Multi-grade obesity classification and key lifestyle risk analysis using a learning rate-tuned K-means-XGBoost hybrid approach

मोटापा अब केवल वजन के एक निर्धारित सीमा से अधिक होने का मामला नहीं रह गया है; यह एक जटिल सार्वजनिक स्वास्थ्य चुनौती है जो व्यक्ति दर व्यक्ति गहराई से भिन्न होती है। जबकि दुनिया लंबे समय से वजन को वर्गीकृत करने के लिए बॉडी मास इंडेक्स जैसे सरल मापों पर निर्भर रही है, ये एकल संख्याएं अक्सर उन कारकों के जटिल जाल को समझने में विफल रहती हैं जो किसी व्यक्ति को मोटापे के एक विशिष्ट स्तर की ओर ले जाते हैं। किसी व्यक्ति का जोखिम जीव विज्ञान, जैसे कि लिंग और आनुवंशिकी, और दैनिक आदतों, जिसमें वे क्या खाते हैं, वे कैसे चलते हैं और वे अपना समय कैसे बिताते हैं, के मिश्रण से आकार लेता है। इन परतों को समझना इसलिए महत्वपूर्ण है क्योंकि रोकथाम के लिए एक ही जैसा दृष्टिकोण (वन-साइज़-फिट्स-ऑल) अक्सर विफल हो जाता है। इसे हल करने के लिए, शोधकर्ता उन्नत कंप्यूटर प्रणालियों की ओर मुड़ रहे हैं जो स्वास्थ्य डेटा की विशाल मात्रा को छान सकते हैं, और उन छिपे हुए पैटर्न की तलाश कर सकते हैं जिन्हें मानवीय पर्यवेक्षक चूक सकते हैं। ये प्रणालियाँ दो मुख्य प्रकार की लर्निंग (सीखने की प्रक्रिया) का उपयोग करती हैं: एक जो समान लक्षणों के आधार पर समान लोगों को एक साथ समूहित करती है, और दूसरी जो उन समूहों से सीखकर स्वास्थ्य जोखिमों के बारे में सटीक भविष्यवाणियां करती है।

हाल ही में, फुझोउ यूनिवर्सिटी ऑफ इंटरनेशनल स्टडीज एंड ट्रेड और साउथ चाइना नॉर्मल यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने मोटापे को वर्गीकृत करने का एक स्मार्ट तरीका बनाने का प्रयास किया। वे सरल श्रेणियों से आगे बढ़कर एक ऐसी प्रणाली बनाना चाहते थे जो वजन की सात अलग-अलग अवस्थाओं के बीच अंतर कर सके, जिसमें कम वजन (अंडरवेट) से लेकर मोटापे के सबसे गंभीर रूपों तक शामिल हैं। इसे करने के लिए, उन्होंने एक हाइब्रिड कंप्यूटर मॉडल विकसित किया जो दो शक्तिशाली विधियों को जोड़ता है। सबसे पहले, मॉडल लोगों को उनके जीवन जीने के तरीके और शारीरिक लक्षणों के आधार पर क्लस्टर्स (समूहों) में व्यवस्थित करने के लिए एक ग्रुपिंग तकनीक का उपयोग करता है। फिर, यह इन समूहों का विश्लेषण करने और यह निर्धारित करने के लिए एक शक्तिशाली प्रेडिक्शन इंजन का उपयोग करता है कि कौन से कारक किसी व्यक्ति को उच्च जोखिम श्रेणी में धकेलने के लिए सबसे अधिक जिम्मेदार हैं। शोधकर्ताओं ने अपने सिस्टम का परीक्षण 20,000 से अधिक व्यक्तियों वाले एक बड़े, सार्वजनिक रूप से उपलब्ध डेटासेट पर किया, जिससे यह सुनिश्चित हुआ कि उनके निष्कर्ष वास्तविक दुनिया के डेटा के एक मजबूत और विविध नमूने पर आधारित हैं।

