2020 के शुरुआती हिस्से में, शुरुआत और तेजी से फैलती है COVID-19 सर्वव्यापी महामारी महामारी विज्ञानियों को केंद्र चरण में ले जाते हुए, पूर्वानुमान के साथ कि कितनी तेजी से महामारी फैलेगी। शब्द R0, प्रजनन संख्या जो इंगित करती है कि कोई बीमारी कितनी संक्रामक है, पत्रिकाओं और शोध पत्रों के पन्नों से ड्राइंग रूम वार्तालापों में विशेषता के लिए गई थी।

आज के “नए सामान्य” में, जहां संक्रामक रोगों के बारे में जागरूकता और भय सबसे अधिक है, सवाल “क्या हम मौसम जैसी बीमारियों की भविष्यवाणी कर सकते हैं?” परीक्षा देता है।

“सभी मॉडल गलत हैं, लेकिन कुछ उपयोगी हैं” – जॉर्ज ईपी बॉक्स, ब्रिटिश सांख्यिकीविद्

पूर्वानुमान एक खतरनाक व्यवसाय है। यहां तक ​​कि व्यापक आर्थिक और वित्तीय धन के साथ भी डेटा, अधिकांश वित्तीय अर्थशास्त्री 2008 की महान मंदी की शुरुआत को देखने में विफल रहे। मौसम की भविष्यवाणी में कुछ सबसे जटिल प्रणालियां शामिल हैं जिनमें सुपर कंप्यूटर द्वारा संसाधित किए जा रहे उपग्रह और सेंसर डेटा के रीमिक्स शामिल हैं, फिर भी हम सभी पूर्वानुमानित नहीं होने वाली आंधी से परिचित हैं।

त्रुटियों और विफलताओं के अंतर्निहित जोखिम के बावजूद, पूर्वानुमान के प्रयास में एक जबरदस्त उपयोगिता है, खासकर जब बीमारियों की बात आती है। फ्लू जैसी मौसमी बीमारी के समय, परिमाण और प्रक्षेपवक्र को जानने से सरकारों को प्रसार को रोकने के लिए संसाधनों को न केवल जुटाने, आवंटित करने और प्रबंधित करने में मदद मिलती है, बल्कि आम जनता के लिए उचित और समय पर संचार सुनिश्चित होता है।

सरकारी एजेंसियों की भूमिका
के क्षेत्र में शायद सरकारी एजेंसियों के सबसे प्रसिद्ध रोग का पूर्वानुमान रोग नियंत्रण और रोकथाम केंद्र (सीडीसी), यूएस में एक राष्ट्रीय सार्वजनिक स्वास्थ्य संस्थान है। सीडीसी मौसमी महामारी के साथ-साथ महामारी और अन्य संक्रामक रोगों के पूर्वानुमान के लिए कार्यक्रम चलाता है।

2014 में, सीडीसी ने एपिडेमिक प्रेडिक्शन इनिशिएटिव (ईपीआई) शुरू किया, जो मुख्य रूप से फ्लू (इन्फ्लुएंजा) का अनुमान लगाने के उद्देश्य से उद्योग और शिक्षाविदों के शोधकर्ताओं को एक साथ खींचता है, लेकिन डेंगू जैसी अन्य बीमारियों को भी लक्षित किया है। EPI आगे ​​चलकर रोग के पूर्वानुमान के प्रयासों को चुनौती देता है, जैसे कि वार्षिक फ़्लुसाइट चैलेंज जहाँ अमेरिका में इन्फ्लुएंज़ा-जैसे इलनेस (ILI) का पूर्वानुमान लगाने के साथ-साथ राज्य स्तर पर इन्फ्लुएंज़ा हॉस्पिटलाइज़ेशन पर भी ध्यान केंद्रित किया जाता है।

भारत में, पूर्व-स्वतंत्रता मलेरिया पूर्वानुमानों में रोग पूर्वानुमान के प्रयासों की उत्पत्ति हुई है, जब इस रोग ने बड़े पैमाने पर नुकसान उठाया था और देश पर भारी बोझ डाला था। सीडीसी के सहयोग से राष्ट्रीय रोग नियंत्रण केंद्र (एनसीडीसी) ने भारतीय महामारी विज्ञान खुफिया प्रणाली (ईआईएस) की स्थापना में मदद करने के लिए एक वैश्विक रोग जांच (जीडीडी) क्षेत्रीय केंद्र की स्थापना की है।

रोग पूर्वानुमान के यांत्रिकी
सभी पूर्वानुमान प्रयासों में निम्नलिखित शामिल होते हैं: पूर्वानुमान लगाने, प्राप्त करने और प्राप्त होने वाले डेटा से संबंधित पूर्वानुमान लगाने, उपयुक्त विधियों या मॉडलों को चुनने और पूर्वानुमान की प्रभावशीलता को मापने के लिए क्या निर्णय लेना है, इसमें निम्नलिखित शामिल हैं। इन्हें फ़्लसाइट चैलेंज के उदाहरण का उपयोग करके समझा जा सकता है जो अक्टूबर के अंत / नवंबर के शुरू से अगले साल के मध्य मई तक चलती है।

