Same-wave cross-sectional risk stratification for parent-reported current anxiety among US children with ADHD who received behavioral treatment: development in the 2023 NSCH and evaluation in the 2024 NSCH
इस अध्ययन ने 2023 के नेशनल सर्वे ऑफ चिल्ड्रन्स हेल्थ डेटा का उपयोग करके व्यवहार संबंधी उपचार प्राप्त कर रहे अमेरिकी बच्चों में माता-पिता द्वारा रिपोर्ट की गई वर्तमान चिंता को वर्गीकृत करने के लिए संक्षिप्त प्रतिगमन मॉडल (parsimonious regression models) विकसित और मान्य किए, जो एक स्वतंत्र 2024 के नमूने में मूल्यांकन किए जाने पर मशीन लर्निंग दृष्टिकोणों की तुलना में मध्यम विभेदन और बेहतर अंशांकन (calibration) प्रदर्शित करते हैं।
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
बचपन के स्वास्थ्य के परिदृश्य में, अटेंशन-डेफिसिट/हाइपरएक्टिविटी डिसऑर्डर, या ADHD, एक सुप्रसिद्ध स्थिति है जो यह प्रभावित करती है कि एक बच्चा कैसे ध्यान केंद्रित करता है और अपने आवेगों को कैसे नियंत्रित करता है। यह सामान्य है कि ADHD वाले बच्चों में अन्य भावनात्मक बोझ भी हो सकते हैं, जैसे कि चिंता (anxiety), जो निरंतर चिंता या भय की एक अवस्था है। जबकि डॉक्टर अक्सर ADHD का स्वयं उपचार करते हैं, जिसमें अक्सर मुकाबला करने के कौशल सिखाने वाली व्यवहार संबंधी रणनीतियाँ शामिल होती हैं, उसके साथ जुड़ी चिंता छिपी या अनुपचारित रह सकती है। यह एक महत्वपूर्ण चिंता का विषय है क्योंकि चिंता इस बात को बदल देती है कि एक बच्चा कैसा महसूस करता है और कैसे कार्य करता है, और इसके लिए अक्सर अपने स्वयं के विशिष्ट ध्यान की आवश्यकता होती है। स्वास्थ्य प्रणालियों के लिए चुनौती यह पता लगाना है कि कौन से बच्चे, यहाँ तक कि वे जो पहले से ही ADHD के लिए मदद प्राप्त कर रहे हैं, वर्तमान में चिंता से भी जूझ रहे हैं, ताकि उन्हें सही सहायता की ओर निर्देशित किया जा सके।
शोधकर्ताओं की एक टीम ने अमेरिकी परिवारों के एक विशाल, राष्ट्रव्यापी सर्वेक्षण के डेटा का उपयोग करके इन बच्चों की पहचान करने में मदद करने के लिए एक उपकरण बनाने का लक्ष्य रखा। उन्होंने विशेष रूप से उन छह से सत्रह वर्ष की आयु के बच्चों पर ध्यान केंद्रित किया जिन्हें ADHD का निदान किया गया था और जिन्होंने पिछले एक वर्ष में व्यवहार संबंधी उपचार प्राप्त किया था। लक्ष्य यह अनुमान लगाना नहीं था कि क्या किसी बच्चे को भविष्य में चिंता विकसित होगी, बल्कि एक ऐसा 'स्नैपशॉट' बनाना था जो यह वर्गीकृत कर सके कि बच्चा वर्तमान में चिंता का अनुभव कर रहा है या नहीं, जो कि उस जानकारी पर आधारित हो जो माता-पिताओं ने पहले ही प्रदान कर दी थी। ऐसा करने के लिए, शोधकर्ताओं ने बीस अलग-अलग कारकों पर जानकारी एकत्र की, जिसमें बच्चे की आयु और पारिवारिक आय से लेकर उनकी नींद की आदतें, क्या उन्हें डराया-धमकाया (bully) गया था, और माता-पिता का मानसिक स्वास्थ्य तक शामिल थे। उन्होंने इस जानकारी का उपयोग चार अलग-अलग गणितीय मॉडल बनाने के लिए किया, जो अनिवार्य रूप से नियमों के ऐसे सेट हैं जिन्हें इन कारकों को तौलने और चिंता की संभावना का अनुमान लगाने के लिए डिज़ाइन किया गया है।
