मशीन लर्निंग आरोग्य कर्मचाऱ्यांमधील कमी लवचिकता ७५% अचूकतेने ओळखते

डिस्कव्हर आर्टिफिशियल इंटेलिजन्समध्ये प्रकाशित एका अभ्यासात मशीन लर्निंग उच्च मानसिक-सामाजिक लवचिकता असलेल्या आरोग्य कर्मचाऱ्यांना कमी लवचिकता असलेल्यांपासून वेगळे करू शकते का याची चाचणी घेण्यात आली, आणि निकालांनी मर्यादित पण उपयुक्त संकेत दर्शविला. युनिव्हर्सिडाड टेक्निका पार्टिक्युलर डी लोजा येथील संशोधन पथकाने कोविड-१९ महामारीच्या काळात संपूर्ण अमेरिकेत गोळा केलेल्या सर्वेक्षण डेटाचा वापर केला आणि तीन वेगवेगळ्या वर्गीकरण पद्धतींची एकमेकांशी तुलना केली.

ही चौकट विद्यमान साहित्यापेक्षा जाणीवपूर्वक वेगळी आहे. आरोग्य कर्मचाऱ्यांच्या मानसिक आरोग्यावरील बहुतेक संशोधन बर्नआउट, भावनिक थकवा आणि नोकरी सोडणे यांसारख्या नकारात्मक परिणामांवर केंद्रित आहे. या अभ्यासाने मात्र एका सकारात्मक क्षमतेचा अंदाज लावण्याचा प्रयत्न केला: तणावाशी सक्रियपणे सामना करण्याची आणि त्यातून सावरण्याची क्षमता. या बदलाचा अर्थ सहाय्य कार्यक्रम कसे तयार केले जाऊ शकतात यासाठी महत्त्वाचा आहे, कारण तो लोकांना काय तोडते यापेक्षा काय टिकवून ठेवते हे विचारतो.

तीन अल्गोरिदम, एक स्पष्ट विजेता

पथकाने त्याच सर्वेक्षण प्रतिसादांवर तीन वर्गीकरण मॉडेल प्रशिक्षित केले: लॉजिस्टिक रिग्रेशन, रँडम फॉरेस्ट क्लासिफायर आणि सपोर्ट व्हेक्टर मशीन (SVM). प्रत्येक मॉडेलला प्रतिसादकर्त्यांना उच्च लवचिकता किंवा कमी लवचिकता या दोन गटांपैकी एकात नेमण्यास सांगितले गेले, आणि नंतर अल्गोरिदमची ही नेमणूक किती वेळा बरोबर होते यावर तुलना करण्यात आली.

• लॉजिस्टिक रिग्रेशन: ७५.६% अचूकता, ROC वक्राखालील क्षेत्र ०.८१६
• रँडम फॉरेस्ट: ७२.६% अचूकता
• सपोर्ट व्हेक्टर मशीन: ७०.८% अचूकता

लॉजिस्टिक रिग्रेशनने सर्वात मजबूत निकाल दिले. ROC वक्राखालील क्षेत्र हे मॉडेल प्रत्येक संभाव्य निर्णय उंबरठ्यावर दोन वर्ग किती चांगल्या प्रकारे वेगळे करते याचे माप आहे, आणि ०.८१६ मूल्य बऱ्यापैकी चांगला भेद दर्शवते, तरी ते पूर्णतेपेक्षा बरेच कमी आहे. विशेष म्हणजे, तीन पद्धतींपैकी सर्वात सोप्या पद्धतीने इतर दोन अधिक क्लिष्ट पर्यायांपेक्षा चांगली कामगिरी केली, हा नमुना सारणीबद्ध सर्वेक्षण डेटामध्ये नियमितपणे दिसतो जिथे चलांमधील संबंध मोठ्या प्रमाणात रेषीय असतात आणि नमुना मध्यम आकाराचा असतो.

प्रशिक्षण डेटा कुठून आला

मॉडेलना शिकण्यासाठी उदाहरणे आवश्यक असतात. संशोधकांनी शिकागो विद्यापीठातील NORC ने २०२१ ते २०२२ दरम्यान गोळा केलेला How Right Now Mental Health & Coping डेटासेट वापरला. त्यात अमेरिकेतील २,०५५ लोकांचे प्रतिसाद आहेत, जे महामारीच्या त्या काळात गोळा केले गेले जेव्हा रुग्णालये आणि दवाखाने सतत दबाव, कर्मचारी टंचाई आणि असामान्यपणे उच्च रुग्ण मागणी यांत कार्यरत होते.

