মেশিন লার্নিং ৭৫% নির্ভুলতায় স্বাস্থ্যসেবা কর্মীদের কম মানসিক সহনশীলতা শনাক্ত করছে

ডিসকভার আর্টিফিশিয়াল ইন্টেলিজেন্স-এ প্রকাশিত একটি গবেষণায় পরীক্ষা করা হয়েছে, মেশিন লার্নিং উচ্চ মনোসামাজিক সহনশীলতাসম্পন্ন স্বাস্থ্যসেবা কর্মীদের কম সহনশীলতাসম্পন্নদের থেকে আলাদা করতে পারে কি না, এবং ফলাফল একটি মাঝারি কিন্তু ব্যবহারযোগ্য সংকেতের দিকে ইঙ্গিত করে। ইউনিভার্সিদাদ টেকনিকা পার্টিকুলার দে লোহা-ভিত্তিক গবেষণা দলটি কোভিড-১৯ মহামারির সময় মার্কিন যুক্তরাষ্ট্রজুড়ে সংগৃহীত জরিপ ডেটা ব্যবহার করে তিনটি ভিন্ন শ্রেণীবিন্যাস পদ্ধতির তুলনা করেছে।

এই কাঠামোটি বিদ্যমান সাহিত্যের অনেকাংশ থেকে সচেতনভাবে সরে আসা। স্বাস্থ্যসেবা কর্মীদের মানসিক স্বাস্থ্য নিয়ে বেশিরভাগ গবেষণা বার্নআউট, মানসিক ক্লান্তি ও পেশা ছাড়ার মতো নেতিবাচক ফলাফলের ওপর মনোযোগ দেয়। এই গবেষণাটি বরং একটি ইতিবাচক সক্ষমতা পূর্বাভাস দেওয়ার চেষ্টা করেছে: চাপের সঙ্গে সক্রিয়ভাবে মোকাবিলা করার এবং তা থেকে সেরে ওঠার ক্ষমতা। গুরুত্বের এই পরিবর্তনটি সহায়তা কর্মসূচি কীভাবে طراحی করা হতে পারে তার জন্য তাৎপর্যপূর্ণ, কারণ এটি জিজ্ঞাসা করে মানুষকে কী কার্যকর রাখে, শুধু কী তাদের ভেঙে দেয় তা নয়।

তিনটি অ্যালগরিদম, একটি স্পষ্ট বিজয়ী

দলটি একই জরিপ প্রতিক্রিয়ার ওপর তিনটি শ্রেণীবিন্যাস মডেল প্রশিক্ষণ দিয়েছে: লজিস্টিক রিগ্রেশন, একটি র্যান্ডম ফরেস্ট ক্লাসিফায়ার এবং একটি সাপোর্ট ভেক্টর মেশিন (এসভিএম)। প্রতিটি মডেলকে উত্তরদাতাদের উচ্চ সহনশীলতা বা নিম্ন সহনশীলতা—এই দুই দলের একটিতে রাখতে বলা হয়েছিল, এবং তারপর অ্যালগরিদমগুলোর মধ্যে তুলনা করা হয় কতবার তারা সেই নির্ধারণ সঠিক করেছে।

• লজিস্টিক রিগ্রেশন: ৭৫.৬% নির্ভুলতা, আরওসি কার্ভের নিচের ক্ষেত্রফল ০.৮১৬
• র্যান্ডম ফরেস্ট: ৭২.৬% নির্ভুলতা
• সাপোর্ট ভেক্টর মেশিন: ৭০.৮% নির্ভুলতা

