Enhancing Patient Experience Using Machine Learning and Deep Learning Based Sentiment Analysis
यह शोधपत्र 21 अस्पतालों के रोगी टेक्स्ट फीडबैक का विश्लेषण करने और स्वास्थ्य सेवाओं एवं रोगी संतुष्टि को बढ़ाने के लिए कार्रवाई योग्य अंतर्दृष्टि प्राप्त करने हेतु BERT और विभिन्न RNN वेरिएंट्स सहित उन्नत मशीन लर्निंग और डीप लर्निंग एल्गोरिदम, साथ ही विविध एम्बेडिंग तकनीकों और LDA टॉपिक मॉडलिंग का लाभ उठाने वाले एक व्यापक ढांचे का प्रस्ताव 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
स्वास्थ्य सेवा की आधुनिक दुनिया में, गुणवत्ता का मापन अब केवल चिकित्सा परिणामों या निदान की गति से नहीं किया जाता है। तेजी से, रोगी का अपना अनुभव स्वयं सफलता का एक केंद्रीय मानक बन गया है। जब कोई व्यक्ति अस्पताल जाता है, तो वह विचारों, शिकायतों और प्रशंसा की एक छाप छोड़ जाता है, जिसे अक्सर वेबसाइटों, मंचों और सोशल मीडिया पर असंरचित टेक्स्ट के रूप में साझा किया जाता है। ये हजारों व्यक्तिगत कहानियाँ इस बारे में जानकारी का एक खजाना हैं कि क्या काम कर रहा है और क्या विफल हो रहा है, लेकिन वे मानव कर्मचारियों द्वारा एक-एक करके पढ़ने और विश्लेषण करने के लिए बहुत विशाल और अव्यवस्थित हैं। इस डिजिटल शोर को समझने के लिए, शोधकर्ता कंप्यूटर विज्ञान के एक क्षेत्र की ओर मुड़ते हैं जिसे 'सेंटीमेंट एनालिसिस' (भावना विश्लेषण) कहा जाता है। यह मशीनों को टेक्स्ट पढ़ने और शब्दों के पीछे की भावना को समझने, खुशी, क्रोध और उदासीनता के बीच अंतर करने के लिए प्रशिक्षित करने की प्रक्रिया है। इस कार्य को स्वचालित करके, स्वास्थ्य सेवा प्रदाता यह अनुमान लगाने से आगे बढ़कर यह जानने की स्थिति में आ सकते हैं कि रोगी वास्तव में क्या महसूस करते हैं, जिससे उन्हें विशिष्ट समस्याओं को ठीक करने और अपनी सेवाओं को वास्तविक मानवीय आवश्यकताओं के अनुरूप ढालने में मदद मिलती है।
कई भारतीय विश्वविद्यालयों की शोधकर्ताओं की एक टीम ने इस तकनीक को रोगी देखभाल की जटिल वास्तविकता पर लागू करने का लक्ष्य रखा। उन्होंने भारत के विभिन्न शहरों के 21 अलग-अलग अस्पतालों से लगभग 10,000 लिखित समीक्षाओं का एक विशाल संग्रह एकत्र किया। ये समीक्षाएं सकारात्मक फीडबैक, नकारात्मक शिकायतों और तटस्थ टिप्पणियों का मिश्रण थीं। लक्ष्य केवल यह गिनना नहीं था कि कितने लोग खुश या नाखुश थे, बल्कि एक परिष्कृत प्रणाली बनाना था जो इन शब्दों के गहरे अर्थ को समझ सके और उन छिपे हुए विषयों को उजागर कर सके जो उन भावनाओं को प्रेरित करते हैं। इसे करने के लिए, शोधकर्ताओं ने पारंपरिक सांख्यिकीय विधियों से लेकर उन्नत आर्टिफिशियल इंटेलिजेंस सिस्टम तक, जो मानव मस्तिष्क के भाषा प्रसंस्करण के तरीके की नकल करते हैं, कई प्रकार के कंप्यूटर मॉडलों का परीक्षण किया।