शोधकर्ताओं ने डेटा को साफ करने और व्यवस्थित करने से शुरुआत की, जिसमें आयु, लिंग, ऊंचाई, वजन और जीवनशैली की आदतों की एक विस्तृत श्रृंखला शामिल थी। ये आदतें इस बात से लेकर कि लोग कितनी बार सब्जियां या मीठे पेय पदार्थ खाते हैं, से लेकर शारीरिक गतिविधि की आवृत्ति, धूम्रपान की स्थिति और यहाँ तक कि वे इलेक्ट्रॉनिक उपकरणों का उपयोग करने में कितना समय बिताते हैं, तक फैली हुई थीं। उन्होंने डेटा में त्रुटियों के लिए सावधानीपूर्वक जांच की, जैसे कि गलत वर्तनी वाले लेबल या असंगत नंबर, ताकि यह सुनिश्चित हो सके कि कंप्यूटर सटीक जानकारी से सीख रहा है। एक बार जब डेटा तैयार हो गया, तो उन्होंने 20,758 प्रतिभागियों को सात अलग-अलग क्लस्टर्स में वर्गीकृत करने के लिए अपनी ग्रुपिंग विधि लागू की। यह कदम महत्वपूर्ण था क्योंकि इसने कंप्यूटर को लोगों के बीच उन सूक्ष्म समानताओं को देखने की अनुमति दी जिन्हें संख्याओं की एक मानक सूची अनदेखा कर सकती है। उदाहरण के लिए, सिस्टम ने पाया कि कुछ समूहों के लोगों में बहुत विशिष्ट गुणों का संयोजन था, जैसे कि आहार संबंधी आदतों और शारीरिक गतिविधि के स्तर का एक विशेष मिश्रण, जो उन्हें दूसरों से अलग बनाता था।

डेटा को समूहित करने के बाद, शोधकर्ताओं ने अपने प्रेडिक्शन इंजन को इन क्लस्टर्स से सीखने के लिए प्रशिक्षित किया। उन्होंने विभिन्न सेटिंग्स के साथ प्रयोग किया ताकि वह सेटिंग मिल सके जो कंप्यूटर को प्रशिक्षण डेटा को बहुत अधिक सटीकता से याद किए बिना (जो खराब प्रदर्शन का कारण बन सकता है) प्रभावी ढंग से सीखने में सक्षम बनाए। उन्होंने पाया कि सीखने की गति (लर्निंग स्पीड) की एक विशिष्ट सेटिंग ने सबसे अच्छे परिणाम दिए। जब नए डेटा पर परीक्षण किया गया जिसे कंप्यूटर ने पहले कभी नहीं देखा था, तो इस अनुकूलित (ऑप्टिमाइज्ड) सिस्टम ने 90 प्रतिशत से अधिक की सटीकता प्राप्त की। इसका मतलब है कि दस लोगों में से नौ के लिए सिस्टम ने उनके मोटापे के स्तर की सही पहचान की। यह प्रदर्शन अन्य मानक कंप्यूटर मॉडलों की तुलना में काफी बेहतर था जिनका शोधकर्ताओं ने परीक्षण किया था, जिनमें डिसीजन ट्री, रैंडम फॉरेस्ट और न्यूरल नेटवर्क पर आधारित सिस्टम शामिल थे। यहाँ तक कि जब उन अन्य मॉडलों को भी उसी ग्रुपिंग विधि की मदद दी गई, तब भी वे नए हाइब्रिड दृष्टिकोण की सटीकता का मुकाबला नहीं कर सके।

