Adaptive Mortality Drift for Short-Horizon Forecasting of Under-Five Mortality in West Africa: Model Development, Monte Carlo Validation, Robustness, and a 16-Country Application

हर साल, दुनिया भर में लाखों बच्चे अपने पांचवें जन्मदिन तक जीवित नहीं रह पाते हैं। यह दुखद वास्तविकता एक एकल, स्पष्ट संख्या द्वारा मापी जाती है: पांच वर्ष से कम आयु की मृत्यु दर। यह आंकड़ा बताता है कि प्रति हजार जीवित जन्मों पर कितने बच्चे पांच वर्ष की आयु से पहले मर जाते हैं। यह केवल एक सांख्यिकी नहीं है; यह एक समाज के स्वास्थ्य का दर्पण है, जो उसके अस्पतालों की गुणवत्ता, उसके पानी की सुरक्षा और उसकी अर्थव्यवस्था की स्थिरता को प्रकट करता है। पश्चिम अफ्रीका में, यह बोझ सबसे अधिक है, जहाँ देश एक ही क्षेत्र साझा करने के बावजूद बहुत अलग-अलग चुनौतियों का सामना कर रहे हैं। सरकारों और स्वास्थ्य संगठनों के लिए, भविष्य में क्या होने वाला है, यह जानना महत्वपूर्ण है। उन्हें यह जानने की आवश्यकता है कि क्या वर्तमान प्रयास काम कर रहे हैं, संसाधनों की सबसे अधिक आवश्यकता कहाँ है, और क्या क्षेत्र आने वाले वर्षों में अधिक जीवन बचाने की राह पर है। हालाँकि, बाल उत्तरजीविता (child survival) के भविष्य की भविष्यवाणी करना कठिन है। बीमारी, संघर्ष या आर्थिक परिवर्तनों के कारण रुझान अचानक बदल सकते हैं, और आगे का रास्ता शायद ही कभी सीधा होता है।

एक शोधकर्ता ने इन रुझानों को देखने का एक नया तरीका विकसित किया है, जो नेताओं को तत्काल निर्णय लेने में मदद करने के लिए अल्पकालिक अवधि पर ध्यान केंद्रित करता है। जटिल कंप्यूटर मॉडल पर निर्भर रहने के बजाय, जो हर संभावित भविष्य के परिदृश्य का अनुमान लगाने की कोशिश करते हैं, उन्होंने एक ऐसी विधि बनाई जो मृत्यु दर में हालिया परिवर्तनों को बारीकी से सुनती है। वे इस दृष्टिकोण को 'एडेप्टिव मॉर्टैलिटी ड्रिफ्ट' (Adaptive Mortality Mortality) मॉडल कहते हैं। इसका मूल विचार सरल लेकिन शक्तिशाली है: यह मानता है कि पिछले वर्ष में देखा गया परिवर्तन अगले वर्ष भी जारी रहेगा, लेकिन पूर्ण निश्चितता के साथ नहीं। यह अनुमान लगाता है कि उस हालिया प्रगति या गिरावट का कितना हिस्सा आगे बढ़ेगा, और क्षेत्र के वास्तविक इतिहास के आधार पर अपनी भविष्यवाणी को समायोजित करता है। पश्चिम अफ्रीका के सोलह अलग-अलग देशों के विरुद्ध इस पद्धति का परीक्षण करके, शोधकर्ता ने पाया कि यह सरल दृष्टिकोण कहीं अधिक जटिल गणितीय प्रणालियों और मशीन लर्निंग एल्गोरिदम से बेहतर प्रदर्शन करता है। उनका कार्य सुझाव देता है कि निकट भविष्य के लिए, बाल उत्तरजीविता का पूर्वानुमान लगाने का सबसे अच्छा तरीका हाल के वर्षों की गति (momentum) पर भरोसा करना है, जबकि इस बात का धीरे से ध्यान रखना है कि गति कभी-कभी धीमी भी हो सकती है।

