Missing Data Governance in Real-World Cardiovascular Risk Prediction: Effects on Machine Learning Performance and Interpretability
यह अध्ययन प्रदर्शित करता है कि वास्तविक दुनिया के हृदय रोग जोखिम पूर्वानुमान में, इम्प्यूटेशन (imputation) या हाइब्रिड रणनीतियों के माध्यम से लुप्त डेटा का उचित प्रबंधन मॉडल की विश्वसनीयता और व्याख्यात्मकता को बनाए रखने के लिए महत्वपूर्ण है, जबकि अपूर्ण रिकॉर्ड्स को बिना सोचे-समझे हटाना प्रदर्शन को काफी कम कर देता है और लुप्त होने के स्वयं के सूचनात्मक मूल्य की अनदेखी करता है।
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
हृदय रोग दुनिया भर में मृत्यु का प्रमुख कारण बना हुआ है, और डॉक्टर जीवन बचाने के लिए शुरुआती पहचान पर भरोसा करते हैं। ऐसा करने के लिए, वे प्रत्येक रोगी के बारे में एक विशाल मात्रा में जानकारी एकत्र करते हैं: उनकी आयु, रक्तचाप, कोलेस्ट्रॉल स्तर, और क्या उनका धूम्रपान या मधुमेह का इतिहास है। हाल के वर्षों में, मशीन लर्निंग के रूप में जाने जाने वाले कंप्यूटर प्रोग्राम को इस जानकारी को देखने और यह भविष्यवाणी करने के लिए प्रशिक्षित किया गया है कि कौन जोखिम में है। ये प्रोग्राम साफ और आदर्श डेटा में पैटर्न खोजने में उत्कृष्ट हैं। हालाँकि, वास्तविक दुनिया शायद ही कभी आदर्श होती है। वास्तविक अस्पतालों में, रिकॉर्ड अक्सर अव्यवस्थित होते हैं। एक डॉक्टर रक्तचाप की रीडिंग लिखना भूल सकता है, एक लैब परिणाम गायब हो सकता है, या किसी मरीज ने किसी अन्य क्लिनिक में कोई टेस्ट करवाया होगा जो कभी फाइल में नहीं पहुँच पाया। लंबे समय तक, इन कंप्यूटर प्रोग्रामों का परीक्षण करने वाले वैज्ञानिकों ने मुख्य रूप से पुराने, साफ किए गए डेटासेट का उपयोग किया है जो इस वास्तविकता को नहीं दर्शाते हैं। उन्होंने इस बात पर ध्यान केंद्रित किया कि कौन सा कंप्यूटर एल्गोरिदम सबसे स्मार्ट है, अक्सर इस तथ्य को अनदेखा करते हुए कि डेटा स्वयं अधूरा है। यह एक महत्वपूर्ण प्रश्न खड़ा करता है: यदि एक कंप्यूटर प्रोग्राम को आदर्श डेटा पर प्रशिक्षित किया जाता है, तो क्या वह तब भी काम कर सकता है जब उसका सामना वास्तविक अस्पताल में पाए जाने वाले अव्यवस्थित, अधूरे रिकॉर्डों से होता है?