लवचिकता निर्देशांक तयार करणे

कोणतेही मॉडेल प्रशिक्षित करण्यापूर्वी, संशोधकांना अंदाज लावण्यासाठी काहीतरी मोजण्यायोग्य हवे होते. त्यांनी चार मानसिकमितीय चलांपासून लवचिकता निर्देशांक तयार केला: लवचिकता स्वतः, सावरण्याची क्षमता, नियंत्रण आणि आत्मविश्वास. हे घटक एकत्र करून नंतर मध्यकाचा कटऑफ म्हणून वापर करून दोन स्तरांमध्ये विभागले गेले, ज्यामुळे प्रत्येक प्रतिसादकर्त्यासाठी उच्च विरुद्ध कमी लवचिकता हे द्विआधारी लक्ष्य तयार झाले. मध्यकावर विभाजन केल्याने वर्गांचा संतुलित संच मिळतो, ज्यामुळे अचूकतेचे आकडे मॉडेल्समध्ये तुलनीय राहतात, तथापि याचा अर्थ दोन गट एकमेकांच्या सापेक्ष परिभाषित केले जातात, निरपेक्ष क्लिनिकल उंबरठ्याच्या विरुद्ध नाही.

कमी लवचिकतेचा अंदाज कशावरून

कोणत्या इनपुटचे सर्वाधिक वजन आहे हे पाहण्यासाठी मॉडेल्सची तपासणी करण्यात आली तेव्हा तीन घटकांनी वर्चस्व गाजवले. तणाव सर्वात मजबूत योगदानकर्ता होता, वजन ०.१८२, त्यानंतर नैराश्य ०.१६० आणि चिंता ०.१४५. निराशा आणि झोपेच्या पद्धतींतील बदल नंतर आले, ज्यांनी एकत्रितपणे कमी-लवचिकता गटात पडण्याची अधिक शक्यता दर्शविणाऱ्या चलांचा समूह पूर्ण केला.

हा क्रम अंतर्ज्ञानी आहे, पण तरीही माहितीपूर्ण आहे. हे सूचित करते की कोणत्याही एका लक्षणाचे अलगीकरण नाही तर त्रासाचा संचित भार आरोग्य कर्मचाऱ्याकडे सामना करत राहण्यासाठी आवश्यक मानसिक संसाधने टिकवतो की नाही हे ठरवतो. या प्रकारच्या वजनावर आधारित स्क्रीनिंग पद्धती तत्त्वतः तणाव, कमी मनःस्थिती आणि चिंता यांच्या संयोगामुळे अधिक धोक्यात असलेल्या लोकांना ओळखू शकतात, तो धोका बर्नआउट किंवा व्यवसाय सोडण्यात रूपांतरित होण्यापूर्वी.

सामना करण्याच्या रणनीती एकत्र येतात

सामना करण्याच्या वर्तनांचे वैयक्तिक वजन कमी होते, तरी ते सातत्याने अधिक लवचिकतेशी संबंधित होते. सामाजिक आधार शोधणे, छंद, प्रार्थना आणि ध्यान या सर्वांची दिशा एकच होती, जे सूचित करते की हे सवयी अधिक लवचिकतेसोबत असतात, जरी त्रास-संबंधित चलांपेक्षा ते अंदाजात कमी योगदान देतात.

अधिक उल्लेखनीय म्हणजे ती वर्तने कशी एकत्र आली. संशोधकांना आढळले की परिणाम संचयी असल्याचे दिसते: एकाच वेळी अनेक सामना करण्याच्या रणनीती वापरल्याचे सांगणाऱ्या प्रतिसादकर्त्यांचे सरासरी लवचिकता गुण केवळ एकावर अवलंबून असलेल्यांपेक्षा जास्त होते. हा नमुना सूचित करतो की संरक्षक सवयींबाबत तीव्रतेइतकेच व्यापकत्वही महत्त्वाचे असू शकते. हे असे शोध आहे जे एकच स्नॅपशॉट सर्वेक्षण पूर्णपणे स्पष्ट करू शकत नाही, कारण क्रॉस-सेक्शनल रचना हे स्थापित करू शकत नाही की रणनीतींनी उच्च गुण निर्माण केले की आधीच लवचिक लोक त्यांना अवलंबण्याची अधिक शक्यता होती.

