Predicting Under-Five Child Stunting Using Machine Learning and Probability Calibration: A Nationally Representative 2024/25 EDHS Study from Ethiopia

दुनिया के कई हिस्सों में, एक बच्चे की लंबाई केवल उसके शारीरिक आकार से कहीं अधिक की कहानी कहती है। जब एक छोटा बच्चा अपनी उम्र के हिसाब से काफी कम लंबाई का होता है, तो यह अक्सर पुराने कुपोषण का संकेत होता है, जिसे 'स्टंटिंग' (बौनापन) कहा जाता है। यह केवल छोटा होने का मामला नहीं है; यह दीर्घकालिक अभाव का एक संकेतक है जो बच्चे के मस्तिष्क के विकास, उसकी सीखने की क्षमता और जीवन भर के स्वास्थ्य को प्रभावित कर सकता है। दशकों से, सार्वजनिक स्वास्थ्य कार्यकर्ता यह पहचानने की कोशिश कर रहे हैं कि कौन से बच्चे जोखिम में हैं, इससे पहले कि यह नुकसान स्थायी हो जाए। पारंपरिक रूप से, वे उन सांख्यिकीय उपकरणों पर निर्भर रहे हैं जो माँ की शिक्षा या परिवार की आय जैसे कारकों और बच्चे के विकास के बीच सीधे-रैखिक संबंधों को देखते हैं। हालाँकि, मानव स्वास्थ्य की वास्तविकता शायद ही कभी एक सीधी रेखा होती है। यह एक जटिल जाल है जहाँ माँ का वजन, परिवार द्वारा पी जाने वाले पानी की स्वच्छता और बच्चे की उम्र अप्रत्याशित तरीकों से एक-दूसरे के साथ परस्पर क्रिया करते हैं। यदि समुदाय स्टंटिंग को शुरू होने से पहले रोकना चाहते हैं, तो इन उलझे हुए संबंधों को समझना आवश्यक है।

इथियोपिया में शोधकर्ताओं की एक टीम ने इस चुनौती के लिए एक नया दृष्टिकोण अपनाया है, जो पारंपरिक सांख्यिकी से आगे बढ़कर 'मशीन लर्निंग' नामक कंप्यूटर लर्निंग के एक प्रकार का उपयोग करती है। उन्होंने देश भर के दस हजार से अधिक बच्चों के डेटा का विश्लेषण किया, जिसे एक प्रमुख राष्ट्रीय स्वास्थ्य सर्वेक्षण के दौरान एकत्र किया गया था। डेटा को सरल, कठोर सूत्रों में जबरन फिट करने के बजाय, उन्होंने छह अलग-अलग कंप्यूटर एल्गोरिदम को प्रशिक्षित किया ताकि वे उन छिपे हुए पैटर्न को खोज सकें जो यह भविष्यवाणी करते हैं कि किन बच्चों के स्टंटिंग का शिकार होने की संभावना है। ये एल्गोरिदम विभिन्न प्रकार के जासूसों की तरह काम करते थे, जिनमें से प्रत्येक अनूठे तरीके से सुरागों की तलाश करता था। कुछ ने सरल नियमों की तलाश की, जबकि अन्य जटिल 'डिसीजन ट्री' (निर्णय वृक्ष) बनाते थे जो एक साथ दर्जनों कारकों का आकलन कर सकते थे। शोधकर्ताओं ने यह सुनिश्चित करने के लिए सावधानी बरती कि कंप्यूटर केवल उसी जानकारी का उपयोग करे जो बच्चे के विकास के मापन से पहले उपलब्ध थी, जैसे कि माँ का स्वास्थ्य और परिवार की रहने की स्थितियाँ, ताकि भविष्य के ज्ञान का उपयोग अतीत की भविष्यवाणी करने के लिए न किया जा सके।

