Validation design changes wearable stress-state classification performance in hospital nurses
यह अध्ययन प्रदर्शित करता है कि जहाँ अस्पताल के नर्सों के लिए वियरेबल-आधारित तनाव क्लासिफायर उच्च आंतरिक सटीकता दिखा सकते हैं, वहीं अनदेखे व्यक्तियों पर मूल्यांकन किए जाने पर उनका प्रदर्शन महत्वपूर्ण रूप से घट जाता है, जो परिचालन उपयोग से पहले परिवहन क्षमता सुनिश्चित करने के लिए प्रतिभागी-स्तरीय सत्यापन की महत्वपूर्ण आवश्यकता को रेखांकित करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
एक ऐसी दुनिया की कल्पना करें जहाँ एक साधारण कलाई बैंड (wristband) एक नर्स को यह बता सके कि वह सुरक्षित रूप से काम करने के लिए कब बहुत अधिक तनावग्रस्त हो रही है, जिससे संभावित रूप से बर्नआउट और गलतियों को रोका जा सके। यह विचार उन पहनने योग्य सेंसरों (wearable sensors) पर निर्भर करता है जो शरीर के सूक्ष्म संकेतों, जैसे कि त्वचा की विद्युत चालकता में बदलाव, हृदय गति और त्वचा के तापमान में परिवर्तन को ट्रैक करते हैं। ये उपकरण डेटा की एक निरंतर धारा को कैप्चर करते हैं, जिसे तनाव के संकेत देने वाले पैटर्न को खोजने के लिए एक मिनट के छोटे टुकड़ों में विभाजित किया जाता है। उम्मीद यह है कि कंप्यूटर को इन पैटर्नों को पहचानना सिखाकर, हम एक ऐसा उपकरण बना सकते हैं जो स्वास्थ्य सेवा कर्मियों की मदद कर सके। हालाँकि, एक महत्वपूर्ण प्रश्न बना हुआ है: क्या एक कंप्यूटर जो एक व्यक्ति के डेटा से तनाव को पहचानना सीखता है, वास्तव में तब काम करता है जब वह किसी पूरी तरह से नए व्यक्ति से मिलता है?
शोधकर्ताओं के एक समूह—फुआत कहरामन, गोज़डे ओज़सेज़र और गुलेंगुल मर्मेरर द्वारा किए गए एक हालिया अध्ययन ने इसी समस्या की जांच की, जिसमें महामारी के दौरान सेंसर पहने हुए पंद्रह महिला नर्सों के समूह के डेटा का उपयोग किया गया था। शोधकर्ता यह देखना चाहते थे कि क्या कंप्यूटर मॉडल में दिखने वाले प्रभावशाली परिणाम वास्तविक थे या वे केवल उन लोगों की विशिष्ट आदतों को याद रखने का परिणाम थे जिन पर उन्हें प्रशिक्षित किया गया था। उन्होंने ग्यारह मिलियन सेकंड से अधिक के रिकॉर्ड किए गए डेटा वाले एक सार्वजनिक डेटासेट का उपयोग किया और यह परीक्षण किया कि विभिन्न कंप्यूटर एल्गोरिदम नर्सों के तनाव स्तर को कम, मध्यम या उच्च के रूप में कितनी अच्छी तरह वर्गीकृत कर सकते हैं। अध्ययन ने दो अलग-अलग परीक्षण विधियों पर ध्यान केंद्रित किया: एक जहाँ कंप्यूटर प्रशिक्षण के दौरान एक नर्स का कुछ डेटा देखता है और उसी नर्स का बाद में परीक्षण के दौरान डेटा देखता है, और दूसरा जहाँ कंप्यूटर का परीक्षण उस नर्स पर किया जाता है जिसे उसने पहले कभी नहीं देखा था।
परिणामों ने इन दो परीक्षण विधियों के बीच एक चौंकाने वाली खाई को उजागर किया। जब कंप्यूटर को एक नर्स से सीखने और फिर उसी नर्स के बाद के क्षणों पर परीक्षण करने की अनुमति दी गई, तो इसने लगभग पूर्ण सटीकता के साथ प्रदर्शन किया, जो 0.990 तक के स्कोर तक पहुँच गया। इसने सुझाव दिया कि मॉडल कार्य में अविश्वसनीय रूप से अच्छा था। हालाँकि, जब शोधकर्ताओं ने मॉडल को एक नई नर्स को संभालने के लिए परीक्षण करने के लिए बदला जिसे उसने पहले कभी नहीं देखा था, तो प्रदर्शन नाटकीय रूप से गिर गया। सबसे अच्छा प्रदर्शन करने वाले मॉडल के लिए, सटीकता 0.948 से गिरकर औसत 0.661 रह गई। वास्तव में, व्यक्तिगत नई नर्सों के लिए सटीकता बहुत अधिक भिन्न थी, जो 0.32 के निचले स्तर से लेकर 0.90 के उच्च स्तर तक थी। इसका मतलब है कि जबकि कंप्यूटर उन लोगों के तनाव पैटर्न को आसानी से पहचान सकता था जिनका उसने अध्ययन किया था, उसे एक अजनबी पर उस ज्ञान को लागू करने में काफी संघर्ष करना पड़ा। अध्ययन में पाया गया कि मॉडल ने अपने अनुमान लगाने के लिए त्वचा की चालकता और त्वचा के तापमान पर बहुत अधिक भरोसा किया, लेकिन इन मजबूत संकेतों के बावजूद, वह अपने सीखने को नए व्यक्तियों पर लागू करने में असमर्थ रहा।
शोधकर्ताओं ने इस बात की भी बारीकी से जांच की कि तनाव के लेबल कैसे बनाए गए थे। डेटा किसी डॉक्टर द्वारा निदान किए गए तनाव से नहीं आया था; इसके बजाय, एक एल्गोरिदम ने उच्च तनाव के क्षणों का सुझाव दिया, और नर्सों ने अपनी शिफ्ट के बाद इन सुझावों की समीक्षा की। इस प्रक्रिया का अर्थ है कि लेबल उन संकेतों से प्रभावित हो सकते थे जिन्हें कंप्यूटर सीखने की कोशिश कर रहा था, जिससे मॉडल के लिए बिना अंतर्निहित शरीर विज्ञान को वास्तव में समझे, सही अनुमान लगाना आसान हो गया। चूँकि यह अध्ययन एक ही अस्पताल की नर्सों के एक छोटे समूह और एक विशिष्ट समय के दौरान सीमित था, और क्योंकि कंप्यूटर मॉडल का नए अस्पतालों या लोगों के नए समूहों पर परीक्षण नहीं किया गया था, इसलिए लेखकों ने चेतावनी दी है कि ये उपकरण वास्तविक दुनिया के उपयोग के लिए तैयार नहीं हैं। वे इस बात पर जोर देते हैं कि आंतरिक परीक्षणों से प्राप्त उच्च सटीकता संख्या भ्रामक हो सकती है और इससे पहले कि ऐसे सिस्टम का उपयोग अस्पताल के कर्मचारियों की सहायता के लिए किया जा सके, इसे यह साबित करना होगा कि यह उन लोगों पर विश्वसनीय रूप से काम करता है जिनसे वह कभी नहीं मिला है, और इसमें स्पष्ट प्रमाण होना चाहिए कि यह मदद करता है न कि नुकसान पहुँचाता 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।