Development and validation of an explainable machine learning model for predicting the risk of depression among nursing interns

कक्षा से अस्पताल के फ्लोर तक का संक्रमण एक नर्स के जीवन का एक महत्वपूर्ण क्षण होता है, जो अक्सर जिम्मेदारी और दबाव के अचानक उछाल के साथ चिह्नित होता है। कई लोगों के लिए, यह बदलाव न केवल पेशेवर विकास लाता है बल्कि एक महत्वपूर्ण मानसिक स्वास्थ्य चुनौती भी लाता है: अवसाद (डिप्रेशन)। जबकि शिक्षकों और चिकित्सकों ने लंबे समय से यह पहचान लिया है कि नर्सिंग छात्र इस अवधि के दौरान संवेदनशील होते हैं, सटीक रूप से यह पहचानना कि कौन जोखिम में है, पारंपरिक रूप से व्यापक सांख्यिकीय औसत या सरल चेकलिस्ट पर निर्भर रहा है जो किसी व्यक्ति को प्रभावित करने वाले कारकों के जटिल अंतर्संबंधों को समझने में विफल रहती हैं। आधुनिक विज्ञान ने इन जोखिमों की भविष्यवाणी करने के तरीके में सुधार करने के लिए शक्तिशाली कंप्यूटर एल्गोरिदम को लागू करना शुरू कर दिया है, जो डेटा की विशाल मात्रा में सूक्ष्म पैटर्न खोजने में सक्षम हैं। इसका लक्ष्य मानवीय निर्णय को बदलना नहीं है, बल्कि यह प्रदान करना है कि कौन संघर्ष कर सकता है, इसकी एक स्पष्ट और अधिक व्यक्तिगत तस्वीर, जिससे संकट होने से पहले जल्दी और अधिक प्रभावी सहायता मिल सके।

चीन के शोधकर्ताओं की एक टीम ने इस क्षेत्र में एक महत्वपूर्ण कदम उठाया है और एक नया उपकरण बनाया है जिसे विशेष रूप से नर्सिंग इंटर्न के बीच अवसाद के जोखिम की भविष्यवाणी करने के लिए डिज़ाइन किया गया है। उन्होंने वर्तमान में अस्पतालों में काम कर रहे 1,200 से अधिक छात्रों से डेटा एकत्र किया, जिसमें उनके जीवन, उनकी पढ़ाई और उनके मानसिक स्वास्थ्य के बारे में विस्तृत प्रश्न पूछे गए। शोधकर्ताओं ने यह देखने के लिए छह अलग-अलग प्रकार के कंप्यूटर लर्निंग तरीकों का परीक्षण किया कि कौन सा तरीका उन छात्रों को पहचानने में सबसे अच्छा हो सकता है जिनके अवसाद विकसित होने की संभावना है। उन्होंने पाया कि एक विशिष्ट विधि, जिसे ग्रेडिएंट बूस्टिंग मशीन के रूपă में जाना जाता है, अन्य सभी से कहीं अधिक श्रेष्ठ थी। इस मॉडल ने केवल अनुमान नहीं लगाया; इसने डेटा से सीखा ताकि चेतावनी के संकेतों के एक विशिष्ट संयोजन को पहचाना जा सके। सबसे महत्वपूर्ण बात यह है कि शोधकर्ताओं ने यह सुनिश्चित किया कि मॉडल एक "ब्लैक बॉक्स" न हो जो बिना स्पष्टीकरण के उत्तर दे दे। इसके बजाय, उन्होंने इसे इस तरह बनाया कि यह स्पष्ट रूप से दिखा सके कि कौन से विशिष्ट कारक एक छात्र के जोखिम को ऊपर या नीचे धकेल रहे हैं, जिससे एक जटिल गणना एक व्यक्ति की स्थिति के बारे में एक स्पष्ट कहानी में बदल गई।

अध्ययन की शुरुआत सिचुआन प्रांत के कई अस्पतालों से नर्सिंग इंटर्न की भर्ती करके हुई। टीम ने आयु, लिंग, पारिवारिक पृष्ठभूमि, नींद की आदतें, शैक्षणिक ग्रेड और तनाव के स्तर सहित विभिन्न संभावित कारकों की एक विस्तृत श्रृंखला से जानकारी एकत्र की। उन्होंने अवसाद के लिए स्क्रीनिंग करने हेतु एक मानकीकृत प्रश्नावली का उपयोग किया, जो सर्वेक्षण से दो सप्ताह पहले अनुभव किए गए लक्षणों पर केंद्रित थी। 1,600 से अधिक प्रतिभागियों के प्रारंभिक समूह से, उन्होंने मॉडल बनाने में मदद करने के लिए 1,233 छात्रों को चुना और एक अलग अस्पताल के 383 छात्रों के एक अलग समूह को यह परीक्षण करने के लिए अलग रख दिया कि मॉडल नए लोगों पर कितनी अच्छी तरह काम करता है। शोधकर्ताओं ने डेटा को फ़िल्टर करने के लिए एक कठोर प्रक्रिया का उपयोग किया, जिससे उन चरों को हटा दिया गया जो कोई मूल्य नहीं जोड़ते थे और यह सुनिश्चित किया कि कंप्यूटर सबसे प्रावीक जानकारी से सीखे। उन्होंने डेटा को संतुलित करने का भी ध्यान रखा, क्योंकि अवसाद वाले छात्रों की संख्या बिना अवसाद वाले छात्रों की तुलना में कम थी, जो एक सामान्य चुनौती है जो परिणामों को गलत दिशा में मोड़ सकती है यदि इसे सही ढंग से नहीं संभाला गया।

