A Contextual Intervention Consistency Selector and Temporal Casual Memory Network for Explainable Personalized Cardiovascular Risk Factor Identification and Prediction

कल्पना कीजिए एक ऐसी दुनिया की जहाँ आपका स्वास्थ्य केवल एक चार्ट पर लिखे नंबरों की सूची नहीं, बल्कि एक जटिल, जीवंत कहानी है। दशकों से, डॉक्टर और वैज्ञानिक यह अनुमान लगाने की कोशिश कर रहे हैं कि किसे हृदय रोग हो सकता है, इसके लिए वे डेटा के पैटर्न को देखते हैं, जैसे कि यह देखना कि क्या अधिक नमक खाने वाले लोगों में उच्च रक्तचाप भी होता है। इसे "सहसंबंध" (correlation) ढूँढना कहा जाता है। यह ऐसा है जैसे यह ध्यान देना कि जब भी आप एक लाल कार देखते हैं, तो बारिश हो रही होती है; दोनों चीजें साथ में होती हैं, लेकिन एक दूसरे का कारण नहीं है। समस्या यह है कि जब हम केवल इन संयोगों को देखते हैं, तो हम कहानी को गलत समझ सकते हैं। हमें लग सकता है कि कोई विशेष आदत खतरनाक है जबकि वह वास्तव में केवल एक दर्शक मात्र है, या हम असली खलनायक को मिस कर सकते हैं क्योंकि वह निर्दful दोस्तों की भीड़ के पीछे छिपा हुआ है।

इसे ठीक करने के लिए, शोधकर्ता "कारण संबंधी" (causal) सोच की ओर मुड़ रहे हैं। केवल यह पूछने के बजाय कि, "क्या चीज़ें साथ में होती हैं?", वे पूछते हैं, "वास्तव में क्या चीज़ किसी घटना को बनाती है?" यह एक छाया को देखने और यह समझने के बीच का अंतर है कि छाता पकड़ने वाला व्यक्ति ही वह है जो छाया बना रहा है। चिकित्सा की दुनिया में, वास्तविक कारण को जानना एक सुपरपावर है। इसका मतलब है कि डॉक्टर केवल अनुमान लगाने के बजाय व्यक्तिगत सलाह दे सकते हैं जो आपके विशिष्ट शरीर और जीवन की कहानी के लिए वास्तव में काम करती है, न कि एक 'एक-आकार-सभी-के-लिए-फिट' वाले अनुमान की तरह। लेकिन एक ऐसा कंप्यूटर बनाना जो इन गहरे, कारण-और-प्रभाव वाले कहानियों को समझ सके, विशेष रूप से वे जो वर्षों में बदलती हैं, यह एक रोबोट को एक उपन्यास को पहली बार पढ़ते समय उसे समझने के लिए सिखाने जैसा है।

यह शोध पत्र एक नए, चतुर कंप्यूटर सिस्टम का परिचय देता है जिसे ठीक इसी पहेली को हल करने के लिए डिज़ाइन किया गया है। लेखक, श्रुति के. और रेड्डी चाइना अप्पला नायडू, अपनी इस खोज को CICS-TCMN कहते हैं। इसे एक सुपर-स्मार्ट जासूस के रूप में सोचें जो केवल एक अपराध स्थल को एक बार नहीं देखता, बल्कि संदिग्ध का पीछा अलग-अलग मोहल्लों में करता है, यह जाँचने के लिए कि क्या वह वास्तव में दोषी है।

