💻 computer science

An Irregular Time-Aware Deep Learning Pipeline for Early Sepsis Prediction in Sparse ICU Trajectories

यह अध्ययन एक टाइम-डिके गेटेड रिकरेंट यूनिट (TD-GRU) मॉडल प्रस्तावित करता है जो कच्चे नैदानिक मूल्यों को संरक्षित करने के लिए टेम्पोरल डिके को हिडन स्टेट तक सीमित करता है, जो विरल, अनियमित रूप से नमूना लिए गए ICU प्रक्षेप पथों में अर्ली सेप्सिस-3 भविष्यवाणी के लिए कई बेसलाइनों की तुलना में सांख्यिकीय रूप से विश्वसनीय नेट क्लिनिकल बेनिफिट और बेहतर प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Annette Nayana Nellyet, Manpreet Kaur, Navdeep Kaur

प्रकाशित 2026-07-02

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Annette Nayana Nellyet, Manpreet Kaur, Navdeep Kaur

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

मुख्य तस्वीर: घास के ढेर में सुई ढूँढना, लेकिन घास का ढेर हिल रहा है

कल्पना कीजिए कि आप एक व्यस्त अस्पताल (ICU) में डॉक्टर हैं। आपका काम यह पहचानना है कि कोई मरीज सेप्सिस (संक्रमण के प्रति एक जानलेवा प्रतिक्रिया) के कारण बहुत अधिक बीमार होने वाला है या नहीं, इससे पहले कि बहुत देर हो जाए। आपके पास कार्रवाई करने के लिए 6 घंटे का समय है।

समस्या यह है कि मरीज का मेडिकल डेटा बिखरा हुआ है। यह कोई स्मूथ वीडियो नहीं है; यह यादृच्छिक स्नैपशॉट की एक श्रृंखला है। कभी कोई नर्स हर घंटे मरीज का तापमान चेक करती है, तो कभी वे इसे हर 6 घंटे में चेक करते हैं। कभी कोई लैब रिपोर्ट गायब होती है। इसे "अनियमित और विरल डेटा" (irregular and sparse data) कहा जाता है।

अधिकांश कंप्यूटर प्रोग्राम (AI) उन छात्रों की तरह हैं जो केवल उन पाठ्यपुस्तकों से सीखते हैं जहाँ हर पेज नंबर के साथ बिल्कुल सही क्रम में होता है। जब वे डेटा में अंतराल देखते हैं, तो वे भ्रमित हो जाते हैं या गलत अनुमान लगाते हैं। यह पेपर विशेष रूप से इन बिखरे हुए और अंतराल वाले मेडिकल रिकॉर्ड को संभालने के लिए डिज़ाइन किए गए एक नए प्रकार के AI छात्र को पेश करता है।

पुराने AI मॉडल्स के साथ समस्या

शोधकर्ताओं ने अपने नए मॉडल की तुलना पुराने, लोकप्रिय AI मॉडल्स (जैसे XGBoost और मानक Recurrent Neural Networks) के साथ की।

"समय के प्रति अंधे" छात्र (The "Time-Blind" Student): कल्पना कीजिए कि एक छात्र मरीज के 6 घंटे पहले के तापमान को देखता है और मान लेता है कि तापमान अभी भी बिल्कुल वैसा ही है जैसा 6 घंटे पहले था, भले ही 6 घंटे बीत चुके हों। यह खतरनाक है क्योंकि मरीज की स्थिति तेजी से बदल सकती है।
"स्मूथिंग" छात्र (The "Smoothing" Student - GRU-D): एक अन्य लोकप्रिय मॉडल अंतरालों को भरने के लिए एक औसत अनुमान (average guess) का उपयोग करके उन्हें ठीक करने की कोशिश करता है। यह एक ऐसे शिक्षक की तरह है जो, जब कोई छात्र परीक्षा में शामिल नहीं होता, तो उसे बस कक्षा का औसत अंक दे देता है। समस्या यह है कि यदि छात्र वास्तव में फेल हो गया था (एक गंभीर मेडिकल स्पाइक), तो शिक्षक का "औसत" अनुमान वास्तविक खतरे को छिपा देता है। पेपर का तर्क है कि कच्चे, डरावने नंबरों को छिपाना जोखिम भरा है क्योंकि वे स्पाइक्स ही सेप्सिस का संकेत देते हैं।