লজিস্টিক রিগ্রেশন সবচেয়ে শক্তিশালী ফলাফল দিয়েছে। আরওসি কার্ভের নিচের ক্ষেত্রফল হলো একটি মডেল সম্ভাব্য সব সিদ্ধান্ত-সীমার মধ্যে দুই শ্রেণিকে কত ভালোভাবে আলাদা করতে পারে তার পরিমাপ, এবং ০.৮১৬ মান তুলনামূলকভাবে ভালো পার্থক্য নির্দেশ করে, যদিও তা পূর্ণতার অনেক নিচে। লক্ষণীয় যে, তিনটি পদ্ধতির মধ্যে সবচেয়ে সরলটি দুটি বেশি জটিল বিকল্পের চেয়ে ভালো করেছে—এমন ধারা টেবুলার জরিপ ডেটায় নিয়মিত দেখা যায়, যেখানে চলকগুলোর মধ্যে সম্পর্ক মূলত রৈখিক এবং নমুনার আকার মাঝারি।

প্রশিক্ষণ ডেটা কোথা থেকে এসেছে

মডেলের শেখার জন্য উদাহরণ দরকার। গবেষকরা ইউনিভার্সিটি অব শিকাগোর এনওআরসি-এর সংগৃহীত হাউ রাইট নাউ মেন্টাল হেলথ অ্যান্ড কোপিং ডেটাসেট ব্যবহার করেছেন, যা ২০২১ থেকে ২০২২ সালের মধ্যে সংগ্রহ করা হয়েছিল। এতে মার্কিন যুক্তরাষ্ট্রের ২,০৫৫ জনের প্রতিক্রিয়া রয়েছে, যা মহামারির এমন একটি সময়ে সংগৃহীত যখন হাসপাতাল ও ক্লিনিকগুলো টানা চাপ, কর্মীসংকট এবং অস্বাভাবিকভাবে উচ্চ রোগী-চাহিদার মধ্যে চলছিল।

একটি সহনশীলতা সূচক তৈরি

কোনো মডেল প্রশিক্ষণ দেওয়ার আগে গবেষকদের পূর্বাভাস দেওয়ার জন্য একটি পরিমাপযোগ্য কিছু দরকার ছিল। তারা চারটি মনোমিতিক চলক থেকে একটি সহনশীলতা সূচক তৈরি করেছেন: সহনশীলতা নিজেই, ঘুরে দাঁড়ানোর ক্ষমতা, নিয়ন্ত্রণ এবং আত্মবিশ্বাস। এই উপাদানগুলো একত্র করে তারপর মধ্যমাকে কাটঅফ পয়েন্ট হিসেবে ব্যবহার করে দুই স্তরে ভাগ করা হয়েছে, যা প্রতিটি উত্তরদাতার জন্য উচ্চ বনাম নিম্ন সহনশীলতার একটি বাইনারি লক্ষ্য তৈরি করেছে। মধ্যমায় বিভাজন শ্রেণিগুলোর একটি ভারসাম্যপূর্ণ সেট নিশ্চিত করে, যা মডেলগুলোর মধ্যে নির্ভুলতার পরিসংখ্যান তুলনাযোগ্য রাখে, তবে এর অর্থ এইও যে দুই দল পরস্পরের সাপেক্ষে সংজ্ঞায়িত, কোনো পরম ক্লিনিক্যাল থ্রেশহোল্ডের বিপরীতে নয়।

কম সহনশীলতার পূর্বাভাস কী দেয়

কোন ইনপুটগুলোর ওজন সবচেয়ে বেশি তা দেখতে মডেলগুলো পরীক্ষা করা হলে তিনটি বিষয় প্রধান হয়ে ওঠে। স্ট্রেস ছিল সবচেয়ে শক্তিশালী অবদানকারী, ওজন ০.১৮২, এরপর বিষণ্নতা ০.১৬০ এবং উদ্বেগ ০.১৪৫। হতাশা ও ঘুমের ধরনে পরিবর্তন এরপর আসে, যা মিলে এমন একগুচ্ছ চলক তৈরি করে যারা একসঙ্গে নিম্ন-সহনশীলতা দলে পড়ার বেশি সম্ভাবনা সংকেত দেয়।

