Deep Learning versus Linear Mixed Models for Estimating Treatment Effects in Longitudinal Repeated-Measures Studies

नैदानिक अनुसंधान (clinical research) की दुनिया में, वैज्ञानिकों को अक्सर यह ट्रैक करने की आवश्यकता होती है कि समय के साथ रोगियों में कैसे बदलाव आता है। कल्पना कीजिए कि एक व्यक्ति अवसाद (depression) के लिए दवा ले रहा है; उनके लक्षण केवल एक ही क्षण में "बुरे" से "अच्छे" में नहीं बदल जाते। इसके बजाय, वे दवा, उनकी जीवविज्ञान और समय बीतने के प्रभाव से दिन-प्रतिदिन बदलते रहते हैं। यह समझने के लिए कि क्या कोई उपचार वास्तव में काम करता है, शोधकर्ता कई बिंदुओं पर—सप्ताह, महीने या वर्ष—डेटा एकत्र करते हैं, जिससे प्रत्येक व्यक्ति के लिए मापों की एक लंबी रेखा बन जाती है। चुनौती यह है कि एक ही व्यक्ति के ये बार-बार होने वाले माप आपस में जुड़े हुए होते हैं; पहले दिन क्या होता है, वह दूसरे दिन क्या होगा, इसे प्रभावित करता है। पारंपरिक सांख्यिकीय उपकरण इन जुड़े हुए डेटा बिंदुओं को सुलझाने के लिए लंबे समय से मानक रहे हैं, जिससे वैज्ञानिकों को दवा के वास्तविक प्रभाव को रोगी की स्थिति के उतार-चढ़ाव से अलग करने में मदद मिलती है। हालाँकि, इन पारंपरिक उपकरणों के लिए शोधकर्ताओं को डेटा देखना शुरू करने से पहले ही रिकवरी कर्व (recovery curve) के आकार के बारे में विशिष्ट अनुमान लगाने की आवश्यकता होती है। यदि वास्तविक दुनिया की रिकवरी उस पथ का अनुसरण नहीं करती जिसका अनुमान लगाया गया था, तो उपकरण चूक सकता है।

हाल के वर्षों में डीप लर्निंग (deep learning) नामक एक नया, अधिक लचीला दृष्टिकोण उभरा है। पारंपरिक उपकरणों के विपरीत, डीप लर्निंग किसी पूर्व-निर्धारित आकार या कठोर सूत्र के साथ शुरुआत नहीं करता है। इसके बजाय, यह एक ऐसे कंप्यूटर सिस्टम का उपयोग करता है जिसे मानव मस्तिष्क के सीखने के तरीके की नकल करने के लिए डिज़ाइन किया गया है, जिससे यह डेटा से सीधे जटिल पैटर्न और संबंधों को खोजने में सक्षम होता है। यह लचीलापन शक्तिशाली है, लेकिन यह एक महत्वपूर्ण प्रश्न खड़ा करता है: चिकित्सा परीक्षणों के उच्च-दांव वाले वातावरण में, जहाँ नमूना आकार अक्सर मध्यम होता है और त्रुटि की लागत बहुत अधिक होती है, क्या यह लचीला, डेटा-प्यास दृष्टिकोण स्थापित, नियम-आधारित तरीकों की तुलना में वास्तव में बेहतर प्रदर्शन करता है? फ्रांस में शोधकर्ताओं की एक टीम ने यह उत्तर देने के लिए एक नियंत्रित प्रयोग करने का निर्णय लिया कि कौन सा तरीका उपचार के प्रभाव को अधिक सटीक रूप से माप सकता है।

शोधकर्ताओं ने इसका परीक्षण वास्तविक रोगियों पर नहीं किया, बल्कि मेजर डिप्रेसिव डिसऑर्डर के एक नैदानिक परीक्षण के अत्यधिक यथार्थवादी कंप्यूटर सिमुलेशन पर किया। उन्होंने एक आभासी दुनिया बनाई जहाँ 240 प्रतिभागियों को तीन समूहों में विभाजित किया गया था: एक प्लेसेबो (placebo) प्राप्त कर रहा था, एक कम खुराक वाली दवा प्राप्त कर रहा था, और एक उच्च खुराक वाली दवा प्राप्त कर रहा था। उन्होंने आठ सप्ताह के दौरान रोगियों के अवसाद स्कोर को सिम्युलेट किया, जिससे तीन अलग-अलग प्रकार के रिकवरी पैटर्न सुनिश्चित किए गए ताकि परीक्षण मजबूत रहे। उन्होंने जांच के शेड्यूल को भी बदला, उन परिदृश्यों का परीक्षण किया जहाँ कुछ प्रतिभागियों का मूल्यांकन अलग-अलग समय पर या अलग-अलग आवृत्तियों के साथ किया गया था। इस आभासी वातावरण में, शोधकर्ता जानते थे कि दवा वास्तव में कैसे काम करती है क्योंकि उन्होंने स्वयं सिमुलेशन के नियम लिखे थे। इसने उन्हें एक रेफरी के रूप में कार्य करने की अनुमति दी, जिससे वे दो अलग-अलग तरीकों—पारंपरिक सांख्यिकीय मॉडल और नए डीप लर्निंग सिस्टम—की तुलना कर सके कि वे ज्ञात सत्य को कितनी अच्छी तरह खोज सकते हैं।

