Temporally non-local harmonisation and cardiovascular model transport between England and China: a measurement-methods study

सार्वजनिक स्वास्थ्य की दुनिया में, शोधकर्ता अक्सर जोखिम का एक एकल मानचित्र बनाने की कोशिश करते हैं जो कई अलग-अलग स्थानों पर डॉक्टरों का मार्गदर्शन कर सके। वे कई वर्षों तक लोगों के बड़े समूहों से डेटा एकत्र करते हैं, इस बात को ट्रैक करते हैं कि किसे हृदय रोग हुआ और किसे नहीं। इसका लक्ष्य एक ऐसा भविष्यवाणी उपकरण बनाना है जो हर जगह काम करे, जो एक देश के डॉक्टर को यह बता सके कि उसकी उम्र, धूम्रपान की आदतों और चिकित्सा इतिहास के आधार पर उसके मरीज को दिल का दौरा पड़ने की कितनी संभावना है। हालाँकि, ये उपकरण उन कहानियों पर निर्भर करते हैं जो लोग अपने पिछले स्वास्थ्य के बारे में बताते हैं। एक बड़ी चुनौती तब आती है जब शोधकर्ता विभिन्न देशों या विभिन्न समय अवधियों के डेटा को मिलाने की कोशिश करते हैं। कभी-कभी, किसी व्यक्ति का चिकित्सा इतिहास साक्षात्कारों के बीच बदल जाता है। वर्षों बाद रिपोर्ट किया गया निदान अध्ययन की शुरुआत में उनके स्वास्थ्य के बारे में ज्ञात जानकारी को फिर से लिखने के लिए उपयोग किया जा सकता है। यह एक समस्या पैदा करता है: यदि कहानी का शुरुआती बिंदु बदल जाता है, तो भविष्यवाणी उपकरण की पूरी यात्रा बदल सकती है, जिससे संभावित रूप से इस बारे में अलग निष्कर्ष निकल सकते हैं कि कौन जोखिम में है और वह उपकरण कितनी अच्छी तरह काम करता है।

दो बड़े अध्ययनों ने, जिनमें से एक इंग्लैंड में वृद्ध वयस्कों का पीछा कर रहा था और दूसरा चीन में एक समान समूह का, एक अनूठे अवसर के रूप में परीक्षण किया कि कैसे ये बदलती हुई कहानियाँ चिकित्सा भविष्यवाणियों को प्रभावित करती हैं। यूनिवर्सिटी कॉलेज लंदन और चीन के एक अस्पताल के शोधकर्ताओं ने यह जांचने के लिए निर्णय लिया कि क्या उनके इतिहास को रिकॉर्ड करने का तरीका हृदय रोग मॉडलों की विश्वसनीयता को बदल देता है जब उन्हें एक देश से दूसरे देश में ले जाया जाता है। उन्होंने एक विशिष्ट मुद्दे पर ध्यान केंद्रित किया: एक "रिलीज़्ड" (released) इतिहास के बीच का अंतर, जिसमें विश्लेषण के समय उपलब्ध सभी जानकारी शामिल होती है, और एक "टाइम-एंकोर्ड" (time-anchored) इतिहास के बीच का अंतर, जो वास्तव में साक्षात्कार के सटीक क्षण में रोगी और शोधकर्ताओं को क्या ज्ञात था, उसका पुनर्निर्माण करता है, और बाद के सुधारों को अनदेखा करता है। इन दो संस्करणों की तुलना करके, वे यह देखना चाहते थे कि क्या इतिहास की समयरेखा को ठीक करने से भविष्यवाणियों की सटीकता में सुधार हुआ या इसने केवल अध्ययन किए जा रहे लोगों के मिश्रण को ही बदल दिया।

शोधकर्ताओं ने दोनों देशों से डेटा लिया और प्रत्येक प्रतिभागी के लिए स्वास्थ्य इतिहास के दो संस्करण बनाए। पहले संस्करण में, उन्होंने मानक डेटा फ़ाइलों का उपयोग किया, जो अक्सर बाद के साक्षात्कारों में रिपोर्ट किए गए निदानों को पिछले रिकॉर्डों को अपडेट करने के लिए शामिल करती हैं। दूसरे संस्करण में, उन्होंने उन बाद के अपडेटों को हटा दिया, और इतिहास को प्रत्येक साक्षात्कार के विशिष्ट समय पर ज्ञात जानकारी तक सीमित कर दिया। इसके बाद उन्होंने यह परीक्षण किया कि चीन में बने मॉडल ने इंग्लैंड में हृदय रोग की भविष्यवाणी कितनी अच्छी तरह की, और इसके विपरीत, दोनों संस्करणों का उपयोग करके। परिणामों ने दिखाया कि डेटा की समयरेखा बदलने का वास्तविक और मापने योग्य प्रभाव पड़ा। चीनी अध्ययन में, लगभग 9 प्रतिशत प्रतिभागियों की हृदय रोग की स्थिति तब बदल गई जब समयरेखा को सुधारा गया। अंग्रेजी अध्ययन में, यह संख्या लगभग 4.5 प्रतिशत थी। इससे भी महत्वपूर्ण बात यह है कि "स्वस्थ" समूह में आने और बाहर जाने वाले लोगों की कुल संख्या बहुत अधिक थी, जिसमें चीनी समूह के 10 प्रतिशत से अधिक और अंग्रेजी समूह के लगभग 6 प्रतिशत लोग स्थिति में बदले। इसका मतलब था कि दोनों संस्करणों में अध्ययन किए जा रहे लोगों का समूह समान नहीं था, भले ही प्रतिभागियों की कुल संख्या समान दिख रही थी।

