Federated Model Optimization for Real-Time Big Data Analytics in Smart Drug Delivery Edge Devices

आधुनिक चिकित्सा परिदृश्य में, उन उपकरणों के भीतर एक शांत क्रांति हो रही है जो मरीजों को जीवित रखते हैं। स्मार्ट ड्रग डिलीवरी सिस्टम, जैसे कि ऑटोमेटेड इंसुलिन पंप और इन्फ्यूजन पंप, अब केवल यांत्रिक डिस्पेंसर नहीं रह गए हैं; वे लगातार मरीज की हृदय गति, रक्त शर्करा और डिवाइस की अपनी बैटरी लाइफ के बारे में डेटा का प्रवाह उत्पन्न कर रहे हैं। पारंपरिक रूप से, इस सूचना के सैलाब को समझने के लिए, अस्पताल इस पूरे कच्चे डेटा को क्लाउड में स्थित एक विशाल केंद्रीय कंप्यूटर पर भेज देते थे। वहां, शक्तिशाली एल्गोरिदम संख्याओं का विश्लेषण करते थे ताकि खतरनाक त्रुटियों का पता लगाया जा सके या यह भविष्यवाणी की जा सके कि कब मरीज को खुराक समायोजन की आवश्यकता हो सकती है। हालांकि, संवेदनशील चिकित्सा डेटा को इंटरनेट पर भेजना महत्वपूर्ण समस्याएं पैदा करता है। डेटा को यात्रा करने में समय लगता है, जो तब खतरनाक हो सकता है जब एक सेकंड के भी हिस्से में निर्णय लेने की आवश्यकता हो। यह बहुत अधिक बैंडविड्थ भी खर्च करता है, और शायद सबसे महत्वपूर्ण बात यह है कि यह मरीजों को अपने निजी स्वास्थ्य रिकॉर्ड को एक केंद्रीय सर्वर को सौंपने के लिए मजबूर करता है, जिससे गोपनीयता संबंधी गंभीर चिंताएं पैदा होती हैं।

इसे हल करने के लिए, शोधकर्ताओं ने 'फेडरेटेड लर्निंग' नामक एक अवधारणा की ओर रुख किया है। कल्पना कीजिए कि एक कक्षा है जहाँ छात्र एक कठिन पहेली को हल कर रहे हैं। सभी को एक विशाल चित्र बनाने के लिए एक ही मेज पर अपने अनूठे टुकड़े लाने के बजाय, प्रत्येक छात्र अपनी डेस्क पर पहेली के अपने हिस्से पर काम करता है। वे केवल उन नियमों को साझा करते हैं जिन्हें उन्होंने टुकड़ों के जुड़ने के तरीके के बारे में खोजा है, न कि स्वयं टुकड़ों को। इस तरह, समूह सामूहिक रूप से सीखता है बिना किसी के दूसरे व्यक्ति के निजी कार्य को देखे। यह दृष्टिकोण चिकित्सा उपकरणों को एक-दूसरे से सीखने और विसंगतियों का पता लगाने की अपनी क्षमता में सुधार करने की अनुमति देता है, जबकि मरीज के वास्तविक डेटा को उनके अपने स्थानीय डिवाइस पर सुरक्षित रखता है। फिर भी, यह विधि भी बाधाओं का सामना करती है। चिकित्सा उपकरणों में अक्सर सीमित बैटरी पावर और कमजोर इंटरनेट कनेक्शन होता है, और उनके द्वारा उत्पन्न डेटा अव्यवस्थित या अविश्वसनीय हो सकता है, जिससे सिस्टम को बिना धीमा किए प्रभावी ढंग से सिखाना कठिन हो जाता है।

