The Claims Floor: Limits of Administrative Claims Data for Dynamic Prediction of Pregnancy Loss and Stillbirth
यह अध्ययन प्रदर्शित करता है कि अपने पैमाने के बावजूद, प्रशासनिक दावों के डेटाबेस (administrative claims databases), प्रसवपूर्व भविष्य कहनेवाला संकेतों और कोडिंग संबंधी विसंगतियों की कमी के कारण, नैदानिक रूप से कार्रवाई योग्य गर्भकालीन समय बिंदुओं पर गर्भावस्था हानि और मृत जन्म की गतिशील, संयोग से बेहतर भविष्यवाणी करने में विफल रहते हैं, जिससे एक "दावा फर्श" (claims floor) स्थापित होता है जो बायोफिजिकल मॉडलों की उच्च क्षमता के विपरीत 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
गर्भावस्था हफ्तों में मापी जाने वाली एक यात्रा है, जहाँ विकसित होते बच्चे का स्वास्थ्य तेजी से बदल सकता है। दशकों से, डॉक्टर इस बात का अनुमान लगाने के लिए स्थिर चेकलिस्ट (static checklists) पर भरोसा करते रहे हैं कि किन गर्भधारणों का अंत त्रासदी, जैसे कि गर्भपात या मृत जन्म (stillbirth) में हो सकता है। ये चेकलिस्ट माँ के इतिहास को एक ही समय के क्षण में देखती हैं, लेकिन वे गर्भावस्था के बढ़ने के साथ बदलती वास्तविकता को नहीं पकड़ सकतीं। हाल के वर्षों में, एक नई आशा उभरी है: यह विचार कि विशाल कंप्यूटर डेटाबेस, जो लाखों चिकित्सा मुलाकातों और बीमा दावों को ट्रैक करते हैं, एक जीवित, सांस लेते हुए भविष्यवाणी उपकरण के निर्माण के लिए उपयोग किए जा सकते हैं। यह वादा था कि माँ के मेडिकल रिकॉर्ड को सप्ताह-दर-सप्ताह अपडेट होते हुए देखकर, एक कंप्यूटर समस्या के शुरुआती चेतावनी संकेतों को डॉक्टर के नोटिस करने से बहुत पहले पहचान सकता है, जिससे परिवारों को हस्तक्षेप करने के लिए एक महत्वपूर्ण अवसर मिल सके।
नेवादा विश्वविद्यालय, लास वेगास के शोधकर्ताओं ने वर्जीनिया के विशाल वास्तविक दुनिया के मेडिकल रिकॉर्ड का उपयोग करके इस वादे का परीक्षण करने का निर्णय लिया। उन्होंने 3,44,000 से अधिक गर्भधारणों के डेटा को इकट्ठा किया, उन्हें गर्भावस्था के पहले संकेतों से लेकर जन्म या हानि तक ट्रैक किया। उनका लक्ष्य यह देखना था कि क्या ये प्रशासनिक रिकॉर्ड, जिनमें निदान (diagnoses) और प्रक्रियाओं के कोड होते हैं, गर्भपात या मृत जन्म की भविष्यवाणी उन विशिष्ट क्षणों पर कर सकते हैं जब डॉक्टर कार्रवाई कर सकता है, जैसे कि दवा शुरू करना या निगरानी बढ़ाना। उन्होंने एक ऐसी प्रणाली बनाई जो अपने जोखिम मूल्यांकन को हर सप्ताह अपडेट करती थी, जिसका उद्देश्य एक स्वस्थ जन्म, बीस सप्ताह से पहले की प्रारंभिक हानि, और बीस सप्ताह के बाद के मृत जन्म के बीच अंतर करना था। वे इस बात के प्रति सावधान थे कि कोई भी ऐसी जानकारी न ली जाए जो ठीक उसी समय दर्ज की गई हो जब घटना हुई हो, ताकि यह सुनिश्चित हो सके कि कंप्यूटर वास्तव में भविष्य की भविष्यवाणी कर रहा है न कि केवल वर्तमान को पढ़ रहा है।
इस विशाल प्रयोग के परिणाम आश्चर्यजनक और निर्णायक थे। जब शोधकर्ताओं ने सख्त सुरक्षा उपायों के बिना पहली बार डेटा को देखा, तो कंप्यूटर मॉडल अविश्वसनीय रूप से सटीक दिखाई दिए, जो उच्च सफलता के साथ गर्भपात की भविष्यवाणी करते प्रतीत हुए। हालाँकि, यह एक सूक्ष्म दोष के कारण हुआ एक भ्रम था कि डेटा कैसे व्यवस्थित किया गया था। गर्भपात के मेडिकल कोड अक्सर उसी सप्ताह सिस्टम में दर्ज किए जाते थे जिस सप्ताह वह घटना घटित होती थी। कंप्यूटर भविष्य की भविष्यवाणी नहीं कर रहा था; वह केवल यह देख रहा था कि उस समय हानि हो रही है और उसे भविष्यवाणी के रूप में रिपोर्ट कर रहा था। एक बार जब शोधकर्ताओं ने भविष्यवाणी और घटना के बीच दो सप्ताह की सख्त प्रतीक्षा अवधि लागू की ताकि इस "लीकेज" (leakage) को रोका जा सके, तो मॉडलों की सटीकता ढह गई। प्रारंभिक गर्भपात की भविष्यवाणी करने की क्षमता एक उच्च स्कोर से गिरकर एक ऐसे स्तर पर आ गई जो केवल एक रैंडम अनुमान (random guess) से थोड़ा ही बेहतर था।
