Synthetic tabular healthcare data in health informatics: fixed-size substitution and incremental-value controls for predictive utility Application Paper
यह अध्ययन पाता है कि मूल्यांकित स्थितियों के तहत सिंथेटिक सारणीबद्ध (टेबुलर) स्वास्थ्य सेवा डेटा से कोई व्यवस्थित भविष्य कहनेवाला उपयोगिता लाभ नहीं मिलता है। प्रशिक्षण-सेट के आकार और विभाजन रिसाव (partition leakage) को नियंत्रित करने वाले कठोर तुलनाओं ने वास्तविक-मात्र या बूटस्ट्रैप-वास्तविक नियंत्रणों की तुलना में मुख्य रूप से कम मॉडल प्रदर्शन दिखाया, साथ ही कुछ संदर्भ-विशिष्ट सुधार भी देखे गए।
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 नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आधुनिक चिकित्सा में, स्वास्थ्य परिणामों की भविष्यवाणी करने और शोधकर्ताओं को स्वास्थ्य जोखिमों को समझने में मदद करने के लिए कंप्यूटरों का उपयोग तेजी से किया जा रहा है। इन कंप्यूटरों को सिखाने के लिए, शोधकर्ताओं को मरीजों के रिकॉर्ड की विशाल मात्रा की आवश्यकता होती है। हालाँकि, वास्तविक चिकित्सा डेटा अत्यंत व्यक्तिगत होता है और सख्त गोपनीयता कानूनों द्वारा संरक्षित होता है, जिससे अस्पतालों या अनुसंधान टीमों के बीच इसे साझा करना कठिन हो जाता है। इसे संबोधित करने के लिए, वैज्ञानिकों ने "सिंथेटिक" (कृत्रिम) डेटा बनाने का एक तरीका विकसित किया है। एक ऐसी मशीन की कल्पना करें जो हजारों वास्तविक मरीज रिकॉर्ड पढ़ती है, विभिन्न स्वास्थ्य कारकों के जुड़ने के पैटर्न को सीखती है, और फिर नए, कंप्यूटर-जनरेटेड रिकॉर्ड लिखती है जो नए देखे गए मरीजों का वर्णन करने के बजाय वास्तविक रिकॉर्ड के समान दिखने के लिए डिज़ाइन किए गए हों। ऐसे रिकॉर्ड के लिए अभी भी गोपनीयता जांच की आवश्यकता होती है। यह आशा रही है कि वास्तविक रिकॉर्ड में इन सिंथेटिक रिकॉर्ड को जोड़कर, शोधकर्ता अपने कंप्यूटर मॉडल को अधिक अभ्यास सामग्री दे सकते हैं, जिससे वे अधिक स्मार्ट और सटीक बन सकें।
पुर्तगाल के यूनिवर्सिटी ऑफ पोर्टो के शोधकर्ताओं के एक दल ने यह परीक्षण करने का निर्णय लिया कि क्या यह आशा वास्तव में सच है। वे जानना चाहते थे कि क्या सिंथेटिक रिकॉर्ड जोड़ने से वास्तव में स्वास्थ्य परिणामों की भविष्यवाणी करने की कंप्यूटर की क्षमता में सुधार हुआ, या क्या कथित सुधार आंशिक रूप से कंप्यूटर को अध्ययन के लिए डेटा की अधिक पंक्तियाँ देने का परिणाम हो सकता है। उन्होंने मधुमेह से संबंधित तीन अलग-अलग सार्वजनिक डेटासेट पर ध्यान केंद्रित किया, जिनमें बड़े राष्ट्रीय स्वास्थ्य सर्वेक्षणों से लेकर अस्पताल के रिकॉर्ड और एक छोटा प्रश्नावली डेटासेट शामिल था। सिंथेटिक डेटा उत्पन्न करने के लिए तीन अलग-अलग विधियों का उपयोग करते हुए, उन्होंने कठोर प्रयोगों की एक श्रृंखला चलाई। परीक्षणों के एक सेट में, उन्होंने प्रशिक्षण रिकॉर्ड की कुल संख्या को बिल्कुल समान रखा, और यह देखने के लिए कि क्या डेटा की संरचना मात्रा से स्वतंत्र रूप से मायने रखती है, वास्तविक मरीज पंक्तियों को सिंथेटिक पंक्तियों से बदल दिया। एक अन्य सेट में, उन्होंने वास्तविक रिकॉर्ड में सिंथेटिक पंक्तियाँ जोड़ीं और परिणामों की तुलना एक नियंत्रण समूह से की, जिसने प्रतिस्थापन (replacement) के साथ नमूने के रूप में मौजूदा वास्तविक प्रशिक्षण रिकॉर्ड का पुन: उपयोग किया था, ताकि यह देखा जा सके कि क्या सिंथेटिक डेटा कोई अद्वितीय मूल्य प्रदान करता है।