एक समाधान के रूप में, पारुल यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस प्रणाली को बेहतर बनाने के लिए एक नया तरीका प्रस्तावित किया है, विशेष रूप से स्मार्ट ड्रग डिलीवरी उपकरणों के लिए। उन्होंने एक ढांचा विकसित किया जिसे वे 'एडेप्टिव ट्रस्ट-ड्रिवन हाइरार्किकल फेडरेटेड ऑप्टिमाइजेशन' (Adaptive Trust-Driven Hierarchical Federated Optimization) कहते हैं। मूल विचार नेटवर्क को न केवल सीखने के लिए, बल्कि यह जानने के लिए भी स्मार्ट बनाना है कि किसे सुनना है और कितनी जानकारी मांगनी है। एक विशिष्ट प्रणाली में, प्रत्येक डिवाइस अपने अपडेट एक केंद्रीय समन्वयक को भेजता है, चाहे वह डिवाइस पूरी तरह से काम कर रहा हो या उसके सेंसर खराब हो रहे हों। यह नया दृष्टिकोण इस गतिशीलता को बदल देता है क्योंकि यह पहले एक सरल प्रश्न पूछता है: क्या हम इस डिवाइस पर भरोसा कर सकते हैं? किसी डिवाइस को अपनी सीख साझा करने की अनुमति देने से पहले, सिस्टम तीन चीजों की जांच करता है: इसकी भविष्यवाणियां कितनी सटीक रही हैं, इसके सेंसर कितने स्थिर हैं, और इसका इंटरनेट कनेक्शन कितना विश्वसनीय है। यदि किसी डिवाइस का कनेक्शन अस्थिर है या उसका सेंसर भटक रहा है, तो सिस्टम उसे कम "ट्रस्ट स्कोर" (विश्वास स्कोर) प्रदान करता है।

एक बार जब सिस्टम जान जाता है कि कौन से डिवाइस विश्वसनीय हैं, तो यह उनके द्वारा भेजे गए डेटा पर बुद्धिमत्ता की दूसरी परत लागू करता है। डिवाइस ने जो कुछ भी सीखा है उसका हर एक विवरण प्रसारित करने के बजाय, सिस्टम जानकारी को फ़िल्टर करता है। यह सबसे महत्वपूर्ण सबक की पहचान करता है और शोर (noise) को हटा देता है, डेटा को इस तरह संकुचित करता है कि केवल आवश्यक अपडेट ही नेटवर्क पर यात्रा करें। यह बिल्कुल वैसा ही है जैसे कोई छात्र शिक्षक को पूरी किताब भेजने के बजाय, एक पूरे अध्याय का सारांश एक एकल, महत्वपूर्ण वाक्य में लिखकर देता है। यह प्रक्रिया भेजे जाने वाले डेटा की मात्रा को भारी रूप से कम कर देती है, जिससे बैटरी जीवन और इंटरनेट बैंडविड्थ की बचत होती है। अंत में, जब केंद्रीय प्रणाली सभी उपकरणों से मिले पाठों को जोड़ती है, तो वह उन सभी के साथ समान व्यवहार नहीं करती है। यह उन उपकरणों को अधिक महत्व देती है जिनके पास उच्च ट्रस्ट स्कोर और विश्वसनीय डेटा है, यह सुनिश्चित करते हुए कि अंतिम, वैश्विक मॉडल उपलब्ध सबसे मजबूत और सबसे सटीक जानकारी पर आधारित हो।