नया समाधान: "टाइम-डिके" मॉडल (TD-GRU)

लेखकों ने TD-GRU (Time-Decay Gated Recurrent Unit) नामक एक नया मॉडल बनाया है। यह कैसे काम करता है, इसके लिए एक सरल रूपक (metaphor) यहाँ दिया गया है:

"पुराने होते स्मृति" का रूपक (The "Stale Memory" Analogy):
कल्पना कीजिए कि आप अपने किसी दोस्त के साथ हुई बातचीत को याद करने की कोशिश कर रहे हैं।

यदि आपने उससे 5 मिनट पहले बात की थी, तो आपको उसके शब्द स्पष्ट रूप से याद हैं।
यदि आपने उससे 5 घंटे पहले बात की थी, तो आपके शब्दों की सटीक याददाश्त धुंधली होने लगती है, और आप उसके व्यक्तित्व की अपनी सामान्य समझ पर अधिक निर्भर होते हैं।

TD-GRU मेडिकल डेटा के साथ यही करता है:

यह कच्चे डेटा को स्पष्ट रखता है: यदि मरीज की हृदय गति 10 मिनट पहले बढ़ी थी, तो मॉडल उस सटीक स्पाइक को देखता है। यह इसे "स्मूथ" नहीं करता या इसे किसी औसत से नहीं बदलता। यह महत्वपूर्ण है क्योंकि वह स्पाइक सेप्सिस का पहला संकेत हो सकता है।
यह पुरानी यादों को धुंधला होने देता है: मॉडल के पास घंटों पहले हुई घटनाओं की "याददाश्त" होती है। जैसे-जैसे समय बीतता है और नया डेटा नहीं आता, यह स्मृति स्वाभाविक रूप से कम (decay) होती जाती है ताकि मॉडल पुराने डेटा से भ्रमित न हो।

मुख्य नवाचार: पिछले मॉडल्स के विपरीत, जो औसत का अनुमान लगाकर गायब डेटा को "ठीक" करने की कोशिश करते थे, यह मॉडल केवल स्मृति को धुंधला होने देता है। यह रिकॉर्ड किए गए वास्तविक मेडिकल नंबरों को बिल्कुल वैसा ही रखता है। यह सुनिश्चित करता है कि यदि मरीज अचानक बीमार पड़ता है, तो मॉडल वास्तविक सच्चाई देखता है, न कि कोई स्मूथ किया हुआ अनुमान।

ट्रेनिंग: AI को "अभी" के बारे में सोचने के लिए सिखाना

डेटा अत्यंत असंतुलित है। 100,000 टाइम विंडो में से, केवल लगभग 50 ही वास्तविक सेप्सिस के मामले हो सकते हैं। यह सफेद मार्बल्स की एक बाल्टी में एक लाल मार्बल खोजने जैसा है।

इसे ठीक करने के लिए, शोधकर्ताओं ने ATP नामक एक विशेष "स्कोरिंग सिस्टम" (Loss Function) का उपयोग किया।

रूपक: एक ऐसे खेल की कल्पना करें जहाँ आपको लाल मार्बल खोजने के लिए अंक मिलते हैं।
- यदि आप इसे मुसीबत शुरू होने से ठीक पहले ढूंढ लेते हैं (अर्ली वार्निंग), तो आपको 100 अंक मिलते हैं।
- यदि आप इसे मुसीबत शुरू होने के बाद ढूंढते हैं, तो आपको नकारात्मक अंक मिलते हैं।
- यदि आप एक सफेद मार्बल (कोई सेप्सिस नहीं) पाते हैं, तो समय बर्बाद करने के लिए आपको मामूली दंड मिलता है।
यह प्रणाली AI को केवल "कोई सेप्सिस नहीं" का अनुमान लगाने (जो आसान है और उच्च औसत स्कोर दिलाता है) के बजाय, दुर्लभ और खतरनाक क्षणों को सही समय पर पकड़ने पर ध्यान केंद्रित करने के लिए मजबूर करती है।

परिणाम: क्या यह काम आया?

टीम ने वास्तविक ICU मरीजों के एक विशाल डेटाबेस (MIMIC-IV) पर इसका परीक्षण किया।

सटीकता (Accuracy): नया मॉडल (TD-GRU) सेप्सिस को पकड़ने में मौजूदा सर्वश्रेष्ठ मॉडल (GRU-D) के समान ही अच्छा था। यह कच्चे सटीकता (raw accuracy) में बहुत बड़े अंतर से नहीं जीता, लेकिन यह हारा भी नहीं।
"रियल वर्ल्ड" जीत: असली जीत क्लिनिकल यूटिलिटी (Clinical Utility) में थी।
- इसे "नेट बेनिफिट" स्कोर के रूप में सोचें। यह पूछता है: "क्या यह मॉडल वास्तव में डॉक्टरों को जीवन बचाने में मदद करता है बिना बहुत अधिक गलत अलार्म दिए?"
- TD-GRU एकमात्र मॉडल था जिसने कुछ न करने की तुलना में सांख्यिकीय रूप से स्पष्ट लाभ दिखाया।
- अन्य मॉडल "ठीक" थे, लेकिन उनके स्कोर शून्य के इतने करीब थे कि वे केवल किस्मत भी हो सकते थे। TD-GRU का स्कोर इतना अधिक था कि यह विश्वास किया जा सके कि यह वास्तव में मदद करता है।

कमी (सीमाएं)

पेपर अपनी खामियों के बारे में ईमानदार है:

गलत अलार्म (False Alarms): सबसे अच्छे मॉडल के साथ भी, हर 100 अलार्म में से केवल 1 ही वास्तविक सेप्सिस का मामला होता है। बाकी 99 गलत अलार्म हैं। यह एक ऐसे स्मोक डिटेक्टर की तरह है जो टोस्ट ब्रेड जलने पर बज उठता है। यह कुछ न करने से तो बेहतर है, लेकिन डॉक्टर इस शोर से थक जाएंगे। पेपर सुझाव देता है कि मानव को अलर्ट करने से पहले एक "दो-चरणीय" प्रणाली (दूसरा चेक) की आवश्यकता है।
केवल एक अस्पताल: यह मॉडल एक विशिष्ट डेटाबेस (MIMIC-IV) के डेटा पर प्रशिक्षित किया गया था। इसका अन्य अस्पतालों में अभी परीक्षण नहीं किया गया है, इसलिए हमें नहीं पता कि यह हर जगह काम करता है या नहीं।
गायब डेटा: मॉडल ने केवल 18 विशिष्ट स्वास्थ्य संकेतकों को देखा। इसने कुछ अन्य महत्वपूर्ण लैब टेस्ट को छोड़ दिया जो मदद कर सकते थे।

निष्कर्ष

यह पेपर एक ऐसा नया AI टूल प्रस्तुत करता है जो पिछले उपकरणों की तुलना में समय के प्रति अधिक स्मार्ट है। यह औसत का अनुमान लगाकर गायब डेटा को "ठीक" करने की कोशिश नहीं करता; इसके बजाय, यह वास्तविक नंबरों का सम्मान करता है जबकि पुरानी यादों को धुंधला होने देता है।

हालाँकि यह कोई जादुई समाधान नहीं है जो सेप्सिस की भविष्यवाणी पूरी तरह से कर दे, लेकिन यह इस विशिष्ट प्रयोग में पहला मॉडल है जिसने साबित किया है कि यह डॉक्टरों को सांख्यिकीय रूप से विश्वसनीय लाभ प्रदान कर सकता है, जिससे यह ICU में अर्ली वार्निंग सिस्टम के लिए एक आशाजनक कदम बन जाता है।

तकनीकी सारांश: विरल ICU प्रक्षेपवक्रों में प्रारंभिक सेप्सिस भविष्यवाणी के लिए एक अनियमित समय-जागरूक डीप लर्निंग पाइपलाइन

