Impact of Missing Data Imputation on The Structure of Real-World Clinical Datasets: A Comparison of Median, K-Nearest Neighbours, and MICE Approaches
यह अध्ययन प्रदर्शित करता है कि k-निकटतम पड़ोसियों (KNN) इम्प्यूटेशन ने विभिन्न स्तरों की मिसिंगनेस (missingness) के तहत वास्तविक दुनिया के क्लिनिकल डेटासेट की वितरण निष्ठा (distributional fidelity) और बहुभिन्नीय संरचनात्मक अखंडता (multivariate structural integrity) को बनाए रखने में मेडियन प्रतिस्थापन (median substitution) और चेन समीकरणों द्वारा बहु-इम्प्यूटेशन (MICE) दोनों से बेहतर प्रदर्शन किया 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
चिकित्सा अनुसंधान की दुनिया में, डेटा खोज की जीवनधारा है। डॉक्टर और वैज्ञानिक बीमारियों को समझने और देखभाल में सुधार करने के लिए रोगी के इतिहास, लैब परिणामों और उपचार के परिणामों के रिकॉर्ड पर भरोसा करते हैं। हालाँकि, वास्तविक दुनिया के मेडिकल रिकॉर्ड शायद ही कभी पूर्ण होते हैं। मरीज अपॉइंटमेंट छोड़ देते हैं, मशीनें विफल हो जाती हैं, या डॉक्टर बस किसी विशिष्ट माप को लिखना भूल जाते हैं। ये अंतराल, जिन्हें 'मिसिंग डेटा' (लुप्त डेटा) कहा जाता है, एक समस्या पैदा करते हैं: यदि कोई शोधकर्ता छेदों वाली संख्याओं की सूची का विश्लेषण करने की कोशिश करता है, तो परिणाम भ्रामक या गणना करने में असंभव हो सकते हैं। इसे ठीक करने के लिए, शोधकर्ता अक्सर 'इम्प्यूटेशन' (imputation) नामक प्रक्रिया का उपयोग करके खाली स्थानों को भरते हैं। ऐसा करने का सबसे सामान्य और सरल तरीका यह है कि वे किसी विशिष्ट माप के लिए उपलब्ध सभी संख्याओं को देखें, मध्य मान (middle value) खोजें, और उसी संख्या को हर खाली स्थान में डाल दें। हालांकि यह करना आसान है, लेकिन इसमें एक ज्ञात दोष है: यह डेटा की प्राकृतिक विविधता को कम कर देता है, जिससे रोगियों का एक विविध समूह वास्तव में जितना है उससे कहीं अधिक एक जैसा दिखने लगता है। एक अधिक परिष्कृत दृष्टिकोण में जटिल कंप्यूटर मॉडल का उपयोग करना शामिल है जो इस बात का अनुमान लगाते हैं कि रोगी के बारे में अन्य जानकारी के आधार पर लुप्त संख्याएँ क्या हो सकती हैं। वैज्ञानिक समुदाय के सामने प्रश्न यह है कि क्या सरल विधि पर्याप्त अच्छी है, या क्या डेटा को ईमानदार बनाए रखने के लिए जटिल विधि आवश्यक है।
वेलेंसिया, स्पेन के शोधकर्ताओं की एक टीम ने तीन अलग-अलग तरीकों का परीक्षण करके इस प्रश्न का उत्तर देने का प्रयास किया। उन्होंने अपने सिद्धांतों का परीक्षण करने के लिए फर्जी डेटा नहीं बनाया; इसके बजाय, उन्होंने रोगी की जानकारी के दो बड़े, वास्तविक संग्रहों का उपयोग किया। पहले समूह में 408 मरीज शामिल थे जिन्होंने फेफड़े का प्रत्यारोपण (lung transplant) कराया था, जो एक जटिल प्रक्रिया है जहाँ डॉक्टर