प्रक्रिया की शुरुआत कच्चे डेटा (raw data) को साफ करने से हुई, जो टेक्स्ट को विश्लेषण के लिए तैयार करने हेतु एक आवश्यक कदम है। शोधकर्ताओं ने विराम चिह्नों को हटा दिया, सभी अक्षरों को लोअरकेस (छोटे अक्षरों) में बदल दिया, और "the" या "and" जैसे सामान्य शब्दों को हटा दिया जिनमें कोई भावनात्मक वजन नहीं होता। उन्होंने भाषा का मानकीकरण भी किया, यह सुनिश्चित करते हुए कि "running" और "ran" जैसे विविध रूपों को एक ही अवधारणा माना जाए। एक बार जब टेक्स्ट व्यवस्थित हो गया, तो उन्होंने इसे विभिन्न प्रकार के एल्गोरिदम में डाला। सबसे पहले, उन्होंने रैंडम फॉरेस्ट, डिसीजन ट्री और XGBoost नामक एक शक्तिशाली टूल सहित स्थापित मशीन लर्निंग तकनीकों का उपयोग किया। ये मॉडल समीक्षा की भावना का अनुमान लगाने के लिए विशिष्ट शब्दों की आवृत्ति और महत्व को देखकर काम करते थे। इनमें से, XGBoost मॉडल सबसे प्रभावी साबित हुआ, जिसने लगभग 90 प्रतिशत की सटीकता के साथ समीक्षाओं को सही ढंग से वर्गीकृत किया। यह सकारात्मक फीडबैक की बारीकियों को पहचानने में विशेष रूप से अच्छा था, हालांकि इसे अधिक जटिल नकारात्मक और तटस्थ श्रेणियों के साथ थोड़ी कठिनाई का सामना करना पड़ा।
अधिक गहराई में जाने के लिए, टीम ने 'डीप लर्निंग' नामक तकनीक की दूसरी परत का उपयोग किया। ये मॉडल शब्दों के संदर्भ और क्रम को समझने के लिए डिज़ाइन किए गए हैं, ठीक वैसे ही जैसे एक व्यक्ति यह समझता है कि शब्दों के क्रम के आधार पर वाक्य का अर्थ बदल जाता है। उन्होंने चार अलग-अलग आर्किटेक्चर का परीक्षण किया: सिंपल RNN, LSTM, GRU और बायडायरेक्शनल LSTM। इन सिस्टमों को शब्दों को संख्या के रूप में प्रदर्शित करने के दो अलग-अलग तरीकों का उपयोग करके प्रशिक्षित किया गया था, जिन्हें Word2Vec और GloVe के रूप में जाना जाता है, जो कंप्यूटर को यह समझने की अनुमति देते हैं कि कुछ शब्द अर्थपूर्ण रूप से संबंधित हैं। परिणामों ने दिखाया कि डीप लर्निंग मॉडल पारंपरिक मॉडलों की तुलना में काफी बेहतर प्रदर्शन करते हैं। सबसे अच्छा प्रदर्शन करने वाला मॉडल बायडायरेक्शनल LSTM था, जिसने 96 प्रतिशत से अधिक की सटीकता प्राप्त की। यह मॉडल अद्वितीय था क्योंकि यह टेक्स्ट को दोनों दिशाओं में पढ़ता था, शुरू से अंत तक और अंत से शुरू तक, जिससे यह एक दिशा में पढ़ने वाले मॉडलों की तुलना में वाक्य के पूर्ण संदर्भ को अधिक प्रभावी ढंग से पकड़ पाता था।
हालांकि इन मॉडलों की उच्च सटीकता प्रभावशाली थी, लेकिन शोधकर्ता केवल यह नहीं जानना चाहते थे कि समीक्षा अच्छी है या बुरी। वे यह भी जानना चाहते थे कि समीक्षाएं वास्तव में किस बारे में थीं। इन छिपे हुए विषयों को उजागर करने के लिए, उन्होंने 'टॉपिक मॉडलिंग' नामक तकनीक का उपयोग किया। यह विधि उन शब्दों के समूहों को बनाती है जो अक्सर एक साथ आते हैं ताकि बातचीत के अंतर्निहित विषयों को प्रकट किया जा सके। जब उन्होंने इसे नकारात्मक, सकारात्मक और तटस्थ समीक्षाओं पर लागू किया, तो मॉडल ने प्रत्येक भावना श्रेणी की विशेषता