Predicting Medication Adherence Among Chronic Disease Patients in Ghana Using Explainable Machine Learning: A Retrospective EMR-Based Study

एक पुरानी बीमारी (क्रोनिक इलनेस) के प्रबंधन की शांत लय में, सबसे महत्वपूर्ण कदम अक्सर डॉक्टर के क्लिनिक में नहीं, बल्कि मरीज के घर की गोपनीयता में होता है। दवा को ठीक वैसे ही लेना जैसा कि निर्धारित किया गया है, एक निदान और एक सुखी जीवन के बीच का सेतु है, फिर भी दुनिया भर के लाखों लोगों के लिए, वह सेतु अधूरा रह जाता है। डॉक्टर द्वारा लिखी गई दवा और मरीज द्वारा वास्तव में ली जाने वाली दवा के बीच के इस अंतर को 'मेडिकेशन नॉन-एडहेरेंस' (दवा के प्रति अरुचि या अनुपालन की कमी) कहा जाता है। यह एक जटिल समस्या है जो भूलने की आदत, भ्रमित करने वाले निर्देशों और उपचार के दुष्प्रभावों से आकार लेती है, लेकिन कई विकासशील देशों में, यह किसी बहुत अधिक मूर्त चीज़ से प्रेरित है: दवा की लागत और आपूर्ति श्रृंखला (सप्लाई चेन) की विश्वसनीयता। जब एक मरीज दवा के पुनर्भरण (रिफिल) के लिए खर्च नहीं उठा पाता या उसे शेल्फ पर दवा नहीं मिल पाती, तो उपचार योजना विफल हो जाती है, जिससे रोकी जा सकने वाली जटिलताएं और अकाल मृत्यु होती है।

इसे हल करने के लिए, डॉक्टरों और शोधकर्ताओं ने कंप्यूटर की ओर रुख करना शुरू कर दिया है, जिसमें वे उन पैटर्न को पहचानने के लिए मशीन लर्निंग का उपयोग करते हैं जिन्हें मानवीय आँखें नहीं देख पातीं। ये प्रणालियाँ इस बात के रिकॉर्ड देखती हैं कि कौन अपनी दवा ले रहा है और कौन नहीं, और उन विशिष्ट कारकों के मिश्रण की तलाश करती हैं जो खुराक छोड़ने का कारण बनते हैं। हालाँकि, इनमें से अधिकांश कंप्यूटर मॉडल समृद्ध देशों में बनाए गए थे जहाँ बीमा लागतों को कवर करता है और फार्मेसी में हमेशा स्टॉक उपलब्ध रहता है। जब इन मॉडलों को घाना जैसी जगहों पर लागू किया जाता है, जहाँ स्वास्थ्य बीमा सार्वभौमिक नहीं है और जेब से होने वाला खर्च एक भारी बोझ हो सकता है, तो वे अक्सर विफल हो जाते हैं। वे उन स्थानीय वास्तविकताओं को चूक जाते हैं जो यह तय करती हैं कि क्या कोई व्यक्ति अपने उपचार पर टिका रह सकता है। घाना का एक नया अध्ययन इसे ठीक करने का प्रयास कर रहा है, एक ऐसा मॉडल बनाकर जो अपने मरीजों के विशिष्ट आर्थिक और सामाजिक परिदृश्य को समझता है, और ऐसे डेटा का उपयोग करता है जो स्वास्थ्य सेवा के एक आदर्श संस्करण के बजाय उनके वास्तविक जीवन को दर्शाता है।