यह अध्ययन पश्चिम अफ्रीका के सोलह राष्ट्रों पर केंद्रित था, जिसमें नाइजीरिया जैसे दिग्गज और केबो वर्डे जैसे छोटे पड़ोसी शामिल थे। शोधकर्ता ने संयुक्त राष्ट्र और विश्व स्वास्थ्य संगठन से बाल मृत्यु दर का डेटा एकत्र किया, जिसमें व्यक्तिगत मामलों के बजाय सुचारू, वार्षिक राष्ट्रीय अनुमानों को देखा गया। वे यह देखना चाहते थे कि क्या वे उच्च सटीकता के साथ अगले वर्ष क्या होगा, इसकी भविष्यवाणी कर सकते हैं। ऐसा करने के लिए, उन्होंने अपने मॉडल को मृत्यु दर के "ड्रिफ्ट" (drift) को देखने के लिए बनाया। कल्पना कीजिए कि एक नाव नदी में बह रही है; यदि पानी लगातार बह रहा है, तो नाव उसी दिशा में चलती रहती है। शोधकर्ता ने पूछा: क्या नदी हर साल एक ही गति से बहती है, या यह तेज या धीमी होती है? उनका मॉडल एक विशिष्ट संख्या की गणना करता है जो यह दर्शाती है कि पिछले वर्ष मृत्यु दर में हुए परिवर्तन का कितना हिस्सा इस वर्ष फिर से होने की उम्मीद है। यदि संख्या एक के करीब है, तो परिवर्तन पूरी तरह से जारी रहता है। यदि यह कम है, तो परिवर्तन के थोड़ा कम होने की उम्मीद है। यह संख्या केवल अनुमानित नहीं है; इसे सभी सोलह देशों के इतिहास को एक साथ देखकर गणना किया जाता है, जिससे मॉडल को पूरे क्षेत्र के अनुभव से सीखने में मदद मिलती है।

अपनी नई विधि को वास्तव में विश्वसनीय बनाने के लिए, शोधकर्ता ने इसे कठोर परीक्षण से गुजारा। उन्होंने 'रोलिंग-ओरिजिन वैलिडेशन' (rolling-origin validation) नामक तकनीक का उपयोग किया, जो एक ऐसी परीक्षा की तरह है जहाँ आपको केवल एक निश्चित तिथि तक उपलब्ध जानकारी का उपयोग करके अगले वर्ष की भविष्यवाणी करने की अनुमति दी जाती है, और फिर उस तिथि को आगे बढ़ाकर फिर से परीक्षण किया जाता है। उन्होंने अपने नए मॉडल की तुलना मानक सांख्यिकीय उपकरणों और उन्नत मशीन लर्निंग कार्यक्रमों, जिसमें जटिल पैटर्न खोजने के लिए डिज़ाइन किए गए आर्टिफिशियल इंटेलिजेंस सिस्टम भी शामिल हैं, के साथ की। परिणाम स्पष्ट थे: नए एडेप्टिव मॉडल ने सबसे सटीक भविष्यवाणियां कीं। 2018 और 2024 के बीच घटित वास्तविक आंकड़ों की तुलना में इसमें सबसे कम त्रुटियां थीं। जटिल मशीन लर्निंग मॉडल, जो अक्सर अव्यवस्थित डेटा में छिपे हुए पैटर्न खोजने में उत्कृष्ट होते हैं, वास्तव में खराब प्रदर्शन करते हैं। ऐसा इसलिए हुआ क्योंकि इन देशों में वार्षिक मृत्यु दर आश्चर्यजनक रूप से सुचारू और स्थिर है; इनमें वह अराजक शोर (chaotic noise) नहीं है जिसे सुलझाने के लिए जटिल एल्गोरिदम की आवश्यकता होती है। सरल मॉडल, जिसने इस सुचारूता का सम्मान किया, श्रेष्ठ उपकरण था।

शोधकर्ता ने हजारों कंप्यूटर सिमुलेशन भी चलाए ताकि यह देखा जा सके कि उनका मॉडल विभिन्न, कठिन परिस्थितियों में कैसा व्यवहार करेगा। उन्होंने परीक्षण किया कि क्या होगा यदि डेटा में अचानक, बड़े उतार-चढ़ाव हों, या यदि डेटा के कुछ वर्ष गायब हों। इन सिमुलेशन में, मॉडल ने अच्छा प्रदर्शन किया, जिससे पता चला कि यह रास्ते की अप्रत्याशित बाधाओं को बिना टूटे संभाल सकता है। हालाँकि, उन्होंने इसकी सीमाओं का भी पता लगाया। यदि कोई देश अपने मृत्यु दर के रुझानों में अचानक, नाटकीय बदलाव का अनुभव करता है—शायद किसी बड़े संघर्ष या एक नए स्वास्थ्य संकट के कारण जिसने पैटर्न को पूरी तरह से बदल दिया हो—तो मॉडल, जो पिछले इतिहास पर निर्भर है, प्रतिक्रिया देने में धीमा होगा। ऐसे मामलों में, मॉडल कुछ समय के लिए पुराने पैटर्न के आधार पर भविष्यवाणी करना जारी रखेगा और फिर बाद में सामंजस्य बिठाएगा। शोधकर्ता ने अपने मॉडल के उन संस्करणों का परीक्षण किया जो इन अचानक परिवर्तनों के प्रति तेजी से प्रतिक्रिया कर सकते थे, लेकिन उन्होंने पाया कि पश्चिम अफ्रीका के विशिष्ट इतिहास के लिए, मानक, सरल संस्करण ही सबसे सटीक बना रहा। अतिरिक्त जटिलता ने अध्ययन किए गए वर्षों के लिए भविष्यवाणियों में सुधार नहीं किया।

