महामारी विज्ञान

Epistemology

महामारी विज्ञान विशिष्ट आबादी में स्वास्थ्य परिणामों और बीमारियों का अध्ययन है।

vanc

महामारी विज्ञान (Epidemiology) एक परिभाषित जनसंख्या में स्वास्थ्य और रोग की स्थितियों के वितरण (कौन, कब और कहाँ), पैटर्न और निर्धारकों का अध्ययन और विश्लेषण है, तथा बीमारियों को रोकने के लिए इस ज्ञान का अनुप्रयोग है।

यह सार्वजनिक स्वास्थ्य की आधारशिला है, और यह बीमारी के लिए जोखिम कारकों और निवारक स्वास्थ्य देखभाल के लक्ष्यों की पहचान करके नीतिगत निर्णयों और साक्ष्य-आधारित अभ्यास को आकार देता है। महामारी विज्ञानी अध्ययन डिजाइन, डेटा के संग्रह और सांख्यिकीय विश्लेषण, परिणामों की व्याख्या और प्रसार (जिसमें पीयर रिव्यू और कभी-कभी व्यवस्थित समीक्षा शामिल है) में मदद करते हैं। महामारी विज्ञान ने नैदानिक अनुसंधान, सार्वजनिक स्वास्थ्य अध्ययनों और कुछ हद तक जैविक विज्ञानों में मौलिक अनुसंधान में उपयोग की जाने वाली कार्यप्रणाली विकसित करने में मदद की है।

महामारी विज्ञान के अध्ययन के प्रमुख क्षेत्रों में रोग का कारण, संचरण, प्रकोप जांच, रोग निगरानी, पर्यावरण महामारी विज्ञान, फोरेंसिक महामारी विज्ञान, व्यावसायिक महामारी विज्ञान, स्क्रीनिंग, बायोमॉनिटरिंग, और नैदानिक परीक्षणों जैसे उपचार प्रभावों की तुलना शामिल है। महामारी विज्ञानी रोग प्रक्रियाओं को बेहतर ढंग से समझने के लिए जीव विज्ञान, डेटा का कुशल उपयोग करने और उचित निष्कर्ष निकालने के लिए सांख्यिकी, निकटवर्ती और दूरस्थ कारणों को बेहतर ढंग से समझने के लिए सामाजिक विज्ञान, और एक्सपोज़र मूल्यांकन के लिए इंजीनियरिंग जैसे अन्य वैज्ञानिक विषयों पर निर्भर करते हैं।

महामारी विज्ञान, जिसका शाब्दिक अर्थ 'लोगों पर जो है उसका अध्ययन' है, अध्ययन से लिया गया है, जो मानव आबादी के अध्ययन को संदर्भित करता है। हालाँकि, यह शब्द प्राणी आबादी के अध्ययन (पशु चिकित्सा महामारी विज्ञान) में व्यापक रूप से उपयोग किया जाता है, हालाँकि ऐतिहासिक रूप से 'epizootiology' शब्द का उपयोग किया जाता था। 'महामारी विज्ञान' को पौधों की आबादी (पादप रोग महामारी विज्ञान) के अध्ययन पर भी लागू किया गया है।

"महामारी" (epidemic) और "स्थानिक" (endemic) के बीच का अंतर पहली बार हिप्पोक्रेट्स द्वारा खींचा गया था। "महामारी विज्ञान" शब्द का प्रयोग पहली बार 1802 में स्पेनिश चिकित्सक es द्वारा Epidemiología Española में महामारियों के अध्ययन का वर्णन करने के लिए किया गया था। महामारी विज्ञानी एक आबादी में बीमारियों की परस्पर क्रिया का भी अध्ययन करते हैं, जिसे सिंडेमिक के रूप में जाना जाता है।

महामारी विज्ञान शब्द का प्रयोग अब न केवल महामारी, संक्रामक रोग, बल्कि सामान्य रूप से बीमारी के विवरण और कारण को कवर करने के लिए व्यापक रूप से किया जाता है, जिसमें संबंधित स्थितियां और, विशेष रूप से 20वीं सदी के बाद से, मधुमेह, हृदय रोग और कैंसर जैसे दीर्घकालिक रोग शामिल हैं। महामारी विज्ञान के माध्यम से जांचे गए विषयों के कुछ उदाहरणों में उच्च रक्तचाप, मानसिक बीमारी और मोटापा शामिल हैं। इसलिए, यह महामारी विज्ञान इस बात पर आधारित है कि बीमारी का पैटर्न मनुष्यों के कार्य में कैसे परिवर्तन लाता है।

इतिहास

डेमोक्रिटस द्वारा शिक्षित यूनानी चिकित्सक हिप्पोक्रेट्स, जिन्हें चिकित्सा का जनक माना जाता है, ने बीमारी के लिए तर्क की तलाश की; वह बीमारी की घटना और पर्यावरणीय प्रभावों के बीच संबंधों की जांच करने वाले पहले ज्ञात व्यक्ति हैं। हिप्पोक्रेट्स का मानना था कि मानव शरीर की बीमारी चार हास्य (काला पित्त, पीला पित्त, रक्त और कफ) के असंतुलन के कारण होती है। बीमारी का इलाज शरीर को संतुलित करने के लिए संबंधित हास्य को हटाना या जोड़ना था। इस विश्वास ने चिकित्सा में रक्तस्राव (bloodletting) और आहार के अनुप्रयोग को जन्म दिया। उन्होंने स्थानिक (उन बीमारियों के लिए जो आमतौर पर कुछ जगहों पर पाई जाती हैं लेकिन दूसरों में नहीं) और महामारी (उन बीमारियों के लिए जो कुछ समय पर देखी जाती हैं लेकिन दूसरों पर नहीं) शब्द गढ़े।

आधुनिक युग

আরও দেখুন: History of emerging infectious diseases 16वीं शताब्दी के मध्य में, वेरोना के एक डॉक्टर Girolamo Fracastoro ने पहली बार यह सिद्धांत प्रस्तावित किया कि बीमारी पैदा करने वाले बहुत छोटे, अदृश्य कण जीवित थे। उन्हें हवा से फैलने, खुद से गुणा करने और आग से नष्ट होने में सक्षम माना जाता था। इस तरह उन्होंने गेलेन के मियास्मा सिद्धांत (बीमार लोगों में जहरीली गैस) का खंडन किया। 1543 में उन्होंने एक पुस्तक De contagione et contagiosis morbis लिखी, जिसमें उन्होंने बीमारी को रोकने के लिए व्यक्तिगत और पर्यावरणीय स्वच्छता को बढ़ावा देने वाले पहले व्यक्ति थे। 1675 में एंटनी वैन लीउवेनहोक द्वारा पर्याप्त शक्तिशाली माइक्रोस्कोप के विकास ने जीवित कणों का दृश्य प्रमाण प्रदान किया जो रोग के रोगाणु सिद्धांत के अनुरूप था।

