Predicting In-Hospital Falls Using Routine Care Data: A Precision Nursing Evaluation of Resampling Strategies for Imbalanced Classification
यह अध्ययन प्रदर्शित करता है कि RandomOverSampler द्वारा उन्नत एक Random Forest मॉडल ने नियमित रूप से एकत्र किए गए डेटा का उपयोग करके अस्पताल में होने वाले गिरने (in-hospital falls) के लिए उच्चतम भविष्य कहनेवाला सटीकता (77.00%) प्राप्त की है, जो जटिल जनरेटिव तकनीकों से बेहतर प्रदर्शन करता है और यह पुष्टि करता है कि सरल रीसैंपलिंग रणनीतियाँ व्याख्या योग्य सटीक नर्सिंग अनुप्रयोगों के लिए क्लास असंतुलन को प्रभावी ढंग से संबोधित करती हैं।
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
अस्पताल के शांत गलियारों में, एक मरीज की सुरक्षा एक निरंतर, अक्सर अदृश्य, सतर्कता पर निर्भर करती है। देखभाल प्राप्त करते समय एक व्यक्ति जिन कई जोखिमों का सामना करता है, उनमें से गिरना एक विशेष रूप से खतरनाक घटना है। यह केवल एक लड़खड़ाहट नहीं है; इससे हड्डियां टूट सकती हैं, सिर में चोट लग सकती है, और एक गहरा डर पैदा हो सकता है जो व्यक्ति को हिलने-डुलने से रोकता है, जो बदले में उन्हें और अधिक कमजोर कर देता है। चूंकि मरीजों की कुल संख्या की तुलना में गिरने की घटनाएं अपेक्षाकृत दुर्लभ हैं, इसलिए वे अस्पताल के विशाल रिकॉर्ड में बिखरी हुई, अलग-थलग घटनाओं के रूप में दिखाई देती हैं। यह दुर्लभता उन्हें मानक कंप्यूटर प्रोग्रामों का उपयोग करके अनुमान लगाना कठिन बना देती है, जो अक्सर भ्रमित हो जाते हैं जब एक प्रकार का परिणाम दूसरे की तुलना में बहुत कम बार होता है। इसे हल करने के लिए, शोधकर्ताओं ने यह देखना शुरू किया कि कंप्यूटर को इन दुर्लभ घटनाओं को पहचानने के लिए कैसे सिखाया जाए, जो डेटा को समायोजित करने की एक प्रक्रिया है, जिसे आर्टिफिशियल इंटेलिजेंस के क्षेत्र में 'इम्बैलेंस्ड डेटा' (असंतुलित डेटा) को संभालना कहा जाता है। लक्ष्य एक ऐसा सिस्टम बनाना है जो मरीज की बुनियादी जानकारी को देख सके और कुछ विश्वास के साथ कह सके कि कौन जोखिम में हो सकता है, जिससे दुर्घटना होने से पहले नर्सें हस्तक्षेप कर सकें।
ब्राजील के शोधकर्ताओं की एक टीम ने यह परीक्षण करने के लिए हाथ में लिया कि क्या नियमित अस्पताल रिकॉर्ड, यानी वह डेटा जो बिलिंग और प्रशासन के लिए प्रतिदिन एकत्र किया जाता है, ऐसे सिस्टम को बनाने के लिए उपयोग किया जा सकता है। उन्होंने तीन सार्वजनिक अस्पतालों से जानकारी जुटाई, जिसमें दस साल की अवधि के 45,000 से अधिक मरीज रिकॉर्ड्स का अध्ययन किया गया। इन रिकॉर्ड्स में सरल विवरण थे: मरीज की आयु, उनका लिंग, उनकी जाति, वैवाहिक स्थिति, वे कितने समय से अस्पताल में भर्ती