Explainable machine learning to predict depression across phenotype definitions integrating genetic and environmental factors

अवसाद (डिप्रेशन) दुनिया भर में विकलांगता के प्रमुख कारणों में से एक है, जो लाखों लोगों को प्रभावित करता है, फिर भी यह अनुमान लगाना कि किसे यह बीमारी होगी, आधुनिक चिकित्सा की सबसे कठिन चुनौतियों में से एक बना हुआ है। इसकी कठिनाई इस स्थिति की प्रकृति में निहित है। अवसाद कोई एक, समान चीज़ नहीं है; यह कई अलग-अलग धागों से बुना गया एक जटिल ताना-बाना है। कुछ लोग इसे उदासी की एक क्षणिक अवधि के रूप में अनुभव करते हैं, जबकि अन्य गंभीर लक्षणों के साथ आजीवन संघर्ष झेलते हैं। इसके अलावा, इसके कारण जीव विज्ञान और जीवन के अनुभवों का एक उलझा हुआ मिश्रण हैं। वैज्ञानिक जानते हैं कि जीन इसमें भूमिका निभाते हैं, लेकिन वे यह भी जानते हैं कि नींद, वित्तीय तनाव और सामाजिक अलगाव शक्तिशाली बल हैं। क्योंकि अवसाद की परिभाषा इस बात पर बदल जाती है कि कौन पूछ रहा है और वे क्या प्रश्न पूछ रहे हैं, इसलिए इसकी भविष्यवाणी करने के लिए एक विश्वसनीय कंप्यूटर मॉडल बनाना एक चलते हुए लक्ष्य पर निशाना लगाने जैसा रहा है। शोधकर्ता लंबे समय से यह जानना चाहते थे कि क्या उनके डेटा में बीमारी की परिभाषा बदलने से परिणामों में बदलाव आता है, और क्या हमारे डीएनए में छिपे आनुवंशिक संकेत केवल अवसाद के कुछ प्रकारों के लिए उपयोगी हैं या पूरी स्थिति के लिए।

एडिनबर्ग विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस पहेली को सुलझाने के लिए यह परीक्षण करने का निर्णय लिया कि विभिन्न परिभाषाओं के आधार पर मशीन लर्निंग मॉडल अवसाद की भविष्यवाणी करने में कितने सक्षम हैं। उन्होंने यूके बायोबैंक (UK Biobank) की ओर रुख किया, जो आधे मिलियन से अधिक स्वयंसेवकों की स्वास्थ्य जानकारी वाला एक विशाल डेटाबेस है, ताकि लगभग 1,53,000 लोगों का परीक्षण किया जा सके। केवल एक तरीके से अवसाद की पहचान करने के बजाय, टीम ने चार अलग-अलग समूह बनाए। एक समूह उन लोगों का प्रतिनिधित्व करता था जो वर्तमान में अवसाद महसूस कर रहे हैं, जिनकी पहचान पिछले दो हफ्तों के लक्षणों के बारे में एक मानक प्रश्नावली द्वारा की गई थी। अन्य तीन समूहों ने आजीवन अवसाद का प्रतिनिधित्व किया, जिसे विभिन्न स्तरों की सख्ती के आधार पर परिभाषित किया गया था: मुख्य लक्षणों पर आधारित एक व्यापक स्क्रीनिंग, पेशेवर मदद लेने के स्व-रिपोर्ट किए गए इतिहास, और उच्च-विश्वास निदान सुनिश्चित करने के लिए इन सभी कारकों का एक सख्त संयोजन। इन समूहों के प्रत्येक व्यक्ति के लिए, शोधकर्ताओं ने उम्र, लिंग, नींद की आदतों, वित्तीय स्थिति और एक पॉलीजेनिक रिस्क स्कोर सहित डेटा का एक विस्तृत संग्रह एकत्र किया, जो हजारों सूक्ष्म डीएनए विविधताओं के आधार पर अवसाद विकसित होने की किसी व्यक्ति की आनुवंशिक संभावना का सारांश देने वाला एक एकल अंक है।

