Metadata-based Methods to Generate Synthetic Health Data: A Scoping Review
यह स्कोपिंग समीक्षा सिंथेटिक स्वास्थ्य डेटा उत्पन्न करने के लिए मौजूदा मेटाडेटा-आधारित तरीकों की पहचान करती है और उनके मानकीकृत मूल्यांकन, नैतिक मार्गदर्शन और फेडरेटेड विश्लेषण संदर्भों में कोड विकास के लिए विशिष्ट प्रयोज्यता में महत्वपूर्ण अंतरालों पर प्रकाश डालती 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 रहस्य सुलझाने की कोशिश कर रहे हैं एक जासूस के रूप में, लेकिन पुलिस ने अपराध स्थल को सील कर दिया है। आप वास्तविक साक्ष्यों को छू नहीं सकते क्योंकि उनमें वास्तविक लोगों की निजी जानकारी है, और नियम कहते हैं कि आप उन्हें घर नहीं ले जा सकते। यह बिल्कुल वही स्थिति है जिसमें स्वास्थ्य डेटा का अध्ययन करने वाले शोधकर्ता होते हैं। उन्हें अपने कंप्यूटर स्क्रिप्ट और सिद्धांतों का परीक्षण करने के लिए "इलेक्ट्रॉनिक हेल्थ रिकॉर्ड्स" (EHRs) — यानी मरीजों के दौरे, निदान और दवाओं की डिजिटल फाइलों — पर काम करने की आवश्यकता होती है, लेकिन वे गोपनीयता कानूनों का उल्लंघन किए बिना वास्तविक फाइलों का उपयोग नहीं कर सकते। इसलिए, उन्हें एक विकल्प की आवश्यकता है: "सिंथेटिक डेटा" (कृत्रिम डेटा): नकली मरीज के रिकॉर्ड जो वास्तविक रिकॉर्ड की तरह दिखते हैं और व्यवहार करते हैं, लेकिन वे किसी के भी नहीं हैं।
आमतौर पर, इन नकली रिकॉर्ड्स को बनाने के लिए, वैज्ञानिक वास्तविक डेटा को एक जटिल मशीन लर्निंग रोबोट में कॉपी-पेस्ट करने की कोशिश करते हैं। लेकिन यह रोबोट एक "ब्लैक बॉक्स" है: यह गुप्त रूप से काम करता है, और यदि यह गलती से किसी व्यक्ति का रहस्य लीक कर देता है, तो यह एक आपदा है। इसके अलावा, कई आधुनिक अनुसंधान सेटअपों, जिन्हें "फेडरेटेड एनालिसिस" कहा जाता है, में वास्तविक डेटा अलग-अलग अस्पतालों में लॉक रहता है और वे अपनी फाइलें साझा नहीं करते हैं। रोबोट तब काम नहीं कर सकता जब वह डेटा देख ही न सके। यहीं पर एक अलग दृष्टिकोण काम आता है: "मेटाडेटा-आधारित" (metadata-based) विधियाँ। व्यक्तिगत मरीजों के अव्यवस्थित और निजी विवरणों को देखने के बजाय, ये विधियाँ एक "रेसिपी" या "ब्लूप्रिंट" का उपयोग करती हैं। वे सारांश सांख्यिकी (जैसे "50% मरीज 50 वर्ष से अधिक आयु के हैं") और सार्वजनिक ज्ञान का उपयोग करके शून्य से नकली मरीज बनाती हैं, बिना कभी वास्तविक, निजी फाइलों को देखे।
यह शोध पत्र एक "स्कोपिंग रिव्यू" है, जो एक विशाल मानचित्र बनाने वाले अभियान की तरह है। लेखक, जो यूट्रेक्ट (Utrecht) के शोधकर्ताओं की एक टीम है, यह देखना चाहते थे कि इन "केवल ब्लूप्रिंट-आधारित" नकली स्वास्थ्य रिकॉर्ड बनाने के लिए कौन से उपकरण मौजूद हैं। उन्होंने केवल उपकरणों को ही नहीं देखा; उन्होंने नियमों की किताबों को भी देखा। उन्होंने पूछा: हमें कैसे पता चलता है कि नकली डेटा कितना अच्छा है? क्या यह सुनिश्चित करने के लिए नियम हैं कि यह सुरक्षित है? और सबसे महत्वपूर्ण बात, क्या हम वास्तविक डेटा को छूने से पहले अपने कोड का परीक्षण करने के लिए इन नकली रिकॉर्ड्स का उपयोग कर सकते हैं?