कंप्यूटर मॉडल को प्रशिक्षित करने के बाद, शोधकर्ताओं ने पाया कि छह विशिष्ट कारक अवसाद के जोखिम के सबसे शक्तिशाली भविष्यवक्ता के रूप में उभरे। ये थे छात्र का तनाव का स्तर, नींद के विकारों की उपस्थिति, उनका शैक्षणिक प्रदर्शन, क्या वे एकल-अभिभावक परिवार से आते थे, उन्हें मिलने वाला सामाजिक समर्थन की मात्रा, और मानसिक बीमारी का कोई व्यक्तिगत इतिहास। कंप्यूटर मॉडल ने पहचाना कि उच्च तनाव और खराब नींद विशेष रूप से ऐसे संकेतक थे कि एक छात्र संघर्ष कर सकता है। इसके विपरीत, दोस्तों या परिवार के मजबूत नेटवर्क का होना, और स्कूल में अच्छा प्रदर्शन करना, सुरक्षात्मक ढाल के रूप में कार्य करता है। सबसे अच्छा प्रदर्शन करने वाले मॉडल, ग्रेडिएंट बूस्टिंग मशीन ने उल्लेखनीय सटीकता प्रदर्शित की। छात्रों के उस समूह में जिसका उपयोग इसे परीक्षण करने के लिए किया गया था, मॉडल ने 95.6% मामलों में अवसाद के जोखिम की सही पहचान की। जब शोधकर्ताओं ने इसी मॉडल का परीक्षण एक अलग अस्पताल के 380 छात्रों के अलग समूह पर किया, तो यह अभी भी उच्च सटीकता के साथ प्रदर्शन करता रहा, जोखिम वाले व्यक्तियों की 91% सही पहचान की। यह निरंतरता बताती है कि यह उपकरण विभिन्न प्रशिक्षण वातावरणों में काम करने के लिए पर्याप्त मजबूत है।

जो इस कार्य को विशेष रूप से मूल्यवान बनाता है वह यह है कि शोधकर्ता केवल एक उच्च स्कोर तक ही नहीं रुके। वे यह समझना चाहते थे कि मॉडल अपनी भविष्यवाणियां क्यों कर रहा है। SHAP नामक एक तकनीक का उपयोग करते हुए, जो कंप्यूटर की निर्णय लेने की प्रक्रिया को तोड़ती है, वे देख सके कि प्रत्येक कारक ने एक विशिष्ट छात्र के जोखिम स्कोर में कितना योगदान दिया। उदाहरण के लिए, विश्लेषण ने दिखाया कि गंभीर नींद की समस्याओं और उच्च तनाव वाले छात्र के जोखिम स्कोर में उल्लेखनीय वृद्धि होगी, जबकि मजबूत सामाजिक समर्थन वाले छात्र के जोखिम स्कोर में गिरावट आएगी। यह पारदर्शिता महत्वपूर्ण है क्योंकि यह सलाहकारों और शिक्षकों को केवल एक "उच्च जोखिम" लेबल से आगे बढ़ने की अनुमति देती है। इसके बजाय, वे जोखिम के पीछे के विशिष्ट कारणों को देख सकते हैं। यदि किसी छात्र को उच्च जोखिम के रूप में चिह्नित किया जाता है, तो उपकरण यह संकेत दे सकता है कि उनकी प्राथमिक समस्या संभवतः नींद या शैक्षणिक दबाव से संबंधित है, जिससे सहायता टीम को सामान्य परामर्श के बजाय नींद की स्वच्छता संबंधी सलाह या ट्यूटरिंग जैसी लक्षित सहायता प्रदान करने में मार्गदर्शन मिलता है।

इन निष्कर्षों को वास्तविक दुनिया में उपयोगी बनाने के लिए, टीम ने एक मुफ्त, वेब-आधारित कैलकुलेटर बनाया जिसे कोई भी एक्सेस कर सकता है। एक उपयोगकर्ता बस नर्सिंग इंटर्न के बारे में छह प्रमुख जानकारियाँ दर्ज करता है, और उपकरण तुरंत अवसाद की संभावना की गणना करता है। यह कैलकुलेटर एक स्क्रीनिंग सहायता के रूप में डिज़ाइन किया गया है, न कि एक नैदानिक (डायग्नोस्टिक) उपकरण के रूप में। इसका उद्देश्य नर्सिंग शिक्षकों और क्लिनिकल इंस्ट्रक्टर्स को उन छात्रों की पहचान करने में मदद करना है जिन्हें बातचीत या आगे के पेशेवर मूल्यांकन की आवश्यकता हो सकती है। शोधकर्ता इस बात पर जोर देते हैं कि इस उपकरण का उपयोग सावधानी से किया जाना चाहिए, यह सुनिश्चित करते हुए कि परिणाम गोपनीय रहें और उनका उपयोग छात्रों को लेबल करने या दंडित करने के बजाय सहायता प्रदान करने के लिए किया जाए। समस्या को जल्दी पहचानने के लिए एक स्पष्ट, डेटा-संचालित तरीका प्रदान करके, यह कार्य नर्सों की अगली पीढ़ी के मानसिक स्वास्थ्य की रक्षा करने का एक व्यावहारिक मार्ग प्रदान करता है, यह सुनिश्चित करता है कि वे अपने प्रशिक्षण को पूरा कर सकें और दूसरों की देखभाल करने के लिए आवश्यक लचीलेपन के साथ कार्यबल में प्रवेश कर सकें।