घाना के अगोको स्थित प्रेस्बिटेरियन अस्पताल के शोधकर्ताओं ने एक ऐसा उपकरण बनाने का लक्ष्य रखा जो यह भविष्यवाणी कर सके कि किन मरीजों द्वारा उच्च रक्तचाप और मधुमेह जैसी पुरानी स्थितियों के लिए अपनी दवा लेना बंद किए जाने की संभावना है। उन्होंने छह महीने की अवधि में अस्पताल आने वाले 1,772 वयस्क मरीजों के रिकॉर्ड एकत्र किए। मरीजों को यह याद दिलाने के बजाय कि उन्होंने कितनी गोलियां लीं, टीम ने 'प्रोपोर्शन ऑफ डेज़ कवर्ड' (Proportion of Days Covered) नामक एक सटीक पद्धति का उपयोग किया। यह दृष्टिकोण दवा के हर रिफिल की तारीखों को देखकर यह गणना करता है कि मरीज के पास उसकी दवा की आपूर्ति कितने दिनों तक उपलब्ध थी। यदि किसी मरीज के पास कम से कम 80 प्रतिशत समय के लिए पर्याप्त दवा थी, तो उन्हें 'एडहेरेंट' (अनुपालन करने वाला) माना गया; इससे कम का अर्थ था कि वे जोखिम में हैं।

टीम ने कंप्यूटर प्रोग्राम में इन मरीजों की मानक जानकारी फीड करना शुरू किया: उनकी आयु, लिंग, उनके पास स्वास्थ्य बीमा है या नहीं, उन्हें दी जाने वाली दवाओं की संख्या, और उन दवाओं की अनुमानित लागत। उन्होंने यह देखने के लिए पांच अलग-अलग प्रकार के कंप्यूटर एल्गोरिदम का परीक्षण किया, जो सरल सांख्यिकीय विधियों से लेकर अधिक जटिल न्यूरल नेटवर्क तक विस्तृत थे, कि कौन सा यह बेहतर भविष्यवाणी कर सकता है कि कौन अनुपालन करेगा और कौन नहीं। परिणाम उत्साहजनक थे, जिसमें सर्वश्रेष्ठ व्यक्तिगत मॉडलों ने लगभग 88 प्रतिशत बार अनुपालन पैटर्न की सही पहचान की। लेकिन शोधकर्ता जानते थे कि घाना में जीवन की पूरी तस्वीर पकड़ने के लिए मानक डेटा पर्याप्त नहीं है।

मॉडल को अधिक स्मार्ट बनाने के लिए, टीम ने छह नए, कस्टम-मेड सूचना खंड जोड़े जो उनके स्थानीय वातावरण की चुनौतियों को दर्शाते थे। उन्होंने ऐसे फीचर्स (विशेषताएं) बनाए जो विभिन्न कारकों को जोड़ते थे, जैसे कि यह देखने के लिए मरीज की आयु को ली गई दवाओं की संख्या से गुणा करना कि क्या वृद्ध मरीजों को जटिल उपचार व्यवस्था के साथ अधिक संघर्ष करना पड़ता है। उन्होंने बिना बीमा वाले मरीजों के लिए विशेष रूप से एक "प्राइस बर्डन" (मूल्य भार) की गणना की, यह पहचानते हुए कि दवा की लागत बीमा रहित व्यक्तियों पर कहीं अधिक कठोर प्रहार करती है। कंप्यूटर को इन अंतर्संबंधों को देखने के लिए प्रशिक्षित करके, उन्होंने मॉडल को यह समझने की अनुमति दी कि उच्च लागत एक बीमित मरीज के लिए मायने नहीं रख सकती, लेकिन जेब से भुगतान करने वाले व्यक्ति के लिए यह एक बड़ा अवरोध हो सकती है।

