Predicting Childhood Immunization Defaulters and Zero-Dose Children to Enable Digital Community Health Triage in Ethiopia: An Explainable Machine Learning Analysis of the 2024/25 Demographic and Health Survey
यह अध्ययन 2024/25 के इथियोपियाई जनसांख्यिकीय और स्वास्थ्य सर्वेक्षण पर प्रशिक्षित एक व्याख्यात्मक (explainable) XGBoost मॉडल का उपयोग करता है ताकि बचपन के टीकाकरण में चूक करने वाले बच्चों और शून्य-खुराक वाले बच्चों की सटीक भविष्यवाणी की जा सके, जो टीकाकरण कवरेज में सुधार के लिए eCHIS जैसे डिजिटल सामुदायिक स्वास्थ्य उपकरणों में सक्रिय जोखिम स्तरीकरण को एकीकृत करने हेतु एक पारदर्शी ढांचा प्रदान करता 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
दुनिया के कई हिस्सों में, एक बच्चे को टीका लगाने का सरल कार्य उन बीमारियों के खिलाफ एक शक्तिशाली ढाल है जिन्होंने कभी लाखों लोगों की जान ली थी। फिर भी, जहाँ टीके उपलब्ध हैं, वहाँ भी कई बच्चे उन्हें कभी प्राप्त नहीं कर पाते। कुछ लोग एक खुराक चूक जाते हैं और पीछे छूट जाते हैं, जबकि अन्य, जिन्हें "जीरो-डोज़" (शून्य-खुराक) वाले बच्चे कहा जाता है, उन्हें सुरक्षा की एक भी खुराक नहीं मिली होती है। यह अंतर केवल छूटे हुए अपॉइंटमेंट का मामला नहीं है; यह समुदायों को खसरे और पोलियो जैसी बीमारियों के प्रकोप के प्रति असुरक्षित छोड़ देता है। इथियोपिया जैसे देशों में, जहाँ स्वास्थ्य कार्यकर्ता परिवारों की देखभाल के लिए घर-घर जाकर काम करते हैं, चुनौती यह जानने की है कि कौन से बच्चे जोखिम में हैं, इससे पहले कि वे अपनी अगली खुराक चूक जाएँ। पारंपरिक रूप से, ये कार्यकर्ता कागजी रिकॉर्ड और याददाश्त पर निर्भर थे, एक ऐसी प्रणाली जो अक्सर किसी परिवार को स्वास्थ्य प्रणाली से दूर होते हुए तब तक नहीं पहचान पाती जब तक कि बहुत देर न हो जाए। सार्वजनिक स्वास्थ्य अधिकारियों के सामने सवाल यह है कि पहले से एकत्र किए गए डेटा की विशाल मात्रा का उपयोग यह अनुमान लगाने के लिए कैसे किया जाए कि किन बच्चों के टीके छूटने की संभावना है, जिससे कार्यकर्ता समय रहते हस्तक्षेप कर सकें।
इथियोपिया में शोधकर्ताओं की एक टीम ने इस समस्या से निपटने के लिए एक डिजिटल टूल बनाया है जो सामुदायिक स्वास्थ्य कार्यकर्ताओं के लिए एक स्मार्ट सहायक की तरह काम करता है। उन्होंने 2024 और 2025 में किए गए एक व्यापक राष्ट्रीय सर्वेक्षण से प्राप्त डेटा का उपयोग किया, जिसमें हजारों परिवारों, उनकी रहने की स्थितियों और उनकी स्वास्थ्य आदतों के बारे में जानकारी एकत्र की गई थी। केवल यह गिनने के बजाय कि कितने बच्चों का टीकाकरण हुआ, शोधकर्ताओं ने एक कंप्यूटर प्रोग्राम को डेटा में उन पैटर्न को खोजने के लिए प्रशिक्षित किया जो बच्चे के टीके छूट जाने के उच्च जोखिम का संकेत देते हैं। उन्होंने कई अलग-अलग प्रकार के कंप्यूटर एल्गोरिदम (कंप्यूटर प्रोग्राम के नियमों के समूह) का परीक्षण किया, जो मशीनों को पैटर्न खोजने में मदद करते हैं, ताकि यह देखा जा सके कि कौन सा परिणाम का सबसे अच्छा पूर्वानुमान लगा सकता है। सबसे सफल प्रोग्राम अत्यधिक सटीकता के साथ जोखिम वाली पहचान करने में सक्षम था, जो पिछले पारंपरिक सांख्यिकीय तरीकों से कहीं बेहतर था।
यह अध्ययन एक से दो वर्ष की आयु के बच्चों पर केंद्रित था, जो एक महत्वपूर्ण समय है जब उन्हें नियमित टीकों की एक श्रृंखला मिलनी चाहिए। शोधकर्ताओं ने पच्चीस विभिन्न कारकों की जांच की जो यह प्रभावित कर सकते हैं कि क्या किसी बच्चे का टीकाकरण होगा, जैसे कि गर्भावस्था के दौरान माँ ने कितनी बार डॉक्टर से मुलाकात की, बच्चे का जन्म अस्पताल में हुआ या घर पर, माँ की शिक्षा का स्तर, और परिवार स्वास्थ्य केंद्र से कितनी दूर रहता है। उन्होंने पाया कि कम से कम एक टीका छूट जाने वाले बच्चों की राष्ट्रीय दर लगभग बत्तीस प्रतिशत थी, और लगभग पंद्रह प्रतिशत बच्चों को तो एक भी टीका नहीं मिला था। कंप्यूटर मॉडल ने सीखा कि जोखिम के सबसे मजबूत संकेत केवल गरीबी के बारे में नहीं थे, बल्कि देखभाल के विशिष्ट अंतराल के बारे में थे। उदाहरण के लिए, जिन बच्चों की माताओं के प्रसव पूर्व दौरे (prenatal visits) नहीं थे या जिनका जन्म घर पर हुआ था, उनके टीकाकरण छूटने की संभावना बहुत अधिक थी। मॉडल ने यह भी दिखाया कि ये जोखिम अक्सर एक साथ आने पर कई गुना बढ़ जाते; ग्रामीण क्षेत्र में घर पर जन्मे बच्चे को केवल एक चुनौती का सामना करने वाले बच्चे की तुलना में काफी अधिक जोखिम था।
जो काम इस शोध को विशेष रूप से मूल्यवान बनाता है वह यह है कि कंप्यूटर प्रोग्राम केवल एक 'रिस्क स्कोर' (जोखिम अंक) ही नहीं देता; बल्कि यह बताता भी है कि उसने वह भविष्यवाणी क्यों की। निर्णय लेने की प्रक्रिया को समझने वाली एक तकनीक का उपयोग करके, शोधकर्ताओं ने दिखाया कि मॉडल की चेतावनियाँ स्पष्ट और समझने योग्य कारणों पर आधारित थीं। उदाहरण के लिए, यदि सिस्टम ने किसी परिवार को चिह्नित किया, तो वह इस तथ्य की ओर इशारा कर सकता था कि माँ की शिक्षा कम थी और वह क्लिनिक से दूर रहती थी, जो इसके प्राथमिक कारण थे। यह पारदर्शिता महत्वपूर्ण है क्योंकि यह स्वास्थ्य कार्यकर्ताओं को इस उपकरण पर भरोसा करने और परिवारों के साथ सार्थक बातचीत करने के लिए सक्षम बनाती है। शोधकर्ताओं ने पाया कि सबसे अच्छा प्रदर्शन करने वाला मॉडल उन बच्चों में से लगभग चौरासी प्रतिशत की सही पहचान कर सका जो टीके छूटने के जोखिम में थे, जबकि लगभग इक्यासी प्रतिशत उन बच्चों की भी सही पहचान कर सका जो सही समय पर टीकाकरण करा रहे थे। सटीकता का यह स्तर बताता है कि यह उपकरण स्वास्थ्य कार्यकर्ताओं द्वारा पहले से ही उपयोग किए जाने वाले डिजिटल टैबलेट में एक शक्तिशाली जुड़ाव हो सकता है।
शोधकर्ता प्रस्ताव देते हैं कि इस कंप्यूटर प्रोग्राम को इथियोपिया में स्वास्थ्य कार्यकर्ताओं द्वारा उपयोग की जाने वाली मौजूदा डिजिटल स्वास्थ्य प्रणालियों में सीधे शामिल किया जा सकता है। वर्तमान में, ये प्रणालियाँ मुख्य रूप से जो पहले हो चुका है उसे रिकॉर्ड करने वाली डिजिटल नोटबुक के रूप में काम करती हैं। इस भविष्य कहने वाले इंजन (predictive engine) को जोड़कर, सिस्टम स्वास्थ्य कार्यकर्ता के घर पहुँचते ही उसे उच्च जोखिम के संकेत दिखने पर अलर्ट कर सकता है। निर्धारित अपॉइंटमेंट छूटने का इंतज़ार करने के बजाय, कार्यकर्ता को उस परिवार का जल्द दौरा करने, अतिरिक्त सहायता देने या अगली खुराक के महत्व को समझाने के लिए प्रेरित किया जा सकता है। अध्ययन का सुझाव है कि प्रतिक्रियात्मक रिकॉर्ड-कीपिंग (reactive record-keeping) से सक्रिय भविष्यवाणी (proactive prediction) की ओर यह बदलाव सबसे कमजोर बच्चों तक पहुँचने में मदद कर सकता है, जिससे यह सुनिश्चित हो सके कि टीकाकरण का वादा हर बच्चे तक पहुँचे, चाहे वे कहीं भी रहते हों या उनकी माँ कोई भी हो। निष्कर्ष बताते हैं कि सही डिजिटल उपकरणों के साथ, लाखों बच्चों को ट्रैक करने के जटिल कार्य को अधिक प्रबंधनीय बनाया जा सकता है, जिससे डेटा को अगली पीढ़ी के लिए एक जीवन रेखा में बदला जा सकता 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।