सर्जरी से पहले, दौरान और बाद में दर्जनों माप ट्रैक करते हैं। दूसरे समूह में 1,700 मरीज शामिल थे जिन्हें दिल का दौरा पड़ा था, जिनके रिकॉर्ड में उनके महत्वपूर्ण लक्षण (vital signs) और चिकित्सा इतिहास का विवरण था। दोनों समूहों में, कई संख्याएँ गायब थीं। फेफड़े के प्रत्यारोपण वाले समूह में, कुछ माप केवल 0.2 प्रतिशत मरीजों से लेकर 77.9 प्रतिशत तक मरीजों के गायब थे। हार्ट अटैक वाले समूह में, लुप्त डेटा 0.24 प्रतिशत से लेकर 63 प्रतिशत से अधिक तक था। शोधकर्ता यह देखना चाहते थे कि इन रिक्त स्थानों को भरने का कौन सा तरीका मूल डेटा के वास्तविक आकार और संबंधों को सबसे अच्छी तरह से संरक्षित करता है।
टीम ने तीन विशिष्ट रणनीतियों की तुलना की। पहली मानक, सरल पद्धति थी: प्रत्येक लुप्त संख्या को उन संख्याओं के 'मीडियन' (मध्य मान) से बदलना जो वास्तव में दर्ज की गई थीं। दूसरी विधि 'के-नियरएस्ट नेबर्स' (k-nearest neighbours) थी, जो उस व्यक्ति के समान डेटाबेस में मौजूद मरीजों को खोजने का काम करती है जिसका डेटा गायब है और उनके मूल्यों का उपयोग करके एक अनुमान लगाती है। तीसरी एक अत्यधिक जटिल सांख्यिकीय तकनीक है जिसे 'मल्टीपल इम्प्यूटेशन' (multiple imputation) कहा जाता है, जो लुप्त डेटा के कई अलग-अलग संभावित संस्करण उत्पन्न करने के लिए कई परिष्कृत मॉडल चलाती है और फिर उन्हें औसत करती है। शोधकर्ताओं ने एक सांख्यिकीय पैमाने का उपयोग करके यह मापा कि भरा हुआ डेटा मूल, पूर्ण डेटा से कितनी निकटता से मेल खाता है, जो यह जाँचता है कि संख्याओं का वितरण समान दिखता है या नहीं। उन्होंने यह भी जाँच की कि क्या विभिन्न चरों (variables) के बीच के संबंध, जैसे कि आयु का रक्तचाप से संबंध, बरकरार रहे।
परिणाम उन लोगों के लिए आश्चर्यजनक थे जो उम्मीद करते हैं कि सबसे जटिल विधि हमेशा सबसे अच्छी होती है। मध्य मान का उपयोग करने वाली सरल विधि ने वास्तव में डेटा को विकृत किया, संख्याओं की विविधता को कम कर दिया और डेटासेट को वास्तव में जितना विविध था उससे कम विविध बना दिया। हालाँकि, जटिल, बहु-चरणीय सांख्यिकीय मॉडल इस विशिष्ट परीक्षण में और भी खराब प्रदर्शन कर गया। इसने सबसे बड़ी त्रुटियाँ पेश कीं और अन्य किसी भी विधि की तुलना में चरों के बीच के संबंधों को अधिक बदल दिया। सबसे अच्छा प्रदर्शन करने वाली विधि 'के-नियरएस्ट नेबर्स' दृष्टिकोण थी। इसने डेटा के प्राकृतिक प्रसार को संरक्षित किया और चिकित्सा मापों के बीच के संबंधों को किसी भी अन्य विधि की तुलना में अधिक सटीक रखा। फेफड़े के प्रत्यारोपण समूह में, जटिल मॉडल ने लगभग 39 प्रतिशत चरों के डेटा को विकृत किया, जबकि के-नियरएस्ट नेबर्स विधि ने केवल 11 प्रतिशत को विकृत किया। हार्ट अटैक समूह में, जटिल मॉडल ने 39 प्रतिशत चरों को विकृत किया, जबकि के-नियरएस्ट नेबर्स विधि ने केवल 11 प्रतिशत को विकृत किया।
