An Explainable XGBoost Framework for Anxiety and Depression Risk Prediction with SHAP and Counterfactual Reasoning
यह अध्ययन चिंता और अवसाद के जोखिम की भविष्यवाणी करने के लिए एक व्याख्यात्मक (explainable) XGBoost फ्रेमवर्क प्रस्तुत करता है जो नैदानिक निदान को प्रतिस्थापित किए बिना मॉडल के निर्णयों में पारदर्शी और व्याख्या योग्य अंतर्दृष्टि प्रदान करने के लिए SHAP और काउंटरफैक्चुअल रीजनिंग को एकीकृत करते हुए क्लास इम्बैलेंस (class imbalance) और मूल्यांकन की कठोरता को संबोधित करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
स्वास्थ्य सेवा के आधुनिक परिदृश्य में, कृत्रिम बुद्धिमत्ता (आर्टिफिशियल इंटेलिजेंस) मानव डेटा की विशाल मात्रा को छानकर उन पैटर्न को खोजने के लिए एक शक्तिशाली उपकरण के रूप में उभरी है जो अन्यथा छिपे रह सकते हैं। जब इसे मानसिक स्वास्थ्य पर लागू किया जाता है, तो इन प्रणालियों का लक्ष्य लोगों द्वारा अपने जीवन, अपनी आदतों और अपनी भावनाओं के बारे में दिए गए उत्तरों को देखकर चिंता या अवसाद के शुरुआती संकेतों को पहचानना होता है। हालाँकि, चुनौती यह है कि ये स्थितियाँ जटिल और अक्सर सूक्ष्म होती हैं, और अध्ययन के लिए उपयोग किया जाने वाला डेटा अक्सर असंतुलित होता है, जिसमें अच्छे मानसिक स्वास्थ्य की रिपोर्ट करने वाले लोगों की संख्या उन लोगों की तुलना में बहुत अधिक होती है जो संघर्ष कर रहे हैं। इसके अलावा, एक कंप्यूटर मॉडल जो भविष्यवाणी करता है, वह अक्सर एक 'ब्लैक बॉक्स' की तरह होता है; यह बिना यह बताए कि क्यों, एक उत्तर दे देता है, जिससे डॉक्टरों के लिए उस जानकारी पर भरोसा करना या उसका जिम्मेदारी से उपयोग करना कठिन हो जाता है। वास्तव में उपयोगी होने के लिए, एक प्रणाली को न केवल जोखिम का सटीक अनुमान लगाना चाहिए, बल्कि अपना काम भी दिखाना चाहिए, यह स्पष्ट करना चाहिए कि किस कारक ने निर्णय को प्रभावित किया और यह सुनिश्चित करना चाहिए कि वह विभिन्न समूहों के साथ निष्पक्षता से व्यवहार करे।
नीलाई यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने एक नया ढांचा विकसित किया है जिसे इन सटीक चुनौतियों को पूरा करने के लिए डिज़ाइन किया गया है। उन्होंने सर्वेक्षण प्रतिक्रियाओं और व्यक्तिगत विवरणों के एक बड़े संग्रह का उपयोग करके चिंता और अवसाद के जोखिम का आकलन करने में सक्षम एक परिष्कृत कंप्यूटर प्रोग्राम बनाया। केवल यथासंभव सही अनुमान लगाने के लिए मॉडल को प्रशिक्षित करने के बजाय, शोधकर्ताओं ने एक ऐसी प्रणाली बनाने पर ध्यान केंद्रित किया जो पारदर्शी, विश्वसनीय और सावधानीपूर्वक परीक्षित हो। उन्होंने 24,000 से अधिक प्रतिभागियों के डेटा वाले एक डेटासेट के साथ शुरुआत की, जिसमें तनाव, नींद और मनोदशा के बारे में मानक प्रश्नावली के उत्तरों के साथ-साथ आयु, लिंग और शिक्षा जैसे विवरण शामिल थे। क्योंकि समूह में चिंता या अवसाद वाले लोगों की संख्या उन लोगों की तुलना में बहुत कम थी जो बिना किसी समस्या के थे, टीम को कंप्यूटर को विशेष रूप से अल्पसंख्यक मामलों पर ध्यान देने के लिए प्रशिक्षित करना पड़ा, ताकि यह सुनिश्चित हो सके कि वह उच्च समग्र स्कोर प्राप्त करने के लिए उन्हें अनदेखा न कर दे।