बताने वाले शब्दों के विशिष्ट क्लस्टर की पहचान की। शोधकर्ताओं ने प्रत्येक विषय के लिए शीर्ष योगदान देने वाले शब्दों का चयन किया ताकि प्रत्येक भावना के भीतर होने वाले प्रमुख विषयों का वर्णन किया जा सके, जिससे उन्हें उन विषयों की तुलना करने में मदद मिली जो सकारात्मक भावनाओं को प्रेरित करते हैं बनाम वे जो असंतोष का कारण बनते हैं। भावनात्मक स्वर को विशिष्ट विषय वस्तु से अलग करने की इस क्षमता ने शोधकर्ताओं को यह देखने की अनुमति दी कि अस्पताल की देखभाल के कौन से पहलू रोगी की संतुष्टि या असंतोष को संचालित कर रहे थे।
अध्ययन ने BERT नामक एक बहुत ही उन्नत मॉडल के उपयोग की भी खोज की, जो एक प्री-ट्रेंड सिस्टम पर आधारित है जिसने इंटरनेट से पहले ही भाषा का एक विशाल हिस्सा सीख लिया है। शोधकर्ताओं ने अन्य परीक्षण किए गए एल्गोरिदम के विरुद्ध तुलना के उद्देश्य से इस ट्रांसफॉर्मर मॉडल को स्पष्ट रूप से लागू किया, और इसके प्रदर्शन को बेंचमार्क करने के लिए इसके आर्किटेक्चर और प्रशिक्षण सेटअप का विवरण दिया। जबकि BERT जटिल संदर्भ को समझने की अपनी क्षमता के लिए जाना जाता है, अध्ययन ने अपने रिपोर्ट किए गए प्रदर्शन मेट्रिक्स को कस्टम-निर्मित डीप लर्निंग मॉडलों और पारंपरिक मशीन लर्निंग क्लासिफायर पर केंद्रित रखा। शोधकर्ताओं ने निष्कर्ष निकाला कि इन शक्तिशाली वर्गीकरण उपकरणों को टॉपिक मॉडलिंग के साथ जोड़कर, अस्पताल अपने प्रदर्शन का एक व्यापक दृष्टिकोण प्राप्त कर सकते हैं। वे साधारण संतुष्टि स्कोर से आगे बढ़कर यह समझने में सक्षम हो सकते हैं कि उनके पीछे के विशिष्ट कारण क्या हैं, चाहे वह देखभाल की लागत हो, रिसेप्शनिस्ट का व्यवहार हो, या चिकित्सा उपचार की गुणवत्ता।
यह कार्य प्रदर्शित करता है कि रोगियों की विशाल, असंरचित आवाजों को स्पष्ट, कार्रवाई योग्य अंतर्दृनों में बदला जा सकता है। भावनाओं को वर्गीकृत करने के लिए मशीन लर्निंग और विषयों की पहचान करने के लिए टॉपिक मॉडलिंग का संयोजन करके, स्वास्थ्य सेवा प्रदाता सटीक रूप से यह पता लगा सकते हैं कि उनकी सेवाओं को सुधार की आवश्यकता कहाँ है। निष्कर्ष बताते हैं कि रोगी अनुभव का भविष्य डेटा को केवल एक संख्या के रूप में नहीं, बल्कि कहानियों के एक संग्रह के रूप में सुनने में निहित है, जो सही ढंग से पढ़े जाने पर बेहतर देखभाल का मार्ग प्रकट करती हैं। शोधकर्ताओं ने उल्लेख किया कि हालांकि उनका वर्तमान कार्य ऑनलाइन समीक्षाओं पर केंद्रित था, वही विधियों को फोन सर्वेक्षणों या सोशल मीडिया के माध्यम से प्राप्त फीडबैक पर भी लागू किया जा सकता है, जिससे इस समझ का दायरा और बढ़ जाता है। अंततः, यह अध्ययन इस बात का ब्लूप्रिंट प्रदान करता है कि कैसे तकनीक रोगी अनुभव और अस्पताल प्रबंधन के बीच के अंतर को पाट सकती है, यह सुनिश्चित करते हुए कि देखभाल प्राप्त करने वालों की आवाज़ सुनी और समझी जाए।
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।