Leveraging Interpretable Machine Learning Models and National Risk Stratification for Postnatal Anemia in Ethiopia: A Secondary Analysis of the 2024–25 Demographic and Health Survey

प्रसव के बाद के हफ्तों में, एक माँ का शरीर एक गहरा परिवर्तन अनुभव करता है, जो गर्भावस्था की तीव्र मांगों से वापस दैनिक संतुलन की स्थिति की ओर बढ़ता है। यह अवधि महत्वपूर्ण है, फिर भी संसाधन-सीमित परिवेश में रहने वाली लाखों महिलाओं के लिए, यह एक शांत और खतरनाक स्थिति की छाया में रहती है: एनीमिया (रक्तअल्पता)। यह तब होता है जब रक्त में ऑक्सीजन को प्रभावी ढंग से ले जाने के लिए पर्याप्त स्वस्थ लाल कोशिकाओं की कमी होती है, जिससे शरीर ऊर्जा की कमी महसूस करने लगता है जिसकी उसे ठीक होने और कार्य करने के लिए आवश्यकता होती है। इसके परिणाम गंभीर होते हैं, जिनमें अत्यधिक थकान और कमजोर प्रतिरक्षा से लेकर माँ और बच्चे दोनों के लिए जीवन के लिए खतरा पैदा करने वाली जटिलताएं शामिल हैं। इथियोपिया जैसे देशों में, जहाँ उन्नत चिकित्सा परीक्षणों तक पहुँच कम हो सकती है, यह पहचानना कि कौन सी माताएं उच्चतम जोखिम पर हैं, अक्सर किसी व्यक्ति की विशिष्ट स्थिति पर गहराई से नज़र डालने के बजाय व्यापक, सामान्य नियमों पर निर्भर करता है। पारंपरिक तरीके यह जोड़ने में संघर्ष करते हैं कि एक महिला के आहार, उसकी आर्थिक परिस्थितियों और उसके चिकित्सा इतिहास को कैसे जोड़ा जाए ताकि यह भविष्यवाणी की जा सके कि कौन बीमार पड़ेगा।

इस अंतर को पाटने के लिए, शोधकर्ताओं ने डिजिटल युग के एक शक्तिशाली उपकरण की ओर रुख किया है: मशीन लर्निंग। साधारण चेकलिस्ट के विपरीत, ये कंप्यूटर प्रोग्राम छिपे हुए पैटर्न खोजने के लिए सूचनाओं के विशाल भंडार को छान सकते हैं जो मानवीय आँखों से छूट सकते हैं। वे केवल एक कारक को अलग से नहीं देखते; इसके बजाय, वे दर्जनों विवरणों—जैसे कि एक महिला की आयु, वह कहाँ रहती है, गर्भावस्था के दौरान उसने कितनी बार डॉक्टर के पास चक्कर लगाया, और उसके परिवार की आर्थिक स्थिति—को एक साथ बुनकर जोखिम की एक पूर्ण तस्वीर बनाते हैं। लक्ष्य डॉक्टरों को बदलना नहीं है, बल्कि उन्हें एक तेज़ लेंस देना है, जिससे वे खतरे को जल्दी पहचान सकें और सीमित संसाधनों को उन महिलाओं की ओर निर्देशित कर सकें जिन्हें उनकी सबसे अधिक आवश्यकता है।

इथियोपिया के शोधकर्ताओं की एक टीम ने हाल ही में राष्ट्रीय स्तर पर प्रसवोत्तर एनीमिया (postnatal anemia) से निपटने के लिए इस दृष्टिकोण को लागू किया। उन्होंने 45,280 महिलाओं के रिकॉर्ड का विश्लेषण किया जिन्होंने हाल ही में बच्चे को जन्म दिया है, जो 2024-25 के इथियोपिया जनसांख्यिकीय और स्वास्थ्य सर्वेक्षण से लिए गए थे। यह कोई छोटा प्रयोग नहीं था; यह पूरे देश का एक व्यापक अवलोकन था, जिसने स्वास्थ्य मानचित्र बनाने के लिए सर्वेक्षण डेटा को स्वास्थ्य रजिस्ट्रियों के साथ जोड़ा। शोधकर्ताओं ने इस जानकारी को छह अलग-अलग कंप्यूटर मॉडलों में डाला, जिनमें से प्रत्येक एक अनूठी गणितीय रणनीति का उपयोग करके डेटा से सीखता है। वे यह देखना चाहते थे कि कौन सा एल्गोरिदम एनीमिया की गंभीरता का सर्वोत्तम अनुमान लगा सकता है, जो उन लोगों के बीच अंतर कर सके जो स्वस्थ हैं, वे जिनमें हल्की समस्याएँ हैं, और वे जो गंभीर, जीवन के लिए खतरा पैदा करने वाली स्थितियों का सामना कर रहे हैं।