मिंग राजवंश के दौरान, Wu Youke (1582–1652) ने यह विचार विकसित किया कि कुछ बीमारियां संक्रामक एजेंटों के कारण होती हैं, जिन्हें उन्होंने ली क्यू (戾气 या महामारी कारक) कहा, जब उन्होंने 1641 और 1644 के बीच अपने चारों ओर विभिन्न महामारियों को देखा। उनकी पुस्तक वेन यी लुन (瘟疫论, महामारी पर ग्रंथ) को मुख्य एटियलॉजिकल कार्य माना जा सकता है जिसने इस अवधारणा को आगे बढ़ाया। 2004 में पारंपरिक चीनी चिकित्सा के संदर्भ में WHO द्वारा SARS के प्रकोप का विश्लेषण करते समय उनके विचारों पर अभी भी विचार किया जा रहा था।

एक अन्य अग्रणी, Thomas Sydenham (1624–1689), 1600 के दशक के उत्तरार्ध में लंदनवासियों के बुखारों को अलग करने वाले पहले व्यक्ति थे। बुखार के इलाज पर उनके सिद्धांतों को उस समय पारंपरिक चिकित्सकों से काफी विरोध का सामना करना पड़ा। वह चेचक के बुखार का प्रारंभिक कारण नहीं ढूंढ पाए जिसका उन्होंने शोध और उपचार किया था।

John Graunt, एक हैबरडैशर और शौकिया सांख्यिकीविद्, ने 1662 में नेचुरल एंड पॉलिटिकल ऑब्जर्वेशन ... अपॉन द बिल्स ऑफ मॉर्टेलिटी प्रकाशित की। इसमें, उन्होंने ग्रेट प्लेग से पहले लंदन में मृत्यु दर के आंकड़ों का विश्लेषण किया, पहले जीवन तालिकाओं में से एक प्रस्तुत की, और कई बीमारियों, नई और पुरानी, के लिए समय के रुझान की सूचना दी। उन्होंने बीमारी पर कई सिद्धांतों के लिए सांख्यिकीय प्रमाण प्रदान किए, और उन पर कुछ व्यापक विचारों का खंडन भी किया।

जॉन स्नो द्वारा बनाया गया मूल मानचित्र, जिसमें लंदन की 1854 की महामारी में हैजा के मामलों के क्लस्टर दिखाए गए हैं

जॉन स्नो 19वीं सदी की हैजा महामारियों के कारणों की अपनी जांच के लिए प्रसिद्ध हैं, और उन्हें (आधुनिक) महामारी विज्ञान का जनक भी कहा जाता है। उन्होंने साउथवर्क कंपनी द्वारा आपूर्ति किए जाने वाले दो क्षेत्रों में मृत्यु दर के काफी अधिक होने पर ध्यान देकर शुरुआत की थी। सोहो महामारी के कारण के रूप में ब्रॉड स्ट्रीट पंप की उनकी पहचान को महामारी विज्ञान का उत्कृष्ट उदाहरण माना जाता है। स्नो ने पानी को साफ करने के प्रयास में क्लोरीन का उपयोग किया और पंप का हैंडल हटा दिया; इससे प्रकोप समाप्त हो गया। इसे सार्वजनिक स्वास्थ्य के इतिहास में एक बड़ी घटना के रूप में देखा गया है और इसे महामारी विज्ञान के विज्ञान की स्थापना की घटना माना जाता है, जिसने दुनिया भर में सार्वजनिक स्वास्थ्य नीतियों को आकार देने में मदद की है। हालाँकि, स्नो के शोध और आगे के प्रकोपों से बचने के लिए निवारक उपायों को उनकी मृत्यु के बाद तक पूरी तरह से स्वीकार नहीं किया गया या व्यवहार में नहीं लाया गया, जिसका कारण उस समय प्रचलित मियास्मा सिद्धांत था, जो बीमारी का एक ऐसा मॉडल था जिसमें खराब वायु गुणवत्ता को बीमारी के लिए जिम्मेदार ठहराया जाता था। इसका उपयोग कुपोषण और स्वच्छता के अंतर्निहित मुद्दों को संबोधित करने के बजाय गरीब क्षेत्रों में संक्रमण की उच्च दरों को तर्कसंगत बनाने के लिए किया गया था, और उनके काम ने इसे गलत साबित कर दिया।

अन्य अग्रदूतों में डेनिश चिकित्सक पीटर एंटोन श्लेइसनर शामिल हैं, जिन्होंने 1849 में आइसलैंड के वेस्टमाना द्वीप समूह पर नवजात टेटनस की महामारी की रोकथाम पर अपने काम को जोड़ा। एक अन्य महत्वपूर्ण अग्रदूत हंगेरियन चिकित्सक इग्नाज़ सेमेल्विस थे, जिन्होंने 1847 में कीटाणुशोधन प्रक्रिया शुरू करके वियना के एक अस्पताल में शिशु मृत्यु दर को कम किया। उनके निष्कर्ष 1850 में प्रकाशित हुए थे, लेकिन उनके काम को उनके सहयोगियों द्वारा अच्छी तरह से नहीं लिया गया, जिन्होंने प्रक्रिया बंद कर दी थी। कीटाणुशोधन का व्यापक रूप से अभ्यास तब तक नहीं हुआ जब तक कि ब्रिटिश सर्जन जोसेफ लिस्टर, अपने सहयोगी, रसायनज्ञ थॉमस एंडरसन की सहायता से, लुई पाश्चर के पूर्व के काम के आधार पर 1865 में एंटीसेप्टिक्स की "खोज" करने में सक्षम नहीं हुए।

20वीं सदी की शुरुआत में, रोनाल्ड रॉस, जेनेट लेन-क्लेपॉन, एंडरसन ग्रे मैकेंड्रिक और अन्य लोगों द्वारा महामारी विज्ञान में गणितीय विधियों को पेश किया गया था। 1927 में, विलियम ओगिल्वी केरमैक और एंडरसन ग्रे मैकेंड्रिक ने रसायन विज्ञान से जनसंख्या में रोग संचरण के लिए मास-एक्शन कैनेटीक्स को लागू करते हुए आधारभूत SIR (संवेदनशील-संक्रमित-ठीक हुए) मॉडल प्रकाशित किया। 1920 के दशक के दौरान एक समानांतर विकास में, जर्मन-स्विस रोगविज्ञानी मैक्स अस्कानाज़ी और अन्य ने विभिन्न क्षेत्रों में आबादी के बीच कैंसर और अन्य गैर-संक्रामक रोगों के भौगोलिक विकृति विज्ञान की व्यवस्थित रूप से जांच करने के लिए इंटरनेशनल सोसाइटी फॉर जियोग्राफिकल पैथोलॉजी की स्थापना की। द्वितीय विश्व युद्ध के बाद, रिचर्ड डॉल और अन्य गैर-रोगविज्ञानी इस क्षेत्र में शामिल हुए और कैंसर का अध्ययन करने के लिए उन्नत तरीके अपनाए, जो एक ऐसी बीमारी है जिसके पैटर्न और होने के तरीके का अध्ययन संक्रामक रोगों की महामारियों के लिए विकसित तरीकों से उचित रूप से नहीं किया जा सकता था। भौगोलिक विकृति विज्ञान अंततः संक्रामक रोग महामारी विज्ञान के साथ मिलकर उस क्षेत्र का निर्माण किया जो आज महामारी विज्ञान है।