परिणाम स्पष्ट और कुछ हद तक आश्चर्यजनक थे। जब शोधकर्ताओं ने प्रशिक्षण रिकॉर्ड की कुल संख्या को स्थिर रखा और वास्तविक डेटा को सिंथेटिक डेटा से बदल दिया, तो कंप्यूटर मॉडल आम तौर पर खराब प्रदर्शन करते रहे। उनके अधिकांश परीक्षणों में, जिन मॉडलों को कुछ या सभी वास्तविक पंक्तियों को सिंथेटिक डेटा से बदलकर प्रशिक्षित किया गया था, वे केवल वास्तविक डेटा पर प्रशिक्षित मॉडलों की तुलना में मधुमेह से संबंधित परिणामों के बीच अंतर करने में कम सक्षम थे। उन्होंने वास्तविक डेटा को जितने अधिक सिंथेटिक डेटा से बदला, औसत प्रदर्शन उतना ही अधिक गिर गया। यह सुझाव देता है कि हालांकि सिंथेटिक डेटा वास्तविक रिकॉर्ड में पाए जाने वाले पैटर्न को पुनरुत्पादित कर सकता है, लेकिन परीक्षण किए गए प्रशिक्षण सेटों ने लगातार उस जानकारी को सुरक्षित नहीं रखा जिसकी इन भविष्य कहने वाले मॉडलों को आवश्यकता थी। यह निष्कर्ष मूल्यांकित की गई भविष्यवाणी कार्यों के संबंध में है, न कि सिंथेटिक डेटा के समग्र मूल्य के संबंध में।
शोधकर्ताओं ने यह भी देखा कि जब आप मौजूदा वास्तविक डेटा में केवल सिंथेटिक डेटा जोड़ते हैं, तो प्रशिक्षण सेट के कुल आकार को बढ़ाते हुए क्या होता है। यहाँ, सिंथेटिक डेटा ने कोई निरंतर लाभ प्रदान नहीं किया। कई मामलों में, सिंथिक पंक्तियाँ जोड़ने से मॉडल मूल वास्तविक रिकॉर्ड पर अकेले प्रशिक्षण देने या बूटस्ट्रैप सैंपलिंग के माध्यम से उन रिकॉर्डों का पुन: उपयोग करने की तुलना में खराब प्रदर्शन करने लगे। हालांकि कुछ अलग-थलग मामले थे जहाँ सिंथेटिक डेटा ने एक विशिष्ट स्थिति में एक विशिष्ट मॉडल की मदद की, लेकिन ये नियम के बजाय अपवाद थे। अध्ययन में परीक्षण की गई स्थितियों के तहत भविष्य कहने की शक्ति में व्यवस्थित वृद्धि का कोई प्रमाण नहीं मिला। हालाँकि, यह यह स्थापित नहीं करता है कि पिछले अध्ययनों ने सुधार क्यों रिपोर्ट किए थे: बड़े संवर्धित (augmented) डेटासेट की तुलना छोटे वास्तविक-केवल डेटासेट से करने पर डेटा संरचना और प्रशिक्षण आकार के प्रभाव भ्रमित (confound) हो सकते हैं।
यह कार्य स्वास्थ्य सूचना विज्ञान (health informatics) के क्षेत्र के लिए एक महत्वपूर्ण पद्धतिगत जांच प्रदान करता है। यह प्रदर्शित करता है कि केवल अधिक डेटा उत्पन्न करना चिकित्सा भविष्यवाणियों को बेहतर बनाने के लिए एक गारंटीकृत समाधान नहीं है। अध्ययन इस बात पर प्रकाश डालता है कि सिंथेटिक डेटा का मूल्य विशिष्ट संदर्भ पर अत्यधिक निर्भर है और केवल इसलिए इसे लाभकारी नहीं माना जा सकता क्योंकि यह एक डेटासेट के आकार को बढ़ाता है। शोधकर्ताओं और डॉक्टरों के लिए, मुख्य निष्कर्ष यह है कि वास्तविक डेटा का सत्यापन आवश्यक बना हुआ है। हालांकि उपयुक्त सिंथेटिक मिश्रण शिक्षण या सॉफ्टवेयर परीक्षण में सहायता कर सकते हैं जब कार्य-विशिष्ट सीमाएँ स्वीकार्य हों, लेकिन उन अनुप्रयोगों का यहाँ सीधे मूल्यांकन नहीं किया गया था। नैदानिक भविष्यवाणी मॉडल विकसित करने के लिए सिंथेटिक डेटा के उपयोग के लिए वास्तविक-डेटा परीक्षण, अंशांकन (calibration), उप-समूह मूल्यांकन और शासन (governance) की आवश्यकता होती है। बेहतर स्वास्थ्य भविष्यवाणियाँ उत्पन्न डेटा के विश्वसनीय वास्तविक-विश्व साक्ष्य और सावधानीपूर्वक मूल्यांकन पर निर्भर करती हैं, न कि केवल प्रशिक्षण पंक्तियों की मात्रा पर।
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।