Forecasting Maternal Mortality in Sub-Saharan Africa to 2035: Evidence from the Global Burden of Disease 2023 Study
ग्लोबल बर्डन ऑफ डिजीज 2023 के आंकड़ों का उपयोग करते हुए, यह अध्ययन प्रदर्शित करता है कि शास्त्रीय सांख्यिकीय मॉडल (ARIMA और Holt's) उप-सहारा अफ्रीका की मातृ मृत्यु दर के पूर्वानुमान में मशीन लर्निंग और डीप लर्निंग दृष्टिकोणों से बेहतर प्रदर्शन करते हैं, जो 2035 तक प्रति 1,00,000 जीवित जन्मों पर 313.0 मृत्यु तक की गिरावट की भविष्यवाणी करते हैं जो अभी भी SDG 3.1 लक्ष्य से काफी कम 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
हर साल, गर्भावस्था और प्रसव से संबंधित कारणों से हजारों महिलाओं की मृत्यु हो जाती है, एक ऐसी त्रासदी जो वैश्विक स्वास्थ्य में असमानता के सबसे स्पष्ट मापों में से एक बनी हुई है। हालांकि पिछले कुछ दशकों में दुनिया ने इन मौतों को काफी कम करके निरंतर प्रगति की है, लेकिन इसका बोझ उप-सहारा अफ्रीका में सबसे अधिक बना हुआ है। यह क्षेत्र किस दिशा में जा रहा है, इसे समझने के लिए वैज्ञानिक ऐतिहासिक डेटा का उपयोग भविष्य के रुझानों का अनुमान लगाने के लिए करते हैं, एक ऐसी प्रक्रिया जो नीति निर्माताओं को यह तय करने में मदद करती है कि संसाधन कहाँ भेजे जाएं और कितनी तत्परता से कार्य किया जाए। वर्षों से, शोधकर्ता इन भविष्यवाणियों को करने के लिए मानक सांख्यिकीय उपकरणों का उपयोग करते रहे हैं, लेकिन हाल के वर्षों में, मशीन लर्निंग और डीप लर्निंग के रूप में जाने जाने वाले शक्तिशाली कंप्यूटर प्रोग्रामों की एक नई लहर ने जटिल पैटर्न खोजने का वादा किया है जो पुराने तरीकों से छूट सकते हैं। चिकित्सा समुदाय के सामने प्रश्न यह है कि क्या ये परिष्कृत डिजिटल उपकरण वास्तव में स्थापित, सरल तरीकों की तुलना में मातृ स्वास्थ्य के भविष्य की बेहतर भविष्यवाणी कर सकते हैं, विशेष रूप से तब जब उपलब्ध डेटा कुछ दशकों के वार्षिक रिकॉर्ड तक ही सीमित हो।
डेब्रे मार्कोस विश्वविद्यालय, इथियोपिया के एक शोधकर्ता ने उपलब्ध सबसे हालिया और व्यापक डेटा के विरुद्ध आठ अलग-अलग पूर्वानुमान विधियों का परीक्षण करके इस प्रश्न का उत्तर देने का निर्णय लिया। ग्लोबल बर्डन ऑफ डिजीज 2023 अध्ययन से मातृ मृत्यु अनुमानों का उपयोग करते हुए, जो दुनिया भर में स्वास्थ्य परिणामों को ट्रैक करता है, शोधकर्ता ने संपूर्ण उप-सहारा अफ्रीकी क्षेत्र के लिए 1980 से 2023 तक फैले चवालीस वर्षों का डेटा एकत्र किया। इस डेटासेट ने दिखाया कि प्रति 100,000 जीवित जन्मों पर मौतों की संख्या 1980 में 674.5 से गिरकर 2023 में 396.2 रह गई। यह देखने के लिए कि कौन सी विधि सबसे अच्छा काम करती है, शोधकर्ता ने केवल कंप्यूटर को अनुमान लगाने के लिए नहीं छोड़ा; इसके बजाय, उन्होंने 'वॉक-फॉरवर्ड वैलिडेशन' नामक एक कठोर परीक्षण रणनीति का उपयोग किया। यह दृष्टिकोण वास्तविक दुनिया के पूर्वानुमान की नकल करता है, जिसमें मॉडल को पिछले डेटा पर प्रशिक्षित किया जाता है, उन्हें अगले वर्ष की भविष्यवाणी करने के लिए कहा जाता है, यह जांचा जाता है कि वे सही थे या नहीं, और फिर इतिहास के सबसे हालिया दस वर्षों के विरुद्ध मॉडल का परीक्षण करने तक इस प्रक्रिया को वर्ष-दर-वर्ष दोहराया जाता है।