शोधकर्ताओं ने पाया कि जैसे-जैसे लुप्त डेटा की मात्रा बढ़ती है, सभी विधियाँ अधिक गलतियाँ करती हैं, लेकिन के-नियरएस्ट नेबर्स विधि बहुत धीमी गति से गलतियाँ करती है। जब किसी चर में लुप्त संख्याओं का प्रतिशत अधिक था, तो सरल मध्य-मान विधि और जटिल मॉडल दोनों ही डेटा को वास्तविक दिखाने में संघर्ष करते रहे, लेकिन के-नियरएस्ट नेबर्स विधि बेहतर बनी रही। ऐसा संभवतः इसलिए है क्योंकि जटिल मॉडल हर एक चर के लिए एक आदर्श गणितीय नियम बनाने की कोशिश करता है, जो तब कठिन हो जाता है जब बहुत सारे चर हों और सीखने के लिए पर्याप्त मरीज न हों। इसके विपरीत, के-नियरएस्ट नेबर्स विधि, बस सबसे समान मरीजों को देखती है और उनके पैटर्न को कॉपी करती है, जो डेटा के अस्त-व्यस्त या अधूरा होने पर भी अच्छा काम करता है।
यह अध्ययन यह सुझाव नहीं देता है कि जटिल सांख्यिकीय मॉडल बेकार है। वह मॉडल एक अलग उद्देश्य के लिए डिज़ाइन किया गया है: संभावित उत्तरों की एक सीमा प्रदान करना और अज्ञात संख्याओं की अनिश्चितता को ध्यान में रखना, जो कुछ प्रकार के गहरे सांख्यिकीय विश्लेषण के लिए महत्वपूर्ण है। हालाँकि, उन कई शोधकर्ताओं के लिए जिन्हें केवल रोगियों के समूह का वर्णन करने या चरों के बीच संबंधों को खोजने के लिए एक स्वच्छ, पूर्ण डेटासेट की आवश्यकता होती है, जटिल मॉडल ज़रूरत से ज़्यादा और यहाँ तक कि प्रतिकूल भी हो सकता है। निष्कर्ष बताते हैं कि चिकित्सा डेटासेट के एक एकल, विश्वसनीय संस्करण बनाने के लिए, के-नियरएस्ट नेबर्स विधि एक शक्तिशाली संतुलन प्रदान करती है। यह सरल मध्य-मान विधि की तुलना में बहुत अधिक सटीक है, जिसका अभी भी व्यापक रूप से उपयोग किया जाता है, और यह जटिल मॉडल का उपयोग करने की तुलना में आसान है, जिसमें शोधकर्ता को कम तकनीकी निर्णय लेने की आवश्यकता होती है।
यह अध्ययन चिकित्सा विज्ञान के लिए एक व्यावहारिक सबक देता है: कभी-कभी, सबसे परिष्कृत उपकरण काम के लिए सबसे अच्छा नहीं होता है। अस्पताल के रिकॉर्ड की अव्यवस्थित वास्तविकता में, जहाँ डेटा अक्सर अधूरा होता है और रोगी की प्रोफाइल अद्वितीय होती है, एक ऐसी विधि जो रिक्त स्थानों को भरने के लिए समान मरीजों को देखती है, एक कठोर गणितीय सूत्र की तुलना में डेटा की वास्तविक कहानी को बेहतर ढंग से संरक्षित कर सकती है। सही उपकरण चुनकर, शोधकर्ता यह सुनिश्चित कर सकते हैं कि उनके द्वारा खोजे गए पैटर्न वास्तव में उन रोगियों के वास्तविक स्वरूप को दर्शाते हैं जिनका वे अध्ययन कर रहे हैं, न कि उन कृत्रिम प्रभावों को जो उनके द्वारा लुप्त संख्याओं को ठीक करने के प्रयास से उत्पन्न हुए हैं। यह कार्य उन वैज्ञानिकों के लिए एक स्पष्ट मार्ग प्रदान करता है जो अनावश्यक जटिलता में उलझे बिना अपने डेटा को ईमानदार रखना चाहते हैं।
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।