Spatial Transferability of Explainable Machine Learning for Predicting Pre-Treatment Tuberculosis Loss to Follow-up Across West Java Districts

हर साल, दुनिया भर में लाखों लोग तपेदिक (टीबी) से पीड़ित पाए जाते हैं, जो एक गंभीर जीवाणु संक्रमण है जो फेफड़ों पर हमला करता है। चिकित्सा प्रणाली के पास एक स्पष्ट मार्ग है: एक बार किसी व्यक्ति का निदान हो जाने के बाद, उन्हें तुरंत दवा लेना शुरू कर देना चाहिए। हालांकि, इस प्रक्रिया में एक खतरनाक अंतर मौजूद है। कई मरीज, निदान प्राप्त करने के बाद, इलाज शुरू किए बिना ही रह जाते हैं। वे क्लिनिक से चले जाते हैं, स्वास्थ्य कर्मियों से संपर्क खो देते हैं, या उपचार शुरू करने का निर्णय नहीं लेते हैं। इसे "लॉस टू फॉलो-अप" (अनुवर्ती कार्रवाई में कमी) के रूप में जाना जाता है। ये व्यक्ति संक्रामक बने रहते हैं, जिससे उनके परिवारों और समुदायों में बीमारी फैलती है, जबकि उनका अपना स्वास्थ्य तेजी से बिगड़ता जाता है। स्वास्थ्य कार्यक्रम अक्सर हर एक मरीज की सहायता करने के लिए धन और कर्मचारियों को जुटाने के लिए संघर्ष करते हैं, इसलिए उन्हें यह पहचानने का एक तरीका चाहिए कि कौन से लोग दरवाजे से बाहर निकलने से पहले ही इलाज छोड़ने की सबसे अधिक संभावना रखते हैं। यदि डॉक्टर इन उच्च-जोखिम वाले मरीजों की पहचान जल्दी कर सकें, तो वे अपने सीमित संसाधनों को उन लोगों पर केंद्रित कर सकते हैं जिन्हें उनकी सबसे अधिक आवश्यकता है, बजाय इसके कि वे सभी की समान रूप से मदद करने की कोशिश करें।

इंडोनेशिया के वेस्ट जावा प्रांत में, शोधकर्ताओं ने पहले से मौजूद राष्ट्रीय स्वास्थ्य प्रणाली द्वारा एकत्र किए गए डेटा के विशाल भंडार का उपयोग करके इस समस्या को हल करने का प्रयास किया। उन्होंने एक सरल लेकिन कठिन प्रश्न पूछा: क्या एक कंप्यूटर प्रोग्राम, जो पूरे प्रांत के मरीजों के रिकॉर्ड पर प्रशिक्षित है, सटीक रूप से यह भविष्यवाणी कर सकता है कि किस विशिष्ट व्यक्ति के इलाज शुरू करने में विफल रहने की संभावना है? वे जानना चाहते थे कि क्या एक एकल, बड़े पैमाने का मॉडल हर जगह काम कर सकता है, या क्या प्रत्येक जिले की अनूठी परिस्थितियाँ इसकी भविष्यवाणी को विफल कर देंगी। इस उत्तर तक पहुँचने के लिए, उन्होंने कंप्यूटर विज्ञान के एक क्षेत्र 'मशीन लर्निंग' का सहारा लिया, जो कंप्यूटर को नियमों के साथ स्पष्ट रूप से प्रोग्राम किए बिना डेटा में पैटर्न खोजने की अनुमति देता है। उन्होंने "व्याख्यात्मक" (explainable) मॉडलों पर ध्यान केंद्रित किया, जो पारदर्शी बक्सों की तरह होते हैं जहाँ आप देख सकते हैं कि कंप्यूटर ने निर्णय क्यों लिया, बजाय उन "ब्लैक बॉक्स" के जो बिना अपना काम दिखाए केवल एक उत्तर दे देते हैं। यह पारदर्शिता डॉक्टरों के लिए महत्वपूर्ण है, जिन्हें किसी जोखिम की भविष्यवाणी पर कार्रवाई करने से पहले उसके पीछे के तर्क को समझने की आवश्यकता होती है।