पूर्वानुमान लक्ष्य: इसमें “फ़्लू सीज़न” की शुरुआत के लिए पूर्वानुमान शामिल है, पीक वीक, पीक इंटेंसिटी, सीज़न की अवधि, साप्ताहिक ILI प्रतिशत 1-4 सप्ताह आगे, पीक साप्ताहिक हॉस्पिटलाइज़ेशन रेट, साप्ताहिक हॉस्पिटलाइज़ेशन रेट 1-4 सप्ताह आगे, आदि।

उपयोग किए गए डेटा: चुनौती में भाग लेने वाले प्रतिभागियों ने ऐतिहासिक फ्लू डेटासेट, सोशल मीडिया पोस्ट, सर्च इंजन ट्रेंड के साथ-साथ अपने डेटा के निर्माण के लिए मौसम डेटा पर भरोसा किया। आम तौर पर, सीडीसी मानक डेटा स्रोतों (जैसे पर्चे दवा की बिक्री, स्कूल की छुट्टी के रिकॉर्ड, आउट पेशेंट बीमारी की रिपोर्ट आदि) के साथ-साथ अतिरिक्त डेटा स्रोतों (जैसे उपग्रह इमेजरी, इंटरनेट से क्रॉल की गई समाचार रिपोर्ट, आदि) का उपयोग करता है। इसके प्रयास।

उपयोग किए जाने वाले मॉडल: सरल समय श्रृंखला के मॉडल (पिछले मूल्यों के आधार पर भविष्य के मूल्य की भविष्यवाणी) से लेकर कंपार्टमेंटल मॉडल (अतिसंवेदनशील, संक्रामक, बरामद आदि) जैसे डिब्बों में जनसंख्या को विभाजित करने और परिभाषित दरों को परिभाषित करने के लिए विभिन्न प्रकार के दृष्टिकोण का उपयोग किया गया है। डिब्बों के बीच आंदोलन) मॉडल को इकट्ठा करने के लिए (एक पूर्वानुमान में कई मॉडल से पूर्वानुमानों को मिलाएं)। इन मॉडलों में से प्रत्येक के पास अपने स्वयं के पेशेवरों और विपक्ष हैं, इस आधार पर कि विधि कितनी सरल या जटिल है, अंतर्निहित धारणाएं हैं, कितना कंप्यूटिंग शक्ति की आवश्यकता है, आदि।

प्रभावशीलता माप: सरल त्रुटि-आधारित मैट्रिक्स (पूर्वानुमान सही था या नहीं?) रोग पूर्वानुमान में बहुत उपयोगी नहीं हैं। फ़्लसाइट कई प्रभावी माप तकनीकों का उपयोग करता है, जिनमें से एक मौसम पूर्वानुमान के समान पूर्वानुमानों को एक संभावना से बंधा होने की अनुमति देता है, जो कहते हैं कि आज 20% बारिश होने की संभावना है। पीक सप्ताह के पूर्वानुमान कह सकते हैं कि सप्ताह 1 में होने वाली चोटी की संभावना 10% है, सप्ताह 2 में 70% और सप्ताह 3 20% है, जिसका अर्थ है कि 1 और 3 सप्ताह के बीच होने वाली चोटी का 100% है लेकिन 0% मौका पहले या बाद में।
रोग की भविष्यवाणी का भविष्य

आगामी वर्षों में, पूर्वानुमान संबंधी बीमारियां केवल तीन प्रमुख कारणों से बेहतर होंगी:

* पहनने योग्य उपकरणों के आगमन के साथ डेटा के समृद्ध और बेहतर स्रोत, परिवेशी कंप्यूटिंग में सुधार, जहां स्मार्ट स्पीकर अब घरों के अंदर क्या हो रहा है, इस पर डेटा उठाते हैं, आनुवंशिक परीक्षणों के लिए साइन अप करने वाले लोग इस प्रकार जीन डेटा प्रदान करते हैं, आदि।

* पूर्वानुमान पद्धति में पूर्वानुमान जहां डीप न्यूरल नेटवर्क्स, विशेष रूप से रिक्रिएंट न्यूरल नेटवर्क्स के आस-पास नवाचारों का तेजी से उपयोग किया जा रहा है और पारंपरिक सांख्यिकीय तकनीकों की तुलना में उनकी प्रभावशीलता साबित हो रही है।

* रोगों के प्रसार की सटीक जानकारी के लिए सरकारों और व्यक्तियों से जागरूकता बढ़ाना और मांगना
जैसा कि इन दिनों डेटा के आसपास किसी भी प्रयास में होता है, गोपनीयता, डेटा साझाकरण, और भंडारण के आसपास के नियम ऐसी चुनौतियां बनते रहेंगे, जिन्हें हल करने से पहले हमें अपने स्मार्टफ़ोन पर सटीक रोग पूर्वानुमान उपलब्ध कराने की आवश्यकता होती है, जैसे कि हमें मौसम का अद्यतन कैसे प्राप्त होता है।

(लेखक निर्देशक हैं डाटा साइंस, ऑप्टम ग्लोबल सॉल्यूशंस (इंडिया) प्रा। लिमिटेड)