Machine Learning-Based Risk Prediction Model for Sleep Disorders in Middle-Aged and Older Adults at High Altitudes
इस अध्ययन ने चीन के शिनिंग के 673 प्रतिभागियों के डेटा का उपयोग करके एक रैंडम फॉरेस्ट-आधारित मशीन लर्निंग मॉडल विकसित और मान्य किया, जिसने लिंग, सह-रुग्णता, चिंता और अवसाद को प्रमुख भविष्यवक्ताओं के रूप में पहचानकर उच्च ऊंचाई वाले क्षेत्रों में मध्यम आयु वर्ग और वृद्ध वयस्कों के बीच नींद के विकार के जोखिमों की भविष्यवाणी करने में उत्कृष्ट प्रदर्शन प्रदर्शित किया।
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 न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
नींद मानव स्वास्थ्य का एक मौलिक स्तंभ है, फिर भी करोड़ों लोगों के लिए यह एक अप्राप्य लक्ष्य बनी हुई है। जब मन विश्राम नहीं कर पाता, तो इसके परिणाम शरीर और मस्तिष्क पर गहरा प्रभाव डालते हैं, जो हृदय स्वास्थ्य से लेकर भावनात्मक स्थिरता तक सब कुछ प्रभावित करते हैं। यह समस्या तब और भी जटिल हो जाती है जब लोग ऊंचे स्थानों पर रहते हैं, जहाँ हवा पतली होती है और ऑक्सीजन की आपूर्ति कम होती है। इन वातावरणों में, शरीर को सांस लेने के लिए अधिक मेहनत करनी पड़ती है, और यह अतिरिक्त तनाव उन नाजुक लय को बाधित कर सकता है जो यह निर्धारित करती हैं कि हम कब सोते हैं और कब जागते हैं। वैज्ञानिकों ने लंबे समय से यह जाना है कि उम्र इस संघर्ष में एक भूमिका निभाती है, क्योंकि समय के साथ शरीर के प्राकृतिक नींद चक्र बदल जाते हैं, लेकिन पर्वतीय क्षेत्रों में वृद्ध वयस्कों को जोखिम में डालने वाले कारकों का विशिष्ट संयोजन को स्पष्ट रूप से पहचानना कठिन बना हुआ है। इन जोखिमों को समझना केवल शैक्षणिक जिज्ञासा का विषय नहीं है; यह उच्च ऊंचाई वाले क्षेत्रों में रहने वाले समुदायों के लिए एक व्यावहारिक आवश्यकता है, जहाँ नींद की गड़बड़ी गंभीर दीर्घकालिक स्वास्थ्य समस्याओं का कारण बन सकती है।
इस अंतर को दूर करने के लिए, किंगहाई यूनिवर्सिटी मेडिकल कॉलेज के शोधकर्ताओं की एक टीम ने एक ऐसा उपकरण बनाने का लक्ष्य रखा जो यह भविष्यवाणी कर सके कि इन उच्च-ऊंचाई वाले परिवेशों में किन लोगों को नींद संबंधी विकार होने की सबसे अधिक संभावना है। उन्होंने 673 वयस्कों पर ध्यान केंद्रित किया, जो सभी 45 वर्ष या उससे अधिक आयु के थे और चीन के शिनिंगिंग (Xining) क्षेत्र में रह रहे थे, जो समुद्र तल से लगभग 2,260 मीटर ऊपर स्थित है। शोधकर्ताओं ने इन प्रतिभागियों से उनकी दैनिक आदतों, उनके चिकित्सा इतिहास और उनकी मनोवैज्ञानिक स्थिति सहित जानकारी का एक विस्तृत संग्रह किया। उन्होंने धूम्रपान, शराब और शारीरिक गतिविधि के बारे में पूछा, और उच्च रक्तचाप तथा मधुमेह जैसी सामान्य स्वास्थ्य स्थितियों की जांच की। महत्वपूर्ण रूप से, उन्होंने चिंता और अवसाद के स्तर को भी मापा, जिसमें मानक प्रश्नावली का उपयोग किया गया था जो लोगों से यह पूछती है कि वे कितनी बार चिंतित या उदास महसूस करते हैं। यह निर्धारित करने के लिए कि वास्तव में किसे नींद का विकार था, टीम ने 'पिट्सबर्ग स्लीप क्वालिटी इंडेक्स' नामक एक प्रसिद्ध सर्वेक्षण का उपयोग किया, जो सोने में लगने वाले समय, बार-बार जागने की आवृत्ति और दिन के दौरान व्यक्ति कितना तरोताजा महसूस करता है, इसके बारे में विस्तृत प्रश्न पूछता है। इस सर्वेक्षण पर एक निश्चित सीमा से ऊपर का स्कोर नींद के विकार की उपस्थिति को दर्शाता था।
शोधकर्ताओं ने फिर इस पूरे डेटा को समझने के लिए मशीन लर्निंग नामक एक शक्तिशाली पद्धति का सहारा लिया। एक समय में एक कारक को देखने के बजाय, उन्होंने जानकारी को ऐसे कंप्यूटर एल्गोरिदम में डाला जो उन जटिल पैटर्न को खोजने में सक्षम हैं जिन्हें मनुष्य चूक सकते हैं। उन्होंने पांच अलग-अलग प्रकार के एल्गोरिदम का परीक्षण किया, जिनमें निर्णय वृक्ष (decision trees) की तरह काम करने वाली विधियाँ और अन्य विधियाँ शामिल थीं जो नए भविष्यवाणियां करने के लिए पिछले उदाहरणों से सीखती हैं। लक्ष्य यह देखना था कि कौन सा एल्गोरिदम उपलब्ध जानकारी के आधार पर उन लोगों की सटीक पहचान कर सकता है जिन्हें नींद की समस्या है। अधिकांश डेटा पर मॉडल को प्रशिक्षित करने और शेष पर उनका परीक्षण करने के बाद, परिणामों ने स्पष्ट रूप से एक विजेता की ओर संकेत किया: एक मॉडल जो 'रैंडम फॉरेस्ट' (random forest) नामक तकनीक पर आधारित था। यह मॉडल नींद के विकार वाले लोगों और बिना विकार वाले लोगों के बीच अंतर करने में सबसे विश्वसनीय साबित हुआ।
