Cleveland Heart Disease Dataset: From Primary Data to an AI-Ready Resource.

हृदय रोग दुनिया भर में मृत्यु का एक प्रमुख कारण बना हुआ है, जो डॉक्टरों और वैज्ञानिकों को यह अनुमान लगाने के बेहतर तरीके खोजने के लिए प्रेरित कर रहा है कि किसे जोखिम है। हाल के वर्षों में, आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) इस कार्य के लिए एक शक्तिशाली उपकरण बन गया है, जो रोगी के रिकॉर्ड में उन पैटर्न को खोजने के लिए कंप्यूटर प्रोग्राम का उपयोग करता है जिन्हें मानवीय आँखें मिस कर सकती हैं। हालाँकि, ये कंप्यूटर प्रोग्राम केवल उतनी ही अच्छी हैं जितना कि वह डेटा जिसे उन्हें दिया जाता है। यदि डेटा में त्रुटियाँ, अधूरी जानकारी या बहुत अधिक भ्रमित करने वाले विवरण हैं, तो कंप्यूटर का पूर्वानुमान अविश्वसनीय होगा, चाहे सॉफ्टवेयर कितना भी उन्नत क्यों न हो। यह एक महत्वपूर्ण चुनौती पैदा करता है: इससे पहले कि एक मशीन किसी रोगी का निदान करना सीख सके, उसके मेडिकल रिकॉर्ड को साफ, व्यवस्थित और अनावश्यक शोर से मुक्त किया जाना चाहिए।

यूक्रेन के शोधकर्ताओं की एक टीम ने दुनिया के सबसे प्रसिद्ध हृदय रोग रिकॉर्ड संग्रहों में से एक, जिसे क्लीवलैंड हार्ट डिजीज डेटासेट के रूप में जाना जाता है, का उपयोग करके इस समस्या को हल करने का बीड़ा उठाया। दशकों से, वैज्ञानिक विभिन्न कंप्यूटर मॉडलों का परीक्षण और तुलना करने के लिए इस विशिष्ट 303 रोगी रिकॉर्ड के सेट का उपयोग करते रहे हैं। इस डेटासेट में आयु, रक्तचाप, कोलेस्ट्रॉल स्तर और व्यायाम परीक्षणों के परिणाम जैसे विवरण शामिल हैं। हालांकि इस डेटा का व्यापक रूप से उपयोग किया गया है, शोधकर्ताओं को संदेह था कि इसकी गुणवत्ता की अनदेखी की गई है। उनका मानना था कि रिकॉर्ड में अनावश्यक जानकारी और कुछ गलत लेबल भी थे, जहाँ एक रोगी की स्थिति की गलत पहचान की गई थी। इस खामी को संभालने के लिए अधिक जटिल कंप्यूटर मॉडल बनाने के बजाय, टीम ने डेटा को स्वयं ठीक करने का निर्णय लिया। उनका लक्ष्य इस कच्चे मेडिकल नोट्स के संग्रह को एक पॉलिश किए हुए, "AI-रेडी" संसाधन में बदलना था जो कंप्यूटर को अधिक प्रभावी ढंग से सिखा सके।

शोधकर्ताओं ने प्रत्येक रोगी के लिए उपलब्ध तेरह अलग-अलग स्वास्थ्य मापों की जांच करने से शुरुआत की। उन्होंने महसूस किया कि इनमें से सभी माप समान रूप से महत्वपूर्ण नहीं थे। कुछ चर (variables), जैसे कि रोगी को होने वाला सीने में दर्द का प्रकार या एक विशिष्ट स्ट्रेस टेस्ट का परिणाम, अन्य चरों जैसे कि आराम करते समय रक्तचाप या उपवास के दौरान शुगर के स्तर की तुलना में हृदय रोग की भविष्यवाणी करने में बहुत अधिक वजन रखते थे। सबसे उपयोगी जानकारी खोजने के लिए, वे किसी एक विधि पर निर्भर नहीं रहे। इसके बजाय, उन्होंने प्रत्येक चर के महत्व को रैंक करने के लिए आठ अलग-अलग कंप्यूटर मूल्यांकन उपकरणों की एक टीम का उपयोग किया। सभी आठ उपकरणों के परिणामों को जोड़कर, उन्होंने सात प्रमुख विशेषताओं के एक सुसंगत समूह की पहचान की जो रोगी के जोखिम की स्पष्ट तस्वीर प्रदान करते थे। इस प्रक्रिया ने डेटा की जटिलता को लगभग आधा कर दिया, जिससे उन चरों को हटा दिया गया जो बिना किसी मूल्य के भ्रम पैदा कर रहे थे।