टीम ने वैज्ञानिक साहित्य को खंगाला और 23 प्रासंगिक लेख खोजे। बारह लेखों ने डेटा बनाने के विशिष्ट तरीकों का वर्णन किया, और ग्यारह समीक्षाएं इस बात पर चर्चा करती थीं कि डेटा का आकलन कैसे किया जाए और कानूनी नियम क्या हैं। यहाँ उनकी खोज दी गई है:
उपकरण: ब्लूप्रिंट के साथ निर्माण
शोधकर्ताओं ने इस "ब्लूप्रिंट" डेटा को बनाने के छह मुख्य तरीके खोजे।
- Synthea: यह सबसे प्रसिद्ध टूल है। यह एक वीडियो गेम कैरेक्टर क्रिएटर की तरह है। यह सार्वजनिक जनगणना डेटा (जैसे अमेरिकी जनगणना) पर आधारित जनसंख्या से शुरू होता है। फिर, यह एक मरीज के जीवन का चरण-दर-चरण अनुकरण करता है। यह तय करने के लिए कि मरीज को कान का संक्रमण कब होगा, वह उस समय कितना बड़ा होगा, और उसे कौन सी दवा मिलेगी, यह "मोंटे कार्लो" पद्धति (एक फैंसी तरीका जिसका अर्थ है संभावनाओं के आधार पर डिजिटल पासा फेंकना) का उपयोग करता है। यह सार्वजनिक ज्ञान और उपयोगकर्ता सेटिंग्स से मरीज का पूरा मेडिकल इतिहास बनाता है, जिसे कभी भी वास्तविक मरीज की फाइल की आवश्यकता नहीं होती।
- OSIM: यह टूल "OMOP कॉमन डेटा मॉडल" की भाषा बोलने के लिए डिज़ाइन किया गया है, जो स्वास्थ्य डेटा का एक मानक प्रारूप है। यह सारांश तालिकाओं (जैसे "कितने लोगों को मधुमेह है") को लेता है और एक नकली डेटासेट बनाता है जो इस मानक में फिट बैठता है।
- SASC: यह विशेष रूप से कोविड-19 डेटा के लिए बनाया गया एक वेब-आधारित ऐप है। यह सारांश तालिकाओं को लेता है और लैब परिणामों और परिणामों के साथ नकली मरीज के रिकॉर्ड तैयार करता है।
- डेविस एट अल (Davis et al.) की विधि: यह अनूठी है क्योंकि यह "सीखने" का अनुकरण करती है। यह कल्पना करती है कि डॉक्टर समय के साथ मरीजों का इलाज करने में बेहतर होते जाते हैं। यह ऐसा नकली डेटा बनाती है जिसमें यह सुधार वक्र (improvement curve) शामिल होता है, जो वास्तविक दुनिया में नए उपचारों के प्रदर्शन का परीक्षण करने के लिए बेहतरीन है।
- ODM जनरेटर: यह टूल थोड़ा अलग है। यह डेटा को सांख्यिकीय रूप से वास्तविक दिखाने की कोशिश नहीं करता; यह बस यह सुनिश्चित करता है कि डेटा सही "व्याकरण" (syntax) का पालन करता है जो क्लिनिकल ट्रायल्स के लिए आवश्यक है। यह डेटा संरचना के लिए स्पेल-चेकर की तरह है।
- बैर एट अल (Barr et al.) की विधि: एक बड़े भाषा मॉडल (जैसे GPT-4o) का उपयोग करने वाला एक नया दृष्टिकोण। शोधकर्ताओं ने AI को सांख्यिकी की एक सूची दी (जैसे "औसत आयु 45 है") और उससे नकली मरीजों की एक तालिका लिखने को कहा। यह इसे करने का एक बहुत ही नया, प्रयोगात्मक तरीका है।
समस्या: हमारे पास उपकरण हैं, लेकिन नियम पुस्तिका नहीं है
कहानी में मोड़ यहाँ आता है। जबकि लेखक इन उपकरणों को खोज पाए, उन्होंने पाया कि यह जांचने में एक बड़ा अंतर है कि वे काम करते हैं या नहीं।
- "फिडेलिटी" (Fidelity) का जाल: लगभग हर बार जब इन विधियों का परीक्षण किया गया, तो शोधकर्ताओं ने केवल "फिडेलिटी" की जाँच की। इसका मतलब है, उन्होंने पूछा, "क्या नकली डेटा वास्तविक डेटा जैसा दिखता है?" उन्होंने औसत और चार्ट की तुलना की। लेकिन उन्होंने शायद ही कभी "यूटिलिटी" (उपयोगिता) की जाँच की। यूटिलिटी पूछती है, "क्या यह नकली डेटा वास्तव में मुझे बेहतर कोड लिखने या समस्या हल करने में मदद करता है?"