एक और सफलता ब्रिटिश डॉक्टर्स स्टडी के परिणामों का 1954 का प्रकाशन था, जिसका नेतृत्व रिचर्ड डॉल और ऑस्टिन ब्रैडफोर्ड हिल ने किया था, जिसने तंबाकू धूम्रपान और फेफड़ों के कैंसर के बीच संबंध के लिए बहुत मजबूत सांख्यिकीय समर्थन प्रदान किया।

20वीं सदी के अंत में, जैव चिकित्सा विज्ञान की प्रगति के साथ, रक्त, अन्य जैव-नमूनों और पर्यावरण में कई आणविक मार्करों की पहचान किसी विशेष बीमारी के विकास या जोखिम के भविष्यवक्ता के रूप में की गई। आणविक स्तर पर विश्लेषण किए गए इन बायोमार्कर और बीमारी के बीच संबंधों की जांच करने के लिए महामारी विज्ञान अनुसंधान को व्यापक रूप से "आणविक महामारी विज्ञान" (molecular epidemiology) नाम दिया गया। विशेष रूप से, "आनुवंशिक महामारी विज्ञान" (genetic epidemiology) का उपयोग जर्मलाइन आनुवंशिक भिन्नता और बीमारी के महामारी विज्ञान के लिए किया गया है। आनुवंशिक भिन्नता आमतौर पर परिधीय रक्त ल्यूकोसाइट्स से डीएनए का उपयोग करके निर्धारित की जाती है।

21वीं सदी

2000 के दशक से, कई बीमारियों और स्वास्थ्य स्थितियों के लिए आनुवंशिक जोखिम कारकों की पहचान करने के लिए जीनोम-व्यापी संघ अध्ययन (GWAS) आमतौर पर किए गए हैं।

जबकि अधिकांश आणविक महामारी विज्ञान अध्ययन अभी भी पारंपरिक रोग निदान और वर्गीकरण प्रणालियों का उपयोग कर रहे हैं, यह तेजी से पहचाना जा रहा है कि रोग की प्रगति स्वाभाविक रूप से विषम प्रक्रियाओं का प्रतिनिधित्व करती है जो व्यक्ति-दर-व्यक्ति भिन्न होती है। वैचारिक रूप से, प्रत्येक व्यक्ति की एक अनूठी रोग प्रक्रिया होती है जो किसी अन्य व्यक्ति से भिन्न होती है ("अद्वितीय रोग सिद्धांत"), जो एक्सपोज़ोम (अंतर्जात और बहिर्जात / पर्यावरणीय जोखिमों की समग्रता) की विशिष्टता और प्रत्येक व्यक्ति में आणविक रोग प्रक्रिया पर इसके अद्वितीय प्रभाव को ध्यान में रखती है। 2000 के दशक के दौरान किसी जोखिम और बीमारी (विशेष रूप से कैंसर) के आणविक रोग संबंधी हस्ताक्षर के बीच संबंधों की जांच करने के लिए अध्ययन तेजी से आम हो गए। हालाँकि, महामारी विज्ञान में आणविक विकृति विज्ञान (molecular pathology) के उपयोग ने अद्वितीय चुनौतियाँ पेश कीं, जिसमें शोध दिशानिर्देशों और मानकीकृत सांख्यिकीय पद्धतियों की कमी, और अंतःविषय विशेषज्ञों और प्रशिक्षण कार्यक्रमों की कमी शामिल है। इसके अलावा, रोग विषमता की अवधारणा महामारी विज्ञान में लंबे समय से चली आ रही इस धारणा के विपरीत प्रतीत होती है कि एक ही बीमारी के नाम वाले व्यक्तियों में समान एटियलजि और रोग प्रक्रियाएं होती हैं। इन मुद्दों को हल करने और आणविक सटीक चिकित्सा (precision medicine) के युग में जनसंख्या स्वास्थ्य विज्ञान को आगे बढ़ाने के लिए, "आणविक विकृति विज्ञान" और "महामारी विज्ञान" को एकीकृत करके "आणविक रोग संबंधी महामारी विज्ञान" (MPE) नामक एक नया अंतःविषय क्षेत्र बनाया गया, जिसे "आणविक विकृति विज्ञान और रोग की विषमता का महामारी विज्ञान" के रूप में परिभाषित किया गया है। MPE में, जांचकर्ता (A) पर्यावरणीय, आहार, जीवन शैली और आनुवंशिक कारकों; (B) सेलुलर या एक्स्ट्रासेलुलर अणुओं में परिवर्तन; और (C) बीमारी के विकास और प्रगति के बीच संबंधों का विश्लेषण करते हैं। रोग रोगजनन (pathogenesis) की विषमता की बेहतर समझ बीमारी के कारणों को स्पष्ट करने में और योगदान देगी। MPE दृष्टिकोण को न केवल नियोप्लास्टिक रोगों बल्कि गैर-नियोप्लास्टिक रोगों पर भी लागू किया जा सकता है। MPE की अवधारणा और प्रतिमान 2010 के दशक में व्यापक हो गए हैं।March 2023

2012 तक, यह पहचाना गया कि कई रोगजनकों का विकास इतना तीव्र है कि यह महामारी विज्ञान के लिए अत्यधिक प्रासंगिक है, और इसलिए संक्रामक रोग के लिए एक अंतःविषय दृष्टिकोण से बहुत कुछ हासिल किया जा सकता है जो महामारी विज्ञान और आणविक विकास को एकीकृत करता है ताकि "नियंत्रण रणनीतियों, या रोगी उपचार को सूचित किया जा सके।" आधुनिक महामारी विज्ञान अध्ययन भविष्य कहनेवाला मॉडल बनाने के साथ-साथ उपचार प्रभावों को परिभाषित करने के लिए उन्नत सांख्यिकी और मशीन लर्निंग का उपयोग कर सकते हैं। यह बढ़ती मान्यता है कि आधुनिक डेटा स्रोतों की एक विस्तृत श्रृंखला, जिनमें से कई स्वास्थ्य सेवा या महामारी विज्ञान से उत्पन्न नहीं होते हैं, का उपयोग महामारी विज्ञान के अध्ययन के लिए किया जा सकता है। इस तरह के डिजिटल महामारी विज्ञान में इंटरनेट खोज, मोबाइल फोन रिकॉर्ड और दवाओं की खुदरा बिक्री से डेटा शामिल हो सकता है।