जब शोधकर्ता ने अपने मॉडल को वास्तविक दुनिया में लागू किया, तो परिणाम आशा और गहरे असमानता की तस्वीर पेश करते हैं। 2024 में, क्षेत्र में बाल मृत्यु दर में भारी अंतर था। केबो वर्डे में, दर प्रति हजार जीवित जन्मों पर केवल 11.14 थी, जो महत्वपूर्ण प्रगति का संकेत है। नाइजीरिया में, यह दर 115.65 थी, जो बहुत अधिक बोझ को दर्शाती है। मॉडल ने भविष्यवाणी की कि सभी सोलह देशों के लिए, बाल मृत्यु दर 2030 तक घटती रहेगी। नाइजीरिया के लिए, पूर्वानुमान ने लगभग 109.42 तक गिरावट का सुझाव दिया, जबकि केबो वर्डे के 8.70 तक गिरने की उम्मीद थी। ये संख्याएं हाल के रुझानों का एक सांख्यिकीय विस्तार (extrapolation) हैं, न कि इस बात की गारंटी कि क्या होगा। वे भविष्य के युद्धों, नई बीमारियों या विशिष्ट नीतिगत परिवर्तनों को ध्यान में नहीं रखते हैं। इसके बजाय, वे एक बेंचमार्क के रूप में कार्य करते हैं, यह देखने का एक पारदर्शी तरीका कि क्या सुधार की वर्तमान गति बनी रहने की संभावना है।

यह अध्ययन रेखांकित करता है कि हालांकि क्षेत्र सही दिशा में बढ़ रहा है, लेकिन सर्वश्रेष्ठ और सबसे खराब प्रदर्शन करने वालों के बीच का अंतर बहुत बड़ा है। सेनेगल और घाना जैसे देशों ने 2000 के बाद से बाल मृत्यु दर में भारी कमी देखी है, जबकि नाइजीरिया और नाइजर जैसे देशों में प्रगति धीमी रही है। मॉडल पुष्टि करता है कि ये असमानताएं वास्तविक और निरंतर हैं। यह सुझाव देता है कि पूरे क्षेत्र के लिए बच्चों को बचाने का एक एकल, समान दृष्टिकोण काम नहीं करेगा। उच्च-बोझ वाले देशों को आगे बढ़ने के लिए अपने प्रयासों में तेजी लाने की आवश्यकता है, जबकि कम-बोझ वाले देशों को यह सुनिश्चित करना चाहिए कि उनकी प्रगति रुक न जाए। शोधकर्ता इस बात पर जोर देते हैं कि उनका मॉडल कोई जादू की छड़ी नहीं है जो मृत्यु के कारणों को हल कर सके। यह नीति निर्माताओं को यह नहीं बताता कि उन्हें कौन सी वैक्सीन खरीदनी चाहिए या कौन से अस्पताल बनाने चाहिए। बल्कि, यह एक स्पष्ट, ईमानदार दृश्य प्रदान करता है कि क्षेत्र हाल ही में जो हुआ है उसके आधार पर कहाँ जा रहा है। एक विश्वसनीय अल्पकालिक पूर्वानुमान प्रदान करके, यह स्वास्थ्य नेताओं को अपने अगले कदमों की योजना बनाने के लिए एक ठोस आधार देता है, जिससे यह सुनिश्चित होता है कि संसाधन वहीं निर्देशित हों जहाँ उनकी सबसे अधिक आवश्यकता है ताकि युवा जीवन बचाने के महत्वपूर्ण कार्य को जारी रखा जा सके।