मशीन लर्निंग स्वास्थ्य कर्मियों में कम लचीलेपन की 75% सटीकता से पहचान करती है

डिस्कवर आर्टिफिशियल इंटेलिजेंस में प्रकाशित एक अध्ययन में यह परीक्षण किया गया है कि क्या मशीन लर्निंग उच्च मनोसामाजिक लचीलेपन वाले स्वास्थ्य कर्मियों को कम लचीलेपन वाले कर्मियों से अलग कर सकती है, और परिणाम एक मामूली लेकिन उपयोगी संकेत की ओर इशारा करते हैं। यूनिवर्सिडाड टेक्निका पार्टिकुलर डी लोजा में स्थित शोध दल ने COVID-19 महामारी के दौरान संयुक्त राज्य अमेरिका में एकत्र किए गए सर्वेक्षण डेटा का उपयोग किया और तीन अलग-अलग वर्गीकरण विधियों की आपस में तुलना की।

यह ढांचा मौजूदा साहित्य के बड़े हिस्से से जानबूझकर अलग है। स्वास्थ्य कर्मियों के मानसिक स्वास्थ्य पर अधिकांश शोध बर्नआउट, भावनात्मक थकावट और कर्मचारियों के छोड़ने जैसे नकारात्मक परिणामों पर केंद्रित है। इस अध्ययन ने इसके बजाय एक सकारात्मक क्षमता का पूर्वानुमान लगाने का प्रयास किया: तनाव से सक्रिय रूप से निपटने और उससे उबरने की क्षमता। जोर में यह बदलाव इस बात के लिए मायने रखता है कि सहायता कार्यक्रमों को अंततः कैसे डिज़ाइन किया जा सकता है, क्योंकि यह पूछता है कि लोगों को कार्यरत क्या रखता है, न कि केवल यह कि उन्हें क्या तोड़ देता है।

तीन एल्गोरिदम, एक स्पष्ट विजेता

दल ने सर्वेक्षण प्रतिक्रियाओं के एक ही सेट पर तीन वर्गीकरण मॉडल प्रशिक्षित किए: लॉजिस्टिक रिग्रेशन, एक रैंडम फॉरेस्ट क्लासिफायर और एक सपोर्ट वेक्टर मशीन (SVM)। प्रत्येक मॉडल से कहा गया कि वह उत्तरदाताओं को दो समूहों में से एक में रखे, उच्च लचीलापन या निम्न लचीलापन, और फिर एल्गोरिदम की तुलना इस बात पर की गई कि वे यह निर्धारण कितनी बार सही करते हैं।

• लॉजिस्टिक रिग्रेशन: 75.6% सटीकता, ROC वक्र के नीचे का क्षेत्रफल 0.816
• रैंडम फॉरेस्ट: 72.6% सटीकता
• सपोर्ट वेक्टर मशीन: 70.8% सटीकता

लॉजिस्टिक रिग्रेशन ने सबसे मजबूत परिणाम दिए। ROC वक्र के नीचे का क्षेत्रफल इस बात का माप है कि कोई मॉडल हर संभावित निर्णय सीमा पर दो वर्गों को कितनी अच्छी तरह अलग करता है, और 0.816 का मान उचित रूप से अच्छे विभेदन को दर्शाता है, हालांकि यह पूर्णता से काफी कम है। उल्लेखनीय है कि तीनों में से सबसे सरल विधि ने दो अधिक जटिल विकल्पों से बेहतर प्रदर्शन किया, यह पैटर्न सारणीबद्ध सर्वेक्षण डेटा में नियमित रूप से दिखाई देता है जहां चरों के बीच संबंध मोटे तौर पर रैखिक होते हैं और नमूने का आकार मध्यम होता है।

प्रशिक्षण डेटा कहां से आया

मॉडलों को सीखने के लिए उदाहरणों की आवश्यकता होती है। शोधकर्ताओं ने How Right Now Mental Health & Coping डेटासेट का उपयोग किया, जिसे शिकागो विश्वविद्यालय में NORC द्वारा 2021 और 2022 के बीच एकत्र किया गया था। इसमें संयुक्त राज्य अमेरिका के 2,055 लोगों की प्रतिक्रियाएं शामिल हैं, जो महामारी के उस दौर में एकत्र की गईं जब अस्पताल और क्लिनिक लगातार दबाव, कर्मचारियों की कमी और असामान्य रूप से उच्च रोगी मांग के तहत काम कर रहे थे।