अध्ययन के प्रकार

महामारी विज्ञान अध्ययन पदानुक्रम

মূল নিবন্ধ: अध्ययन डिजाइन महामारी विज्ञानी अवलोकनात्मक (observational) से लेकर प्रयोगात्मक (experimental) तक के अध्ययन डिजाइनों की एक श्रृंखला का उपयोग करते हैं और इन्हें आम तौर पर वर्णनात्मक (समय, स्थान और व्यक्ति को कवर करने वाले डेटा का आकलन), विश्लेषणात्मक (ज्ञात संबंधों या परिकल्पित संबंधों की आगे जांच करने के उद्देश्य से), और प्रयोगात्मक (एक शब्द जो अक्सर उपचारों और अन्य हस्तक्षेपों के नैदानिक या सामुदायिक परीक्षणों के बराबर होता है) के रूप में वर्गीकृत किया जाता है। अवलोकनात्मक अध्ययनों में, प्रकृति को "अपना रास्ता अपनाने" दिया जाता है, क्योंकि महामारी विज्ञानी किनारे से अवलोकन करते हैं। इसके विपरीत, प्रयोगात्मक अध्ययनों में, महामारी विज्ञानी वह होता है जो किसी विशेष केस स्टडी में प्रवेश करने वाले सभी कारकों को नियंत्रित करता है। महामारी विज्ञान के अध्ययन, जहां संभव हो, शराब या धूम्रपान, जैविक एजेंटों, तनाव, या रसायनों जैसे संपर्कों के मृत्यु दर या रुग्णता के साथ निष्पक्ष संबंधों को उजागर करने के उद्देश्य से किए जाते हैं। इन संपर्कों और परिणामों के बीच कारणात्मक संबंधों की पहचान महामारी विज्ञान का एक महत्वपूर्ण पहलू है। आधुनिक महामारी विज्ञानी उपकरणों के रूप में स्वास्थ्य सूचना विज्ञान और infodemiology का उपयोग करते हैं।

अवलोकनात्मक अध्ययनों के दो घटक होते हैं, वर्णनात्मक और विश्लेषणात्मक। वर्णनात्मक अवलोकन "स्वास्थ्य संबंधी स्थिति के घटित होने के कौन, क्या, कहाँ और कब" से संबंधित हैं। हालाँकि, विश्लेषणात्मक अवलोकन स्वास्थ्य संबंधी घटना के 'कैसे' के साथ अधिक संबंधित हैं। प्रयोगात्मक महामारी विज्ञान में तीन प्रकार के मामले शामिल हैं: यादृच्छिक नियंत्रित परीक्षण (अक्सर नई दवा या ड्रग परीक्षण के लिए उपयोग किए जाते हैं), क्षेत्र परीक्षण (बीमारी होने के उच्च जोखिम वाले लोगों पर आयोजित), और सामुदायिक परीक्षण (सामाजिक रूप से उत्पन्न बीमारियों पर शोध)।

'महामारी विज्ञान त्रय' (epidemiologic triad) शब्द का उपयोग किसी प्रकोप का विश्लेषण करने में मेजबान (Host), एजेंट (Agent), और पर्यावरण (Environment) के प्रतिच्छेदन का वर्णन करने के लिए किया जाता है।

केस सीरीज़

केस-सीरीज़ का तात्पर्य किसी एक रोगी, या समान निदान वाले रोगियों के छोटे समूह के अनुभव के गुणात्मक अध्ययन से हो सकता है, या किसी ऐसे सांख्यिकीय कारक से हो सकता है जिसमें बीमारी पैदा करने की क्षमता हो और साथ ही ऐसी अवधि भी हो जब वे संपर्क में न हों।

अध्ययन का पहला प्रकार विशुद्ध रूप से वर्णनात्मक है और इसका उपयोग उस बीमारी वाले रोगियों की सामान्य आबादी के बारे में निष्कर्ष निकालने के लिए नहीं किया जा सकता है। इस प्रकार के अध्ययन, जिसमें एक चतुर चिकित्सक किसी बीमारी या रोगी के इतिहास की असामान्य विशेषता की पहचान करता है, एक नई परिकल्पना के निर्माण का नेतृत्व कर सकते हैं। सीरीज़ के डेटा का उपयोग करके, संभावित कारणात्मक कारकों की जांच के लिए विश्लेषणात्मक अध्ययन किए जा सकते हैं। इनमें केस-कंट्रोल अध्ययन या संभावित (prospective) अध्ययन शामिल हो सकते हैं। एक केस-कंट्रोल अध्ययन में सीरीज़ के मामलों के साथ बीमारी के बिना तुलनीय नियंत्रणों का मिलान करना शामिल होगा। एक संभावित अध्ययन में बीमारी के प्राकृतिक इतिहास का मूल्यांकन करने के लिए समय के साथ केस सीरीज़ का अनुसरण करना शामिल होगा।

बाद वाला प्रकार, जिसे अधिक औपचारिक रूप से self-controlled case-series अध्ययन के रूप में वर्णित किया गया है, व्यक्तिगत रोगी के फॉलो-अप समय को उजागर (exposed) और गैर-उजागर (unexposed) अवधियों में विभाजित करता है और उजागर और गैर-उजागर अवधियों के बीच एक निश्चित परिणाम की घटना दर की तुलना करने के लिए फिक्स्ड-इफेक्ट्स Poisson regression प्रक्रियाओं का उपयोग करता है। इस तकनीक का व्यापक रूप से टीकाकरण के प्रतिकूल प्रभावों के अध्ययन में उपयोग किया गया है और कुछ परिस्थितियों में यह कोहोर्ट अध्ययनों में उपलब्ध सांख्यिकीय शक्ति के बराबर सांख्यिकीय शक्ति प्रदान करने के लिए दिखाया गया है।

केस-कंट्रोल अध्ययन

केस-कंट्रोल अध्ययन विषयों का चयन उनकी बीमारी की स्थिति के आधार पर करते हैं। यह एक पूर्वव्यापी (retrospective) अध्ययन है। बीमारी पॉजिटिव ( "केस" समूह) व्यक्तियों के एक समूह की तुलना बीमारी नेगेटिव व्यक्तियों ("कंट्रोल" समूह) के एक समूह के साथ की जाती है। आदर्श रूप से कंट्रोल समूह उसी आबादी से आना चाहिए जिससे केस उत्पन्न हुए हैं। केस-कंट्रोल अध्ययन संभावित संपर्कों पर समय के पीछे देखता है जिनका सामना दोनों समूहों (केस और कंट्रोल) ने किया हो सकता है। एक 2×2 तालिका बनाई जाती है, जिसमें उजागर केस (A), उजागर कंट्रोल (B), गैर-उजागर केस (C) और गैर-उजागर कंट्रोल (D) प्रदर्शित होते हैं। संबंध को मापने के लिए उत्पन्न सांख्यिकी odds ratio (OR) है, जो केस में संपर्क की ऑड्स (A/C) का कंट्रोल में संपर्क की ऑड्स (B/D) से अनुपात है, यानी OR = (AD/BC)।