समस्या विवरण
सेप्सिस-3 (Sepsis-3) का शीघ्र पता लगाना गहन देखभाल इकाइयों (ICUs) में मृत्यु दर को कम करने के लिए महत्वपूर्ण है। हालांकि, इलेक्ट्रॉनिक हेल्थ रिकॉर्ड्स (EHRs) पर डीप सीक्वेंस मॉडल्स को लागू करना ICU डेटा की अनियमित, एपिसोडिक और विरल (sparse) प्रकृति के कारण बाधित होता है। मानक असतत-समय मॉडल (जैसे LSTMs, मानक GRUs, Transformers) अक्सर नमूनों के बीच के समय अंतराल को समान मानते हैं, जिससे "टेम्पोरल एलियासिंग" (temporal aliasing) होती है जो तीव्र शारीरिक गिरावट को छिपा सकती है। मौजूदा समय-जागरूक समाधान, जैसे कि GRU-D आर्किटेक्चर, इसे इस प्रकार संबोधित करते हैं कि जैसे-जैसे समय अंतराल बढ़ता है, वे इम्पुटेड इनपुट मानों को एक फीचर मीन (feature mean) की ओर क्षय (decay) करते हैं। लेखक तर्क देते हैं कि यह दृष्टिकोण एक नैदानिक जोखिम पैदा करता है: कच्चे बायोमार्कर मानों को कम करने से तीव्र असामान्यताओं के संकेत दब सकते हैं, जो प्रारंभिक सेप्सिस चेतावनी के लिए आवश्यक हैं। इसके अलावा, सेप्सिस भविष्यवाणी में अत्यधिक क्लास असंतुलन (सकारात्मक घटनाओं की तुलना में नकारात्मक विंडोज़ की अधिकता) और आसन्न घटनाओं को प्राथमिकता देने की आवश्यकता महत्वपूर्ण अनुकूलन चुनौतियां पेश करती है।

कार्यप्रणाली
यह अध्ययन MIMIC-IV डेटाबेस (संस्करण 2.2) का उपयोग करके 6,377 अद्वितीय रोगियों का एक रेट्रोस्पेक्टिव कोहॉर्ट बनाता है, जो होल्ड-आउट टेस्ट सेट के लिए 56,108 स्लाइडिंग विंडोज़ उत्पन्न करता है। भविष्यवाणी कार्य में 24-घंटे का लुकबैक विंडो शामिल है, जिसे आठ 3-घंटे के बिनों में विभाजित किया गया है, ताकि 6-घंटे के क्षितिज (horizon) के भीतर सेप्सिस-3 के आगमन की भविष्यवाणी की जा सके।