लचीलापन सूचकांक का निर्माण

किसी भी मॉडल को प्रशिक्षित करने से पहले, शोधकर्ताओं को पूर्वानुमान लगाने के लिए कुछ मापने योग्य चाहिए था। उन्होंने चार मनोमितीय चरों से एक लचीलापन सूचकांक बनाया: लचीलापन स्वयं, वापस उछलने की क्षमता, नियंत्रण और आत्मविश्वास। उन घटकों को संयोजित किया गया और फिर माध्यिका को कटऑफ बिंदु के रूप में उपयोग करके दो स्तरों में विभाजित किया गया, जिससे प्रत्येक उत्तरदाता के लिए उच्च बनाम निम्न लचीलेपन का द्विआधारी लक्ष्य तैयार हुआ। माध्यिका पर विभाजन वर्गों का संतुलित सेट सुनिश्चित करता है, जो सटीकता के आंकड़ों को मॉडलों के बीच तुलनीय बनाए रखता है, हालांकि इसका यह भी अर्थ है कि दो समूह एक-दूसरे के सापेक्ष परिभाषित हैं, न कि किसी पूर्ण नैदानिक सीमा के विरुद्ध।

कम लचीलेपन का पूर्वानुमान क्या लगाता है

जब मॉडलों की जांच की गई कि कौन से इनपुट सबसे अधिक महत्व रखते हैं, तो तीन कारक हावी रहे। तनाव सबसे मजबूत योगदानकर्ता था, जिसका भार 0.182 था, उसके बाद अवसाद 0.160 और चिंता 0.145 थी। निराशा और नींद के पैटर्न में बदलाव इसके बाद आए, जिससे चरों का एक समूह पूरा हुआ जो मिलकर कम-लचीलापन समूह में पड़ने की अधिक संभावना का संकेत देता था।

यह क्रम सहज है, लेकिन फिर भी जानकारीपूर्ण है। यह सुझाव देता है कि किसी एक लक्षण के अलग-थलग होने के बजाय संकट का संचित बोझ यह आकार देता है कि किसी स्वास्थ्य कर्मी में मुकाबला जारी रखने के लिए आवश्यक मनोवैज्ञानिक संसाधन बने रहते हैं या नहीं। इस प्रकार के भारांकन पर आधारित स्क्रीनिंग दृष्टिकोण, सिद्धांत रूप में, उन लोगों को चिह्नित कर सकते हैं जिनमें तनाव, कम मनोदशा और चिंता का संयोजन उन्हें अधिक जोखिम में डालता है, इससे पहले कि वह जोखिम बर्नआउट या पेशे से बाहर निकलने में बदल जाए।

मुकाबला करने की रणनीतियां जुड़ती दिखती हैं

मुकाबला करने वाले व्यवहार मॉडल में कम व्यक्तिगत भार के साथ दर्ज हुए, फिर भी वे लगातार अधिक लचीलेपन से जुड़े थे। सामाजिक सहायता मांगना, शौक में संलग्न होना, प्रार्थना और ध्यान सभी एक ही दिशा में इशारा करते थे, जिससे पता चलता है कि ये आदतें उच्च लचीलेपन के साथ चलती हैं, भले ही वे संकट-संबंधी चरों की तुलना में पूर्वानुमान में कम योगदान देती हों।

इससे भी अधिक चौंकाने वाला यह था कि वे व्यवहार कैसे संयोजित हुए। शोधकर्ताओं ने पाया कि प्रभाव संचयी प्रतीत होता है: जिन उत्तरदाताओं ने एक साथ कई मुकाबला रणनीतियों का उपयोग करने की सूचना दी, उनके लचीलापन स्कोर औसतन उन लोगों की तुलना में अधिक थे जो केवल एक पर निर्भर थे। यह पैटर्न संकेत देता है कि सुरक्षात्मक आदतों के मामले में व्यापकता तीव्रता जितनी ही मायने रख सकती है। यह ऐसी खोज भी है जिसे एकल स्नैपशॉट सर्वेक्षण पूरी तरह से समझा नहीं सकता, क्योंकि एक क्रॉस-सेक्शनल डिज़ाइन यह स्थापित नहीं कर सकता कि रणनीतियों ने उच्च स्कोर उत्पन्न किए या पहले से लचीले लोग उन्हें अपनाने की अधिक संभावना रखते थे।