	केस	कंट्रोल
उजागर	A	B
गैर-उजागर	C	D

यदि OR 1 से काफी अधिक है, तो निष्कर्ष यह है कि "बीमारी वाले लोगों के संपर्क में आने की संभावना अधिक है", जबकि यदि यह 1 के करीब है तो संपर्क और बीमारी के जुड़े होने की संभावना नहीं है। यदि OR एक से बहुत कम है, तो यह बताता है कि संपर्क बीमारी के कारण में एक सुरक्षात्मक कारक है। केस-कंट्रोल अध्ययन आमतौर पर कोहोर्ट अध्ययनों की तुलना में तेज़ और अधिक लागत प्रभावी होते हैं लेकिन पूर्वाग्रह (जैसे रिकॉल बायस और सिलेक्शन बायस) के प्रति संवेदनशील होते हैं। मुख्य चुनौती उपयुक्त कंट्रोल समूह की पहचान करना है; कंट्रोल समूह के बीच संपर्क का वितरण उस आबादी में वितरण का प्रतिनिधि होना चाहिए जिससे केस उत्पन्न हुए हैं। इसे जोखिम वाली मूल आबादी से एक यादृच्छिक नमूना लेकर प्राप्त किया जा सकता है। इसका परिणाम यह होता है कि जब किसी आबादी में बीमारी की दर अधिक होती है, तो कंट्रोल समूह में अध्ययन के तहत बीमारी वाले लोग शामिल हो सकते हैं।

केस-कंट्रोल अध्ययनों के लिए एक बड़ी कमी यह है कि, सांख्यिकीय रूप से महत्वपूर्ण माने जाने के लिए, 95% विश्वास अंतराल (confidence interval) पर आवश्यक मामलों की न्यूनतम संख्या ऑड्स अनुपात से समीकरण द्वारा संबंधित है:

$\text{total cases}=A+C=1.96^2(1+N){\left(\frac{1}{\ln (OR)}\right)}^2\left(\frac{OR+2\sqrt{OR}+1}{\sqrt{OR}}\right)\approx 15.5(1+N){\left(\frac{1}{\ln (OR)}\right)}^2$

जहाँ N केस और कंट्रोल का अनुपात है। जैसे-जैसे ऑड्स अनुपात 1 के करीब पहुंचता है, सांख्यिकीय महत्व के लिए आवश्यक मामलों की संख्या अनंत की ओर बढ़ती है; जिससे केस-कंट्रोल अध्ययन कम ऑड्स अनुपात के लिए लगभग बेकार हो जाते हैं। उदाहरण के लिए, 1.5 के ऑड्स अनुपात और केस = कंट्रोल के लिए, ऊपर दिखाई गई तालिका इस तरह दिखेगी:

	केस	कंट्रोल
उजागर	103	84
गैर-उजागर	84	103

1.1 के ऑड्स अनुपात के लिए:

	केस	कंट्रोल
उजागर	1732	1652
गैर-उजागर	1652	1732

कोहोर्ट अध्ययन

कोहोर्ट अध्ययन विषयों का चयन उनकी संपर्क स्थिति के आधार पर करते हैं। अध्ययन के विषयों को कोहोर्ट अध्ययन की शुरुआत में जांच के तहत परिणाम के जोखिम में होना चाहिए; इसका आमतौर पर मतलब है कि कोहोर्ट अध्ययन शुरू होने पर वे बीमारी से मुक्त होने चाहिए। कोहोर्ट का अनुसरण समय के साथ उनके बाद के परिणाम की स्थिति का आकलन करने के लिए किया जाता है। कोहोर्ट अध्ययन का एक उदाहरण फेफड़ों के कैंसर की घटना का अनुमान लगाने के लिए समय के साथ धूम्रपान करने वालों और धूम्रपान न करने वालों के एक कोहोर्ट की जांच होगी। केस-कंट्रोल अध्ययन के समान ही 2×2 तालिका बनाई जाती है। हालाँकि, उत्पन्न बिंदु अनुमान relative risk (RR) है, जो उजागर समूह में एक व्यक्ति के लिए बीमारी की संभावना है, P_e = A / (A + B) गैर-उजागर समूह में एक व्यक्ति के लिए बीमारी की संभावना पर, P_u = C / (C + D), यानी RR = P_e / P_u।

.....	केस	गैर-केस	कुल
उजागर	A	B	(A + B)
गैर-उजागर	C	D	(C + D)

OR की तरह, 1 से अधिक RR संबंध दिखाता है, जहाँ निष्कर्ष पढ़ा जा सकता है "संपर्क वाले लोगों में बीमारी विकसित होने की संभावना अधिक थी।"

संभावित (Prospective) अध्ययनों के केस-कंट्रोल अध्ययनों पर कई लाभ हैं। RR, OR की तुलना में अधिक शक्तिशाली प्रभाव माप है, क्योंकि OR केवल RR का एक अनुमान है, क्योंकि केस-कंट्रोल अध्ययन में वास्तविक घटना की गणना नहीं की जा सकती है जहाँ विषयों का चयन बीमारी की स्थिति के आधार पर किया जाता है। संभावित अध्ययन में कालिकता (temporality) स्थापित की जा सकती है, और भ्रमित करने वाले कारकों (confounders) को अधिक आसानी से नियंत्रित किया जा सकता है। हालाँकि, वे अधिक महंगे हैं, और उस लंबी अवधि के आधार पर विषयों को फॉलो-अप से खोने की अधिक संभावना है जिस पर कोहोर्ट का अनुसरण किया जाता है।

कोहोर्ट अध्ययन भी मामलों की संख्या के लिए उसी समीकरण द्वारा सीमित हैं जैसे कोहोर्ट अध्ययनों के लिए, लेकिन, यदि अध्ययन आबादी में आधार घटना दर बहुत कम है, तो आवश्यक मामलों की संख्या 2 से कम हो जाती है।

कारणात्मक अनुमान (Causal inference)

মূল নিবন্ধ: Causal inference हालाँकि महामारी विज्ञान को कभी-कभी स्वास्थ्य परिणामों के साथ जोखिमों (exposures) के संबंधों को स्पष्ट करने के लिए उपयोग किए जाने वाले सांख्यिकीय उपकरणों के संग्रह के रूप में देखा जाता है, लेकिन इस विज्ञान की गहरी समझ कारणात्मक (causal) संबंधों की खोज करना है।

"सहसंबंध का अर्थ कार्य-कारण नहीं होता" (Correlation does not imply causation) महामारी विज्ञान के अधिकांश साहित्य के लिए एक सामान्य विषय है। महामारी विज्ञानियों के लिए, कुंजी अनुमान (inference) शब्द में निहित है। सहसंबंध, या कम से कम दो चरों के बीच संबंध, इस अनुमान के लिए एक आवश्यक लेकिन पर्याप्त मानदंड नहीं है कि एक चर दूसरे का कारण बनता है। महामारी विज्ञानी सिद्धांत को उत्पन्न करने या विस्तारित करने, परिकल्पनाओं का परीक्षण करने, और इस बारे में शिक्षित, सूचित दावे करने के लिए कि कौन से संबंध कारणात्मक हैं, और वे वास्तव में कैसे कारणात्मक हैं, एकत्रित डेटा और व्यापक जैव-चिकित्सा और मनोसामाजिक सिद्धांतों का पुनरावृत्ति (iterative) तरीके से उपयोग करते हैं।

