टोक्यो(आईएनएस): जापानी शोधकर्ताओं ने मशीन लर्निंग पर आधारित मॉडल विकसित किए हैं जो उच्च मायोपिया वाले रोगियों में दृश्य हानि के जोखिम की भविष्यवाणी करते हैं – जो दुनिया के कई क्षेत्रों में अपरिवर्तनीय अंधेपन के शीर्ष तीन कारणों में से एक है।
अत्यधिक अदूरदर्शिता (जिसे हाई मायोपिया कहा जाता है) वाले लोग अपने नजदीक की वस्तुओं को स्पष्ट रूप से देख सकते हैं, लेकिन दूर की वस्तुओं पर ध्यान केंद्रित नहीं कर पाते हैं।
उनकी दृष्टि को ठीक करने के लिए संपर्क, चश्मे या सर्जरी का उपयोग किया जा सकता है, लेकिन उच्च मायोपिया होना सिर्फ असुविधाजनक नहीं है; आधे समय में यह पैथोलॉजिकल मायोपिया नामक स्थिति की ओर ले जाता है, और पैथोलॉजिकल मायोपिया से होने वाली जटिलताएँ अंधेपन का प्रमुख कारण होती हैं।
जापान में टोक्यो मेडिकल एंड डेंटल यूनिवर्सिटी (टीएमडीयू) के प्रमुख लेखक यिनिंग वांग ने कहा, “हम जानते हैं कि मशीन-लर्निंग एल्गोरिदम मायोपिया में परिवर्तन और जटिलताओं की पहचान करने जैसे कार्यों पर अच्छा काम करते हैं।”
“लेकिन इस अध्ययन में, हम कुछ अलग जांच करना चाहते थे, अर्थात् ये एल्गोरिदम दीर्घकालिक भविष्यवाणियों में कितने अच्छे हैं।”
ऐसा करने के लिए, टीम ने एक समूह अध्ययन किया और 3 और 5 साल बीतने के बाद 967 जापानी रोगियों की दृश्य तीक्ष्णता को देखा।
उन्होंने 34 वेरिएबल्स से एक डेटासेट बनाया जो आमतौर पर नेत्र संबंधी परीक्षाओं के दौरान एकत्र किए जाते हैं, जैसे उम्र, वर्तमान दृश्य तीक्ष्णता और कॉर्निया का व्यास।
फिर उन्होंने कई लोकप्रिय मशीन-लर्निंग मॉडल जैसे रैंडम फ़ॉरेस्ट और सपोर्ट वेक्टर मशीनों का परीक्षण किया। इन मॉडलों में से, लॉजिस्टिक रिग्रेशन-आधारित मॉडल ने 5 वर्षों में दृश्य हानि की भविष्यवाणी करने में सबसे अच्छा प्रदर्शन किया।
हालाँकि, परिणामों की भविष्यवाणी करना कहानी का केवल एक हिस्सा है।
विश्वविद्यालय के वरिष्ठ लेखक क्योको ओहनो-मात्सुई ने कहा, “मॉडल के आउटपुट को ऐसे तरीके से प्रस्तुत करना भी महत्वपूर्ण है जो मरीजों के लिए समझने में आसान हो और नैदानिक निर्णय लेने के लिए सुविधाजनक हो।”
ऐसा करने के लिए, शोधकर्ताओं ने वर्गीकरण मॉडल की कल्पना करने के लिए एक नॉमोग्राम का उपयोग किया। प्रत्येक चर को लंबाई के साथ एक रेखा दी गई है जो इंगित करती है कि दृश्य तीक्ष्णता की भविष्यवाणी करने के लिए यह कितना महत्वपूर्ण है।
इन लंबाई को बिंदुओं में परिवर्तित किया जा सकता है जिन्हें भविष्य में दृश्य हानि के जोखिम को समझाते हुए अंतिम स्कोर प्राप्त करने के लिए जोड़ा जा सकता है।
जो लोग स्थायी रूप से अपनी दृष्टि खो देते हैं वे अक्सर अपनी स्वतंत्रता के नुकसान के परिणामस्वरूप आर्थिक और शारीरिक रूप से पीड़ित होते हैं।
हालाँकि मॉडल का अभी भी व्यापक आबादी पर मूल्यांकन किया जाना है, इस अध्ययन से पता चला है कि मशीन-लर्निंग मॉडल में इस बढ़ती महत्वपूर्ण सार्वजनिक स्वास्थ्य चिंता को दूर करने में मदद करने की अच्छी क्षमता है, जिससे व्यक्तियों और समाज दोनों को लाभ होगा।
