Machine learning approaches for tuberculosis prevalence and risk factor association among high-risk groups in Kigali health facilities
यह अध्ययन यह प्रदर्शित करता है कि एन्सेम्बल मशीन लर्निंग मॉडल, विशेष रूप से बैलेंस्ड रैंडम फॉरेस्ट, सूचना रिसाव (इन्फॉर्मेशन लीकेज) को रोकते हुए और कड़ाई से संसाधित इलेक्ट्रॉनिक मेडिकल रिकॉर्ड का लाभ उठाते हुए, किगाली, रवांडा में उच्च जोखिम वाले समूहों के बीच तपेदिक (टीबी) के लिए नैदानिक रूप से सार्थक जोखिम कारकों की प्रभावी ढंग से पहचान कर सकते हैं।
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 सुलझाने की कोशिश कर रहे हैं, लेकिन उंगलियों के निशान या पैरों के निशान खोजने के बजाय, आप मरीजों के रिकॉर्ड के एक विशाल पुस्तकालय में पैटर्न खोज रहे हैं। यह मशीन लर्निंग (Machine Learning) की दुनिया है, जो कंप्यूटर विज्ञान की एक शाखा है जहाँ हम कंप्यूटर को डेटा से सीखना सिखाते हैं, ठीक वैसे ही जैसे एक छात्र पाठ्यपुस्तक से सीखता है, ताकि वे उन रुझानों को पहचान सकें जिन्हें इंसान शायद छोड़ दें। चिकित्सा जगत में, इसमें अक्सर इलेक्ट्रॉनिक मेडिकल रिकॉर्ड्स (EMRs) शामिल होते हैं, जो डिजिटल फाइलें हैं जिनका उपयोग डॉक्टर मरीज के इतिहास, लक्षणों और परीक्षण परिणामों को ट्रैक करने के लिए करते हैं। बड़ा सवाल जो शोधकर्ता पूछ रहे हैं वह यह है: क्या हम कंप्यूटर को इन डिजिटल फाइलों को देखकर यह अनुमान लगाने के लिए सिखा सकते हैं कि किसी विशेष बीमारी होने की संभावना सबसे अधिक कब है, इससे पहले कि उन्हें अंतिम लैब परिणाम प्राप्त हो? यह अत्यंत महत्वपूर्ण है क्योंकि बीमारियों को जल्दी पकड़ना जीवन बचा सकता है, खासकर उन जगहों पर जहाँ संसाधन सीमित हैं और डॉक्टर अत्यधिक व्यस्त हैं।
अब, आइए एक विशिष्ट रहस्य पर ध्यान केंद्रित करें: तपेदिक (टीबी - Tuberculosis)। टीबी को एक चालाक घुसपैठिए के रूप में सोचें जो शरीर में छिप जाता है, अक्सर तब तक इंतजार करता है जब तक कि प्रतिरक्षा प्रणाली थक या कमजोर न हो जाए, और फिर हमला करता है। रवांडा में, कुछ विशिष्ट समूह—जैसे कैदी, खनन श्रमिक, शरणार्थी और एचआईवी (HIV) के साथ रह रहे लोग—ऐसे लोगों की तरह हैं जो बारूदी सुरंग के मैदान में चल रहे हैं; उनके इस घुसपैचर से टकराने का जोखिम बहुत अधिक है। इस अध्ययन में शोधकर्ता यह देखना चाहते थे कि क्या वे मशीन लर्निंग का उपयोग करके एक "डिजिटल जासूस" बना सकते हैं जो यह पता लगा सके कि वास्तव में कौन से कारक इन उच्च-जोखिम वाले समूहों को टीबी के प्रति अधिक संवेदनशील बनाते हैं, जिसका उपयोग उन्होंने किगाली के स्वास्थ्य केंद्रों के वास्तविक दुनिया के डेटा के माध्यम से किया।
द टीम ने, जिसका नेतृत्व थियोफिला इगीहोज़ो और वाशिंगटन यूनिवर्सिटी और यूनिवर्सिटी ऑफ रवांडा के सहयोगियों के एक बड़े समूह द्वारा किया गया था, डिजिटल रिकॉर्डों का एक विशाल ढेर इकट्ठा किया—किगाली के उच्च-जोखिम वाले समूहों के 2,254 मरीजों की फाइलें। वे देखना चाहते थे कि क्या एक कंप्यूटर उम्र, वजन, एचआईवी स्थिति और क्या कोई व्यक्ति खान या जेल में काम करता है, जैसी चीजों को देखकर टीबी के संकेतों को पहचानना सीख सकता है। हालाँकि, उन्हें बेहद सावधान रहना पड़ा। कल्पना कीजिए कि आप एक पहेली सुलझाने की कोशिश कर रहे हैं, लेकिन किसी ने गलती से पहेली के बॉक्स के अंदर ही उत्तर कुंजी (answer key) छोड़ दी है। यदि कंप्यूटर ने सीखने के दौरान उत्तर कुंजी (जैसे अंतिम लैब परीक्षण परिणाम) देख ली, तो वह वास्तव में पैटर्न सीखने के बजाय केवल उत्तरों को रट लेगा। इस "चीटिंग" को रोकने के लिए, शोधकर्ताओं ने डेटा को पूरी तरह साफ किया, और किसी भी ऐसे सुराग को हटा दिया जो सीधे तौर पर अंतिम निदान (diagnosis) को प्रकट करता हो, इससे पहले कि कंप्यूटर अपना प्रशिक्षण शुरू करे।