डेनिज़ली, तुर्की के शोधकर्ताओं की एक टीम ने यह तय किया कि वे कंप्यूटर प्रोग्राम के बजाय डेटा के इर्द-गिर्द एक अध्ययन बनाकर इसका उत्तर देंगे। वे सीधे एक निजी अस्पताल के कार्डियोलॉजी विभाग में गए और 2019 से 2024 के बीच देखे गए रोगियों के प्रत्येक रिकॉर्ड को निकाला। उन्होंने पहले डेटा को साफ नहीं किया। उन्होंने गायब नंबरों वाले रिकॉर्ड को फेंका नहीं। इसके बजाय, उन्होंने कच्चे, बिना छना हुआ जानकारी को ठीक वैसे ही लिया जैसा वह अस्पताल के डेटाबेस में मौजूद था, अपनी सभी कमियों और विसंगतियों के साथ। इन रिकॉर्डों से, उन्होंने उन्नीस प्रमुख स्वास्थ्य मापदंडों को चुना, जैसे कि आयु, लिंग, कोलेस्ट्रॉल और विभिन्न हृदय माप, यह देखने के लिए कि अलग-अलग कंप्यूटर प्रोग्राम अधूरे डेटा का सामना करने पर हृदय रोग की कितनी अच्छी भविष्यवाणी कर सकते हैं। उन्होंने ग्यारह अलग-अलग प्रकार के लर्निंग एल्गोरिदम का परीक्षण किया, जिसमें सरल सांख्यिकीय विधियों से लेकर जटिल, आधुनिक प्रणालियाँ शामिल थीं जो एक साथ काम करने के लिए कई छोटे मॉडल बनाती हैं। महत्वपूर्ण रूप से, उन्होंने गायब नंबरों को ठीक करने का केवल एक तरीका नहीं चुना। उन्होंने चार पूरी तरह से अलग रणनीतियों का परीक्षण किया। एक रणनीति ने खाली स्थानों को अनुमानित नंबरों से भरा। दूसरी ने खाली स्थानों को खाली छोड़ दिया यह देखने के लिए कि क्या कंप्यूटर उन्हें अपने आप संभाल सकता है। तीसरी रणनीति ने गायब मानों को अपने स्वयं के एक विशिष्ट श्रेणी के रूप में माना, जो अनिवार्य रूप से कंप्यूटर को यह बता रही थी, "हमें यह नहीं पता, लेकिन तथ्य यह है कि हमें यह नहीं पता, यह महत्वपूर्ण हो सकता है।" चौथी रणनीति, जो कई अध्ययनों में आम है, ने उन सभी रिकॉर्डों को हटा दिया जिनमें एक भी संख्या गायब थी।
परिणामों ने दिखाया कि शोधकर्ताओं ने गायब डेटा को कैसे संभाला, यह इस बात से कहीं अधिक महत्वपूर्ण था कि उन्होंने किस कंप्यूटर प्रोग्राम को चुना। जब उन्होंने अधूरे रिकॉर्डों को हटाने की रणनीति का उपयोग किया, तो प्रत्येक कंप्यूटर मॉडल का प्रदर्शन काफी गिर गया। सबसे सटीक मॉडल लगभग 77 प्रतिशत मामलों की सही पहचान करने से गिरकर केवल 69 प्रतिशत रह गए। यह नुकसान इसलिए हुआ क्योंकि रिकॉर्ड हटाने से बहुत सारी मूल्यवान जानकारी निकल गई और कंप्यूटर के पास सीखने के लिए बहुत कम उदाहरण बचे। इसके विपरीत, जिन रणनीतियों ने अधूरे रिकॉर्डों को रखा—या तो अंतराल को भरने के लिए या गायब होने को एक ज्ञात तथ्य के रूप में मानने के लिए—उन्होंने हृदय रोग की सटीक भविष्यवाणी करने की मॉडलों की क्षमता को सुरक्षित रखा। वे कंप्यूटर प्रोग्राम जो सबसे अच्छा प्रदर्शन करते थे, वे थे जो डेटा को फेंके बिना उसे संभाल सकते थे। परीक्षण किए गए विभिन्न प्रकार के एल्गोरिदम के बीच, 'बूस्टिंग एन्सेम्बल्स' (boosting ensembles) नामक प्रणालियों का परिवार सबसे अधिक लचीला साबित हुआ। ये प्रणालियाँ, जो एक मजबूत भविष्यवाणी बनाने के लिए कई सरल निर्णय-लेताओं को जोड़ती हैं, अधूरा डेटा होने पर भी उच्च सटीकता बनाए रखती हैं। सरल विधियाँ, जैसे कि डेटासेट में निकटतम पड़ोसियों को खोजने पर आधारित, गायब मानों का सामना करने पर सबसे अधिक संघर्ष करती हैं।
