Applying Machine Learning for the Prediction of Tuberculosis Among People Living with HIV from Health Facilities in Addis Ababa, Ethiopia
यह अध्ययन प्रदर्शित करता है कि एक हाइब्रिड SMOTE-ENN दृष्टिकोण के साथ अनुकूलित एक XGBoost मशीन लर्निंग मॉडल, स्वास्थ्य सुविधा डेटा से ART रेजिमेन, TPT उपयोग और रोगी के वजन जैसे प्रमुख जोखिम कारकों की पहचान करके, अदीस अबाबा में एचआईवी के साथ रह रहे लोगों में तपेदिक (टीबी) की उपस्थिति की प्रभावी ढंग से भविष्यवाणी करता है।
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 आप एक जासूस हैं जो एक रहस्य को सुलझाने की कोशिश कर रहे हैं, लेकिन चोरी हुए गहने की तलाश करने के बजाय, आप ट्यूबरकुलोसिस (TB) नामक एक चालाक बीमारी का शिकार कर रहे हैं। अब, कल्पना कीजिए कि आपके संदिग्ध वे लोग हैं जो एचआईवी (HIV) के साथ जी रहे हैं। चिकित्सा की दुनिया में, एचआईवी शरीर की ढाल को कमजोर कर देता है, जिससे टीबी के अंदर घुसना और परेशानी पैदा करना बहुत आसान हो जाता है। आमतौर पर, डॉक्टरों को "अनुमान लगाने और जांचने" का खेल खेलना पड़ता है, जिसमें वे उन लक्षणों को खोजने की कोशिश करते हैं जो टीबी या अन्य सामान्य बीमारियों के कारण हो सकते हैं। यह घास के ढेर में एक विशिष्ट सुई खोजने जैसा है, वह भी मोटे दस्ताने पहनकर। लेकिन क्या होगा यदि आपके पास एक सुपर-स्मार्ट कंप्यूटर सहायक हो? यहीं पर मशीन लर्निंग (Machine Learning) काम आती है। मशीन लर्निंग को एक डिजिटल जासूस के रूप में सोचें जो केवल एक सुराग नहीं देखता; बल्कि यह हजारों मरीजों के रिकॉर्ड को निगल जाता है, उनसे सीखता है, और उन पैटर्न को पहचानना शुरू कर देता है जिन्हें मानवीय आँखें शायद मिस कर दें। यह कंप्यूटर को मरीज के स्वास्थ्य के "मौसम के पूर्वानुमान" को पढ़ने के लिए सिखाने जैसा है ताकि वास्तव में बारिश शुरू होने से पहले ही पता चल सके कि कोई तूफान (टीबी) आने वाला है। वैज्ञानिक अदीस अबाबा, इथियोपिया में बिल्कुल यही करना चाहते थे: डॉक्टरों को टीबी को जल्दी पकड़ने में मदद करने के लिए एक डिजिटल क्रिस्टल बॉल बनाना, ताकि बीमारी के बहुत मजबूत होने से पहले ही जीवन बचाया जा सके।
अध्ययन में शोधकर्ताओं ने इस विचार को परखने का निर्णय लिया और इसके लिए अदीस अबाबा के चार अस्पतालों के वास्तविक डेटा का उपयोग किया। उन्होंने लगभग 17,000 वयस्क मरीजों की जानकारी एकत्र की जो पहले से ही एचआईवी के लिए दवा ले रहे थे। उन्होंने इस विशाल डेटा को एक कंप्यूटर में डाला, जिससे कंप्यूटर को उन संकेतों को खोजने के लिए प्रशिक्षित किया गया जो आमतौर पर किसी मरीज के टीबी से निदान होने से ठीक पहले दिखाई देते हैं। इस डेटा में मरीज के एचआईवी उपचार की अवधि, उनका वजन, और क्या वे अतिरिक्त निवारक गोलियां ले रहे थे, से लेकर उनकी आयु और लिंग तक सब कुछ शामिल था।