शोधकर्ताओं ने इस डेटा से सीखने और यह भविष्यवाणी करने के लिए पांच अलग-अलग प्रकार के कंप्यूटर एल्गोरिदम को प्रशिक्षित किया कि किसे अवसाद के रूप में वर्गीकृत किया जाएगा। उन्होंने पाया कि सबसे उन्नत एल्गोरिदम, जिन्हें बूस्टिंग मॉडल (boosting models) कहा जाता है, सबसे अच्छा प्रदर्शन करते हैं, लेकिन असली कहानी इस बात में थी कि अवसाद की परिभाषाओं ने परिणामों को कैसे बदल दिया। जब मॉडलों ने आजीवन अवसाद को देखा, तो वे उल्लेखनीय रूप से सुसंगत थे। चाहे परिभाषा व्यापक हो या सख्त, कंप्यूटर ने शीर्ष पांच कारकों की पहचान की जो सबसे महत्वपूर्ण थे: महिला होना, आयु, अनिद्रा, स्वयं-रेटेड स्वास्थ्य और आनुवंशिक जोखिम स्कोर। इन मॉडलों ने दिखाया कि आनुवंशिक जानकारी ने आजीवन अवसाद की भविष्यवाणी की सटीकता में एक छोटा लेकिन सार्थक योगदान दिया। हालांकि, जब शोधकर्ताओं ने लक्ष्य बदलकर पिछले दो हफ्तों के वर्तमान लक्षणों की भविष्यवाणी करना तय किया, तो तस्वीर पूरी तरह बदल गई। वर्तमान लक्षणों के मॉडल ने आनुवंशिकी और लिंग पर बहुत कम निर्भरता दिखाई, और इसके बजाय परिवर्तनीय जीवन कारकों, जैसे कि व्यक्ति कितनी बार दूसरों से विश्वास साझा कर सकता था और क्या वे वित्तीय कठिनाइयों का सामना कर रहे थे, पर भारी वजन डाला।

इस बदलाव ने एक महत्वपूर्ण अंतर्दृष्टि प्रकट की: अवसाद की परिभाषा यह निर्धारित करती है कि कंप्यूटर इसके बारे में क्या सीखता है। आजीवन अवसाद के लिए प्रशिक्षित मॉडल अत्यधिक हस्तांतरणीय (transferable) थे, जिसका अर्थ है कि चाहे परिभाषा व्यापक हो या सख्त, उन्होंने एक ही नियम सीखे। इसके विपरीत, वर्तमान लक्षणों के मॉडल ने नियमों का एक अलग सेट सीखा, जो दीर्घकालिक भेद्यता के बजाय तात्कालिक जीवन परिस्थितियों पर केंद्रित था। शोधकर्ताओं ने यह भी जांचा कि क्या जीन और पर्यावरण आपस में क्रिया करते हैं, और उन मामलों की तलाश की जहाँ किसी व्यक्ति का आनुवंशिक जोखिम उसके जीवन की स्थिति द्वारा बढ़ाया जा सकता है। उन्होंने पाया कि अवसाद के लिए आनुवंशिक जोखिम अनिद्रा से पीड़ित लोगों में अधिक स्पष्ट था, जिससे पता चलता है कि नींद की गड़बड़ी एक ऐसे ट्रिगर के रूप में कार्य कर सकती है जो आनुवंशिक संवेदनशीलता को अधिक शक्तिशाली बना देती है। उन्होंने आयु और समग्र स्वास्थ्य के साथ भी इसी तरह की अंतःक्रियाएं पाईं।

अध्ययन यह निष्कर्ष निकालता है कि अवसाद की भविष्यवाणी करने का कोई एक "सर्वश्रेष्ठ" तरीका नहीं है क्योंकि बीमारी स्वयं एक एकल चीज़ नहीं है। एक मॉडल जो जीवन भर अवसाद विकसित होने के जोखिम वाले लोगों की पहचान करने के लिए बनाया गया है, वह उस मॉडल से बहुत अलग होगा जो वर्तमान प्रकरण (episode) के बीच में किसी व्यक्ति को पहचानने के लिए बनाया गया है। निष्कर्ष बताते हैं कि जबकि आनुवंशिक डेटा दीर्घकालिक जोखिम को समझने के लिए उपयोगी है, यह तत्काल लक्षणों की भविष्यवाणी करने के लिए कम सहायक है, जो वर्तमान जीवन के तनावों और सामाजिक संबंधों द्वारा संचालित होते हैं। यह दिखाते हुए कि बीमारी की परिभाषा भविष्यवाणी को आकार देती है, यह शोध इस बात पर जोर देता है कि वैज्ञानिकों और डॉक्टरों को यह सटीक होना चाहिए कि वे वास्तव में क्या भविष्यवाणी करने की कोशिश कर रहे हैं। यदि लक्ष्य रोकथाम है, तो मॉडलों को आजीवन जोखिम कारकों पर ध्यान केंद्रित करना चाहिए। यदि लक्ष्य तत्काल हस्तक्षेप है, तो ध्यान वर्तमान पर्यावरणीय और सामाजिक स्थितियों पर स्थानांतरित होना चाहिए। यह कार्य अवसाद को ठीक करने के लिए कोई जादुई समाधान प्रदान नहीं करता है, बल्कि यह परिदृश्य का एक स्पष्ट मानचित्र प्रदान करता है, जो यह दर्शाता है कि मानसिक स्वास्थ्य के भविष्य को समझने के लिए, हमें पहले यह तय करना होगा कि हम वास्तव क्या देख रहे हैं।