पुराव्याच्या मर्यादा

लेखक त्यांच्या निकालांच्या सीमांबद्दल स्पष्ट आहेत. डेटा महिने किंवा वर्षांमध्ये व्यक्तींचा मागोवा घेण्याऐवजी एकाच वेळेचा क्षण कैद करतो, त्यामुळे अभ्यास लवचिकता कशी वाढते किंवा घटते, किंवा सामना करण्याच्या वर्तनांशी संबंध कोणत्या दिशेने चालतो हे दर्शवू शकत नाही. सर्व मोजमाप सहभागींच्या स्वतःच्या अहवालांवर आधारित आहेत, जी मनःस्थिती, स्मरणशक्ती आणि सामाजिक अपेक्षांमुळे प्रभावित होऊ शकतात. आणि नमुना पूर्णपणे अमेरिकेतून घेतलेला आहे.

या मर्यादा इतर आरोग्य प्रणालींपर्यंत, विशेषतः लॅटिन अमेरिकेतील, जिथे कामाची परिस्थिती, कर्मचारी मॉडेल, वेतन रचना आणि मानसिक आरोग्याबद्दल सांस्कृतिक दृष्टिकोन सर्व भिन्न असू शकतात, तिथपर्यंत निष्कर्ष किती पसरवता येतील हे मर्यादित करतात. एका देशाच्या प्रतिसादकर्त्यांवर प्रशिक्षित मॉडेल आपोआप दुसऱ्या देशात हस्तांतरित होत नाही, जरी अंतर्निहित मानसिक संकल्पना समान असल्या तरी.

प्रस्तावित पुढील पावले

संशोधन पथक पुढील मार्ग स्पष्टपणे मांडते. प्रथम, लॅटिन अमेरिकेतील आरोग्य कर्मचाऱ्यांसह मॉडेलची वैधता तपासा की समान अंदाजक वेगळ्या कामगार बाजार आणि आरोग्य प्रणाली संदर्भात टिकतात का. दुसरे, इनपुट डेटा अतिरिक्त मापांनी समृद्ध करा, जसे झोपेचा डेटा किंवा शारीरिक निर्देशक, जे स्वतः-अहवालित प्रतिसादांना पूरक ठरू शकतात आणि अभ्यासाचे व्यक्तिनिष्ठ मूल्यांकनावरील अवलंबन कमी करू शकतात.

जर ती वैधता यशस्वी झाली, तर हा दृष्टिकोन संशोधन निष्कर्षापेक्षा अधिक व्यावहारिक गोष्टीला आधार देऊ शकतो: कोणत्या कर्मचाऱ्यांना सहाय्याचा सर्वाधिक फायदा होईल आणि सामना करण्याच्या कोणत्या संयोगांनी त्यांचे संरक्षण होते हे ओळखण्याचा मार्ग. लेखक मॉडेल तैनातीसाठी तयार आहे असे दावा करत नाहीत, आणि अचूकतेचे आकडे त्या सावधगिरीला न्याय देतात.

निकाल का महत्त्वाचा आहे

आरोग्य कर्मचारी बळाने अलीकडच्या वर्षांत प्रचंड दबाव सहन केला आहे, आणि केवळ तूट नाही तर लवचिकतेचे मॉडेलिंग करण्याचा निर्णय अर्थपूर्ण आहे. ७५.६% अचूकता दर हे निदान साधन नाही, आणि संशोधक ते तसे सादर करत नाहीत. पण हे सूचित करते की नियमितपणे गोळा केलेल्या सर्वेक्षण प्रतिसादांमध्ये शिकण्यायोग्य नमुना असतो, जो सरळ लॉजिस्टिक रिग्रेशन जड मशीन लर्निंग पर्यायांइतकाच चांगला वाचू शकतो. मानसिक आरोग्याची दुर्मिळ संसाधने कशी वापरायची याचा विचार करणाऱ्या आरोग्य प्रणालींसाठी, हा पुढे वैधता तपासण्यायोग्य संकेत आहे.

हा लेख Medical Xpress च्या अहवालावर आधारित आहे. मूळ लेख वाचा.