हैं, और क्या उन्हें कोई विकलांगता बताई गई है। महत्वपूर्ण रूप से, शोधकर्ताओं ने विशेष चिकित्सा परीक्षणों या गिरने के जोखिम के लिए डिज़ाइन किए गए जटिल क्लिनिकल स्कोर का उपयोग नहीं किया। इसके बजाय, वे पूरी तरह से उस साधारण डेटा पर निर्भर रहे जो पहले से ही अस्पताल के कंप्यूटर सिस्टम में मौजूद है। वे यह देखना चाहते थे कि क्या वे केवल इस सामान्य जानकारी का उपयोग करके कंप्यूटर को गिरने के पैटर्न को पहचानने के लिए प्रशिक्षित कर सकते हैं, और यह भी कि गिरने के दुर्लभ मामलों पर कंप्यूटर का ध्यान केंद्रित करने का सबसे अच्छा तरीका क्या है ताकि वह कई गैर-गिरने वाले मामलों से अभिभूत न हो जाए।
ऐसा करने के लिए, शोधकर्ताओं ने डेटा को संतुलित करने के लिए कई अलग-अलग तरीकों का परीक्षण किया। एक कक्षा की कल्पना करें जहाँ 76 छात्र कभी अपनी किताबें नहीं गिराते और केवल 24 गिराते हैं। यदि एक शिक्षक केवल बहुमत पर ध्यान देता है, तो वे शायद कभी सीख ही नहीं पाएंगे कि किताबें गिराने वालों का स्वरूप कैसा होता है। शोधकर्ताओं ने इस असंतुलन को ठीक करने के लिए चार अलग-अलग तरीके आजमाए। एक विधि में गिरने वाले मरीजों के रिकॉर्ड की नकल करके उन्हें अधिक संख्या में बनाया गया। दूसरी विधि में, समूहों को बराबर करने के लिए उन मरीजों के रिकॉर्ड को हटा दिया गया जो नहीं गिरे थे। उन्होंने अधिक उन्नत तकनीकें भी आजमाईं जो पूरी तरह से नए, नकली मरीज रिकॉर्ड बनाती थीं जो वास्तविक दिखते थे लेकिन कंप्यूटर द्वारा बनाए गए थे, इस उम्मीद में कि ये नए उदाहरण मॉडल को बेहतर ढंग से सीखने में मदद करेंगे। इसके बाद, उन्होंने आठ अलग-अलग प्रकार के कंप्यूटर लर्निंग एल्गोरिदम का परीक्षण किया, जो सरल निर्णय वृक्षों (डिसीजन ट्री) से लेकर जटिल प्रणालियों तक फैले हुए थे, जो अंतिम भविष्यवाणी करने के लिए कई निर्णय वृक्षों को एक साथ बनाते हैं, ताकि यह देखा जा सके कि कौन सा संयोजन सबसे अच्छा काम करता है।
परिणामों ने दिखाया कि सबसे सरल दृष्टिकोण अक्सर सबसे प्रभावी होता है। सबसे अच्छा प्रदर्शन करने वाला सिस्टम एक मॉडल था जिसने डेटा को संतुलित करने के लिए "कॉपी करने" की विधि का उपयोग किया, और एक ऐसे एल्गोरिदम के साथ मिलकर जो अंतिम भविष्यवाणी करने के लिए कई निर्णय वृक्ष बनाता है। इस सेटअप ने 77 प्रतिशत की संतुलित सटीकता के साथ गिरने के जोखिमों की सही पहचान की। यह एक बेसलाइन मॉडल की तुलना में स्पष्ट सुधार था जिसने बिना किसी संतुलन वाली ट्रिक के केवल 72.8 प्रतिशत तक ही पहुँच प्राप्त की थी। यह निष्कर्ष बताता है कि केवल यह सुनिश्चित करना कि कंप्यूटर गिरने के पर्याप्त उदाहरण देखता है, उसके निर्णय को बेहतर बनाने के लिए पर्याप्त है। आश्चर्यजनक रूप से, अधिक जटिल विधियों ने मदद नहीं की। नकली मरीज रिकॉर्ड बनाने वाली उन्नत तकनीक, हालांकि डेटा उत्पन्न करने की अपनी प्रभावशाली क्षमता के बावजूद, सरल कॉपी करने वाली विधि की तुलना में खराब प्रदर्शन करती रही, जिसने केवल लगभग 70 प्रतिशत सटीकता प्राप्त की। शोधकर्ताओं ने पाया कि नए डेटा उत्पन्न करने की जटिलता बेहतर भविष्यवाणियों में अनुवादित नहीं हुई।