- लुप्त कड़ी: पेपर स्पष्ट रूप से नोट करता है कि किसी ने भी वास्तव में इन मेटाडेटा-आधारित विधियों का उनके विशिष्ट उपयोग के लिए परीक्षण नहीं किया है: फेडरेटेड एनालिसिस में कोड विकास के लिए। हमें नहीं पता कि नकली डेटा "पर्याप्त अच्छा" है या नहीं ताकि उस स्क्रिप्ट का परीक्षण किया जा सके जो बाद में वास्तविक, लॉक-डाउन अस्पताल डेटा पर चलेगी।
- मूल्यांकन का बिखराव: लेखकों ने डेटा को आंकने के बारे में ग्यारह अन्य समीक्षाओं को देखा। उन्होंने विभिन्न परिभाषाओं का एक ढेर पाया। कुछ लोग इसे "फिडेलिटी" कहते हैं, अन्य "समानता" या "सादृश्य" कहते हैं। कुछ इसमें "निष्पक्षता" (यह सुनिश्चित करना कि नकली डेटा अल्पसंख्यकों के प्रति पक्षपाती न हो) को शामिल करते हैं, जबकि अन्य इसे अनदेखा करते हैं। कोई एक एकल, सहमत नियम पुस्तिका नहीं है।
- कानूनी ग्रे एरिया: समीक्षा में कानूनी और नैतिक पक्ष पर बहुत कम चर्चा मिली। हालांकि हमारे पास वास्तविक डेटा के लिए नियम हैं, लेकिन इस "नकली" डेटा के लिए नियम अभी भी धुंधले हैं। लेखक बताते हैं कि एफडीए (FDA) और ईएमए (EMA) जैसे प्रमुख नियामकों ने अभी तक स्पष्ट मार्गदर्शन नहीं दिया है।
निर्णय
पेपर इस निष्कर्ष पर पहुँचता है कि हमारे पास वास्तविक मरीजों को देखे बिना स्वास्थ्य डेटा बनाने के दिलचस्प तरीकों से भरा एक टूलबॉक्स है। हालाँकि, हम अंधेरे में उड़ रहे हैं। हमने इन उपकरणों का परीक्षण करने के तरीके को मानकीकृत नहीं किया है, और हमने यह भी नहीं पता लगाया है कि सुरक्षित, फेडरेटेड वातावरण में कंप्यूटर कोड का परीक्षण करने के लिए इनका उपयोग करने के विशिष्ट नियम क्या हैं।
लेखक सुझाव देते हैं कि भविष्य के शोध को केवल यह पूछने के बजाय कि "क्या यह वास्तविक दिखता है?", यह पूछना शुरू करना चाहिए कि "क्या यह काम के लिए उपयुक्त है?" वे एक नए, मानकीकृत ढांचे के लिए आह्वान करते हैं जो निर्माण की विधि को उसके इच्छित उपयोग के साथ मेल खाता हो। तब तक, वास्तविक दुनिया के स्वास्थ्य अनुसंधान के लिए कोड बनाने के लिए इन उपकरणों का उपयोग करना, यह जानने के बिना मॉडल हवाई जहाज बनाने जैसा है कि क्या पंख वास्तव में वास्तविक विंड टनल में टिक पाएंगे। क्षमता बहुत बड़ी है, लेकिन सुरक्षा जांच अभी भी लिखी जा रही 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।