जब उन्होंने इन नए, संदर्भ-जागरूक फीचर्स को 'स्टैक्ड एन्सेम्बल' (stacked ensemble) नामक एक तकनीक के साथ जोड़ा—जहाँ कई कंप्यूटर मॉडल अंतिम उत्तर पर मतदान करने के लिए मिलकर काम करते हैं—तो भविष्यवाणी की सटीकता में सुधार हुआ। सर्वश्रेष्ठ मॉडल ने 89.5 प्रतिशत बार मरीजों को सही ढंग से वर्गीकृत किया। इससे भी महत्वपूर्ण बात यह है कि शोधकर्ताओं ने कंप्यूटर के निर्णय लेने की प्रक्रिया के "ब्लैक बॉक्स" को खोलने के लिए 'SHAP' नामक विधि का उपयोग किया। इसने उन्हें यह देखने की अनुमति दी कि कौन से कारक भविष्यवाणियों को संचालित कर रहे थे। उन्होंने पाया कि सबसे शक्तिशाली भविष्यवक्ता केवल आयु या लिंग नहीं थे, बल्कि मरीज की बीमा स्थिति, उनकी आयु और दवा की जटिलता के बीच का संबंध, और क्या उन्हें अन्य पुरानी स्वास्थ्य स्थितियां हैं। इसने पुष्टि की कि वित्तीय पहुंच और उपचार की जटिलता इस समुदाय को आकार देने वाले प्राथमिक बल थे।

अध्ययन ने यह भी पता लगाया कि सीमित संसाधनों वाले अस्पतालों के लिए इस उपकरण को व्यावहारिक कैसे बनाया जाए। उन्होंने परीक्षण किया कि क्या यह मॉडल कम डेटा के साथ काम कर सकता है, जो एक ऐसी स्थिति का अनुकरण करता है जहाँ एक क्लिनिक के पास मरीज के बारे में हर एक विवरण तक पहुँच नहीं होती। उन्होंने पाया कि केवल सात प्रमुख फीचर्स का उपयोग करने वाला मॉडल पूर्ण मॉडल के लगभग समान प्रदर्शन करता है, और यहाँ तक कि केवल तीन फीचर्स वाला संस्करण—बीमा स्थिति, आयु-दवा का संबंध, और क्रोनिक कोमोरबिडिटी (सह-रुग्णता) की स्थिति—भी अपनी अधिकांश भविष्य कहने वाली शक्ति बनाए रखता है। यह सुझाव देता है कि संसाधन-सीमित परिवेश में, डॉक्टरों को जोखिम वाले मरीजों की पहचान करने के लिए किसी विशाल डेटाबेस की आवश्यकता नहीं है; सूचना का एक छोटा, केंद्रित सेट ही मदद की आवश्यकता वाले लोगों को चिह्नित करने के लिए पर्याप्त है।

हालाँकि, शोधकर्ताओं ने अपने निष्कर्षों की सीमाओं को नोट करने में सावधानी बरती। डेटा एक ही अस्पताल से आया था, और मॉडल का परीक्षण अन्य क्षेत्रों या देशों के मरीजों पर नहीं किया गया था, इसलिए यह अभी तक ज्ञात नहीं है कि क्या यह हर जगह काम करेगा। उन्होंने यह भी पाया कि जबकि डेटा को संतुलित करने की तकनीक ने मॉडल को अधिक गैर-अनुपालन वाले मरीजों को खोजने में मदद की, इसने समग्र भविष्यवाणियों को थोड़ा कम सटीक बना दिया। अंततः, उन्होंने मूल, असंतुलित डेटा पर प्रशिक्षित मॉडल को चुना क्योंकि इसने सर्वोत्तम समग्र विश्वसनीयता प्रदान की। अध्ययन का निष्कर्ष है कि हालांकि मशीन लर्निंग घाना में स्वास्थ्य सुधारने की दिशा में बहुत बड़ी संभावना रखती है, लेकिन इन उपकरणों को स्थानीय वास्तविकताओं को ध्यान में रखकर बनाया जाना चाहिए। लागत और बीमा की विशिष्ट बाधाओं पर ध्यान केंद्रित करके, और मॉडल्स को इतने सरल रखकर कि उन्हें सीमित डेटा के साथ उपयोग किया जा सके, शोधकर्ताओं ने उन मरीजों की पहचान करने का मार्ग बनाया है जिन्हें अपनी जीवन रक्षक दवाएं बंद करने से पहले सहायता की आवश्यकता है।