शोधकर्ताओं ने सबसे पहले इन मॉडलों को 2023 में एकत्र किए गए डेटा का उपयोग करके बनाया। उन्होंने यह देखने के लिए इन मॉडलों का आपस में परीक्षण किया कि कौन से मॉडल बच्चों को "चिंता होने की संभावना वाले" और "चिंता न होने की संभावना वाले" समूहों में वर्गीकृत करने में सबसे अच्छे हैं। फिर, यह सुनिश्चित करने के लिए कि मॉडल केवल 2023 के डेटा के कारण भाग्यशाली नहीं थे, उन्होंने नियमों को स्थिर कर दिया और इसे 2024 में सर्वेक्षण किए गए परिवारों के एक पूरी तरह से नए समूह पर लागू किया। यह दूसरा समूह अलग लोगों का था, जिनका सर्वेक्षण एक साल बाद किया गया था, जो इस बात का एक कठोर परीक्षण था कि क्या मॉडल वास्तविक दुनिया में काम कर सकते हैं। परिणामों ने दिखाया कि सरल मॉडल, जो मानक सांख्यिकीय विधियों पर निर्भर थे, जटिल मशीन लर्निंग मॉडलों के समान ही अच्छा प्रदर्शन करते हैं। वास्तव में, जटिल मशीन लर्निंग मॉडल का प्रदर्शन वास्तव में खराब रहा, जिसने अत्यधिक और कम विश्वसनीय भविष्यवाणियाँ कीं।
जब शोधकर्ताओं ने आंकड़ों को देखा, तो उन्होंने पाया कि उनके अध्ययन में मौजूद बच्चों में से लगभग आधे, जिनमें चिंता का अवलोकन डेटा उपलब्ध था, वर्तमान में चिंता का अनुभव कर रहे थे। 2023 के डेटा से विकसित मॉडल 2024 के समूह में चिंता वाले और बिना चिंता वाले बच्चों के बीच मध्यम स्तर की सटीकता के साथ अंतर करने में सक्षम थे। सर्वश्रेष्ठ प्रदर्शन करने वाले मॉडलों ने लगभग 100 में से 72 मामलों में चिंता की उपस्थिति या अनुपस्थिति की सही पहचान की। इससे भी महत्वपूर्ण बात यह है कि ये मॉडल अच्छी तरह से कैलिब्रेटेड (well-calibrated) थे, जिसका अर्थ है कि उनके द्वारा दी गई संभावनाएँ उस समूह में देखी गई चिंता की वास्तविक दरों से मेल खाती थीं। इसके विपरीत, जटिल मशीन लर्निंग मॉडल ने कुछ बच्चों के लिए जोखिम को बढ़ा-चढ़ाकर और कुछ के लिए कम करके दिखाया, जिससे उनकी भविष्यवाणियाँ कम भरोसेमंद हो गईं।
अध्ययन स्पष्ट करता है कि ये मॉडल नैदानिक उपकरण (diagnostic tools) नहीं हैं जिनका उपयोग एक डॉक्टर यह बताने के लिए कर सकता है कि "आपके बच्चे को निश्चित रूप से चिंता है।" वे अनुसंधान उपकरण हैं जिन्हें बच्चों को जोखिम समूहों में वर्गीकृत करने के लिए डिज़ाइन किया गया है। वे एक ही समय के क्षण को देखते हुए काम करते हैं, उसी जानकारी का उपयोग करते हैं जो एक माता-पिता ने अपने बच्चे की वर्तमान स्थिति के बारे में दी थी। चूंकि डेटा एक ही सर्वेक्षण से आता है जहाँ माता-पिता एक ही समय में बच्चे के व्यवहार और उसके मानसिक स्वास्थ्य दोनों के बारे में प्रश्न पूछते हैं, इसलिए मॉडल यह सिद्ध नहीं कर सकते कि एक चीज़ दूसरी चीज़ का कारण है। वे केवल यह दिखाते हैं कि चिंता वाले बच्चों में कारकों के कौन से संयोजन सबसे आम हैं।
अंततः, शोधकर्ताओं ने पाया कि इस कार्य के लिए एक सीधा दृष्टिकोण (regression models) पर्याप्त था। इन मॉडलों ने एक संतुलित दृष्टिकोण प्रदान किया, जिन्होंने अधिक जटिल एल्गोरिदम की अस्थिरता के बिना, उन बच्चों की सही पहचान की जिन्हें आगे ध्यान देने की आवश्यकता थी। अध्ययन बताता है कि बच्चों की इस विशिष्ट आबादी के लिए, जो पहले से ही उपचार में हैं, सरल उपकरण उन बच्चों को चिह्नित करने में अधिक प्रभावी हो सकते हैं जिन्हें चिंता के लिए भी मदद की आवश्यकता है। हालाँकि, लेखक इस बात पर जोर देते हैं कि ये निष्कर्ष एक शुरुआत हैं। इससे पहले कि ऐसे उपकरण का उपयोग क्लिनिक में वास्तविक दुनिया के निर्णयों के मार्गदर्शन के लिए किया जा सके, इसे विभिन्न सेटिंग्स में परीक्षण करने, विभिन्न समूहों के लोगों के लिए निष्पक्षता की जाँच करने और यह मूल्यांकन करने की आवश्यकता होगी कि क्या इसका उपयोग करने से वास्तव में बच्चों के परिणामों में सुधार होता है। फिलहाल, यह कार्य एक सावधानीपूर्वक प्रदर्शन है कि कैसे बड़े पैमाने के राष्ट्रीय डेटा का उपयोग करके एक जोखिम-वर्गीकरण उपकरण बनाया और परीक्षण किया जाता है, जो सरलता के मूल्य और इन निष्कर्षों को अनुसंधान के बाहर लागू करने में सावधानी की आवश्यकता को रेखांकित करता है।
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।