महामारी विज्ञानी इस बात पर जोर देते हैं कि "एक कारण – एक प्रभाव" की समझ एक सरल गलत धारणा है। अधिकांश परिणाम, चाहे बीमारी हो या मृत्यु, कई घटक कारणों से बनी एक श्रृंखला या जाल के कारण होते हैं। कारणों को आवश्यक, पर्याप्त या संभाव्य स्थितियों के रूप में प्रतिष्ठित किया जा सकता है। यदि किसी आवश्यक स्थिति की पहचान की जा सकती है और उसे नियंत्रित किया जा सकता है (जैसे, किसी रोग एजेंट के प्रति एंटीबॉडी, चोट में ऊर्जा), तो हानिकारक परिणाम से बचा जा सकता है (Robertson, 2015)। बीमारी से जुड़ी बहु-कारणता (multicausality) को अवधारणाबद्ध करने के लिए नियमित रूप से उपयोग किया जाने वाला एक उपकरण कारणात्मक पाई मॉडल (causal pie model) है।

ब्रैडफोर्ड हिल मानदंड

মূল নিবন্ধ: Bradford Hill criteria 1965 में, ऑस्टिन ब्रैडफोर्ड हिल ने कार्य-कारण के प्रमाण का आकलन करने में मदद करने के लिए विचारों की एक श्रृंखला प्रस्तावित की, जिन्हें सामान्यतः "ब्रैडफोर्ड हिल मानदंड" के रूप में जाना जाता है। उनके लेखक के स्पष्ट इरादों के विपरीत, हिल के विचारों को अब कभी-कभी कार्य-कारण का आकलन करने के लिए लागू की जाने वाली चेकलिस्ट के रूप में पढ़ाया जाता है। स्वयं हिल ने कहा था, "मेरे नौ दृष्टिकोणों में से कोई भी कार्य-कारण परिकल्पना के पक्ष या विपक्ष में निर्विवाद प्रमाण नहीं ला सकता है और किसी को भी sine qua non (अनिवार्य शर्त) के रूप में आवश्यक नहीं माना जा सकता है।"

1. संबंध की मजबूती (Strength of Association): एक छोटे संबंध का मतलब यह नहीं है कि कोई कारणात्मक प्रभाव नहीं है, हालाँकि संबंध जितना बड़ा होगा, उसके कारणात्मक होने की संभावना उतनी ही अधिक होगी।
2. डेटा की निरंतरता (Consistency of Data): विभिन्न स्थानों पर विभिन्न व्यक्तियों द्वारा विभिन्न नमूनों के साथ देखे गए सुसंगत निष्कर्ष प्रभाव की संभावना को मजबूत करते हैं।
3. विशिष्टता (Specificity): यदि कोई बहुत विशिष्ट आबादी किसी विशिष्ट स्थान पर और किसी विशिष्ट बीमारी से प्रभावित है जिसका कोई अन्य संभावित स्पष्टीकरण नहीं है, तो कार्य-कारण की संभावना अधिक होती है। किसी कारक और प्रभाव के बीच संबंध जितना अधिक विशिष्ट होगा, कारणात्मक संबंध की संभावना उतनी ही अधिक होगी।
4. कालिकता (Temporality): प्रभाव को कारण के बाद होना चाहिए (और यदि कारण और अपेक्षित प्रभाव के बीच कोई अपेक्षित देरी है, तो प्रभाव को उस देरी के बाद होना चाहिए)।
5. जैविक प्रवणता (Biological gradient): अधिक जोखिम (exposure) से सामान्यतः प्रभाव की अधिक घटना होनी चाहिए। हालाँकि, कुछ मामलों में, कारक की केवल उपस्थिति ही प्रभाव को ट्रिगर कर सकती है। अन्य मामलों में, एक व्युत्क्रम अनुपात देखा जाता है: अधिक जोखिम से कम घटना होती है।
6. तार्किकता (Plausibility): कारण और प्रभाव के बीच एक तर्कसंगत तंत्र सहायक होता है (लेकिन हिल ने उल्लेख किया कि तंत्र का ज्ञान वर्तमान ज्ञान द्वारा सीमित है)।
7. सुसंगति (Coherence): महामारी विज्ञान और प्रयोगशाला निष्कर्षों के बीच सुसंगति प्रभाव की संभावना को बढ़ाती है। हालाँकि, हिल ने उल्लेख किया कि "... इस तरह के [प्रयोगशाला] साक्ष्यों की कमी संबंधों पर महामारी विज्ञान के प्रभाव को शून्य नहीं कर सकती है"।
8. प्रयोग (Experiment): "कभी-कभी प्रयोगात्मक साक्ष्यों का सहारा लेना संभव होता है"।
9. सादृश्य (Analogy): समान कारकों के प्रभाव पर विचार किया जा सकता है।

कानूनी व्याख्या

महामारी विज्ञान के अध्ययन केवल यह साबित कर सकते हैं कि किसी एजेंट ने प्रभाव पैदा किया हो सकता है, लेकिन यह नहीं कि उसने किसी विशेष मामले में प्रभाव पैदा किया ही है:

महामारी विज्ञान आबादी में बीमारी की घटना (incidence) से संबंधित है और किसी व्यक्ति की बीमारी के कारण के प्रश्न को संबोधित नहीं करता है। यह प्रश्न, जिसे कभी-कभी विशिष्ट कार्य-कारण (specific causation) के रूप में जाना जाता है, महामारी विज्ञान के विज्ञान के दायरे से बाहर है। महामारी विज्ञान की सीमाएँ उस बिंदु पर समाप्त हो जाती हैं जहाँ यह अनुमान लगाया जाता है कि किसी एजेंट और बीमारी के बीच का संबंध कारणात्मक है (सामान्य कार्य-कारण) और जहाँ एजेंट के लिए जिम्मेदार अतिरिक्त जोखिम की भयावहता निर्धारित की गई है; अर्थात, महामारी विज्ञान यह संबोधित करता है कि क्या कोई एजेंट बीमारी का कारण बन सकता है, न कि यह कि क्या किसी एजेंट ने किसी विशिष्ट वादी की बीमारी का कारण बना।

संयुक्त राज्य अमेरिका के कानून में, केवल महामारी विज्ञान यह साबित नहीं कर सकता है कि सामान्य रूप से कोई कारणात्मक संबंध मौजूद नहीं है। इसके विपरीत, इसे (और कुछ परिस्थितियों में है) अमेरिकी अदालतों द्वारा, एक व्यक्तिगत मामले में, संभावना के संतुलन के आधार पर यह अनुमान लगाने के लिए लिया जा सकता है कि एक कारणात्मक संबंध मौजूद है।

फोरेंसिक महामारी विज्ञान का उप-विषय उन मामलों में व्यक्तियों या व्यक्तियों के समूहों में बीमारी या चोट के विशिष्ट कार्य-कारण की जांच करने के लिए निर्देशित है जिनमें कार्य-कारण विवादित है या अस्पष्ट है, ताकि इसे कानूनी सेटिंग्स में प्रस्तुत किया जा सके।

जनसंख्या-आधारित स्वास्थ्य प्रबंधन

महामारी विज्ञान का अभ्यास और महामारी विज्ञान विश्लेषण के परिणाम उभरते हुए जनसंख्या-आधारित स्वास्थ्य प्रबंधन ढांचे में महत्वपूर्ण योगदान देते हैं।