शायद सबसे आश्चर्यजनक खोज तब हुई जब शोधकर्ताओं ने बारीकी से देखा कि कंप्यूटर प्रोग्राम अपने निर्णय कैसे लेते हैं। उन्होंने यह देखने के लिए एक विशेष विश्लेषण उपकरण का उपयोग किया कि कंप्यूटर किन विशेषताओं को सबसे महत्वपूर्ण मानता है। उन्होंने पाया कि कंप्यूटर इस बात पर बहुत ध्यान दे रहा था कि कुछ माप गायब थे। विशेष रूप से, रक्तचाप की रीडिंग गायब होने का संकेतक हृदय रोग की भविष्यवाणी करने में सबसे प्रभावशाली कारकों में से एक था। इसका मतलब यह नहीं है कि रक्तचाप की रीडिंग न होना हृदय रोग का कारण बनता है। इसके बजाय, यह सुझाव देता है कि गायब होने का पैटर्न अपने आप में जानकारी रखता है। इस अस्पताल में, रक्तचाप की रीडिंग दर्ज न होना किसी विशेष स्थिति के बारे में संकेत दे सकता है, जैसे कि दौरे का एक विशिष्ट प्रकार या सामाजिक-आर्थिक कारक जिसने यह निर्धारित किया कि कौन से परीक्षण ऑर्डर किए गए थे। कंप्यूटर ने सीखा कि यह अनुपस्थिति एक संकेत थी, जो उच्च कोलेस्ट्रॉल नंबर जितनी ही वास्तविक थी। यह खोज इस विचार को चुनौती देती है कि गायब डेटा केवल एक दोष है जिसे ठीक किया जाना चाहिए या अनदेखा किया जाना चाहिए। यह दिखाता है कि वास्तविक नैदानिक सेटिंग्स में, जानकारी को कैसे रिकॉर्ड किया जाता है—या नहीं किया जाता है—वह उस कहानी का हिस्सा है जो डेटा बताता है।
अध्ययन निष्कर्ष निकालता है कि कंप्यूटर प्रोग्रामों के लिए वास्तविक अस्पतालों में भरोसेमंद होने के लिए, वैज्ञानिकों को डेटा गुणवत्ता को मुख्य कार्य शुरू करने से पहले साफ किए जाने वाले एक मामूली विवरण के रूप में मानना बंद करना होगा। गायब जानकारी को कैसे संभाला जाता है, यह विज्ञान का एक मौलिक हिस्सा है। यदि शोधकर्ता केवल अधूरे रिकॉर्डों को हटा देते हैं, तो वे ऐसे मॉडल बनाने का जोखिम उठाते हैं जो कागज पर तो अच्छे काम करते हैं लेकिन व्यवहार में विफल हो जाते हैं। सबसे विश्वसनीय दृष्टिकोण वे तरीके हैं जो डेटा की अपूर्णता का सम्मान करते हैं, चाहे अंतराल को सावधानीपूर्वक भरना हो या यह स्वीकार करना हो कि किसी माप की अनुपस्थिति स्वयं में सूचना का एक टुकड़ा है। तुर्की के स्थानीय स्रोत वाले डेटासेट का उपयोग करके, शोधकर्ताओं ने प्रदर्शित किया कि वास्तविक, अव्यवस्थित डेटा पर बने मॉडल वास्तविक स्थितियों का अधिक प्रतिनिधित्व करते हैं जिनका सामना डॉक्टर करते हैं। उन्होंने पाया कि हालांकि मॉडल पूर्ण नहीं थे, लेकिन वे ईमानदार और मजबूत थे। अध्ययन का तर्क है कि चिकित्सा भविष्यवाणी का भविष्य आदर्श डेटा पर चलने वाले थोड़े बेहतर एल्गोरिदम को खोजने में नहीं है, बल्कि ऐसी प्रणालियाँ बनाने में है जो मानव स्वास्थ्य रिकॉर्ड की अपूर्ण वास्तविकता को समझ और सीख सकें।
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।