यह जांचने के लिए कि क्या यह विचार काम करता है, शोधकर्ताओं ने एक सिम्युलेटेड वातावरण बनाया जो चिकित्सा उपकरणों के वास्तविक दुनिया के नेटवर्क की नकल करता है। उन्होंने पचास हजार रोगी संकेतों और डिवाइस प्रदर्शन के रिकॉर्ड वाला एक डेटासेट उपयोग किया, जिसमें हृदय गति, रक्त ग्लूकोज स्तर और इन्फ्यूशन दर शामिल थी। उन्होंने इस डेटा को सामान्य स्थितियों और असामान्य घटनाओं, जैसे कि पंप का खराब होना या मरीज की स्थिति का अप्रत्याशित रूप से बिगड़ना, में विभाजित किया। इसके बाद टीम ने अपने नए सिस्टम को फेडरेटेड लर्निंग के पुराने, मानक तरीकों के विरुद्ध चलाया। परिणाम स्पष्ट थे। इन सिमुलेशन में, नए ढांचे ने 97 प्रतिशत की वर्गीकरण सटीकता प्राप्त की, जिसका अर्थ है कि इसने लगभग हर बार सही ढंग से पहचाना कि ड्रग डिलीवरी की घटना सामान्य थी या असामान्य। यह अन्य परीक्षण किए गए तरीकों की तुलना में एक महत्वपूर्ण सुधार था, जो 89 और 93 प्रतिशत के बीच थे। इसके अलावा, नया सिस्टम बहुत अधिक कुशल था, जिसने उच्च प्रदर्शन बनाए रखते हुए भी ट्रांसमिट किए जाने वाले डेटा की मात्रा को बड़े अंतर से कम कर दिया।

अध्ययन ने यह भी देखा कि नेटवर्क बड़ा और अधिक जटिल होने पर यह प्रणाली कैसे व्यवहार करेगी। एक परिदृश्य में जहाँ दर्जनों डिवाइस अलग-अलग इंटरनेट गति और बैटरी जीवन के साथ जुड़े हुए थे, नया ढांचा स्थिर रहा। इसने संघर्ष कर रहे उपकरणों के शोर वाले, अविश्वसनीय संकेतों को सफलतापूर्वक अनदेखा किया और सुचारू रूप से कार्य करने वाले उपकरणों के स्पष्ट, उच्च-गुणवत्ता वाले डेटा पर ध्यान केंद्रित किया। यह सुझाव देता है कि यह प्रणाली बड़े अस्पतालों या होम-केयर उपकरणों के व्यापक नेटवर्क को संभालने के लिए स्केल अप हो सकती है। शोधकर्ताओं ने पाया कि विश्वसनीयता को प्राथमिकता देकर और डेटा को संकुचित करके, वे एक ऐसा सिस्टम बना सकते हैं जो वास्तविक समय के निर्णयों के लिए पर्याप्त तेज़ और मरीज की गोपनीयता की रक्षा करने के लिए पर्याप्त सुरक्षित है।

हालांकि परिणाम उत्साहजनक हैं, यह ध्यान रखना महत्वपूर्ण है कि ये निष्कर्ष एक सिम्युलेटेड वातावरण से आए हैं। शोधकर्ताओं ने अभी तक इस प्रणाली का वास्तविक अस्पताल परिवेश में वास्तविक रोगियों पर परीक्षण नहीं किया है। अध्ययन यह प्रदर्शित करता है कि गणितीय मॉडल नियंत्रित परिस्थितियों में इच्छित रूप से काम करता है, लेकिन वास्तविक दुनिया में तैनाती के लिए आगे के सत्यापन की आवश्यकता होगी। टीम का सुझाव है कि भविष्य के कार्यों में इन विधियों को अन्य उन्नत तकनीकों, जैसे कि और भी मजबूत सुरक्षा के लिए ब्लॉकचेन या डॉक्टरों को यह समझने में मदद करने के लिए कि सिस्टम ने एक विशिष्ट निर्णय क्यों लिया, 'एक्सप्लेनेबल आर्टिफिशियल इंटेलिजेंस' के साथ एकीकृत करना शामिल हो सकता है। फिलहाल, यह कार्य इस बात का एक सम्मोहक खाका प्रदान करता है कि अगली पीढ़ी के चिकित्सा उपकरण कैसे संचालित हो सकते हैं: एक साथ सीखते हुए, गोपनीयता का सम्मान करते हुए, और गति एवं सटीकता के साथ कार्य करते हुए, और यह सब बिना कभी मरीज के निजी डेटा को उनके अपने घर से बाहर भेजे।