Machine Learning-Based Prediction of Acute Morbidity and Counterfactual Policy Simulation among Children 6–23 Months of Age in Punjab, Pakistan: A Secondary Analysis of a Multi-Indicator Cluster Survey 2017–18

बच्चे के जीवन के पहले दो वर्षों में, शरीर अपनी नींव बना रहा होता है। यह एक महत्वपूर्ण समय है जहाँ पोषण और वातावरण न केवल यह तय करते हैं कि बच्चा कैसे विकसित होगा, बल्कि यह भी कि उसका प्रतिरक्षा तंत्र सामान्य बीमारियों से लड़ने में कितना सक्षम होगा। जब कम आय वाले परिवेश में रहने वाला कोई बच्चा बुखार, दस्त या श्वसन संक्रमण से ग्रस्त होता है, तो जोखिम बहुत अधिक होता है; ये तीव्र बीमारियाँ दुनिया के कई हिस्सों में कम उम्र के बच्चों की मृत्यु का प्रमुख कारण हैं। हालांकि डॉक्टर और सार्वजनिक स्वास्थ्य अधिकारी लंबे समय से जानते हैं कि गरीबी, शिक्षा की कमी और खराब आहार बीमारी में योगदान देते हैं, लेकिन कारकों का सटीक मिश्रण जटिल है। यह समझना कठिन है कि कौन सा एकल हस्तक्षेप सबसे अधिक जीवन बचाएगा या सबसे अधिक बीमारी को रोकेगा। इसे हल करने के लिए, शोधकर्ता तेजी से कंप्यूटर मॉडल की ओर मुड़ रहे हैं जो पैटर्न खोजने के लिए सर्वेक्षण डेटा के विशाल भंडार को छान सकते हैं, जिससे उन्हें यह परीक्षण करने की अनुमति मिलती है कि यदि विशिष्ट स्थितियों में सुधार किया जाए तो क्या होगा।

पाकिस्तान में शोधकर्ताओं की एक टीम ने पंजाब (देश का सबसे अधिक आबादी वाला प्रांत) में बच्चों के स्वास्थ्य पर इस दृष्टिकोण को लागू किया। उन्होंने छह से तेइस महीने की उम्र के बच्चों पर ध्यान केंद्रित किया, जो एक विशेष रूप से संवेदनशील समूह है। 2017 और 2018 में किए गए एक व्यापक घरेलू सर्वेक्षण के डेटा का उपयोग करते हुए, उन्होंने लगभग 10,000 बच्चों का परीक्षण किया ताकि यह समझा जा सके कि कुछ बच्चे बीमार क्यों थे और अन्य स्वस्थ क्यों थे। शोधकर्ता केवल सहसंबंधों (correlations) की तलाश नहीं कर रहे थे; वे भविष्य का अनुकरण (simulate) करना चाहते थे। उन्होंने एक कंप्यूटर मॉडल बनाया जो मौजूदा डेटा से सीखकर बीमारी की भविष्यवाणी कर सकता था, और फिर उन्होंने एक "क्या होगा यदि" वाला प्रश्न पूछा: यदि प्रत्येक बच्चे की विटामिन सप्लीमेंट्स तक पहुंच हो, या यदि प्रत्येक माँ का शिक्षा स्तर उच्च हो, तो पूरी आबादी के स्वास्थ्य पर क्या प्रभाव पड़ेगा? इस पद्धति को 'काउंटरफैक्चुअल सिमुलेशन' (counterfactual simulation) कहा जाता है, जो वैज्ञानिकों को वास्तविक कार्यान्वयन से पहले नीतिगत परिवर्तनों के संभावित प्रभाव का अनुमान लगाने की अनुमति देता है।