डेटा प्रतिनिधित्व: इनपुट में 18 नैदानिक फीचर्स (वाइटल साइन्स, लैब्स, इंटरवेंशन, डेमोग्राफिक्स) शामिल हैं। लुप्त मानों (missing values) को ज़ीरो-इम्प्यूट किया गया है, जिसके साथ एक ऑब्जर्वेशन मास्क ( $M$ ) और एक एलिप्सड-टाइम मैट्रिक्स ( $\Delta t$ ) है जो प्रत्येक फीचर के लिए पिछले अवलोकन से बीते हुए घंटों को ट्रैक करता है।
प्रस्तावित आर्किटेक्चर (TD-GRU): लेखक टाइम-डिके GRU (Time-Decay Gated Recurrent Unit - TD-GRU) पेश करते हैं। GRU-D के विपरीत, जो हिडन स्टेट और इम्पुटेड इनपुट फीचर्स दोनों को क्षय करता है, TD-GRU इस टेम्पोरल डिके तंत्र को सख्ती से केवल हिडन स्टेट तक सीमित रखता है।
- एक ज्यामितीय घातांकीय क्षय वेक्टर ( $\gamma_t$ ) की गणना $\Delta t$ के आधार पर की जाती है और इसे पिछले हिडन स्टेट ( $h_{t-1}$ ) पर एलिमेंट-वाइज लागू किया जाता है।
- महत्वपूर्ण रूप से, कच्चे नैदानिक इनपुट मान ( $X$ ) अपरिवर्तित रहते हैं क्योंकि वे नेटवर्क में प्रवेश करते हैं, जिससे तीव्र बायोमार्कर असामान्यताओं का परिमाण सुरक्षित रहता है।
अनुकूलन (ATP Loss): अत्यधिक क्लास असंतुलन को संबोधित करने और आसन्न सेप्सिस को प्राथमिकता देने के लिए, मॉडल को एक एसिमेट्रिक टेम्पोरल पेनल्टी (Asymmetric Temporal Penalty - ATP) लॉस फंक्शन का उपयोग करके प्रशिक्षित किया जाता है। यह निम्नलिखित को जोड़ता है:
- आसान नेगेटिव्स के प्रभाव को कम करने के लिए फोकल मॉड्यूलेशन (Focal modulation)।
- आगमन समय के करीब सकारात्मक नमूनों को अधिक भार देने के लिए टेम्पोरल वेटिंग।
- डैम्प्ड इनवर्स-प्रिवलेंस क्लास वेटिंग।
प्रायोगिक डिज़ाइन: अध्ययन TD-GRU की तुलना छह बेसलाइन्स से करता है: स्टैंडर्ड GRU, $\Delta t$ $Δ t$ को एक प्लेन फीचर के रूप में उपयोग करने वाला स्टैंडर्ड GRU, GRU-D (विश्वसनीय रूप से पुन: कार्यान्वित), 1D-CNN, XGBoost, और निरंतर-समय पोजीशनल एनकोडिंग के साथ एक ट्रांसफॉर्मर।
- वैलिडेशन: रोगी-स्तरीय क्लस्टर बूटस्ट्रैपिंग के 2,000 पुनरावृत्तियों का उपयोग करके सांख्यिकीय महत्व का आकलन किया जाता है ताकि रोगियों के भीतर विंडो सहसंबंध (correlation) को नियंत्रित किया जा सके।
- मेट्रिक्स: प्रदर्शन का मूल्यांकन PR-AUC, AUROC, ब्रियर स्कोर (Brier score), और एक अनुकूलित PhysioNet/Computing in Cardiology 2019 यूटिलिटी मेट्रिक द्वारा किया जाता है जो शीघ्र पहचान को पुरस्कृत करता है और गलत अलार्म/मिस्ड केस को दंडित करता है।

प्रमुख परिणाम

विभेदक प्रदर्शन (Discriminative Performance): होल्ड-आउट टेस्ट सेट पर, TD-GRU ने 0.0184 का PR-AUC और 0.7595 का AUROC प्राप्त किया।
- TD-GRU, GRU-D बेसलाइन (PR-AUC 0.0180) और 1D-CNN के साथ सांख्यिकीय रूप से अविभेद्य था।
- TD-GRU ने होल्म-बोन्फेरोनी सुधार (Holm–Bonferroni correction) के बाद नॉन-रिकरेंट बेसलाइन्स (XGBoost और Transformer) को महत्वपूर्ण रूप से पीछे छोड़ दिया ( $p=0.033$ और $p=0.011$ क्रमशः)।
- स्टैंडर्ड GRU और $\Delta t$ को फीचर के रूप में उपयोग करने वाले स्टैंडर्ड GRU पर दिशात्मक सुधार कई तुलना सुधारों (multiple comparison corrections) के बाद टिक नहीं सके।
नैदानिक उपयोगिता (Clinical Utility): अनुकूलित PhysioNet यूटिलिटी मेट्रिक के संदर्भ में, TD-GRU ने उच्चतम पॉइंट एस्टीमेट (+0.0541) प्राप्त किया और यह एकमात्र मॉडल था जिसका 95% कॉन्फिडेंस इंटरवल शून्य को बाहर करता था, जो 'नो-अलार्म' बेसलाइन की तुलना में एक सांख्यिकीय रूप से विश्वसनीय शुद्ध नैदानिक लाभ को दर्शाता है। अन्य समय-जागरूक मॉडलों (Standard GRU, GRU-D) के पॉजिटिव पॉइंट एस्टीमेट्स थे, लेकिन उनके कॉन्फिडेंस इंटरवल मामूली रूप से शून्य को पार कर गए थे।
टेम्पोरल मजबूती: एक टेम्पोरल स्प्लिट के तहत (शुरुआती वर्षों पर प्रशिक्षण, बाद के वर्षों पर परीक्षण), सभी न्यूरल मॉडल्स में प्रदर्शन में गिरावट (15–24%) देखी गई। XGBoost ने PR-AUC में मामूली वृद्धि दिखाई, जो सुझाव देता है कि ट्री-बेस्ड मॉडल डॉक्यूमेंटेशन प्रथाओं में वितरण बदलाव (distribution shifts) के प्रति अधिक मजबूत हो सकते हैं।
एब्लेशन निष्कर्ष: एब्लेशन अध्ययन ने खुलासा किया कि एक ट्रेड-ऑफ मौजूद है: मानक वेटेड BCE लॉस (बिना ATP के) के साथ प्रशिक्षित TD-GRU ने ATP-प्रशिक्षित संस्करण की तुलना में थोड़ा बेहतर PR-AUC और कैलिब्रेशन (कम ब्रियर स्कोर) प्राप्त किया। हालांकि, केवल ATP-प्रशिक्षित संस्करण ही सांख्यिकीय रूप से महत्वपूर्ण यूटिलिटी स्कोर प्राप्त कर सका, जो बताता है कि लॉस फंक्शन मॉडल को ऐसे टाइमिंग-अवेयर अलर्ट की ओर ले जाता है जो नैदानिक उपयोगिता उद्देश्यों के साथ बेहतर ढंग से संरेखित होते हैं, भले ही इसमें प्रोबेबिलिटी कैलिब्रेशन कम हो गया हो।

