डेटा साइंस: सेवा में सुधार के लिए व्यावसायिक घटनाओं की भविष्यवाणी करना

सिफारिशों, घटनाओं की भविष्यवाणी या जोखिम आकलन के लिए एल्गोरिदम बैंकों, बीमा कंपनियों और कई अन्य व्यावसायिक क्षेत्रों में एक प्रवृत्ति समाधान है। उदाहरण के लिए, ये प्रोग्राम डेटा विश्लेषण के आधार पर मदद करते हैं, यह भविष्यवाणी करने के लिए कि जब कोई ग्राहक बैंक ऋण वापस करेगा, तो खुदरा में क्या मांग होगी, बीमित घटना या दूरसंचार में ग्राहकों के बहिर्वाह की संभावना क्या है आदि। एक व्यवसाय के लिए, यह उनके खर्चों को अनुकूलित करने, काम की गति बढ़ाने और आमतौर पर सेवा में सुधार करने का एक मूल्यवान अवसर है।

हालांकि, वर्गीकरण और प्रतिगमन जैसे पारंपरिक दृष्टिकोण ऐसे कार्यक्रमों के निर्माण के लिए उपयुक्त नहीं हैं। इस समस्या को मेडिकल एपिसोड की भविष्यवाणी करने वाले एक मामले के उदाहरण के रूप में देखें: हम डेटा की प्रकृति में बारीकियों का विश्लेषण करते हैं और मॉडलिंग के लिए संभव दृष्टिकोण, एक मॉडल का निर्माण करते हैं और इसकी गुणवत्ता का विश्लेषण करते हैं।

मेडिकल एपिसोड की भविष्यवाणी करने की चुनौती

एपिसोड की भविष्यवाणी ऐतिहासिक डेटा के विश्लेषण पर आधारित है। इस मामले में डेटासेट में दो भाग होते हैं। पहला रोगी को प्रदान की जाने वाली सेवाओं का डेटा है। डेटासेट के इस भाग में रोगी के बारे में सामाजिक-जनसांख्यिकीय डेटा शामिल है, जैसे कि उम्र और लिंग, साथ ही साथ ICD10-CM एन्कोडिंग [1] और HCPCS प्रक्रियाओं [2] में अलग-अलग समय पर उसका निदान किया जाता है। ये डेटा समय में अनुक्रम बनाते हैं जो आपको ब्याज के समय रोगी की स्थिति का अंदाजा लगा सकते हैं। प्रशिक्षण मॉडल के लिए, साथ ही साथ उत्पादन में काम करने के लिए, व्यक्तिगत डेटा पर्याप्त है।

डेटासेट का दूसरा भाग रोगी के लिए होने वाले एपिसोड की एक सूची है। प्रत्येक एपिसोड के लिए हम इसके प्रकार और घटना की तारीख, साथ ही समय अवधि, सेवाओं और अन्य जानकारी को इंगित करते हैं। इन आंकड़ों से, भविष्यवाणी के लिए लक्ष्य चर उत्पन्न होते हैं।

समस्या का हल होने में समय का पहलू महत्वपूर्ण है: हम केवल उन प्रकरणों में रुचि रखते हैं जो निकट भविष्य में उत्पन्न हो सकते हैं। दूसरी ओर, हमारे निपटान में डेटासेट सीमित समय के लिए एकत्र किया गया था, जिसके आगे कोई डेटा नहीं है। इस प्रकार, हम यह नहीं कह सकते हैं कि क्या अवलोकन अवधि के बाहर के एपिसोड होते हैं, वे कौन से एपिसोड हैं, जिस समय वे उत्पन्न होते हैं, ठीक उसी क्षण। इस स्थिति को राइट सेंसरिंग कहा जाता है।

इसी तरह, बाएं सेंसरिंग होता है: कुछ रोगियों के लिए, हमारे अवलोकन के लिए उपलब्ध होने से पहले एक एपिसोड विकसित होना शुरू हो सकता है। हमारे लिए, यह एक एपिसोड की तरह दिखेगा जो बिना किसी पृष्ठभूमि के उत्पन्न हुआ।

डेटा की सेंसरशिप का एक और प्रकार है - अवलोकन का रुकावट (यदि अवलोकन अवधि पूरी नहीं हुई है और घटना नहीं हुई है)। उदाहरण के लिए, रोगी के हिलने के कारण, डेटा संग्रह प्रणाली में विफलता, और इसी तरह।