अध्ययन फिर मृत जन्म (stillbirth) की ओर मुड़ा, जो गर्भावस्था के बीस सप्ताह के बाद होता है। डेटा की खामियों को ठीक करने के बाद भी, कंप्यूटर मॉडल मेडिकल रिकॉर्ड में कोई ऐसा संकेत खोजने में विफल रहे जो संयोग से बेहतर तरीके से मृत जन्म की भविष्यवाणी कर सके। मॉडल ने सिक्का उछालने से बेहतर प्रदर्शन नहीं किया, चाहे उन्हें कितने भी अलग प्रकार के मेडिकल कोड दिए गए हों। वास्तव में, वह एक कोड जो आमतौर पर उच्च जोखिम वाली गर्भावस्था का संकेत देता है, उसने भविष्यवाणियों को वास्तव में बदतर बना दिया। यह कोड, जिसका उपयोग तब किया जाता है जब डॉक्टर ने पहले ही एक जोखिम की पहचान कर ली है और अतिरिक्त निगरानी शुरू कर दी है, ऐसा संकेत देता था कि गर्भावस्था नियंत्रण में है और जारी रह सकती है, जिससे एल्गोरिदम से खतरा प्रभावी रूप से छिप गया। शोधकर्ताओं ने पाया कि वे विशिष्ट चिकित्सा विवरण जो इन त्रासदियों की भविष्यवाणी करने के लिए सबसे अधिक वजन रखते हैं, वे अक्सर घटना शुरू होने या समाप्त होने के बाद ही दर्ज किए जाते हैं, न कि पहले।
यह कार्य एक स्पष्ट सीमा, या एक "फ्लोर" (floor) स्थापित करता है, कि बीमा दावों के डेटा से क्या सीखा जा सकता है। जबकि अल्ट्रासाउंड छवियों और बच्चे के शारीरिक मापों का उपयोग करने वाले अन्य अध्ययनों ने दिखाया है कि मृत जन्म की सटीक भविष्यवाणी की जा सकती है, यह अध्ययन सिद्ध करता है कि प्रशासनिक रिकॉर्ड अकेले उस स्तर की अंतर्दृष्टि तक नहीं पहुँच सकते। जिन संकेतों की आवश्यकता इन घटनाओं को पूर्वानुमानित करने के लिए होती है, वे चिकित्सा मुलाकातों के दैनिक कागजी काम में तब तक मौजूद नहीं होते जब तक कि बहुत देर न हो जाए। शोधकर्ताओं ने यह भी उजागर किया कि भविष्य में इसी तरह के डेटा का उपयोग करने वाले किसी भी व्यक्ति के लिए दो महत्वपूर्ण सबक हैं। पहला, उन्होंने दिखाया कि कैसे एक मॉडल आसानी से ऐसे डेटा द्वारा मूर्ख बनाया जा सकता है जो वर्तमान से भविष्य में लीक होता है, एक ऐसी समस्या जिसे भविष्यवाणी के समय और घटना के बीच एक अंतराल बनाकर ठीक किया जा सकता है। दूसरा, उन्होंने प्रदर्शित किया कि एक मॉडल दुर्लभ घटनाओं को गिनने के तरीके में गणितीय विसंगतियों के कारण "उपयोगी से भी बदतर" प्रदर्शन करता हुआ दिखाई दे सकता है, न कि इसलिए कि मॉडल वास्तव में खराब है।
अंततः, अध्ययन यह निष्कर्ष निकालता है कि जबकि बड़े डेटाबेस इस बात को गिनने के लिए उत्कृष्ट हैं कि घटना होने के बाद कितने लोगों को कोई स्थिति हुई, वे अभी तक गर्भपात या मृत जन्म को होने से पहले देखने में सक्षम नहीं हैं। ऐसी भविष्यवाणी करने के लिए आवश्यक जानकारी गर्भ के भौतिक जगत में मौजूद है, जिसे अल्ट्रासाउंड और डॉपलर स्कैन द्वारा कैप्चर किया जाता है, लेकिन यह बीमा दावों की डिजिटल दुनिया में अभी मौजूद नहीं है। फिलहाल, नियमित मेडिकल रिकॉर्ड का उपयोग करके डॉक्टरों को इन त्रासदियों को रोकने के लिए एक कदम आगे बढ़ने का मौका देने की उम्मीद पहुँच से बाहर है, इसलिए नहीं कि डेटा छोटा है, बल्कि इसलिए क्योंकि आवश्यक सुराग घटना के शुरू होने तक लिखे नहीं जाते।
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।