महत्व और दावे
यह पेपर TD-GRU को एक मौलिक रूप से नए रिकरेंट मैकेनिज्म के रूप में नहीं, बल्कि एक नैदानिक रूप से प्रेरित, क्रमिक सुधार के रूप में प्रस्तुत करता है (विशेष रूप से GRU-D के संदर्भ में)।

नैदानिक संकेत का संरक्षण: प्राथमिक योगदान हिडन स्टेट में टेम्पोरल डिके को सीमित करने और कच्चे इनपुट मानों को संरक्षित करने का आर्किटेक्चरल निर्णय है। लेखक दावा करते हैं कि यह डिज़ाइन GRU-D के "इनपुट-इम्पुटेशन ड्रिफ्ट" से बचता है, जिससे तीव्र बायोमार्कर असामान्यताओं का परिमाण बना रहता है जो प्रारंभिक चेतावनी के लिए महत्वपूर्ण है।
डिस्क्रिमिनेशन से अधिक उपयोगिता: अध्ययन इस बात पर जोर देता है कि जबकि TD-GRU रैंकिंग प्रदर्शन (PR-AUC) में GRU-D के बराबर है, यह सबसे मजबूत नैदानिक उपयोगिता सिग्नल उत्पन्न करता है। लेखकों का तर्क है कि प्रारंभिक चेतावनी प्रणालियों के लिए, एक यूटिलिटी दावा उत्पन्न करने की क्षमता जो सैंपलिंग अनिश्चितता के परीक्षण में सफल हो, अकेले रैंकिंग मेट्रिक्स की तुलना में अधिक महत्वपूर्ण है।
दावों में विनम्रता: लेखक स्पष्ट रूप से कहते हैं कि यह अध्ययन यह सिद्ध नहीं करता है कि हिडन-स्टेट-ओनली डिके सार्वभौमिक रूप से GRU-D से बेहतर है। परिणामों को एक पद्धतिगत साक्ष्य के रूप में फ्रेम किया गया है कि यह विशिष्ट कॉन्फ़िगरेशन बिना भेदभाव क्षमता खोए कच्चे नैदानिक मानों को सुरक्षित रखता है, और एक सांख्यिकीय रूप से विश्वसनीय यूटिलिटी सुधार प्रदान करता है। वे नोट करते हैं कि तैनाती के दावों से पहले स्वतंत्र डेटासेट्स (जैसे eICU, HiRID) पर बाहरी सत्यापन आवश्यक है।
सीमाएं: पेपर डेटा की सिंगल-सेंटर प्रकृति (MIMIC-IV), स्पार्स लेकिन सूचनात्मक फीचर्स (जैसे प्रोकैल्सिटोनिन) के बहिष्करण, और मूल्यांकन की रेट्रोस्पेक्टिव प्रकृति को स्वीकार करता है जो वास्तविक दुनिया के अलर्ट लेटेंसी या क्लिनिकल वर्कफ्लो इंटीग्रेशन को ध्यान में नहीं रखता है।