जनसंख्या-आधारित स्वास्थ्य प्रबंधन में निम्नलिखित की क्षमता शामिल है:

• लक्षित आबादी की स्वास्थ्य स्थितियों और स्वास्थ्य आवश्यकताओं का आकलन करना;
• उस आबादी के स्वास्थ्य को बेहतर बनाने के लिए डिज़ाइन किए गए हस्तक्षेपों को लागू करना और उनका मूल्यांकन करना; और
• उस आबादी के सदस्यों के लिए कुशलतापूर्वक और प्रभावी ढंग से देखभाल प्रदान करना जो समुदाय के सांस्कृतिक, नीतिगत और स्वास्थ्य संसाधन मूल्यों के अनुरूप हो।

आधुनिक जनसंख्या-आधारित स्वास्थ्य प्रबंधन जटिल है, जिसके लिए कौशल के एक बहु-सेट (चिकित्सा, राजनीतिक, तकनीकी, गणितीय, आदि) की आवश्यकता होती है, जिसमें महामारी विज्ञान का अभ्यास और विश्लेषण एक मुख्य घटक है, जिसे एक आबादी को कुशल और प्रभावी स्वास्थ्य देखभाल और स्वास्थ्य मार्गदर्शन प्रदान करने के लिए प्रबंधन विज्ञान के साथ एकीकृत किया गया है। इस कार्य के लिए आधुनिक जोखिम प्रबंधन दृष्टिकोणों की भविष्योन्मुखी क्षमता की आवश्यकता होती है जो स्वास्थ्य जोखिम कारकों, घटना, व्यापकता और मृत्यु दर के आंकड़ों (महामारी विज्ञान विश्लेषण से प्राप्त) को प्रबंधन मेट्रिक्स में बदल देते हैं जो न केवल यह मार्गदर्शन करते हैं कि एक स्वास्थ्य प्रणाली वर्तमान जनसंख्या स्वास्थ्य मुद्दों पर कैसे प्रतिक्रिया देती है, बल्कि यह भी कि भविष्य के संभावित जनसंख्या स्वास्थ्य मुद्दों पर बेहतर प्रतिक्रिया देने के लिए एक स्वास्थ्य प्रणाली का प्रबंधन कैसे किया जा सकता है।

जनसंख्या-आधारित स्वास्थ्य प्रबंधन का उपयोग करने वाले संगठनों के उदाहरण जो महामारी विज्ञान के अभ्यास के काम और परिणामों का लाभ उठाते हैं, उनमें कैनेडियन स्ट्रैटेजी फॉर कैंसर कंट्रोल, हेल्थ कनाडा टोबैको कंट्रोल प्रोग्राम्स, रिक हैनसेन फाउंडेशन, कैनेडियन टोबैको कंट्रोल रिसर्च इनिशिएटिव शामिल हैं।

इनमें से प्रत्येक संगठन 'लाइफ एट रिस्क' नामक जनसंख्या-आधारित स्वास्थ्य प्रबंधन ढांचे का उपयोग करता है जो महामारी विज्ञान के मात्रात्मक विश्लेषण को जनसांख्यिकी, स्वास्थ्य एजेंसी परिचालन अनुसंधान और अर्थशास्त्र के साथ जोड़ता है ताकि निम्नलिखित कार्य किए जा सकें:

• जनसंख्या जीवन प्रभाव सिमुलेशन: बीमारी के नए मामलों, व्यापकता, समय से पहले मृत्यु के साथ-साथ विकलांगता और मृत्यु से जीवन के संभावित वर्षों के नुकसान के संबंध में आबादी पर बीमारी के भविष्य के संभावित प्रभाव का मापन;
• श्रम बल जीवन प्रभाव सिमुलेशन: बीमारी के नए मामलों, व्यापकता, समय से पहले मृत्यु और विकलांगता और मृत्यु से जीवन के संभावित वर्षों के नुकसान के संबंध में श्रम बल पर बीमारी के भविष्य के संभावित प्रभाव का मापन;
• बीमारी सिमुलेशन के आर्थिक प्रभाव: निजी क्षेत्र की डिस्पोजेबल आय प्रभावों (वेतन, कॉर्पोरेट लाभ, निजी स्वास्थ्य देखभाल लागत) और सार्वजनिक क्षेत्र की डिस्पोजेबल आय प्रभावों (व्यक्तिगत आयकर, कॉर्पोरेट आयकर, उपभोग कर, सार्वजनिक रूप से वित्त पोषित स्वास्थ्य देखभाल लागत) पर बीमारी के भविष्य के संभावित प्रभाव का मापन।

अनुप्रयुक्त क्षेत्र महामारी विज्ञान

अनुप्रयुक्त महामारी विज्ञान (Applied epidemiology) किसी आबादी के स्वास्थ्य की रक्षा या सुधार के लिए महामारी विज्ञान के तरीकों का उपयोग करने का अभ्यास है। अनुप्रयुक्त क्षेत्र महामारी विज्ञान में स्वास्थ्य के अन्य संकेतकों के अलावा संचारी और गैर-संचारी रोग के प्रकोप, मृत्यु दर और रुग्णता दर, और पोषण संबंधी स्थिति की जांच करना शामिल हो सकता है, जिसका उद्देश्य परिणामों को उन लोगों तक पहुंचाना है जो उचित नीतियां या रोग नियंत्रण उपाय लागू कर सकते हैं।

मानवीय संदर्भ

चूंकि मानवीय संकट की स्थितियों में बीमारियों और अन्य स्वास्थ्य कारकों की निगरानी और रिपोर्टिंग करना तेजी से कठिन होता जा रहा है, इसलिए डेटा की रिपोर्टिंग के लिए उपयोग की जाने वाली कार्यप्रणाली भी प्रभावित होती है। एक अध्ययन में पाया गया कि मानवीय संदर्भों से लिए गए पोषण सर्वेक्षणों में से आधे से भी कम (42.4%) ने कुपोषण के प्रसार की सही गणना की और केवल एक-तिहाई (35.3%) सर्वेक्षण ही गुणवत्ता के मानदंडों को पूरा करते थे। मृत्यु दर सर्वेक्षणों में, केवल 3.2% ही गुणवत्ता के मानदंडों को पूरा करते थे। चूंकि पोषण संबंधी स्थिति और मृत्यु दर किसी संकट की गंभीरता को इंगित करने में मदद करते हैं, इसलिए इन स्वास्थ्य कारकों की ट्रैकिंग और रिपोर्टिंग महत्वपूर्ण है।