जो बात इस खोज को विशेष रूप से उपयोगी बनाती है वह यह है कि जीतने वाले मॉडल को काम करने के लिए बहुत अधिक जटिल डेटा की आवश्यकता नहीं थी। उन्मूलन की प्रक्रिया के माध्यम से, शोधकर्ताओं ने पाया कि केवल चार विशिष्ट कारक ही एक मजबूत भविष्यवाणी करने के लिए पर्याप्त थे: एक व्यक्ति का लिंग, उनके क्रोनिक स्वास्थ्य रोगों की संख्या, और चिंता एवं अवसाद का स्तर। मॉडल ने पाया कि महिलाओं में पुरुषों की तुलना में नींद संबंधी समस्याओं की रिपोर्ट करने की संभावना अधिक थी, जो व्यापक स्वास्थ्य रुझानों के अनुरूप है। इसने यह भी पुष्टि की कि एक से अधिक पुरानी बीमारी होना जोखिम को बढ़ाता है, क्योंकि शरीर कई स्थितियों को प्रबंधित करने के निरंतर तनाव में रहता है। शायद सबसे महत्वपूर्ण बात यह है कि मॉडल ने मानसिक स्वास्थ्य और नींद के बीच गहरे संबंध को उजागर किया; चिंता और अवसाद का उच्च स्तर इस बात का शक्तिशाली संकेतक था कि व्यक्ति को सोने में संघर्ष करना पड़ रहा है।
यह सुनिश्चित करने के लिए कि मॉडल केवल पहले समूह के लोगों पर एक भाग्यशाली अनुमान मात्र नहीं था, शोधकर्ताओं ने उसी प्रांत के एक अलग जिले के 382 वयस्कों के एक पूरी तरह से अलग समूह पर इसका परीक्षण किया। इस बाहरी परीक्षण ने दिखाया कि मॉडल अच्छी तरह से टिका रहा, और जनसंख्या में थोड़े बदलाव के बावजूद भी जोखिम वाले व्यक्तियों की पहचान करने की अपनी क्षमता बनाए रखी। हालांकि इस नए समूह में मॉडल थोड़ा कम सटीक था, फिर भी इसने परीक्षण किए गए अन्य तरीकों की तुलना में बेहतर प्रदर्शन किया, विशेष रूप से उन लोगों को पकड़ने की क्षमता में जो वास्तव में नींद के विकारों से पीड़ित थे। शोधकर्ताओं ने यह जांचने के लिए कि मॉडल की भविष्यवाणियां वास्तविकता से कितनी मेल खाती हैं, एक दृश्य उपकरण (visual tool) का उपयोग किया, और परिणामों ने एक मजबूत संरेखण दिखाया, जिसका अर्थ है कि मॉडल के अनुमान भरोसेमंद थे। उन्होंने यह समझाने के लिए भी एक विधि का उपयोग किया कि मॉडल ने अपने निर्णय कैसे लिए, जिससे पता चला कि अवसाद वह एकल सबसे प्रभावशाली कारक था जिसने किसी व्यक्ति के जोखिम स्कोर को बढ़ाने में बड़ी भूमिका निभाई।
इस कार्य के निहितार्थ व्यावहारिक और तत्काल हैं। चूंकि मॉडल केवल चार आसानी से प्राप्त की जाने वाली जानकारियों पर निर्भर करता है, इसलिए इसका उपयोग दूरदराज के उच्च-ऊंचाई वाले क्षेत्रों में सामुदायिक स्वास्थ्य कार्यकर्ताओं या डॉक्टरों द्वारा नींद की समस्याओं की त्वरित जांच के लिए किया जा सकता है। एक व्यक्ति अपने लिंग, अपनी मौजूदा स्वास्थ्य स्थितियों और अपनी चिंता या उदासी के बारे में एक संक्षिप्त फॉर्म भर सकता है, और मॉडल तुरंत उन लोगों को चिह्नित कर सकता है जिन्हें आगे ध्यान देने की आवश्यकता है। यह दृष्टिकोण चिकित्सा संसाधनों को उन लोगों की ओर निर्देशित करने की अनुमति देता जिन्हें उनकी सबसे अधिक आवश्यकता है, न कि गंभीर लक्षणों के प्रकट होने का इंतजार करने की। अध्ययन स्वीकार करता है कि यह इन कारकों के कारण नींद के विकारों को सिद्ध नहीं कर सकता, क्योंकि डेटा एक ही समय बिंदु पर एकत्र किया गया था, और यह नैदानिक नींद परीक्षणों के बजाय स्व-रिपोर्ट किए गए लक्षणों पर निर्भर है। हालांकि, प्रमुख जोखिम कारकों की पहचान करके और उन्हें पहचानने का एक विश्वसनीय तरीका प्रदान करके, यह शोध दुनिया के सबसे चुनौतीपूर्ण वातावरणों में से एक में नींद के स्वास्थ्य में सुधार के लिए एक स्पष्ट मार्ग प्रदान करता 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।