सबसे पहले, सिस्टम को प्राप्त होने वाले अव्यवस्थित डेटा को साफ करना होता है, जो बिखरे हुए सबूतों के ढेर को व्यवस्थित करने वाले एक जासूस जैसा है। यह छूटे हुए हिस्सों को भरता है, अजीबोगरीब बाहरी डेटा (जैसे कि ब्लड प्रेशर की रीडिंग जो स्पष्ट रूप से एक टाइपो है) को बाहर निकाल देता है, और विश्लेषण के लिए सब कुछ तैयार करता है। फिर, यह एक "कारण मानचित्र" (causal map) बनाता है। एक विशाल जाल की कल्पना करें जिसमें उम्र, वजन और धूम्रपान जैसे विभिन्न स्वास्थ्य कारकों को जोड़ने वाली डोरियाँ जुड़ी हुई हैं। अधिकांश पुराने कंप्यूटर मॉडल केवल यह देखते थे कि डोरियाँ आपस में उलझी हुई हैं। हालाँकि, यह नया सिस्टम एक विशेष तकनीक का उपयोग करता है यह पता लगाने के लिए कि कौन सी डोर दूसरी को खींचती है। यह पूछता है, "यदि मैं इस एक चीज़ को बदल दूँ, तो क्या वह दूसरी चीज़ वास्तव में बदल जाएगी?" यह इसे एक 'डायरेक्टेड एसिकलिक ग्राफ' (DAG) बनाने में मदद करता है, जो केवल एक फैंसी नाम है एक ऐसे मानचित्र के लिए जो बिना किसी भ्रमित करने वाले लूप के, कारण और प्रभाव की वास्तविक दिशा दिखाता है।

लेकिन यहाँ सबसे दिलचस्प बात है: सिस्टम जानता है कि जो एक व्यक्ति के लिए काम करता है वह दूसरे के लिए काम नहीं भी कर सकता है। यहीं पर कॉन्टेक्स्टुअल इंटरवेंशन कंसिस्टेंसी सेलेक्टर (CICS) आता है। कल्पना कीजिए कि आप एक नए वीडियो गेम कंट्रोलर का परीक्षण कर रहे हैं। यदि आप इसका परीक्षण केवल एक शांत कमरे में करते हैं, तो आपको लग सकता है कि यह एकदम सही है। लेकिन यदि आप इसका परीक्षण एक शोर वाले, भीड़भाड़ वाले, उछलते-कूदते बाउंसिंग कैसल में करते हैं, तो आप पाएंगे कि यह विफल हो जाता है। CICS उस कंट्रोलर का परीक्षण सौ अलग-अलग "संदर्भों" (contexts) में करने जैसा है—विभिन्न आयु, लिंग, धूम्रपान की आदतें और गतिविधि स्तर। यह जाँचता है कि क्या कोई जोखिम कारक (जैसे उच्च कोलेस्ट्रॉल) जीवन के इन सभी अलग-अलग "कमरों" में एक सुसंगत खलनायक है। यदि कोई कारक केवल एक विशिष्ट स्थिति में बुरा दिखता है लेकिन अन्य स्थितियों में हानिरहित है, तो सिस्टम उसे बाहर निकाल देता है। यह केवल उन "मजबूत" (robust) खलनायकों को रखता है जो हर संदर्भ में लगातार खतरनाक हैं।

एक बार जब सिस्टम असली दोषियों को चुन लेता है, तो वह उन्हें टेम्पोरल कॉज़ल मेमोरी नेटवर्क (TCMN) के पास भेज देता है। यह हिस्सा एक समय-यात्रा करने वाली डायरी की तरह है। हृदय रोग रातों-रात नहीं होता; यह वर्षों में छोटी समस्याओं का एक धीमा संचय है। TCMN रोगी के इतिहास को याद रखता है, इस बात की "कारण स्मृति" (causal memory) को संग्रहीत करता है कि उनके जोखिम कारक कैसे विकसित हुए हैं। यह सबसे महत्वपूर्ण क्षणों पर ध्यान केंद्रित करने के लिए एक विशेष 'अटेंशन मैकेनिज्म' का उपयोग करता है, अनावश्यक शोर को अनदेखा करता है। यह एक ऐसे इतिहासकार की तरह है जो जानता है कि 1990 का एक बुरा दिन पिछले एक दशक की निरंतर बुरी आदतों की तुलना में कम महत्वपूर्ण है। अपने "कौन" (सुसंगत जोखिम कारक) को "कब" (दीर्घकालिक स्मृति) के साथ जोड़कर, सिस्टम अविश्वसनीय सटीकता के साथ भविष्य के जोखिम की भविष्यवाणी करता है।