परिणामों ने दिखाया कि जटिल कंप्यूटर मॉडल पारंपरिक तरीकों की तुलना में जोखिम वाले बच्चों को पहचानने में कहीं अधिक बेहतर थे। सबसे सफल उपकरण 'ग्रेडिएंट बूस्टिंग' (Gradient Boosting) नामक एक परिष्कृत एल्गोरिदम था, जो छोटी गलतियों को करके और उन्हें बार-बार सुधारकर सीखता था। हालाँकि, शोधकर्ताओं ने देखा कि इस शक्तिशाली उपकरण में एक दोष था: यह अक्सर अपनी भविष्यवाणियों में बहुत अधिक आत्मविश्वासी था, जिससे ऐसे अत्यधिक जोखिम स्कोर मिलते थे जो वास्तविकता से मेल नहीं खाते थे। इसे ठीक करने के लिए, उन्होंने एक 'कैलिब्रेशन प्रक्रिया' (अंशांकन प्रक्रिया) लागू की, जो एक ऐसी विधि है जो कंप्यूटर के आत्मविश्वास स्तर को धीरे से समायोजित करती है ताकि अस्सी प्रतिशत जोखिम की भविष्यवाणी का वास्तव में स्टंटिंग की अस्सी प्रतिशत संभावना से अर्थ हो। एक बार यह समायोजन किए जाने के बाद, मॉडल एक अत्यधिक विश्वसनीय मार्गदर्शक बन गया। इसने सही ढंग से अस्सी-तीन प्रतिशत से अधिक उन बच्चों की पहचान की जो स्टंटिंग से ग्रस्त थे, और साथ ही अस्सी-छह प्रतिशत से अधिक उन लोगों को भी सही ढंग से खारिज किया जो स्टंटिंग से ग्रस्त नहीं थे।

अध्ययन से पता चला कि स्टंटिंग का जोखिम समान रूप से वितरित नहीं है बल्कि स्पष्ट पैटर्न का पालन करता है। कंप्यूटर ने सीखा कि जैसे-जैसे बच्चा बड़ा होता है, जोखिम काफी बढ़ जाता है, विशेष रूप से एक से पांच वर्ष की आयु के बीच। इसने यह भी पाया कि उन बच्चों को सबसे अधिक खतरा होता है जिनकी माताएं कम वजन की हैं, जो सबसे गरीब परिवारों में रहते हैं, और जिनके पास पीने के साफ पानी तक पहुंच नहीं है। हाल की बीमारियाँ, जैसे कि दस्त, एक मजबूत चेतावनी संकेत के रूप में भी उभरीं। महत्वपूर्ण रूप से, शोधकर्ताओं ने परीक्षण किया कि क्या इस कंप्यूटर मॉडल का उपयोग करने से वास्तव में क्षेत्र में कार्यरत स्वास्थ्य कर्मियों को मदद मिलेगी। उन्होंने पाया कि यह तय करने के लिए कि किन परिवारों के पास पहले जाना है, मॉडल का उपयोग करके, स्वास्थ्य कर्मी संसाधनों की बचत कर सकते हैं और उन बच्चों की अधिक मदद कर सकते हैं जो सभी के पास जाने या किसी के पास भी न जाने की तुलना में अधिक प्रभावी है।

यह कार्य इथियोपिया और इसी तरह के क्षेत्रों के लिए सार्वजनिक स्वास्थ्य के लिए एक नए मार्ग का सुझाव देता है। देश में पहले से ही हजारों सामुदायिक स्वास्थ्य कार्यकर्ता कार्यरत हैं जो नियमित रूप से घरों का दौरा करते हैं। शोधकर्ता प्रस्ताव देते हैं कि ये कार्यकर्ता एक साधारण मोबाइल एप्लिकेशन का उपयोग कर सकते हैं जो इस कैलिब्रेटेड कंप्यूटर मॉडल द्वारा संचालित हो। एक नियमित दौरे के दौरान, एक कार्यकर्ता परिवार और बच्चे के बारे में कुछ बुनियादी तथ्य दर्ज कर सकता है, और ऐप तुरंत एक जोखिम स्कोर उत्पन्न करेगा। इससे स्वास्थ्य कार्यकर्ता अपना समय और संसाधन उन परिवारों पर केंद्रित कर सकेंगे जिन्हें सबसे अधिक आवश्यकता है, जिससे बच्चे के विकास रुकने से बहुत पहले ही पोषण संबंधी सलाह या सहायता दी जा सके। जटिल डेटा को एक स्पष्ट, कार्रवाई योग्य संकेत में बदलकर, यह दृष्टिकोण हस्तक्षेप करने का एक व्यावहारिक तरीका प्रदान करता है, जो संभावित रूप से स्टंटिंग के अपरिवर्तनीय प्रभावों को रोकने और अधिक बच्चों को स्वस्थ और मजबूत होकर बढ़ने का अवसर देने का मार्ग प्रशस्त करता है।