इस अध्ययन ने केवल एक बेहतर क्लासिफायर ही नहीं बनाया; बल्कि इसने यह भी स्पष्ट किया कि कौन से कारक व्यक्ति के मोटापे के स्तर को निर्धारित करने में सबसे अधिक महत्वपूर्ण हैं। कंप्यूटर द्वारा लिए गए निर्णयों का विश्लेषण करके, शोधकर्ता प्रत्येक चर (वेरिएबल) के महत्व को रैंक कर सके। सबसे प्रभावशाली कारक लिंग निकला, जिसे मॉडल ने मोटापे के जोखिम के प्राथमिक चालक के रूप में पहचाना। इसके ठीक बाद शरीर का वजन आया। आश्चर्यजनक रूप से, सब्जियों के सेवन की आवृत्ति तीसरे सबसे महत्वपूर्ण कारक के रूप में उभरी, जिसने शराब के सेवन या शारीरिक गतिविधि के स्तर जैसी अन्य सामान्य चिंताओं को पीछे छोड़ दिया। अध्ययन में पाया गया कि सब्जियों का अधिक सेवन मोटापे के निचले स्तरों से मजबूती से जुड़ा हुआ था, जबकि उच्च कैलोरी वाले खाद्य पदार्थों और मीठे पेय पदार्थों का बार-बार सेवन व्यक्तियों को उच्च जोखिम श्रेणियों की ओर धकेलता है। अन्य आदतें, जैसे भोजन के बीच स्नैकिंग करना, शराब पीना और उपयोग किए जाने वाले परिवहन का साधन, छोटे लेकिन मापने योग्य प्रभाव डालते थे।

शोधकर्ताओं ने यह भी देखा कि उनका सिस्टम मोटापे के विभिन्न स्तरों को कैसे संभालता है। उन्होंने पाया कि मॉडल सबसे गंभीर मामलों की पहचान करने में विशेष रूप से अच्छा था, जिसने उच्चतम स्तर के मोटापे वाले अधिकांश व्यक्तियों को सही ढंग से वर्गीकृत किया। यह एक महत्वपूर्ण निष्कर्ष है क्योंकि यह सुझाव देता है कि यह सिस्टम सार्वजनिक स्वास्थ्य अधिकारियों के लिए एक शक्तिशाली उपकरण हो सकता है जिन्हें वहां हस्तक्षेप करने की आवश्यकता है जहां इसकी सबसे अधिक जरूरत है। अध्ययन ने पुष्टि की कि ग्रुपिंग पद्धति को प्रेडिक्शन इंजन के साथ जोड़ने से कंप्यूटर को डेटा को एक नए तरीके से देखने की अनुमति मिली, जिससे उन छिपे हुए संबंधों को पकड़ा जा सका जिन्हें सरल मॉडल चूक जाते हैं। उदाहरण के लिए, सिस्टम उन लोगों के बीच अंतर कर सकता था जिनका वजन समान था लेकिन जीवनशैली के पैटर्न अलग थे, और उनके जीवन की पूरी तस्वीर के आधार पर उन्हें सही जोखिम श्रेणी में असाइन कर सकता था।

अंत में, यह कार्य प्रदर्शित करता है कि मोटापे के प्रति एक अधिक सूक्ष्म दृष्टिकोण संभव है। लोगों के बीच की समानताओं और उनकी आदतों के विशिष्ट विवरणों दोनों से सीखने वाले कंप्यूटर सिस्टम का उपयोग करके, शोधकर्ता एक ऐसा उपकरण बना सकते हैं जो पारंपरिक तरीकों की तुलना में बहुत अधिक सटीक है। निष्कर्ष बताते हैं कि सार्वजनिक स्वास्थ्य रणनीतियों को न केवल वजन पर ध्यान केंद्रित करना चाहिए बल्कि लिंग-विशिष्ट जोखिमों और आहार संबंधी पैटर्न, विशेष रूप से सब्जियों के सेवन पर भी बारीकी से ध्यान देना चाहिए। हालांकि यह अध्ययन मौजूदा डेटा का उपयोग करके किया गया है और अभी तक किसी नए चिकित्सा उपचार का प्रतिनिधित्व नहीं करता है, यह एक स्पष्ट, साक्ष्य-आधारित रोडमैप प्रदान करता है कि कैसे तकनीक हमें मोटापे को अधिक प्रभावी ढंग से समझने और प्रबंधित करने में मदद कर सकती है। परिणाम व्यक्तिगत और सामुदायिक स्तर पर सामान्य चेतावनियों से हटकर सटीक, कार्रवाई योग्य अंतर्दृष्टि की ओर बढ़ने के लिए एक ठोस आधार प्रदान करते हैं।