एक बार जब डेटा सरल हो गया, तो टीम ने त्रुटियों की ओर अपना ध्यान केंद्रित किया। पुराने अध्ययनों के मेडिकल रिकॉर्ड में अक्सर गलतियाँ होती हैं, जैसे कि एक रोगी को स्वस्थ बताया जाना जबकि वास्तव में उसे हृदय रोग था, या इसके विपरीत। ये त्रुटियाँ, जिन्हें 'लेबल नॉइज़' कहा जाता है, कंप्यूटर को गलत सबक सीखने के लिए गुमराह कर सकती हैं। शोधकर्ताओं ने रिकॉर्ड को स्कैन करने और उन मामलों को खोजने के लिए एक विशेष पहचान पद्धति का उपयोग किया जहाँ निदान अन्य लक्षणों के साथ असंगत लग रहा था। एल्गोरिदम ने 49 ऐसे रिकॉर्ड की पहचान की जो संभवतः गलत लेबल किए गए थे। टीम ने इन 49 संदिग्ध प्रविष्टियों को सेट से हटा दिया, जिससे उनके पास 254 रोगी रिकॉर्ड का एक स्वच्छ संग्रह बचा। उन्होंने यह भी नोट किया कि कुछ डेटा पॉइंट गायब थे, लेकिन उन्होंने मूल्यों का अनुमान लगाने के बजाय उन्हें छोड़ना ही बेहतर समझा, क्योंकि उन्हें विश्वास था कि उनके द्वारा उपयोग किए जाने वाले कंप्यूटर प्रोग्राम उनके द्वारा लगाए गए अनुमानों की तुलना में सूचना के अंतराल को बेहतर ढंग से संभाल सकते हैं।

परिणामस्वरूप एक नया, सुव्यवस्थित डेटासेट प्राप्त हुआ, जिसमें कम चर और कम त्रुटियाँ थीं। यह देखने के लिए कि क्या यह सफाई प्रक्रिया वास्तव में मददगार रही, शोधकर्ताओं ने तीन अलग-अलग प्रकार के न्यूरल नेटवर्क प्रोग्रामों—जो मानव मस्तिष्क के सीखने के तरीके की नकल करने के लिए डिज़ाइन किए गए कंप्यूटर सिस्टम हैं—का मूल अस्त-व्यस्त डेटा और अपने नए, साफ किए गए संस्करण दोनों पर परीक्षण किया। उन्होंने परिणामों को विश्वसनीय बनाने के लिए सैकड़ों बार परीक्षण किए। निष्कर्ष स्पष्ट और सुसंगत थे: कंप्यूटर प्रोग्राम साफ, सरल डेटा का उपयोग करते समय काफी बेहतर प्रदर्शन करते थे। सफलता के हर पैमाने पर, जिसमें यह कि मॉडल कितना सही था और इसने उच्च-जोखिम वाले मामलों को कितनी अच्छी तरह पकड़ा, नए डेटासेट ने मूल डेटासेट को पछाड़ दिया। सुधार इतना बड़ा था कि यह मायने रखता था कि कौन सा विशिष्ट कंप्यूटर प्रोग्राम उपयोग किया गया; डेटा की गुणवत्ता ही निर्णायक कारक थी।

शोधकर्ताओं ने अपने परिणामों की तुलना उन अन्य अध्ययनों से की जिन्होंने अधिक जटिल और शक्तिशाली कंप्यूटर मॉडल बनाकर हृदय रोग की भविष्यवाणी में सुधार करने का प्रयास किया था। उन्होंने पाया कि उनके डेटा को साफ करने के दृष्टिकोण ने ऐसे परिणाम प्राप्त किए जो उन जटिल मॉडलों के समान या उनसे भी बेहतर थे। यह सुझाव देता है कि इस विशिष्ट डेटासेट के लिए, नींव को ठीक करना एक ऊँची मीनार बनाने की तुलना में अधिक प्रभावी था। यह अध्ययन दर्शाता है कि बेहतर मेडिकल AI का मार्ग हमेशा अधिक परिष्कृत एल्गोरिदम की मांग नहीं करता है। कभी-कभी, सबसे शक्तिशाली कदम केवल यह सुनिश्चित करना होता है कि उपयोग की जा रही जानकारी सटीक, प्रासंगिक और त्रुटियों से मुक्त हो। क्लीवलैंड डेटासेट को आधुनिक आर्टिफिशियल इंटेलिजेंस के लिए तैयार संसाधन में बदलकर, टीम ने भविष्य के अनुसंधान के लिए एक स्पष्ट, अधिक विश्वसनीय उपकरण प्रदान किया है, जो यह सिद्ध करता है कि उच्च-गुणवत्ता वाला डेटा ही चिकित्सा खोज का वास्तविक इंजन है।