ক্রমটি স্বাভাবিক বোধগম্য, তবে তা তথ্যপূর্ণও। এটি ইঙ্গিত করে যে কোনো একক উপসর্গ বিচ্ছিন্নভাবে নয়, বরং কষ্টের সঞ্চিত বোঝাই নির্ধারণ করে একজন স্বাস্থ্যসেবা কর্মী মোকাবিলা চালিয়ে যাওয়ার জন্য প্রয়োজনীয় মনস্তাত্ত্বিক সম্পদ ধরে রাখেন কি না। এই ধরনের ওজনের ওপর ভিত্তি করে তৈরি স্ক্রিনিং পদ্ধতি নীতিগতভাবে সেই মানুষদের চিহ্নিত করতে পারে, যাদের স্ট্রেস, বিষণ্ন মেজাজ ও উদ্বেগের সমন্বয় তাদের বেশি ঝুঁকিতে রাখে—সেই ঝুঁকি বার্নআউট বা পেশা ছাড়ার রূপ নেওয়ার আগেই।

মোকাবিলার কৌশলগুলো জমা হতে থাকে

মোকাবিলার আচরণগুলো মডেলে কম ব্যক্তিগত ওজন নিয়ে ঢুকেছে, তবুও সেগুলো ধারাবাহিকভাবে বেশি সহনশীলতার সঙ্গে সম্পর্কিত ছিল। সামাজিক সহায়তা খোঁজা, শখে অংশ নেওয়া, প্রার্থনা ও ধ্যান—সবই একই দিকে ইঙ্গিত করেছে, যা প্রস্তাব করে যে এই অভ্যাসগুলো বেশি সহনশীলতার সঙ্গে থাকে, যদিও কষ্ট-সম্পর্কিত চলকগুলোর চেয়ে তারা পূর্বাভাসে কম অবদান রাখে।

আরও চমকপ্রদ ছিল এই আচরণগুলোর সমন্বয়। গবেষকরা দেখেছেন, প্রভাবটি সঞ্চয়ী বলে মনে হয়: যেসব উত্তরদাতা একসঙ্গে কয়েকটি মোকাবিলা কৌশল ব্যবহারের কথা জানিয়েছেন, তাদের গড় সহনশীলতা স্কোর শুধু একটির ওপর নির্ভর করা ব্যক্তিদের চেয়ে বেশি ছিল। এই ধারা ইঙ্গিত দেয় যে সুরক্ষামূলক অভ্যাসের ক্ষেত্রে গভীরতার মতো বিস্তারও গুরুত্বপূর্ণ হতে পারে। এটি এমন একটি ফলাফলও, যা একটি একক স্ন্যাপশট জরিপ পুরোপুরি ব্যাখ্যা করতে পারে না, কারণ একটি ক্রস-সেকশনাল ডিজাইন প্রতিষ্ঠা করতে পারে না যে কৌশলগুলোই বেশি স্কোর তৈরি করেছে, নাকি ইতিমধ্যে সহনশীল মানুষরা কেবল সেগুলো গ্রহণ করার বেশি সম্ভাবনা রাখতেন।

প্রমাণের সীমাবদ্ধতা

লেখকরা তাদের ফলাফলের সীমানা নিয়ে স্পষ্ট। ডেটা মাস বা বছর ধরে ব্যক্তিদের অনুসরণ না করে একটি একক সময়বিন্দু ধারণ করে, তাই গবেষণাটি দেখাতে পারে না সহনশীলতা কীভাবে বাড়ে বা কমে, বা মোকাবিলার আচরণের সঙ্গে সম্পর্ক কোন দিকে চলে। সব পরিমাপ অংশগ্রহণকারীদের নিজেদের প্রতিবেদনের ওপর নির্ভর করে, যা মেজাজ, স্মৃতি ও সামাজিক প্রত্যাশা দ্বারা প্রভাবিত হতে পারে। আর নমুনাটি সম্পূর্ণভাবে মার্কিন যুক্তরাষ্ট্র থেকে নেওয়া।