जब शोधकर्ताओं ने बारीकी से देखा कि सबसे अच्छा मॉडल किस बात पर ध्यान दे रहा था, तो तीन कारक सबसे महत्वपूर्ण सुराग के रूप में उभरे। पहला आयु थी; वृद्ध मरीजों को लगातार उच्च जोखिम के रूप में चिह्नित किया गया। दूसरा, मरीज के अस्पताल में रहने की अवधि थी। मॉडल ने पाया कि जो मरीज 10 से 59 दिनों के बीच अस्पताल में रहे, वे उन लोगों की तुलना में उल्लेखनीय रूप से अधिक जोखिम में थे जो या तो अभी आए थे या जो बहुत लंबे समय से वहां थे। तीसरा कारक लिंग था, जिसमें पुरुष मरीज इस डेटासेट में महिला मरीजों की तुलना में थोड़े अधिक जोखिम में पाए गए। शोधकर्ताओं ने नोट किया कि हालांकि मॉडल यह नहीं समझा सका कि ये पैटर्न क्यों मौजूद हैं, फिर भी इसने भविष्यवाणियां करने के लिए सफलतापूर्वक इनका उपयोग किया। उदाहरण के लिए, आयु और गिरने के बीच का संबंध चिकित्सा विज्ञान में पहले से ज्ञात तथ्यों के अनुरूप है, जो शोधकर्ताओं को विश्वास दिलाता है कि मॉडल रैंडम शोर के बजाय वास्तविक पैटर्न सीख रहा है।
अध्ययन निष्कर्ष निकालता है कि अस्पतालों को गिरने की भविष्यवाणी करने के लिए महंगे, विशेष सेंसर या जटिल चिकित्सा परीक्षणों की आवश्यकता नहीं है। वे उस डेटा का उपयोग कर सकते हैं जो उनके पास पहले से ही है। आयु, मरीज के भर्ती होने की अवधि और उनके लिंग पर ध्यान केंद्रित करके, नर्सें एक सरल कंप्यूटर टूल का उपयोग उन मरीजों की पहचान करने के लिए कर सकती हैं जिन्हें अतिरिक्त ध्यान देने की आवश्यकता है। शोधकर्ता आगाह करते हैं कि हालांकि मॉडल पैटर्न पहचानने में अच्छा है, लेकिन यह यह साबित नहीं करता है कि ये कारक गिरने का कारण बनते हैं; यह केवल यह दिखाता है कि वे उनसे जुड़े हुए हैं। इसके अलावा, अध्ययन इस बात पर प्रकाश डालता है कि सबसे परिष्कृत तकनीक हमेशा सबसे अच्छा समाधान नहीं होती है। इस मामले में, डेटा को संतुलित करने का एक सीधा तरीका कृत्रिम उदाहरणों को उत्पन्न करने वाली हाई-टेक पद्धति से बेहतर रहा। यह कार्य 'प्रिसिजन नर्सिंग' (सटीक नर्सिंग) के लिए एक व्यावहारिक मार्ग प्रदान करता है, जहाँ देखभाल को बिस्तर के पास उपलब्ध जानकारी के आधार पर व्यक्ति के अनुकूल बनाया जाता है, जिससे नर्सिंग स्टाफ पर भारी बोझ डाले बिना मरीजों को सुरक्षित रखने में मदद मिलती 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।