जब विश्लेषण शुरू हुआ, तो दोनों तरीकों ने सामान्य रुझान को देखा: उच्च खुराक कम खुराक की तुलना में बेहतर थी, और दोनों ही प्लेसेबो से बेहतर थे। इस व्यापक अर्थ में, दोनों दृष्टिकोण सफल रहे। हालाँकि, जब शोधकर्ताओं ने संख्याओं की सटीकता पर बारीकी से नज़र डाली, तो एक स्पष्ट अंतर सामने आया। पारंपरिक तरीका, हालांकि औसतन विश्वसनीय था, उसके अनुमानों में ज्ञात सत्य से एक उल्लेखनीय विचलन दिखा। औसतन, उपचार प्रभाव की उसकी गणना अवसाद पैमाने पर लगभग 3.5 अंकों से गलत थी। इसके विपरीत, डीप लर्निंग सिस्टम उल्लेखनीय रूप से सटीक था, जिसके अनुमानों ने वास्तविक मान को केवल लगभग 0.15 अंकों से मिस किया। डीप लर्निंग सिस्टम ने ज्ञात वास्तविकता के साथ बहुत अधिक सटीक संरेखण भी दिखाया, जो वास्तविक मूल्यों का लगभग पूरी तरह से पालन करता था, जबकि पारंपरिक तरीका समूहों के बीच के अंतर को कम करने या सपाट करने की प्रवृत्ति रखता था, जिससे उपचार की वास्तविक शक्ति का कम आकलन होता था।

अध्ययन ने यह भी जांचा कि प्रत्येक सिस्टम ने आकलन के समय और आवृत्ति में बदलाव होने पर कैसा प्रदर्शन किया, जो वास्तविक दुनिया के उन परिदृश्यों की नकल करता है जहाँ जांच का शेड्यूल एक समान नहीं होता है। डीप लर्निंग मॉडल बेहद मजबूत साबित हुआ, जिसने अनियमित अंतराल पर डेटा एकत्र होने के बावजूद अपनी सटीकता बनाए रखी। इसने उन पैटर्न को सीखने में सफलता पाई जो रोगियों की रिकवरी के अंतर्निहित पैटर्न थे, बिना यह जाने कि उन पैटर्न को वास्तव में कैसा दिखना चाहिए। पारंपरिक तरीका, जो इस बात पर निर्भर करता है कि डेटा कैसे जुड़ा हुआ है और रिकवरी कर्व का आकार क्या है, उन स्थितियों में सत्य से अधिक विचलित हुआ जब डेटा इसकी पूर्व-निर्धारित अपेक्षाओं में पूरी तरह से फिट नहीं बैठा। शोधकर्ताओं ने पाया कि डीप लर्निंग दृष्टिकोण को परिणाम के करीब पहुँचने के लिए अंतर्निहित प्रणाली के बारे में बहुत कम धारणाओं की आवश्यकता थी।

सिमुलेशन में इन प्रभावशाली परिणामों के बावजूद, लेखक एक अंतिम विजय घोषित करने में सावधानी बरतते हैं। वे इस बात पर जोर देते हैं कि ये निष्कर्ष उनके द्वारा बनाई गई स्थितियों के लिए विशिष्ट हैं। अध्ययन ने एक विशिष्ट प्रकार के अवसाद पैमाने, प्रतिभागियों की एक विशिष्ट संख्या और डेटा उत्पन्न करने के नियमों के एक विशिष्ट सेट का उपयोग किया। जबकि डीप लर्निंग विधि ने इस नियंत्रित सेटिंग में बेहतर प्रदर्शन दिखाया, शोधकर्ता यह दावा नहीं करते हैं कि यह सार्वभौमिक रूप से हर चिकित्सा परीक्षण के लिए बेहतर है। वे नोट करते हैं कि डीप लर्निंग मॉडल जटिल और व्याख्या करने में कठिन हो सकते हैं, और इस सिमुलेशन में उनकी सफलता यह गारंटी नहीं देती कि वे हर वास्तविक दुनिया के परिदृश्य में पारंपरिक तरीकों से बेहतर प्रदर्शन करेंगे। यह अध्ययन एक 'प्रूफ ऑफ कॉन्सेप्ट' के रूप में कार्य करता है, जो सुझाव देता है कि डीप लर्निंग, विशेष रूप से जब रिकवरी के पैटर्न जटिल और पहले से अनुमान लगाना कठिन हो, उपचार प्रभावों का अनुमान लगाने के लिए एक शक्तिशाली, विश्वसनीय उपकरण हो सकता है। यह आगे की जांच के लिए द्वार खोलता है, वैज्ञानिकों को इन तरीकों को बड़े, अधिक विविध परीक्षणों में परखने के लिए आमंत्रित करता है ताकि यह देखा जा सके कि क्या यह सटीकता वास्तविक जीवन के चरों के आने पर भी बनी रहती है।