এই সীমাবদ্ধতাগুলো সীমিত করে যে সিদ্ধান্তগুলো অন্য স্বাস্থ্যসেবা ব্যবস্থায়—যার মধ্যে লাতিন আমেরিকার ব্যবস্থাগুলোও রয়েছে—কতদূর প্রসারিত করা যায়, যেখানে কাজের পরিবেশ, কর্মী-ব্যবস্থাপনা মডেল, বেতন কাঠামো এবং মানসিক স্বাস্থ্যের প্রতি সাংস্কৃতিক মনোভাব সবই ভিন্ন হতে পারে। এক দেশের উত্তরদাতাদের ওপর প্রশিক্ষিত একটি মডেল স্বয়ংক্রিয়ভাবে অন্য দেশে স্থানান্তরযোগ্য নয়, এমনকি যখন অন্তর্নিহিত মনস্তাত্ত্বিক ধারণাগুলো একই রকম।

প্রস্তাবিত পরবর্তী পদক্ষেপ

গবেষণা দলটি সামনের একটি স্পষ্ট পথ তুলে ধরেছে। প্রথমে, লাতিন আমেরিকার স্বাস্থ্যসেবা কর্মীদের নিয়ে মডেলটি যাচাই করা, যাতে পরীক্ষা করা যায় একই পূর্বাভাসকগুলো ভিন্ন শ্রমবাজার ও স্বাস্থ্যসেবা ব্যবস্থার প্রেক্ষাপটে টিকে থাকে কি না। দ্বিতীয়ত, ঘুমের ডেটা বা শারীরবৃত্তীয় সূচকের মতো অতিরিক্ত পরিমাপ দিয়ে ইনপুট ডেটা সমৃদ্ধ করা, যা স্ব-প্রতিবেদিত প্রতিক্রিয়ার পরিপূরক হতে পারে এবং গবেষণার বিষয়ভিত্তিক মূল্যায়নের ওপর নির্ভরতা কমাতে পারে।

যদি সেই যাচাই সফল হয়, তবে এই পদ্ধতি একটি গবেষণা-ফলাফলের চেয়ে বেশি ব্যবহারিক কিছুকে সমর্থন করতে পারে: কোন কর্মীরা সহায়তা থেকে সবচেয়ে বেশি উপকৃত হতে পারেন এবং মোকাবিলার কোন সমন্বয়গুলো তাদের সুরক্ষা দেয় বলে মনে হয় তা শনাক্ত করার একটি উপায়। লেখকরা মডেলটি মোতায়েনের জন্য প্রস্তুত বলে দাবি করা থেকে বিরত থেকেছেন, এবং নির্ভুলতার পরিসংখ্যান সেই সতর্কতাকে ন্যায্যতা দেয়।

ফলাফলটি কেন গুরুত্বপূর্ণ

স্বাস্থ্যসেবা কর্মীবাহিনী সাম্প্রতিক বছরগুলোতে বিপুল চাপ শুষে নিয়েছে, এবং শুধু ঘাটতি নয় বরং সহনশীলতার মডেলিং করার সিদ্ধান্তটি অর্থবহ। ৭৫.৬% নির্ভুলতার হার কোনো রোগনির্ণয়ের হাতিয়ার নয়, এবং গবেষকরা এটিকে তা হিসেবে উপস্থাপনও করেননি। তবে এটি প্রস্তাব করে যে নিয়মিত সংগৃহীত জরিপ প্রতিক্রিয়ায় একটি শেখার যোগ্য ধারা রয়েছে, যা একটি সরল লজিস্টিক রিগ্রেশন অন্তত ভারী মেশিন লার্নিং বিকল্পগুলোর মতো ভালোভাবে পড়তে পারে। সীমিত মানসিক স্বাস্থ্য সম্পদ কীভাবে নির্দেশ করা হবে তা বিবেচনা করা স্বাস্থ্য ব্যবস্থাগুলোর জন্য এটি আরও যাচাইয়ের যোগ্য একটি সংকেত।

এই নিবন্ধটি মেডিক্যাল এক্সপ্রেস-এর প্রতিবেদনের ওপর ভিত্তি করে। মূল নিবন্ধটি পড়ুন।