अध्ययन की शुरुआत जमीन पर मौजूद वर्तमान वास्तविकता को देखने से हुई। सर्वेक्षण से दो सप्ताह पहले, नमूने में शामिल लगभग आधे बच्चे कम से कम एक प्रमुख बाल रोग जैसे बुखार, दस्त, खांसी या सांस लेने में कठिनाई से पीड़ित थे। बीमारी का बोझ पूरे प्रांत में समान रूप से वितरित नहीं था। डेरा गाजी खान जैसे कुछ डिवीजनों में, दो-तिहाई से अधिक बच्चे बीमार थे, जबकि गुजरांवाला जैसे अन्य स्थानों में दर काफी कम थी। शोधकर्ताओं ने यह भी देखा कि अधिकांश बच्चे विटामिन या खनिज सप्लीमेंट्स प्राप्त नहीं कर रहे थे, और बड़ी संख्या में माताओं के पास कोई औपचारिक शिक्षा नहीं थी। ये वे कच्चे घटक थे जिनकी कंप्यूटर मॉडल को सीखने की आवश्यकता थी।

इस जटिलता को समझने के लिए, शोधकर्ताओं ने 'रैंडम फॉरेस्ट' नामक मशीन लर्निंग तकनीक का उपयोग किया। निर्णय वृक्षों (decision trees) के एक जंगल की कल्पना करें, जहाँ प्रत्येक वृक्ष बच्चे के जीवन के बारे में सरल प्रश्न पूछता है—जैसे "क्या परिवार के पास स्वास्थ्य बीमा है?" या "क्या बच्चे को विटामिन मिले?"—यह तय करने के लिए कि क्या बच्चा बीमार होने की संभावना रखता है। कंप्यूटर ने हजारों ऐसे पेड़ बनाए, जिनमें से प्रत्येक डेटा को थोड़ा अलग तरह से देखता है, और फिर अंतिम उत्तर पर मतदान करने के लिए उन्हें छोड़ दिया। यह दृष्टिकोण शक्तिशाली है क्योंकि यह उस अव्यवस्थित, वास्तविक दुनिया के डेटा को संभाल सकता है जहाँ कई कारक आपस में जुड़े होते हैं। मॉडल को अधिकांश डेटा पर प्रशिक्षित किया गया और फिर प्रदर्शन देखने के लिए एक अलग समूह पर परीक्षण किया गया। इसने सफलतापूर्वक भविष्यवाणी की कि बच्चा स्वस्थ है या बीमार, और यह यादृच्छिक अनुमान (random guessing) से बेहतर था, जिससे सिद्ध हुआ कि डेटा में स्पष्ट संकेत मौजूद थे कि बीमारी को क्या संचालित करता है।

एक बार मॉडल बन जाने के बाद, शोधकर्ताओं ने अध्ययन के सबसे महत्वपूर्ण भाग की ओर रुख किया: यह पहचानना कि कौन से कारक सबसे अधिक मायने रखते हैं। उन्होंने यह मापने के लिए कि प्रत्येक चर (variable), चाहे वह धन हो या आहार, बीमार और स्वस्थ बच्चों के बीच अंतर करने की मॉडल की क्षमता में कितना योगदान देता है। परिणाम चौंकाने वाले थे। सबसे महत्वपूर्ण कारक विटामिन और खनिज सप्लीमेंट्स तक पहुंच था। इस कारक ने धन और माँ के शिक्षा स्तर सहित अन्य सभी चीजों को पीछे छोड़ दिया। हालांकि गरीबी और शिक्षा निर्विवाद रूप से स्वास्थ्य से जुड़े हैं, लेकिन डेटा ने दिखाया कि सप्लीमेंट्स की उपस्थिति या अनुपस्थिति ही यह तय करने वाला सबसे मजबूत संकेतक था कि बच्चा बीमार होगा या नहीं। अन्य कारक, जैसे माँ की शिक्षा और बच्चे का आहार, भी महत्वपूर्ण थे, लेकिन वे सप्लीमेंट्स की तुलना में माध्यमिक भूमिका निभाते थे।