अंजीर में। 1 योजनाबद्ध रूप से डेटा के विभिन्न प्रकार के सेंसरशिप को दर्शाता है। वे सभी आंकड़े विकृत करते हैं और एक मॉडल का निर्माण मुश्किल बनाते हैं।


नोट: 1 - बिना सेंसर किए हुए अवलोकन; 2, 3 - क्रमशः बाएं और दाएं सेंसरशिप; 4 - एक ही समय में बाएं और दाएं सेंसरशिप;
5 - अवलोकन का रुकावट।

डेटासेट की एक अन्य महत्वपूर्ण विशेषता वास्तविक जीवन में डेटा स्ट्रीम की प्रकृति से संबंधित है। कुछ डेटा देरी से आ सकते हैं, जिस स्थिति में वे भविष्यवाणी के समय उपलब्ध नहीं हैं। इस सुविधा को ध्यान में रखने के लिए, प्रत्येक अनुक्रम की पूंछ से कई तत्वों को फेंककर डेटासेट को पूरक करना आवश्यक है।

वर्गीकरण और प्रतिगमन

स्वाभाविक रूप से, पहला विचार प्रसिद्ध वर्गीकरण और प्रतिगमन के लिए समस्या को कम करना होगा। हालांकि, ये दृष्टिकोण गंभीर कठिनाइयों का सामना करते हैं।

प्रतिगमन हमें क्यों सूट नहीं करता है, यह दाएं और बाएं सेंसरशिप की मानी जाने वाली घटनाओं से स्पष्ट है: डेटासेट में एक एपिसोड के होने के समय का वितरण स्थानांतरित किया जा सकता है। इसके अलावा, परिमाण और इस पूर्वाग्रह की उपस्थिति के तथ्य को स्वयं डेटासेट का उपयोग करके निर्धारित नहीं किया जा सकता है। निर्मित मॉडल सत्यापन के लिए किसी भी दृष्टिकोण के साथ मनमाने ढंग से अच्छे परिणाम दिखा सकता है, लेकिन यह, सबसे अधिक संभावना है, उत्पादन डेटा पर पूर्वानुमान के लिए इसकी उपयुक्तता से कोई लेना-देना नहीं होगा।

अधिक आशाजनक, पहली नज़र में, वर्गीकरण को समस्या को कम करने का एक प्रयास है: एक निश्चित अवधि निर्धारित करना और इस अवधि में उत्पन्न होने वाले प्रकरण को निर्धारित करना। यहां मुख्य कठिनाई हमारे लिए समय के अंतराल का बंधन है। इसे केवल रोगी के इतिहास के अंतिम अपडेट के क्षण से ही जोड़ा जा सकता है। इसी समय, एपिसोड की भविष्यवाणी के लिए अनुरोध बिल्कुल भी समय से बंधा नहीं है और किसी भी क्षण आ सकता है, दोनों इस अवधि के भीतर (और फिर ब्याज की प्रभावी अवधि को छोटा कर दिया जाता है), और यहां तक ​​कि पूरी तरह से बाहर - और फिर भविष्यवाणी आमतौर पर इसका अर्थ खो देती है (देखें अंजीर। 2)। यह स्वाभाविक रूप से ब्याज की अवधि में वृद्धि को प्रेरित करता है, जो अंततः भविष्यवाणी के मूल्य को वैसे भी कम कर देता है।



नोट: 1 - रोगी के इतिहास को अपडेट करता है; 2 - नवीनतम अद्यतन और इसके साथ जुड़े समय अवधि; इस अवधि के दौरान 3, 4 - एपिसोड भविष्यवाणी अनुरोध प्राप्त हुए। यह देखा जाता है कि उनके लिए प्रभावी भविष्यवाणी अंतराल कम है; 5 - अंतराल के बाहर प्राप्त अनुरोध। उसके लिए, भविष्यवाणी असंभव है।

उत्तरजीविता विश्लेषण

एक विकल्प के रूप में, हम दृष्टिकोण पर विचार कर सकते हैं, रूसी साहित्य में उत्तरजीविता विश्लेषण (उत्तरजीविता विश्लेषण, या समय-दर-घटना विश्लेषण) [3]। यह विशेष रूप से सेंसर किए गए डेटा के साथ काम करने के लिए डिज़ाइन किए गए मॉडल का एक परिवार है। यह जोखिम फ़ंक्शन (खतरों के कार्य, घटनाओं की घटना की तीव्रता) के अनुमान पर आधारित है, जो समय के साथ किसी घटना की संभावना के वितरण का अनुमान लगाता है। यह दृष्टिकोण आपको विभिन्न प्रकार के सेंसरशिप की उपस्थिति को सही ढंग से ध्यान में रखने की अनुमति देता है।