कंप्यूटर को प्रशिक्षित करने के बाद, टीम ने यह देखने के लिए कई अलग-अलग "जासूसी" एल्गोरिदम का परीक्षण किया कि कौन सा सबसे तेज है। उन्होंने पाया कि एक विशिष्ट प्रकार का मशीन लर्निंग मॉडल, जिसे XGBoost कहा जाता है, स्पष्ट विजेता था। यह एक स्पोर्ट्स टीम के स्टार खिलाड़ी की तरह था, जिसने अन्य सभी को पीछे छोड़ दिया। इस मॉडल ने 98% बार समग्र "स्कोर" (सटीकता/accuracy) को सही ढंग से पहचाना। हालांकि, शोधकर्ताओं ने सावधानी बरतते हुए उल्लेख किया कि जबकि यह सामान्य तस्वीर को पहचानने में बहुत अच्छा था, यह कुछ गलत अलार्म दिए बिना टीबी के हर एक मामले को पकड़ने में पूर्ण नहीं था। मॉडल का "रिकॉल" (यह कितनी अच्छी तरह से वास्तविक टीबी मामलों को खोज पाता है) 80% था, और इसकी "प्रिसिजन" (जब यह कहता है "हाँ, यह टीबी है" तो यह कितना निश्चित है) 25% थी। इसका अर्थ यह है कि जहाँ इसने अधिकांश वास्तविक मामलों को पकड़ा, वहीं इसने कुछ स्वस्थ लोगों को भी संभावित रूप से बीमार के रूप में चिह्नित किया, जो कि एक आम चुनौती है जब बीमारी स्वस्थ आबादी की तुलना में दुर्लभ होती है।
तो, इस सुपर-स्मार्ट मॉडल ने कौन से सुराग सबसे महत्वपूर्ण पाए? यह पता चला कि सबसे मजबूत संकेत केवल मरीज की उम्र या उनके रहने के स्थान के बारे में नहीं थे। मॉडल ने संकेत दिया कि विशिष्ट चिकित्सा उपचार और शारीरिक आंकड़े सबसे बड़े भविष्यवक्ता थे। मरीज किस प्रकार की एचआईवी दवा (ART regimen) ले रहा था, क्या वह टीबी को रोकने के लिए एक विशेष गोली (TPT) ले रहा था, और क्या वह कोट्रिमॉक्सज़ोल (cotrimoxazole) नामक एंटीबायोटिक ले रहा था, ये शीर्ष कारक थे। अन्य बड़े सुरागों में उपचार पर बिताए गए महीनों की संख्या, मरीज का वजन, और उनके शरीर का दैनिक कामकाज भी शामिल थे।
अध्ययन सुझाव देता है कि इस XGBoost मॉडल का उपयोग करके, डॉक्टर संभावित रूप से उन मरीजों की पहचान कर सकते हैं जिनमें टीबी विकसित होने का सबसे अधिक जोखिम है। यह कोई जादुई छड़ी नहीं है जो सब कुछ हल कर देती है—मॉडल को अभी भी अधिक डेटा और बेहतर जानकारी के साथ परीक्षण करने की आवश्यकता है ताकि इसके प्रिसिजन (precision) नंबरों को बढ़ाया जा सके—लेकिन यह एक बहुत ही आशाजनक मार्ग दिखाता है। शोधकर्ता निष्कर्ष निकालते हैं कि यह डिजिटल दृष्टिकोण स्वास्थ्य कर्मियों को अधिक सक्रिय होने में मदद कर सकता है, जिससे वे अनुमान लगाने के बजाय उन लोगों पर अपनी स्क्रीनिंग के प्रयासों को केंद्रित कर सकें जिन्हें इसकी सबसे अधिक आवश्यकता है। यह तकनीक की मदद से डॉक्टरों को भविष्य को थोड़ा और स्पष्ट रूप से देखने देने और घातक बीमारियों के संयोजन के खिलाफ लहर को बदलने की दिशा में एक कदम है।
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।