इसके बाद उन्होंने सात अलग-अलग प्रकार के "डिजिटल जासूसों" (मशीन लर्निंग मॉडल) को साफ किए गए डेटा को देखने के लिए प्रशिक्षित किया। कुछ सरल थे, जैसे एक बुनियादी नियम का पालन करने वाला रोबोट, जबकि अन्य जटिल "एन्सेम्बल" (ensemble) टीमें थीं, जहाँ कई मॉडल एक निर्णय लेने के लिए मिलकर काम करते हैं, जैसे कि विशेषज्ञों का एक जूरी किसी फैसले पर मतदान कर रहा हो। उन्होंने इन मॉडलों का परीक्षण 358 रोगियों के एक विशिष्ट समूह पर किया ताकि देखा जा सके कि वे कैसा प्रदर्शन करते हैं।
परिणाम काफी उत्साहजनक रहे। "विशेषज्ञों की जूरी" वाले मॉडल, विशेष रूप से एक जिसे बैलेंस्ड रैंडम फॉरेस्ट (BRF) कहा जाता है, सबसे तेज जासूस साबित हुए। उन्होंने लगभग 87% बार टीबी के मामलों की सही पहचान की और वे बीमारी वाले लोगों और बिना बीमारी वाले लोगों के बीच अंतर करने में बहुत कुशल थे। अध्ययन से पता चला कि कंप्यूटर ने केवल तुक्का नहीं लगाया; इसने सीखा कि किन चीजों पर ध्यान देना है। सबसे महत्वपूर्ण सुराग जो इसे मिले, वे थे बीमारी का स्थान (क्या यह फेफड़ों में थी), मरीज की आयु, उनका बॉडी मास इंडेक्स (BMI), और क्या उन्हें एचआईवी या मधुमेह (diabetes) था। ये वे चीजें हैं जिन्हें डॉक्टर पहले से ही महत्वपूर्ण मानते हैं, जो एक अच्छा संकेत है—इसका मतलब है कि कंप्यूटर वास्तविक जीव विज्ञान सीख रहा था, न कि केवल मनगढ़ंत पैटर्न बना रहा था।
हालाँकि, यह शोध इस दावे के प्रति सावधान है कि यह कोई जादुई छड़ी नहीं है जो सब कुछ हल कर देती है। शोधकर्ता बताते हैं कि उनके "जासूसों" को पहले से ही ज्ञात उच्च-जोखिम वाले लोगों के एक बहुत ही विशिष्ट समूह पर प्रशिक्षित किया गया था। यह एक कुत्ते को केवल उस घर में खोई हुई चाबियाँ खोजने के लिए प्रशिक्षित करने जैसा है जहाँ चाबियाँ हमेशा गिरा दी जाती हैं; वह कुत्ता उस घर में तो बहुत अच्छा हो सकता है लेकिन पार्क में भ्रमित हो सकता है। क्योंकि डेटा उन लोगों से आया था जिनकी पहले से ही स्क्रीनिंग की जा रही थी, इसलिए ये मॉडल उच्च-जोखिम वाले समूहों के बीच छंटनी करने में तो बेहतरीन हैं, लेकिन अभी तक सामान्य आबादी में टीबी की भविष्यवाणी करने के लिए सिद्ध नहीं हुए हैं। इसके अलावा, अध्ययन ने पिछले रिकॉर्ड्स को देखा, इसलिए हालांकि पैटर्न मजबूत हैं, लेकिन अभी तक यह परीक्षण नहीं किया गया है कि क्या वे कल एक व्यस्त क्लिनिक में वास्तविक समय में काम करेंगे।
अंत में, यह अध्ययन सुझाव देता है कि मशीन लर्निंग रवांडा की स्वास्थ्य प्रणाली के लिए एक शक्तिशाली उपकरण हो सकती है। उनके पास जो डेटा पहले से मौजूद है उसका उपयोग करके, वे संभावित रूप से एक ऐसी प्रणाली बना सकते हैं जो डॉक्टरों को यह तय करने में मदद करे कि किसे पहले परीक्षण की आवश्यकता है, जिससे यह सुनिश्चित हो सके कि संसाधन उन लोगों तक पहुँचें जिन्हें उनकी सबसे अधिक आवश्यकता है। यह एक ऐसे भविष्य की ओर एक कदम है जहाँ कंप्यूटर डॉक्टरों को चालाक टीबी घुसपैखिए को अधिक तेज़ी से और समझदारी से पकड़ने में मदद कर सकते हैं, लेकिन जैसा कि लेखकों ने नोट किया है, इस उपकरण को हर क्लिनिक में मुख्यधारा में आने से पहले और अधिक परीक्षण की आवश्यकता 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।