जब शोधकर्ताओं ने भविष्यवाणी मॉडलों का परीक्षण किया, तो उन्होंने पाया कि समयरेखा को ठीक करने से मॉडल सार्वभौमिक रूप से बेहतर नहीं हुए। चीन से इंग्लैंड की दिशा में, मॉडल की लोगों को जोखिम के आधार पर रैंक करने की क्षमता में थोड़ा सुधार हुआ, जिसका अर्थ है कि यह पहचानने में बेहतर था कि किसे बीमार होने की अधिक संभावना है बजाय इसके कि किसे कम संभावना है। हालाँकि, मॉडल बीमारी की वास्तविक संभावना की भविष्यवाणी करने में बेहतर नहीं हुआ। विपरीत दिशा में, इंग्लैंड से चीन की ओर, रैंकिंग में सुधार हुआ, लेकिन वास्तविक जोखिम की भविष्यवाणी करने में त्रुटि काफी बढ़ गई। मॉडल इंग्लैंड-से-चीन समूह के लिए जोखिम को कम आंकना जारी रखता रहा, चाहे समयरेखा को सुधारा गया हो या नहीं। शोधकर्ताओं ने पाया कि रैंकिंग में सुधार इसलिए नहीं हुआ क्योंकि मॉडल ने जोखिम कारकों के बारे में बेहतर नियम सीखे थे। इसके बजाय, रैंकिंग में सुधार इसलिए हुआ क्योंकि समयरेखा सुधार ने अध्ययन में शामिल होने वाले लोगों को बदल दिया। उन लोगों को हटाकर जिनके स्वास्थ्य की स्थिति को संशोधित किया गया था, शोधकर्ताओं ने समूह की संरचना को बदल दिया, जिससे परिणाम बदल गए।

अध्ययन ने यह भी देखा कि क्या इन परिवर्तनों ने पुरुषों और महिलाओं को अलग तरह से प्रभावित किया या क्या वे हार्ट अटैक के बजाय स्ट्रोक पर अधिक लागू होते थे। डेटा ने कोई प्रमाण नहीं दिया कि समयरेखा सुधार का प्रभाव लिंग पर निर्भर करता था। जबकि चीनी अध्ययन में महिलाओं के इतिहास को पुरुषों की तुलना में अधिक बार संशोधित किया गया था, भविष्यवाणी मॉडलों पर प्रभाव दोनों समूहों के लिए समान था। इसी तरह, जबकि हृदय रोग के इतिहास को स्ट्रोक के इतिहास की तुलना में अधिक बार संशोधित किया गया था, इस अंतर से इस बात पर कोई अलग परिणाम नहीं निकला कि मॉडल कैसे प्रदर्शन करते हैं। मुख्य निष्कर्ष सुसंगत रहा: समयरेखा को ठीक करने के कार्य ने विश्लेषण किए जा रहे लोगों के समूह को बदल दिया, और समूह में इस बदलाव ने ही मॉडल के प्रदर्शन में बदलाव के लिए उत्तरदायित्व निभाया।

अंततः, शोध यह सुझाव देता है कि चिकित्सा इतिहास की समयरेखा को साफ करना क्रॉस-कंट्री (देशों के बीच) भविष्यवाणी उपकरणों के लिए कोई जादुई समाधान नहीं है। हालांकि यह जानना महत्वपूर्ण है कि साक्षात्कार के समय वास्तव में क्या ज्ञात था, लेकिन ऐसा करने से यह स्वतः ही यह सुनिश्चित नहीं होता कि एक देश में विकसित मॉडल दूसरे देश में पूरी तरह से काम करेगा। अध्ययन इस बात पर प्रकाश डालता है कि अध्ययन में प्रवेश करने वाले लोग उतने ही महत्वपूर्ण हैं जितने कि भविष्य की भविष्यवाणी करने के लिए उपयोग किए जाने वाले नियम। जब समयरेखा को समायोजित किया जाता है, तो लोगों का मिश्रण बदल जाता है, और यह परिवर्तन स्वयं भविष्यवाणी नियमों के किसी भी सुधार की तुलना में परिणामों को अधिक संचालित करता है। डॉक्टरों और शोधकर्ताओं के लिए, इसका अर्थ यह है कि किसी एक देश के भविष्यवाणी मॉडल को दूसरे देश में उपयोग करने से पहले, उन्हें न केवल रोगियों के चिकित्सा इतिहास को, बल्कि इस बात को भी समझना चाहिए कि डेटा कैसे एकत्र किया गया था और लोगों के समूह का चयन कैसे किया गया था। अध्ययन निष्कर्ष निकालता है कि जबकि 'टाइम-एंकरिंग' घटनाओं के क्रम को स्पष्ट करने में मदद करती है, यह विभिन्न आबादी के बीच जोखिम भविष्यवाणियों को स्थानांतरित करने की गहरी समस्या को हल नहीं करती है, और इन उपकरणों को सभी के लिए वास्तव में विश्वसनीय बनाने के लिए और अधिक कार्य की आवश्यकता है।