शोधकर्ताओं ने अपने सिमुलेशन चलाने के लिए मॉडल का उपयोग किया, प्रभावी रूप से पंजाब का एक डिजिटल संस्करण बनाया जहाँ वे एक समय में एक नियम बदल सकते थे। पहले परिदृश्य में, उन्होंने एक ऐसी दुनिया की कल्पना की जहाँ अध्ययन में शामिल प्रत्येक बच्चे की विटामिन और खनिज सप्लीमेंट्स तक पहुंच हो। मॉडल ने भविष्यवाणी की कि इस एकल परिवर्तन से सार्वजनिक स्वास्थ्य में भारी सुधार होगा। स्वस्थ बच्चों की दर लगभग तेरह प्रतिशत अंक बढ़ जाएगी, जो एक ऐसा बदलाव है जो पूरे प्रांत में हजारों कम बीमार बच्चों का प्रतिनिधित्व करता है। दूसरे परिदृश्य में, उन्होंने कल्पना की कि नमूने में शामिल प्रत्येक माँ ने उच्च स्तर की शिक्षा प्राप्त की है। इससे भी सुधार हुआ, लेकिन यह बहुत छोटा था, जिससे स्वास्थ्य दर में लगभग साढ़े तीन प्रतिशत अंक की वृद्धि हुई। तीसरे परिदृश्य में, जहाँ प्रत्येक बच्चे का आहार विविधता के न्यूनतम मानकों को पूरा करता था, सबसे कम लाभ हुआ, जिससे स्वास्थ्य दर में आधा प्रतिशत अंक से भी कम की वृद्धि हुई।

ये निष्कर्ष बताते हैं कि जबकि शिक्षा और आहार महत्वपूर्ण हैं, इस विशिष्ट जनसंख्या में बीमारी को कम करने के लिए सबसे तत्काल और शक्तिशाली साधन विटामिन और खनिज सुनिश्चित करना है। सिमुलेशन इंगित करता है कि बच्चों को ये सप्लीमेंट्स प्रदान करने का एक लक्षित कार्यक्रम अन्य हस्तक्षेपों की तुलना में समग्र जनसंख्या के स्वास्थ्य पर कहीं अधिक प्रभाव डाल सकता है, कम से कम अल्पकाल में। शोधकर्ताओं ने उल्लेख किया कि इसका मतलब यह नहीं है कि शिक्षा या आहार महत्वपूर्ण नहीं हैं; बल्कि, यह सुझाव देता है कि संसाधन-सीमित परिवेश में, सप्लीमेंट तक पहुंच की कमी एक महत्वपूर्ण बाधा है जिसे दूर करने से उच्चतम प्रतिफल (return) प्राप्त होता है। अध्ययन दर्शाता है कि डेरा गाजी खान जैसे उच्च बीमारी दर वाले डिवीजनों में, इन सप्लीमेंट्स को प्राथमिकता देना सबसे अधिक जीवन बचा सकता है।

अध्ययन इस निष्कर्ष पर पहुँचता है कि मशीन लर्निंग और सिमुलेशन का यह संयोजन सार्वजनिक स्वास्थ्य संबंधी निर्णय लेने का एक नया तरीका प्रदान करता है। यह अनुमान लगाने के बजाय कि कौन सी नीति काम कर सकती है, अधिकारी विभिन्न विकल्पों के संभावित परिणाम देखने के लिए इन मॉडलों का उपयोग कर सकते हैं। पंजाब के बच्चों के लिए, आगे का रास्ता स्पष्ट है: जबकि शिक्षा और पोषण में दीर्घकालिक निवेश आवश्यक बना हुआ है, विटामिन और खनिज सप्लीमेंट्स सुनिश्चित करने के केंद्रित प्रयास से आने वाले वर्षों में तीव्र बीमारी के बोझ को नाटकीय रूप से कम किया जा सकता है। डेटा एक रोडमैप प्रदान करता है, जो दिखाता है कि एक अपेक्षाकृत सरल हस्तक्षेप क्षेत्र के सबसे कमजोर बच्चों के लिए एक स्वस्थ भविष्य की ओर ले जा सकता है।