अंत में, सिस्टम केवल एक डरावना नंबर नहीं देता; यह बताता है कि क्यों। यह "व्याख्यात्मक" (explainable) हिस्सा है। यह एक स्पष्ट मार्ग खींचता है जो बिल्कुल दिखाता है कि कैसे एक मरीज की विशिष्ट आदतों ने उसके जोखिम स्कोर की ओर ले जाने वाली एक विशिष्ट श्रृंखला बनाई। यह डॉक्टर को बताता है, "यह केवल यह नहीं है कि मरीज वृद्ध है; बल्कि यह है कि उनके उच्च रक्तचाप और धूम्रपान के इतिहास ने मिलकर एक विशिष्ट श्रृंखला अभिक्रिया (chain reaction) पैदा की है।" यह पारदर्शिता डॉक्टरों को कंप्यूटर की सलाह पर भरोसा करने में मदद करती है।

जब लेखकों ने इस नए जासूस का परीक्षण अन्य शीर्ष-स्तरीय कंप्यूटर मॉडलों के विरुद्ध किया, तो परिणाम चौंकाने वाले थे। CICS-TCMN ने केवल अनुमान नहीं लगाया; इसने सटीक भविष्यवाणी की। इसने 99.21% की सटीकता प्राप्त की, जिसका अर्थ है कि इसने लगभग हर उस मामले में सही पहचान की जिसका इसने परीक्षण किया। इसने 99.40% का रिकॉल (recall) भी प्राप्त किया, जिसका अर्थ है कि इसने वास्तव में जोखिम में मौजूद व्यक्ति को शायद ही कभी छोड़ा (जो एक महत्वपूर्ण सुरक्षा विशेषता है)। "व्याख्यात्मकता" (explainability) के मामले में, इसने 96.7% का स्कोर किया, जो दर्शाता है कि यह अन्य मॉडलों की तुलना में बहुत बेहतर तरीके से अपने तर्क को स्पष्ट कर सकता है, जो अक्सर केवल एक 'ब्लैक-बॉक्स' उत्तर देते हैं। यह सिस्टम सांख्यिकीय रूप से भी महत्वपूर्ण साबित हुआ, जिसका p-मान 0.003 था, जो सुझाव देता है कि ये परिणाम केवल एक भाग्यशाली इत्तेफाक नहीं थे।

हालाँकि, लेखक यह नोट करने में सावधानी बरतते हैं कि यह कोई जादुई छड़ी नहीं है जो सब कुछ तुरंत हल कर देती है। यह सरल मॉडलों की तुलना में अधिक जटिल है और इसमें अधिक कंप्यूटिंग शक्ति की आवश्यकता होती है क्योंकि इसे कारण विश्लेषण और मेमोरी ट्रैकिंग का यह सारा भारी काम करना पड़ता है। यह समृद्ध, दीर्घकालिक डेटा पर भी बहुत अधिक निर्भर करता है; एक अच्छे इतिहास के बिना, समय-यात्रा करने वाली डायरी एक अच्छी कहानी नहीं लिख सकती। लेकिन व्यक्तिगत चिकित्सा के भविष्य के लिए, यह दृष्टिकोण एक ऐसे पथ का सुझाव देता है जहाँ कंप्यूटर केवल नंबरों की गणना नहीं करते, बल्कि वास्तव में हमारे स्वास्थ्य की कहानी को समझते हैं, जिससे डॉक्टरों को प्रत्येक अद्वितीय रोगी के लिए स्मार्ट और सुरक्षित निर्णय लेने में मदद मिलती है।