समस्या के हल के लिए, यह दृष्टिकोण अतिरिक्त रूप से समस्या के दोनों पहलुओं को एक मॉडल में संयोजित करने की अनुमति देता है: प्रकरण के प्रकार का निर्धारण करना और इसके होने के समय की भविष्यवाणी करना। ऐसा करने के लिए, यह वर्गीकरण में एक-बनाम-सभी दृष्टिकोण के समान प्रत्येक प्रकार के एपिसोड के लिए एक अलग मॉडल बनाने के लिए पर्याप्त है। फिर एक गैर-लक्ष्य एपिसोड की घटना को एक घटना की घटना के बिना देखे गए नमूने से किसी वस्तु के बहिष्कार के रूप में व्याख्या की जा सकती है, जो डेटा का एक और प्रकार का सेंसरशिप है और इसे मॉडल द्वारा सही तरीके से भी ध्यान में रखा जाता है। यह तर्क व्यवसायिक तर्क के दृष्टिकोण से सही है: यदि किसी मरीज को मोतियाबिंद की सर्जरी है, तो यह भविष्य में उसके लिए अन्य प्रकरणों की घटना को बाहर नहीं करता है।

उत्तरजीविता विश्लेषण के लिए मॉडल के परिवार के बीच, दो किस्मों को प्रतिष्ठित किया जा सकता है: विश्लेषणात्मक और प्रतिगमन। विश्लेषणात्मक मॉडल विशुद्ध रूप से वर्णनात्मक हैं, वे पूरी आबादी के लिए बनाए गए हैं, अपने व्यक्तिगत सदस्यों की विशेषताओं को ध्यान में नहीं रखते हैं, और इसलिए केवल आबादी के कुछ विशिष्ट सदस्यों के लिए एक घटना की घटना का अनुमान लगा सकते हैं। विश्लेषणात्मक के विपरीत, प्रतिगमन मॉडल को आबादी के व्यक्तिगत सदस्यों की विशेषताओं को ध्यान में रखते हुए बनाया जाता है और व्यक्तिगत सदस्यों को उनकी विशेषताओं को ध्यान में रखते हुए पूर्वानुमान के लिए भी अनुमति दी जाती है। इस समस्या में, यह वह भिन्नता थी जिसका उपयोग किया गया था, या यों कहें कि कॉक्स का आनुपातिक खतरा मॉडल (इसके बाद - कॉक्सपीएच)।

उत्तरजीविता प्रतिगमन और मोतियाबिंद सर्जरी

सबसे सरल दृष्टिकोण पारंपरिक प्रतिगमन के समान होगा: आउटपुट के रूप में घटना की शुरुआत के समय की गणितीय अपेक्षा को लें। चूंकि कॉक्सपीएच इनपुट पर एक संख्यात्मक वेक्टर के रूप में डेटा प्राप्त करता है, और हमारे डेटासेट वास्तव में, निदान कोड और प्रक्रियाओं (श्रेणीबद्ध डेटा) का एक क्रम है, प्रारंभिक डेटा परिवर्तन की आवश्यकता है:

• पहले से प्रशिक्षित ग्लोव मॉडल [4] का उपयोग करके एक एम्बेडेड प्रतिनिधित्व में कोड का अनुवाद;
• एक ही वेक्टर में रोगी के इतिहास की अंतिम अवधि में उपलब्ध सभी कोडों का एकत्रीकरण;
• रोगी के लिंग का एक-गर्म कोडिंग और उम्र का माप।

हम मॉडल प्रशिक्षण और इसकी मान्यता के लिए प्राप्त फ़ीचर वैक्टर का उपयोग करते हैं। परिणामी मॉडल निम्नलिखित संघात सूचकांक (सी-इंडेक्स या सी-स्टेटिस्टिक) मानों को प्रदर्शित करता है [5]:

• 5-गुना सत्यापन के लिए 0.71;
• लंबित नमूने पर 0.69।

यह इस तरह के मॉडल [6] के लिए सामान्य रूप से 0.6–0.7 के स्तर के बराबर है।

हालाँकि, यदि आप एपिसोड के होने की अनुमानित अनुमानित समय और वास्तविक एक के बीच औसत निरपेक्ष त्रुटि को देखते हैं, तो यह पता चलता है कि त्रुटि 5 दिन है। इस तरह की बड़ी गलती का कारण यह है कि सी-इंडेक्स के लिए अनुकूलन केवल मूल्यों के सही क्रम की गारंटी देता है: यदि एक घटना दूसरे से पहले घटित होनी चाहिए, तो घटनाओं के लिए अपेक्षित समय के अनुमानित मूल्य क्रमशः एक से कम होंगे। इसके अलावा, पूर्वानुमानित मूल्यों के बारे में कोई बयान नहीं दिया जाता है।

मॉडल के आउटपुट मूल्य का एक और संभावित संस्करण समय में विभिन्न बिंदुओं पर जोखिम फ़ंक्शन के मूल्यों की एक तालिका है। इस विकल्प में एक अधिक जटिल संरचना है, पिछले एक की तुलना में व्याख्या करना अधिक कठिन है, लेकिन साथ ही यह अधिक जानकारी प्रदान करता है।

आउटपुट स्वरूप को बदलने के लिए मॉडल की गुणवत्ता का आकलन करने के एक अलग तरीके की आवश्यकता होती है: हमें यह सुनिश्चित करने की आवश्यकता है कि सकारात्मक उदाहरणों के लिए (जब कोई एपिसोड होता है) जोखिम का स्तर नकारात्मक उदाहरणों (जब कोई एपिसोड नहीं होता है) की तुलना में अधिक है। ऐसा करने के लिए, विलंबित नमूने में जोखिम फ़ंक्शन के प्रत्येक अनुमानित वितरण के लिए, हम मानों की तालिका से एक मूल्य - अधिकतम तक बढ़ेंगे। सकारात्मक और नकारात्मक उदाहरणों के लिए माध्य मानों को गिना जाने पर, हम देखेंगे कि वे क्रमशः भिन्न होते हैं: क्रमशः 0.13 बनाम 0.04।

अगला, हम इन मूल्यों का उपयोग आरओसी वक्र बनाने और इसके तहत क्षेत्र की गणना करने के लिए करते हैं - आरओसी एयूसी, जो 0.92 है, जो समस्या के हल के लिए स्वीकार्य है।

निष्कर्ष

इस प्रकार, हमने देखा कि उत्तरजीविता विश्लेषण चिकित्सा प्रकरणों की भविष्यवाणी की समस्या को हल करने के लिए सबसे अच्छा तरीका है, समस्या की सभी बारीकियों और उपलब्ध आंकड़ों को ध्यान में रखता है। हालाँकि, इसका अनुप्रयोग मॉडल आउटपुट डेटा का एक अलग प्रारूप और इसकी गुणवत्ता का आकलन करने के लिए एक अलग दृष्टिकोण का अर्थ है।

मोतियाबिंद सर्जरी के एपिसोड की भविष्यवाणी करने के लिए कॉक्सपीएच मॉडल को लागू करने से हमें स्वीकार्य मॉडल गुणवत्ता संकेतक प्राप्त करने की अनुमति मिली। एक समान दृष्टिकोण को अन्य प्रकार के एपिसोड पर लागू किया जा सकता है, लेकिन मॉडल के विशिष्ट गुणवत्ता संकेतक केवल मॉडलिंग प्रक्रिया में सीधे मूल्यांकन कर सकते हैं।

साहित्य

[१] ICD-१० नैदानिक ​​संशोधन en.wikipedia.org/wiki/ICD-10_Clinical_Modification
[२] हेल्थकेयर कॉमन प्रोसीजर कोडिंग सिस्टम en.wikipedia.org/wiki/Healthcare_Common_Procedure_Coding_System
[३] उत्तरजीविता विश्लेषण en.wikipedia.org/wiki/Survival_analysis
[४] ग्लोव: शब्द प्रतिनिधित्व के लिए ग्लोबल वेक्टर्स nlp.stanford.edu/projects/glove
[५] सी-स्टेटिस्टिक: परिभाषा, उदाहरण, भार और महत्व www.statisticshowto.datasciencecentral.com/c-statistic
[६] कुलपति रायकर एट अल। उत्तरजीविता विश्लेषण में रैंकिंग पर: कॉनकॉर्डेंस इंडेक्स पेपर्स.nips.cc/paper/3375-on-ranking-in-survival-analysis-bounds-on-the-concordance.index.pdf पर सीमाएं