टीम ने 2024 में वेस्ट जावा के सत्ताईस विभिन्न जिलों और शहरों में तपेदिक से निदान किए गए 174,000 से अधिक लोगों की जानकारी एकत्र की। उन्होंने निदान के समय उपलब्ध विवरणों को देखा, जैसे कि मरीज की उम्र, क्या उन्हें मधुमेह था, वे कहाँ रहते थे, और उन्होंने किस प्रकार के क्लिनिक का दौरा किया। सबसे महत्वपूर्ण बात यह थी कि उन्होंने नोट किया कि क्या सिस्टम में मरीज की एचआईवी (HIV) स्थिति दर्ज की गई थी। इनमें से लगभग नौ प्रतिशत मरीज इलाज शुरू करने से पहले ही संपर्क से बाहर हो चुके थे। शोधकर्ताओं ने पाँच अलग-अलग कंप्यूटर मॉडल बनाए ताकि यह देखा जा सके कि कौन सा मॉडल उन मरीजों को जो इलाज शुरू करेंगे और जो नहीं करेंगे, के बीच बेहतर अंतर कर सकता है। उन्होंने सरल सांख्यिकीय विधियों से लेकर जटिल 'ट्री-बेस्ड' प्रणालियों तक सब कुछ परखा, जो हाँ या ना के प्रश्नों की एक श्रृंखला के माध्यम से निर्णय लेती हैं।

परिणामों ने दिखाया कि कंप्यूटर मॉडल अपने काम में आश्चर्यजनक रूप से अच्छे थे। सबसे अच्छा मॉडल उन मरीजों के बीच अंतर करने में अत्यधिक सटीक था जो रुकेंगे और जो चले जाएंगे। जो बात शायद अधिक आश्चर्यजनक थी वह यह थी कि पाँचों अलग-अलग प्रकार के मॉडल लगभग एक जैसा प्रदर्शन कर रहे थे। सबसे जटिल मॉडल सरल मॉडलों से बहुत अधिक आगे नहीं निकल पाया। इससे यह संकेत मिला कि डेटा की गुणवत्ता ही मुख्य कारक थी जो भविष्यवाणियों की सफलता को सीमित कर रही थी, न कि कंप्यूटर एल्गोरिदम की चतुराई। डेटा में मजबूत संकेत मौजूद थे, विशेष रूप से इस संबंध में कि क्या मरीज की एचआईवी स्थिति दर्ज की गई थी। जिन मरीजों की फाइल में एचआईवी स्थिति गायब थी, उनके इलाज से संपर्क टूटने की संभावना उन लोगों की तुलना में बहुत अधिक थी जिनकी स्थिति स्पष्ट रूप से नेगेटिव या पॉजिटिव के रूप में दर्ज थी। यह एक गहरे मुद्दे की ओर इशारा करता था: एचआईवी परीक्षण को रिकॉर्ड करना केवल एक डेटा एंट्री कार्य नहीं था, बल्कि यह उस मरीज के लिए पूरी चिकित्सा प्रक्रिया कितनी पूर्ण और सावधानीपूर्ण थी, इसका एक संकेत था।

हालाँकि, जब शोधकर्ताओं ने यह परीक्षण किया कि क्या एक एकल प्रांत-व्यापी मॉडल हर शहर में समान रूप से काम करता है, तो तस्वीर बदल गई। एक मॉडल जो पूरे क्षेत्र में औसतन अच्छा प्रदर्शन करता था, वह विशिष्ट जिलों में विश्वसनीय होने में विफल रहा। कुछ क्षेत्रों में, मॉडल लगातार जोखिम को कम आंकता था, यह भविष्यवाणी करते हुए कि मरीज इलाज शुरू करेंगे जबकि वास्तव में वे नहीं करते थे। अन्य क्षेत्रों में, इसने जोखिम को बहुत अधिक बताया। शोधकर्ताओं ने इन विफलताओं के दो मुख्य कारण खोजे। पहला, कुछ जिलों में डेटा रिकॉर्ड करने का तरीका शेष प्रांत से भिन्न था। उदाहरण के लिए, एक जिले में, प्रांत के औसत की तुलना में बहुत अधिक प्रतिशत मरीजों के एचआईवी रिकॉर्ड गायब थे। क्योंकि मॉडल इस जानकारी पर बहुत अधिक निर्भर था, इसलिए अधूरा डेटा होने पर यह सटीक भविष्यवाणी करने में संघर्ष करता था।

