्तव में जितना काम कर रहा है, उससे बेहतर काम कर रहा है। यह बिल्कुल वैसा ही है जैसे किसी कारखाने के आउटपुट का आकलन करने के लिए उसकी चिमनी से निकलने वाले धुएं का उपयोग करना, जो बर्फ के कारण आंशिक रूप से अवरुद्ध हो गई हो। इसी कारण से, वैज्ञानिक यह पता लगाने के लिए स्मार्ट तरीके खोज रहे हैं कि वृद्ध महिलाओं के लिए उनकी किडनियाँ वास्तव में कितनी अच्छी तरह काम कर रही हैं, खासकर जब वे बिना एहसास किए अपनी मांसपेशियों को खो रही हों।
यहीं पर ताइवान के शोधकर्ताओं की एक टीम "मशीन लर्निंग" नामक एक डिजिटल आवर्धक लेंस (magnifying glass) के साथ सामने आई। केवल एक सरल सूत्र का उपयोग करने के बजाय, उन्होंने एक कंप्यूटर से एक सुपर-डिटेक्टिव (सुपर-जासूस) की तरह कार्य करने को कहा। उन्होंने 1,344 वृद्ध ताइवानी महिलाओं (65 वर्ष और उससे अधिक आयु) का स्वास्थ्य डेटा एकत्र किया और इसे पांच अलग-अलग कंप्यूटर प्रोग्रामों में डाल दिया। इन प्रोग्रामों को यह खोजने का काम सौंपा गया था कि कौन से छिपे हुए सुराग सबसे अच्छी तरह से किडनी के छानने की क्षमता की भविष्यवाणी करते हैं, जिसे अनुमानित ग्लोमेरुलर फिल्ट्रेशन रेट (eGFR) स्कोर कहा जाता है। शोधकर्ता यह देखना चाहते थे कि क्या ये स्मार्ट कंप्यूटर मॉडल जटिल पैटर्न को पहचान सकते हैं जिन्हें मानव डॉक्टर या सरल गणित मिस कर सकते हैं, विशेष रूप से आयु, रक्तचाप, आहार और जीवनशैली की आदतों के मिश्रण के मामले में।
अध्ययन ने पांच अलग-अलग "डिटेक्टिव" मॉडल का परीक्षण किया: एक बुनियादी मॉडल जिसे लीनियर रिग्रेशन (Linear Regression) कहा जाता है, और चार अधिक उन्नत मॉडल जैसे रैंडम फॉरेस्ट (Random Forest), मार्स (MARS), एक्सजीबूस्ट (XGBoost), और सपोर्ट वेक्टर रिग्रेशन (Support Vector Regression)। सभी डेटा—जिसमें उम्र, रक्तचाप, यूरिक एसिड का स्तर और यहाँ तक कि कोई व्यक्ति कितना धूम्रपान करता था या व्यायाम करता था—को कंप्यूटर में डालने के बाद, मॉडलों ने महिलाओं के किडनी स्कोर का अनुमान लगाने की कोशिश की। परिणामों ने दिखाया कि सबसे उन्नत मॉडल, एक पावरहाउस जिसे XGBoost कहा जाता है, सबसे अच्छा जासूस था। इसने एक स्कोर (R²) 0.60 और एक त्रुटि दर (RMSE) 9.8 प्राप्त की, जो अन्य मॉडलों की तुलना में बेहतर थी और बुनियादी गणितीय दृष्टिकोण से बहुत बेहतर थी।
तो, कंप्यूटर ने कौन से सुराग सबसे महत्वपूर्ण पाए? XGBoost मॉडल ने खुलासा किया कि किडनी के कार्य को निर्धारित करने वाले सबसे बड़े कारक आयु, सीरम यूरिक एसिड, रक्तचाप (सिस्टोलिक और डायस्टोलिक दोनों), और सी-रिएक्टिव प्रोटीन (सूजन का एक मार्कर) थे। दिलचस्प बात यह है कि मॉडल ने पाया कि जीवनशैली के कारक जैसे धूम्रपान, शराब और व्यायाम, साथ ही सामाजिक-आर्थिक कारक जैसे आय और शिक्षा, भविष्यवाणी में बहुत कम योगदान देते हैं। शोधकर्ताओं का सुझाव है कि ऐसा इसलिए हो सकता है क्योंकि उनके डेटासेट में जीवनशैली की इन आदतों पर डेटा अक्सर गायब या असंतुलित था (उदाहरण के लिए, 63% से अधिक प्रतिभागियों के लिए आय का डेटा गायब था)।
शोध निष्कर्ष निकालता है कि जबकि सरल गणित ठीक काम करता है, मशीन लर्निंग हमारे शरीर के संकेतों के बीच के उलझे हुए, गैर-रेखीय (non-linear) संबंधों को सुलझाने में बहुत बेहतर है। यह सुझाव देता है कि वृद्ध महिलाओं के लिए, उनकी किडनियों की स्थिति उनकी आयु, उनके यूरिक एसिड के स्तर, उनके रक्तचाप और शरीर में सूजन के स्तर से मजबूती से जुड़ी हुई है, न कि केवल उनकी दैनिक आदतों या जेब के आकार से। लेखक नोट करते हैं कि हालांकि उनका मॉडल आशाजनक है, लेकिन इसे लोगों के अन्य समूहों पर भी परखा जाना चाहिए ताकि यह सुनिश्चित हो सके कि यह हर जगह काम करता है, और भविष्य के अध्ययनों को जीवनशैली की आदतों पर बेहतर, अधिक पूर्ण डेटा प्राप्त करने का प्रयास करना चाहिए ताकि यह देखा जा सके कि क्या वे कारक अधिक महत्वपूर्ण हो जाते हैं जब आंकड़े अधिक स्पष्ट होते 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।