परिणाम चौंकाने वाले थे। एक मॉडल, जिसे 'रैंडम फॉरेस्ट' (Random Forest) के रूप में जाना जाता है, स्पष्ट विजेता बनकर उभरा। यह समझने के लिए कि यह कैसे काम करता है, कल्पना करें कि विशेषज्ञों का एक समूह प्रत्येक रोगी की फ़ाइल को देख रहा है और अपनी राय दे रहा है; अंतिम निर्णय बहुमत को सुनने से लिया जाता है। इस निर्णय लेने वाले "वन" (forest) ने अविश्वसनीय सटीकता प्रदर्शित की, जिसने लगभग 100 में से 97 मामलों में महिलाओं की स्वास्थ्य स्थिति को सही ढंग से पहचाना। यह सबसे खतरनाक मामलों को पहचानने में विशेष रूप से कुशल था, जिससे यह सुनिश्चित हुआ कि गंभीर एनीमिया से जूझ रही महिलाओं की अनदेखी न हो। अन्य मॉडल, जैसे कि निर्णय वृक्षों (decision trees) या न्यूरल नेटवर्क पर आधारित मॉडल, अच्छा प्रदर्शन करते हैं लेकिन इस शीर्ष प्रदर्शन करने वाले मॉडल से थोड़ा पीछे रह गए। रैंडम फॉरेस्ट मॉडल ने विभिन्न क्षेत्रों और जनसांख्यिकीय समूहों में विश्वसनीय बने रहने की उल्लेखनीय क्षमता भी दिखाई, जिससे सिद्ध हुआ कि यह केवल डेटा को याद नहीं कर रहा था बल्कि इसके भीतर के संबंधों को वास्तव में समझ रहा था।

इस मॉडल को इतना प्रभावी बनाने वाली बात इसकी विशिष्ट कारकों से सीखने की क्षमता थी जो इथियोपिया के संदर्भ में सबसे महत्वपूर्ण हैं। कंप्यूटर ने पहचाना कि एक महिला का बॉडी मास इंडेक्स (BMI), उसके प्रसवपूर्व डॉक्टर के दौरों की आवृत्ति, उसके परिवार की संपत्ति और उसका भौगोलिक क्षेत्र, उसके स्वास्थ्य परिणाम के सबसे मजबूत भविष्यवक्ता थे। डेटा ने एक स्पष्ट पैटर्न प्रकट किया: उच्च बॉडी मास इंडेक्स वाली महिलाएं और वे जो अधिक प्रसवपूर्व नियुक्तियों में भाग लेती थीं, गंभीर एनीमिया से पीड़ित होने की संभावना बहुत कम थी। इसके विपरीत, ग्रामीण क्षेत्रों में रहना और कम घरेलू आय होना, उच्च जोखिम के मजबूत संकेतक थे। मॉडल ने न केवल इन जोखिमों को चिह्नित किया; इसने उन्हें परिमाणित भी किया, जिससे यह पता चला कि प्रत्येक कारक ने एक महिला को अधिक खतरनाक स्वास्थ्य स्थिति की ओर कितना धकेला।