परिणाम उन लोगों के लिए आश्चर्यजनक थे जो यह मान सकते हैं कि नई, अधिक जटिल तकनीक हमेशा बेहतर उत्तर देती है। अध्ययन में पाया गया कि सबसे उन्नत मशीन लर्निंग और डीप लर्निंग मॉडल, जिसमें डेटा के अनुक्रमों (sequences) से सीखने के लिए डिज़ाइन किया गया एक प्रकार का न्यूरल नेटवर्क भी शामिल है, खराब प्रदर्शन करते हैं। वास्तव में, सबसे परिष्कृत डीप लर्निंग मॉडल इतना बुरी तरह विफल हुआ कि उसकी भविष्यवाणियां लगभग यादृच्छिक अनुमान (random guessing) जितनी गलत थीं, जो वास्तविक रुझानों को एक बड़े अंतर से चूक गईं। इसके विपरीत, दो सर्वश्रेष्ठ प्रदर्शन करने वाले शास्त्रीय सांख्यिकीय तरीके थे। इनमें से एक तकनीक जिसे ARIMA कहा जाता है, और दूसरी जो होल्ट्स डैम्प्ड-ट्रेंड एक्सपोनेंशियल स्मूथिंग (Holt's damped-trend exponential smoothing) के रूप में जानी जाती है, दोनों ने लगभग समान और अत्यधिक सटीक परिणाम दिए। इन पारंपरिक तरीकों ने मातृ मृत्यु में गिरावट की धीमी दर को सफलतापूर्वक पकड़ा, जबकि जटिल एल्गोरिदम डेटा के विशिष्ट आकार के अनुकूल होने में संघर्ष करते रहे। यह अध्ययन इस विचार को स्पष्ट रूप से खारिज करता है कि इस प्रकार के स्वास्थ्य पूर्वानुमान के लिए मशीन लर्निंग स्वतः ही श्रेष्ठ है, यह प्रदर्शित करते हुए कि छोटे, वार्षिक टाइम सीरीज़ और सीमित डेटा बिंदुओं के लिए सरल सांख्यिकीय मॉडल कहीं अधिक विश्वसनीय होते हैं।
सर्वश्रेष्ठ प्रदर्शन करने वाले पारंपरिक मॉडल का उपयोग करते हुए, शोधकर्ता ने मातृ मृत्यु अनुपात को वर्ष 2035 तक आगे का अनुमान लगाया। पूर्वानुमान बताता है कि हालांकि मौतों की संख्या में गिरावट जारी रहेगी, लेकिन सुधार की गति वैश्विक सतत विकास लक्ष्य (Sustainable Development Goal) को पूरा करने के लिए पर्याप्त तेज नहीं है, जिसका लक्ष्य प्रति 100,000 जीवित जन्मों पर 70 से कम मौतें है। 2030 तक, अनुपात 344.7 के आसपास रहने का अनुमान है, और 2035 तक, इसके 313.0 तक पहुँचने की उम्मीद है। इस निरंतर प्रगति के बावजूद, क्षेत्र के लक्ष्य से लगभग पांच गुना अधिक रहने का अनुमान है, जो इंगित करता है कि वर्तमान पथ आने वाले दशक में अंतर को पाटने के लिए पर्याप्त नहीं होगा। अध्ययन निष्कर्ष निकालता है कि आगे का रास्ता गिरावट को तेज करने के लिए तत्काल कार्रवाई की मांग करता है, क्योंकि सांख्यिकीय रुझान अकेले ही यह सुझाव देता है कि लक्ष्य को प्राप्त नहीं किया जा सकेगा। इसके अलावा, यह शोध भविष्य के अध्ययनों के लिए एक महत्वपूर्ण सबक प्रदान करता है: पूर्वानुमान उपकरण का चयन उसकी प्रतिष्ठा या जटिलता के आधार पर नहीं, बल्कि हाथ में मौजूद डेटा के विशिष्ट अनुभवजन्य परीक्षण (empirical testing) के आधार पर किया जाना चाहिए, क्योंकि शक्तिशाली एल्गोरिदम भी विफल हो सकते हैं जब डेटासेट उन्हें आवश्यक पैटर्न सिखाने के लिए बहुत छोटा हो।
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।