शोधकर्ताओं ने अपने परिणामों को ईमानदार सुनिश्चित करने के लिए—कि वे केवल एक भाग्यशाली अनुमान नहीं हैं—अपने डेटा को तीन अलग-अलग समूहों में विभाजित किया। उन्होंने एक समूह का उपयोग कंप्यूटर को सिखाने के लिए किया, दूसरे का उपयोग सिस्टम के निर्णय लेने के तरीके को बेहतर बनाने के लिए किया, और तीसरे, पूरी तरह से अलग समूह (3,644 लोग) का उपयोग अंतिम परिणाम का परीक्षण करने के लिए किया। इस सख्त अलगाव ने सिस्टम को परीक्षण के उत्तरों को याद करने से रोका, जो एक सामान्य दोष है जिससे अत्यधिक आशावादी परिणाम प्राप्त होते हैं। उन्होंने सिस्टम की निर्णय लेने की प्रक्रिया को भी समायोजित किया। एक मानक नियम के बजाय, जहाँ पचास प्रतिशत से ऊपर के स्कोर को सकारात्मक परिणाम माना जाता है, उन्होंने मानक को काफी ऊपर बढ़ा दिया। उन्होंने पाया कि भविष्यवाणियों को विश्वसनीय बनाने के लिए बहुत उच्च सीमा आवश्यक थी, जो प्रभावी रूप से सिस्टम को यह निर्देश देती है कि किसी को जोखिम में चिह्नित करने से पहले वह बहुत सुनिश्चित हो जाए।
जब 3,644 प्रतिभागियों के अलग किए गए समूह पर अंतिम परीक्षण चलाया गया, तो सिस्टम ने उल्लेखनीय सटीकता के साथ प्रदर्शन किया। चिंता के लिए, इसने 0.98 का AUC प्राप्त किया, और अवसाद के लिए, इसने 0.95 का AUC प्राप्त किया। इससे भी महत्वपूर्ण बात यह है कि सिस्टम ने केवल 'हाँ' या 'नहीं' का उत्तर नहीं दिया; इसने अपने विकल्पों के लिए एक स्पष्ट स्पष्टीकरण प्रदान किया। प्रत्येक प्रश्न के प्रभाव को तोड़ने वाली एक विधि का उपयोग करते हुए, शोधकर्ताओं ने पाया कि तनाव से संबंधित उत्तर चिंता और अवसाद दोनों की भविष्यवाणियों के लिए सबसे शक्तिशाली चालक थे। नींद से संबंधित प्रश्नों ने भी बड़ी भूमिका निभाई, विशेष रूप से अवसाद के लिए। सिस्टम यह दिखा सकता था कि कैसे एक व्यक्ति के विशिष्ट उत्तरों ने अंतिम स्कोर को ऊपर या नीचे धकेला, जिससे एक चिकित्सक को जोखिम मूल्यांकन के पीछे के तर्क को देखने की अनुमति मिलती है।
सिस्टम के तर्क का और अधिक परीक्षण करने के लिए, शोधकर्ताओं ने एक अलग प्रकार का प्रश्न पूछा: कंप्यूटर का मन बदलने के लिए क्या बदलना होगा? उन्होंने काल्पनिक परिदृश्य बनाए जहाँ उन्होंने किसी व्यक्ति के उत्तरों में थोड़ा बदलाव किया यह देखने के लिए कि क्या जोखिम स्कोर कम होगा। उन्होंने पाया कि केवल कुछ प्रमुख उत्तरों को बदलने से, जैसे कि रिपोर्ट किए गए तनाव के स्तर को कम करना या डेटा में नींद की गुणवत्ता में सुधार करना, अक्सर किसी व्यक्ति को उच्च-जोखिम श्रेणी से निम्न श्रेणी में ले जाने के लिए पर्याप्त था। इसने प्रदर्शित किया कि मॉडल विशिष्ट परिवर्तनों के प्रति संवेदनशील था और केवल यादृच्छिक अनुमान नहीं लगा रहा था। टीम ने यह भी जांचा कि क्या सिस्टम पुरुषों और महिलाओं के लिए समान रूप से काम करता है, यह पाते हुए कि हालांकि सटीक संख्याएँ थोड़ी भिन्न थीं, लेकिन लिंग के आधार पर उच्च और निम्न जोखिम के बीच अंतर करने की क्षमता सुसंगत बनी रही।
शोधकर्ता इस बात पर जोर देते हैं कि यह प्रणाली डॉक्टर के निदान का विकल्प नहीं है। मानसिक स्वास्थ्य में गहरे व्यक्तिगत और प्रासंगिक कारक शामिल होते जिन्हें एक कंप्यूटर पूरी तरह से नहीं समझ सकता। इसके बजाय, यह ढांचा एक निर्णय-सहायता उपकरण (डिसीजन-सपोर्ट टूल) के रूप में डिज़ाइन किया गया है, जो चिकित्सकों को उन व्यक्तियों की पहचान करने में मदद करने का एक तरीका है जिन्हें बारीकी से देखने की आवश्यकता हो सकती है। उच्च सटीकता के साथ स्पष्ट स्पष्टीकरण और विभिन्न समूहों में निष्पक्ष परीक्षण को जोड़कर, यह अध्ययन मानसिक स्वास्थ्य स्क्रीनिंग में कृत्रिम बुद्धिमत्ता के उपयोग के लिए एक अधिक विश्वसनीय मार्ग प्रदान करता है। यह दिखाता है कि जब तकनीक को सावधानी और पारदर्शिता के साथ बनाया जाता है, तो यह मानवीय जटिलता को खोए बिना बेहतर देखभाल के मार्ग को आलोकित कर सकती है।
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।