साक्ष्य की सीमाएं

लेखक अपने परिणामों की सीमाओं के बारे में स्पष्ट हैं। डेटा व्यक्तियों को महीनों या वर्षों तक ट्रैक करने के बजाय एक ही समय बिंदु को कैप्चर करता है, इसलिए अध्ययन यह नहीं दिखा सकता कि लचीलापन कैसे बढ़ता या घटता है, या मुकाबला व्यवहारों के साथ संबंध किस दिशा में चलता है। सभी माप प्रतिभागियों की अपनी रिपोर्टों पर आधारित हैं, जो मनोदशा, स्मृति और सामाजिक अपेक्षाओं से आकार ले सकती हैं। और नमूना पूरी तरह से संयुक्त राज्य अमेरिका से लिया गया है।

ये बाधाएं इस बात को सीमित करती हैं कि निष्कर्षों को अन्य स्वास्थ्य सेवा प्रणालियों तक कितना बढ़ाया जा सकता है, जिनमें लैटिन अमेरिका की प्रणालियां भी शामिल हैं, जहां काम करने की स्थितियां, स्टाफिंग मॉडल, वेतन संरचनाएं और मानसिक स्वास्थ्य के प्रति सांस्कृतिक दृष्टिकोण सभी भिन्न हो सकते हैं। एक देश के उत्तरदाताओं पर प्रशिक्षित मॉडल स्वचालित रूप से दूसरे देश में हस्तांतरणीय नहीं होता, भले ही अंतर्निहित मनोवैज्ञानिक अवधारणाएं समान हों।

प्रस्तावित अगले कदम

शोध दल आगे का स्पष्ट मार्ग प्रस्तुत करता है। पहला, लैटिन अमेरिका में स्वास्थ्य कर्मियों के साथ मॉडल को मान्य करना ताकि यह परीक्षण किया जा सके कि क्या वही पूर्वानुमानक एक अलग श्रम बाजार और स्वास्थ्य प्रणाली संदर्भ में टिकते हैं। दूसरा, इनपुट डेटा को अतिरिक्त मापों से समृद्ध करना, जैसे नींद डेटा या शारीरिक संकेतक, जो स्व-रिपोर्ट की गई प्रतिक्रियाओं को पूरक कर सकते हैं और अध्ययन की व्यक्तिपरक मूल्यांकन पर निर्भरता को कम कर सकते हैं।

यदि वह सत्यापन सफल होता है, तो यह दृष्टिकोण एक शोध निष्कर्ष से अधिक व्यावहारिक कुछ का समर्थन कर सकता है: यह पहचानने का तरीका कि कौन से कर्मचारी सदस्यों को सहायता से सबसे अधिक लाभ हो सकता है, और मुकाबला रणनीतियों के कौन से संयोजन उनकी रक्षा करते प्रतीत होते हैं। लेखक यह दावा करने से बचते हैं कि मॉडल तैनाती के लिए तैयार है, और सटीकता के आंकड़े उस सावधानी को उचित ठहराते हैं।

यह परिणाम क्यों मायने रखता है

स्वास्थ्य सेवा कार्यबल ने हाल के वर्षों में भारी दबाव सहा है, और केवल कमी के बजाय लचीलेपन को मॉडल करने का निर्णय एक सार्थक निर्णय है। 75.6% की सटीकता दर कोई नैदानिक उपकरण नहीं है, और शोधकर्ता इसे वैसा प्रस्तुत नहीं करते। लेकिन यह सुझाव देता है कि नियमित रूप से एकत्र की गई सर्वेक्षण प्रतिक्रियाओं में एक सीखने योग्य पैटर्न मौजूद है, जिसे एक सीधा लॉजिस्टिक रिग्रेशन कम से कम भारी मशीन लर्निंग विकल्पों जितना अच्छा पढ़ सकता है। स्वास्थ्य प्रणालियों के लिए जो यह तौल रही हैं कि सीमित मानसिक स्वास्थ्य संसाधनों को कैसे निर्देशित किया जाए, यह एक ऐसा संकेत है जिसे आगे मान्य करने योग्य है।

यह लेख Medical Xpress की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें।