A Comparative Machine Learning Analysis of Neural Networks and XGBoost for Predicting Maternal Mortality in Maiduguri, Nigeria

दुनिया के कई हिस्सों में, गर्भावस्था की यात्रा खतरों से भरी होती है, जहाँ एक अकेली जटिलता उत्साह के क्षण को त्रासदी में बदल सकती है। कम संसाधनों वाले क्षेत्रों में, और विशेष रूप से संघर्ष से प्रभावित क्षेत्रों में, प्रसव के दौरान कौन जोखिम में है, यह अनुमान लगाने की क्षमता डेटा की कमी और मानव जीव विज्ञान की अत्यधिक जटिलता के कारण अक्सर सीमित होती है। दशकों से, डॉक्टर माँ की आयु, उसके पिछले जन्मों के इतिहास और देखभाल तक उसकी पहुँच जैसे कारकों का वजन करने के लिए मानक सांख्यिकीय विधियों पर भरोसा करते आए हैं। ये विधियाँ उपयोगी हैं, लेकिन वे अक्सर इन कारकों के बीच के जटिल, गैर-रेखीय (non-linear) अंतर्संबंधों को देखने में संघर्ष करती हैं। हाल के वर्षों में, कंप्यूटर विज्ञान के क्षेत्र से उपकरणों की एक नई पीढ़ी उभरी है, जो सूचनाओं की विशाल मात्रा में छिपे हुए पैटर्न खोजने में सक्षम है। इनमें से दो सबसे शक्तिशाली उपकरण कृत्रिम तंत्रिका नेटवर्क (artificial neural networks) हैं, जो इस तरह नकल करते हैं कि मानव मस्तिष्क विचारों को कैसे जोड़ता है, और ग्रेडिएंट बूस्टिंग मशीनें (gradient boosting machines) हैं, जो छोटी, क्रमिक गलतियों से सीखकर भविष्यवाणियाँ बनाती हैं। सार्वजनिक स्वास्थ्य अधिकारियों के सामने सवाल यह है कि क्या ये उन्नत डिजिटल उपकरण वास्तव में सबसे कठिन वातावरणों में जीवन बचाने में मदद कर सकते हैं, या क्या वे उपलब्ध डेटा के लिए बहुत अधिक जटिल हैं।

संघर्ष प्रभावित शहर मैदुगुरी, नाइजीरिया में, जहाँ असुरक्षा और एक नाजुक स्वास्थ्य प्रणाली मातृ देखभाल को एक दैनिक संघर्ष बना देती है, दो शोधकर्ताओं ने इन डिजिटल उपकरणों का परीक्षण स्थानीय चिकित्सा रिकॉर्ड की वास्तविकता के विरुद्ध करने का निर्णय लिया। उन्होंने शहर के चयनित अस्पतालों में देखभाल प्राप्त करने वाली 158 महिलाओं की जानकारी एकत्र की। लक्ष्य सीधा था: यह देखना कि क्या एक कंप्यूटर एक महिला के स्वास्थ्य इतिहास को देखकर सही ढंग से अनुमान लगा सकता है कि वह प्रसव के दौरान जीवित रहेगी या नहीं। टीम ने दो अलग-अलग दृष्टिकोणों की तुलना की। एक दृष्टिकोण ने एक कृत्रिम तंत्रिका नेटवर्क का उपयोग किया, जो एक प्रकार का प्रोग्राम है जो डिजिटल इकाइयों की परतों के बीच कनेक्शन को समायोजित करके सीखता है, ठीक वैसे ही जैसे एक छात्र बार-बार अभ्यास के माध्यम से किसी विषय की अपनी समझ को परिष्कृत करता है। दूसरे दृष्टिकोण ने XGBoost नामक एक विधि का उपयोग किया, जो निर्णय वृक्षों (decision trees) के एक जंगल का निर्माण करके काम करता है, जहाँ प्रत्येक नया वृक्ष अपने से पहले वाले वृक्षों की त्रुटियों को सुधारता है, जिससे धीरे-धीरे सबसे सटीक भविष्यवाणी की ओर बढ़ा जा सके।

शोधकर्ताओं ने एक ऐसा डेटासेट लेकर शुरुआत की जिसमें माँ की आयु, शिक्षा, आय, उसके गर्भधारण की संख्या और क्या उसने गंभीर रक्तस्राव या उच्च रक्तचाप जैसी जटिलताओं का अनुभव किया था, जैसे विवरण शामिल थे। हालाँकि, जैसे ही उन्होंने कंप्यूटर को सीखने के लिए डेटा तैयार किया, उन्हें एक गंभीर दोष का पता चला जो उनके परिणामों को पूरी तरह से गुमराह कर देता। उनके रिकॉर्ड में एक चर (variable), जिसे "गंभीर रुग्णता" (Severe Morbidity) लेबल किया गया था, स्वयं परिणाम का एक सटीक दर्पण निकला। हर उस मामले में जहाँ एक महिला की मृत्यु हुई, इस चर को 'गंभीर' के रूप में चिह्नित किया गया था, और हर उस मामले में जहाँ वह जीवित रही, इसे 'गंभीर नहीं' के रूप में चिह्नित किया गया था। यदि कंप्यूटर को इस जानकारी का उपयोग करने की अनुमति दी जाती, तो वह भविष्य की भविष्यवाणी नहीं कर रहा होता; वह केवल उत्तर कुंजी (answer key) पढ़ रहा होता। शोधकर्ताओं ने इस चर को पूरी तरह से हटाने का कठिन लेकिन आवश्यक निर्णय लिया। उन्होंने एक अन्य डेटा भी हटा दिया जो अध्ययन में प्रत्येक व्यक्ति के लिए समान था, क्योंकि इसने जीवित रहने वालों और न बचने वालों के बीच अंतर करने के लिए कोई उपयोगी जानकारी नहीं दी थी।

डेटा को साफ करने और भ्रामक जानकारी को हटाने के बाद, टीम ने एक कठोर परीक्षण पद्धति का उपयोग करके अपने मॉडल चलाए। डेटा को केवल एक बार प्रशिक्षण सेट (training set) और एक परीक्षण सेट (test set) में विभाजित करने के बजाय, उन्होंने 158 रिकॉर्डों को विभिन्न समूहों में बार-बार पुनर्व्यवस्थित किया, कुछ पर मॉडल को प्रशिक्षित किया और दूसरों पर परीक्षण किया, यह प्रक्रिया उन्होंने सौ बार दोहराई ताकि यह सुनिश्चित हो सके कि परिणाम स्थिर हैं और केवल कोई संयोग मात्र नहीं हैं। परिणाम चौंकाने वाले थे। कृत्रिम तंत्रिका नेटवर्क और XGBoost दोनों ही मॉडल असाधारण सटीकता के साथ प्रदर्शन कर रहे थे, जिससे अधिकांश मामलों को सही ढंग से वर्गीकृत किया गया। कृत्रिम तंत्रिका नेटवर्क समग्र रूप से थोड़ा अधिक सटीक था, जिसने लगभग हर मामले में सही उत्तर दिया, जबकि XGBoost मॉडल भी अत्यधिक प्रभावी था, जिसने केवल कुछ ही मामलों को छोड़ा। इन दोनों उन्नत उपकरणों ने एक पारंपरिक सांख्यिकीय पद्धति की तुलना में काफी बेहतर प्रदर्शन किया, जो कि हालांकि अभी भी अच्छी थी, लेकिन कम सटीक थी।

कच्चे अंकों से कहीं अधिक महत्वपूर्ण यह था कि कंप्यूटर ने शोधकर्ताओं को मृत्यु के कारणों के बारे में क्या बताया। जब भ्रामक चर को हटा दिया गया, तो मॉडलों ने उन कारकों के एक नए समूह की पहचान की जो मातृ मृत्यु दर के मुख्य चालक थे। सबसे शक्तिशाली भविष्यवक्ता एकक्लेम्पसिया (eclampsia) था, जो गर्भावस्था के दौरान दौरे पड़ने वाली एक खतरनाक स्थिति है। इसके बाद प्रसव की विधि, पिछले जन्मों की संख्या, गर्भधारण की कुल संख्या और माँ की घरेलू आय का स्थान था। ये निष्कर्ष पूरी तरह से उन तथ्यों के अनुरूप थे जिन्हें चिकित्सा विशेषज्ञ पहले से जानते थे, जिससे शोधकर्ताओं को विश्वास हुआ कि उनके मॉडल वास्तविक चिकित्सा सत्यों को सीख रहे हैं न कि केवल डेटा की खामियों को रट रहे हैं। मॉडलों ने सफलतापूर्वक इन कारकों के जटिल अंतर्संबंधों को पकड़ा, जिससे पता चला कि एक महिला का जोखिम केवल एक चीज़ के बारे में नहीं है, बल्कि उसके चिकित्सा इतिहास, उसके प्रसव की परिस्थितियों और उसकी सामाजिक परिस्थितियों के संयोजन के बारे में है।

इन प्रभावशाली परिणामों के बावजूद, शोधकर्ता इस बात को लेकर सतर्क थे कि समस्या हल होने की घोषणा न करें। उन्होंने नोट किया कि डेटासेट काफी छोटा था, जिसमें केवल 158 रिकॉर्ड थे, और उच्च सटीकता का कारण आंशिक रूप से यह हो सकता है कि कंप्यूटर ने इस छोटे समूह की महिलाओं के विशिष्ट पैटर्न को बहुत अच्छी तरह से सीख लिया था। यह संभव है कि यदि मॉडलों का परीक्षण महिलाओं के किसी पूरी तरह से अलग समूह पर, किसी अन्य अस्पताल या दूसरे शहर में किया जाए, तो उनका प्रदर्शन गिर जाए। यह अध्ययन एक मजबूत 'प्रूफ ऑफ कॉन्सेप्ट' के रूप में कार्य करता है, जो दिखाता है कि ये डिजिटल उपकरण स्थानीय डेटा में सार्थक पैटर्न खोज सकते हैं, लेकिन यह अभी तक तुरंत उपयोग के लिए तैयार कोई अंतिम समाधान नहीं है। शोधकर्ताओं ने इस बात पर जोर दिया कि इससे पहले कि इन उपकरणों पर अस्पताल में जीवन-मृत्यु के निर्णय लेने के लिए भरोसा किया जा सके, उन्हें बहुत बड़े समूहों पर परीक्षण किया जाना चाहिए और विभिन्न परिवेशों में मान्य (validate) किया जाना चाहिए।

अध्ययन निष्कर्ष निकालता है कि हालांकि आर्टिफिशियल इंटेलिजेंस डॉक्टरों को संसाधन-सीमित और संघर्ष-प्रभावित क्षेत्रों में उच्च जोखिम वाली गर्भधारण की शीघ्र पहचान करने में मदद करने के लिए बड़ी संभावना रखता है, लेकिन इसका उपयोग सावधानी और विनम्रता के साथ किया जाना चाहिए। तकनीक शक्तिशाली है, लेकिन यह केवल उतनी ही अच्छी है जितना कि वह डेटा जिसे इसे दिया जाता है और यह सुनिश्चित करने में ली गई सावधानी कि वह डेटा ईमानदार और पूर्ण है। मैदुगुरी की महिलाओं के लिए, आगे का रास्ता न केवल नई तकनीक को अपनाने में है, बल्कि चिकित्सा रिकॉर्ड रखने के तरीके में सुधार करने और यह सुनिश्चित करने में भी है कि दर्ज की गई जानकारी वास्तव में परिणाम से स्वतंत्र है। बेहतर डेटा और आगे के परीक्षण के साथ, कृत्रिम तंत्रिका नेटवर्क और ग्रेडिएंट बूस्टिंग जैसे उपकरण स्वास्थ्य कर्मियों के लिए महत्वपूर्ण साथी बन सकते हैं, जो उन्हें उन माताओं को दुर्लभ संसाधनों को आवंटित करने में मदद कर सकते हैं जिन्हें उनकी सबसे अधिक आवश्यकता है, जिससे दुनिया के कुछ सबसे चुनौतीपूर्ण वातावरणों में जीवन बचाया जा सकता है।