शायद सबसे महत्वपूर्ण बात यह है कि शोधकर्ताओं ने यह सुनिश्चित किया कि कंप्यूटर का तर्क पारदर्शी हो। कई उन्नत प्रणालियों में, अंतिम उत्तर एक "ब्लैक बॉक्स" से आता है जहाँ आंतरिक तर्क छिपा होता है। यहाँ, टीम ने SHAP नामक एक विधि का उपयोग किया ताकि उस बॉक्स को खोला जा सके और यह दिखाया जा सके कि मॉडल अपने निष्कर्षों तक कैसे पहुँचा। इसने उन्हें यह देखने की अनुमति दी कि मॉडल केवल अनुमान नहीं लगा रहा था बल्कि विशिष्ट, वास्तविक दुनिया की स्थितियों को तौल रहा था। उदाहरण के लिए, यह समझा सकता था कि एक गरीब ग्रामीण परिवार की महिला, जिसके प्रसवपूर्व दौरे कम थे, का जोखिम स्कोर उच्च क्यों था क्योंकि मॉडल ने हजारों समान मामलों से सीखा था कि यह संयोजन लगभग हमेशा खराब स्वास्थ्य की ओर ले जाता है। यह पारदर्शिता डॉक्टरों के लिए अत्यंत महत्वपूर्ण है, जिन्हें सलाह पर कार्य करने से पहले उस उपकरण पर विश्वास करने की आवश्यकता होती है।

अध्ययन ने पुष्टि की कि ये डिजिटल उपकरण केवल डेटा को वर्गीकृत करने से कहीं अधिक कर सकते हैं; वे स्वास्थ्य सेवा प्रदाताओं के लिए एक महत्वपूर्ण निर्णय-सहायता प्रणाली के रूप में कार्य कर सकते हैं। इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड में ऐसे मॉडल को एकीकृत करके, क्लीनिक डेटा दर्ज होते ही उच्च-जोखिम वाली माताओं को स्वचालित रूप रूप से चिह्नित कर सकते हैं। इससे चिकित्सा कर्मचारी लक्षणों के स्पष्ट होने की प्रतीक्षा करने के बजाय, उन्हें तत्काल आयरन सप्लीमेंट और पोषण संबंधी सहायता के लिए प्राथमिकता देने में सक्षम होंगे। शोध बताता है कि सही डेटा और सही एल्गोरिदम के साथ, सामान्य स्क्रीनिंग से सटीक, व्यक्तिगत देखभाल की ओर बढ़ना संभव है।

निष्कर्षों ने वर्तमान दृष्टिकोण की सीमाओं को भी रेखांकित किया। चूंकि अध्ययन मौजूदा सर्वेक्षण डेटा पर आधारित था, इसलिए यह जोखिम कारकों और एनीमिया के बीच मजबूत संबंधों की पहचान तो कर सकता था, लेकिन यह सिद्ध नहीं कर सका कि एक सीधे तौर पर दूसरे का कारण बनता है। कुछ अन्य छिपे हुए कारक हो सकते हैं, जैसे विशिष्ट संक्रमण या आनुवंशिक लक्षण, जो सर्वेक्षण में शामिल नहीं थे। हालाँकि, डेटासेट का विशाल आकार और विभिन्न सांख्यिकीय परीक्षणों में परिणामों की निरंतरता, निष्कर्षों को उच्च स्तर की विश्वसनीयता प्रदान करती है। मॉडल की भविष्यवाणियाँ केवल एक भाग्यशाली अनुमान नहीं थीं; वे सांख्यिकीय रूप से महत्वपूर्ण थीं, जिसका अर्थ है कि सर्वश्रेष्ठ मॉडल और अन्य के बीच का अंतर वास्तविक और मापने योग्य था।

अंततः, यह कार्य प्रदर्शित करता है कि उन्नत तकनीक सदियों पुराने स्वास्थ्य संकट के खिलाफ लड़ाई में एक शक्तिशाली सहयोगी हो सकती है। जटिल राष्ट्रीय डेटा को स्पष्ट, कार्रवाई योग्य अंतर्दृष्टि में बदलकर, रैंडम फॉरेस्ट मॉडल उन माताओं की रक्षा करने का एक तरीका प्रदान करता है जो अन्यथा छूट सकती थीं। यह डॉक्टरों की आवश्यकता या पोषण के महत्व को प्रतिस्थापित नहीं करता है, बल्कि यह सुनिश्चित करने का एक नया तरीका प्रदान करता है कि मदद सही लोगों तक सही समय पर पहुँचे। एक ऐसे परिदृश्य में जहाँ संसाधन सीमित हैं और दांव ऊंचे हैं, इतनी सटीकता के साथ जोखिम की भविष्यवाणी करने की क्षमता इथियोपिया और उससे आगे मातृ स्वास्थ्य के लिए एक महत्वपूर्ण कदम है।