दूसरा कारण अधिक रहस्यमय था। कुछ जिलों में, भले ही डेटा सामान्य दिखता था, फिर भी मॉडल भविष्यवाणी करता था कि मरीज इलाज शुरू करेंगे, लेकिन बाद में पाया गया कि उनमें से कई ऐसा नहीं करते हैं। इससे पता चला कि स्थानीय कारकों का मरीजों के निर्णयों पर प्रभाव पड़ रहा था जिसे कंप्यूटर देख नहीं पा रहा था। इसमें स्थानीय स्वास्थ्य सेवाओं की गुणवत्ता, क्लिनिक की दूरी, या उस शहर से संबंधित सांस्कृतिक बाधाएं शामिल हो सकती हैं। शोधकर्ताओं ने पाया कि ये स्थानीय विफलताएं पड़ोसी शहरों में किसी अनुमानित पैटर्न में नहीं फैली थीं; एक शहर जहाँ गलत भविष्यवाणी हुई, वह आवश्यक रूप से किसी दूसरे गलत भविष्यवाणी वाले शहर के बगल में नहीं था। इसका अर्थ था कि एक एकल, 'एक ही आकार सबके लिए उपयुक्त' (one-size-fits-all) मॉडल को बिना समायोजन के हर जगह भरोसेमंद नहीं माना जा सकता।

अध्ययन ने निष्कर्ष निकाला कि हालांकि मशीन लर्निंग जोखिम वाले मरीजों की पहचान करने के लिए एक शक्तिशाली उपकरण है, लेकिन इसे विभिन्न क्षेत्रों में बिना सोचे-समझे लागू नहीं किया जा सकता है। शोधकर्ताओं ने पाया कि किसी जिले में मरीजों की संख्या यह निर्धारित नहीं करती थी कि मॉडल कितना अच्छा काम करेगा; भले ही बहुत कम मरीज वाले क्षेत्रों में भी सटीक भविष्यवाणी की जा सकती थी यदि स्थानीय डेटा सुसंगत था, जबकि बड़े क्षेत्रों में भी विफलता हो सकती थी यदि वहां की स्थितियां अद्वितीय थीं। उन्होंने यह भी पाया कि कंप्यूटर द्वारा देखे जाने वाले कारकों की सूची को सरल बनाने से परिणामों में सुधार नहीं हुआ। सबसे महत्वपूर्ण सबक यह था कि मॉडल को प्रत्येक विशिष्ट स्थान के लिए पुनर्गठित (recalibrate) करने की आवश्यकता थी। प्रत्येक स्थान की वास्तविकता के अनुरूप मॉडल की भविष्यवाणियों को समायोजित करके, स्वास्थ्य कार्यकर्ता कंप्यूटर के अंतर्दृष्टि का उपयोग उन मरीजों की एक लक्षित सूची बनाने के लिए कर सकते हैं जिन्हें अतिरिक्त सहायता की वास्तव में आवश्यकता है।

इसे व्यस्त क्लीनिकों के लिए व्यावहारिक बनाने के लिए, शोधकर्ताओं ने अपने जटिल कंप्यूटर मॉडल को एक सरल स्कोरिंग सिस्टम में बदल दिया। डॉक्टर केवल कुछ तथ्यों का उपयोग करके सेकंडों में मरीज के लिए जोखिम स्कोर की गणना कर सकते हैं: क्या उनकी एचआईवी स्थिति दर्ज की गई है, उनका निदान कैसे हुआ, उनकी उम्र और उनका उपचार इतिहास। उदाहरण के लिए, लापता एचआईवी रिकॉर्ड वाला मरीज तुरंत उच्च-जोखिम स्कोर प्राप्त करेगा, जो यह संकेत देगा कि उन्हें तत्काल ध्यान देने की आवश्यकता है। यह दृष्टिकोण स्वास्थ्य कार्यक्रमों को प्रत्येक मरीज के साथ एक जैसा व्यवहार करने के बजाय, अपना सीमित संसाधन उन व्यक्तियों पर केंद्रित करने की अनुमति देता है जिनके छूट जाने की सबसे अधिक संभावना है। अध्ययन ने सिद्ध किया कि सही डेटा और सावधानीपूर्वक स्थानीय समायोजन के साथ, तकनीक तपेदिक निदान के बाद के महत्वपूर्ण शुरुआती दिनों में जीवन बचाने के लिए अंतराल को भरने में मदद कर सकती है।