महत्वपूर्ण रजिस्ट्रियां आमतौर पर डेटा एकत्र करने के सबसे प्रभावी तरीके हैं, लेकिन मानवीय संदर्भों में ये रजिस्ट्रियां मौजूद नहीं हो सकती हैं, अविश्वसनीय हो सकती हैं, या दुर्गम हो सकती हैं। इस प्रकार, मृत्यु दर को अक्सर संभावित जनसांख्यिकीय निगरानी या पूर्वव्यापी मृत्यु दर सर्वेक्षणों का उपयोग करके गलत तरीके से मापा जाता है। संभावित जनसांख्यिकीय निगरानी के लिए बहुत अधिक जनशक्ति की आवश्यकता होती है और इसे फैली हुई आबादी में लागू करना कठिन होता है। पूर्वव्यापी मृत्यु दर सर्वेक्षण चयन और रिपोर्टिंग पूर्वाग्रहों के प्रति संवेदनशील होते हैं। अन्य तरीके विकसित किए जा रहे हैं, लेकिन अभी तक वे सामान्य अभ्यास नहीं हैं।

लक्षण वर्णन, वैधता और पूर्वाग्रह

महामारी लहर

महामारी में लहरों की अवधारणा का विशेष रूप से संक्रामक रोगों (communicable diseases) के लिए निहितार्थ है। "महामारी लहर" शब्द के लिए एक कार्यशील परिभाषा दो प्रमुख विशेषताओं पर आधारित है: 1) इसमें ऊपर या नीचे के रुझान की अवधि शामिल होती है, और 2) इन वृद्धियों या गिरावटों को मामूली उतार-चढ़ाव या रिपोर्टिंग त्रुटियों से अलग करने के लिए एक निश्चित अवधि में पर्याप्त और निरंतर होना चाहिए। एक सुसंगत वैज्ञानिक परिभाषा का उपयोग एक ऐसी सुसंगत भाषा प्रदान करना है जिसका उपयोग COVID-19 महामारी की प्रगति के बारे में संवाद करने और समझने के लिए किया जा सके, जो स्वास्थ्य देखभाल संगठनों और नीति निर्माताओं को संसाधन नियोजन और आवंटन में सहायता करेगा।

वैधता

महामारी विज्ञान के विभिन्न क्षेत्रों में वैधता के अलग-अलग स्तर होते हैं। निष्कर्षों की वैधता का आकलन करने का एक तरीका फॉल्स-पॉजिटिव (दावा किए गए प्रभाव जो सही नहीं हैं) और फॉल्स-नेगेटिव (अध्ययन जो वास्तविक प्रभाव का समर्थन करने में विफल रहते हैं) का अनुपात है। आनुवंशिक महामारी विज्ञान (genetic epidemiology) में, उम्मीदवार-जीन अध्ययन प्रत्येक फॉल्स-नेगेटिव के लिए 100 से अधिक फॉल्स-पॉजिटिव निष्कर्ष उत्पन्न कर सकते हैं। इसके विपरीत, जीनोम-व्यापी संघ (genome-wide association) इसके विपरीत प्रतीत होते हैं, जिसमें हर 100 या अधिक फॉल्स-नेगेटिव के लिए केवल एक फॉल्स-पॉजिटिव होता है। आनुवंशिक महामारी विज्ञान में समय के साथ यह अनुपात सुधरा है, क्योंकि इस क्षेत्र ने कड़े मानदंडों को अपनाया है। इसके विपरीत, अन्य महामारी विज्ञान क्षेत्रों को ऐसी कठोर रिपोर्टिंग की आवश्यकता नहीं है और परिणामस्वरूप वे बहुत कम विश्वसनीय हैं।

यादृच्छिक त्रुटि

यादृच्छिक त्रुटि (Random error) नमूना परिवर्तनशीलता के कारण वास्तविक मान के आसपास उतार-चढ़ाव का परिणाम है। यादृच्छिक त्रुटि बस यही है: यादृच्छिक। यह डेटा संग्रह, कोडिंग, स्थानांतरण या विश्लेषण के दौरान हो सकती है। यादृच्छिक त्रुटियों के उदाहरणों में खराब तरीके से तैयार किए गए प्रश्न, किसी विशेष उत्तरदाता से व्यक्तिगत उत्तर की व्याख्या करने में गलतफहमी, या कोडिंग के दौरान टाइपिंग की त्रुटि शामिल है। यादृच्छिक त्रुटि माप को क्षणिक, असंगत तरीके से प्रभावित करती है और यादृच्छिक त्रुटि को ठीक करना असंभव है। सभी नमूना प्रक्रियाओं में एक यादृच्छिक त्रुटि होती है नमूना त्रुटि (sampling error)।

महामारी विज्ञान के चर में परिशुद्धता (Precision) यादृच्छिक त्रुटि का एक माप है। परिशुद्धता का यादृच्छिक त्रुटि से विपरीत संबंध भी है, इसलिए यादृच्छिक त्रुटि को कम करने का अर्थ परिशुद्धता को बढ़ाना है। सापेक्ष जोखिम अनुमानों की परिशुद्धता प्रदर्शित करने के लिए विश्वास अंतराल (Confidence intervals) की गणना की जाती है। विश्वास अंतराल जितना संकरा होगा, सापेक्ष जोखिम अनुमान उतना ही सटीक होगा।

महामारी विज्ञान अध्ययन में यादृच्छिक त्रुटि को कम करने के दो बुनियादी तरीके हैं। पहला अध्ययन के नमूने के आकार को बढ़ाना है। दूसरे शब्दों में, अपने अध्ययन में और अधिक विषयों को जोड़ें। दूसरा अध्ययन में माप की परिवर्तनशीलता को कम करना है। यह अधिक सटीक मापने वाले उपकरण का उपयोग करके या मापों की संख्या बढ़ाकर पूरा किया जा सकता है।

ध्यान दें कि यदि नमूने का आकार या मापों की संख्या बढ़ाई जाती है, या अधिक सटीक मापने वाला उपकरण खरीदा जाता है, तो अध्ययन की लागत आमतौर पर बढ़ जाती है। पर्याप्त परिशुद्धता की आवश्यकता और अध्ययन लागत के व्यावहारिक मुद्दे के बीच आमतौर पर एक असहज संतुलन होता है।

व्यवस्थित त्रुटि

एक व्यवस्थित त्रुटि या पूर्वाग्रह तब होता है जब नमूना परिवर्तनशीलता के अलावा किसी अन्य कारण से वास्तविक मान (जनसंख्या में) और देखे गए मान (अध्ययन में) के बीच अंतर होता है। व्यवस्थित त्रुटि का एक उदाहरण यह है कि यदि, आपकी जानकारी के बिना, आप जिस पल्स ऑक्सीमीटर का उपयोग कर रहे हैं वह गलत तरीके से सेट है और हर बार माप लेने पर वास्तविक मान में दो अंक जोड़ देता है। मापने वाला उपकरण सटीक लेकिन सही नहीं हो सकता है। चूंकि त्रुटि हर उदाहरण में होती है, इसलिए यह व्यवस्थित है। उस डेटा के आधार पर आप जो निष्कर्ष निकालेंगे, वे अभी भी गलत होंगे। लेकिन त्रुटि को भविष्य में पुन: उत्पन्न किया जा सकता है (उदाहरण के लिए, उसी गलत सेट उपकरण का उपयोग करके)।

कोडिंग में एक गलती जो उस विशेष प्रश्न के लिए *सभी* प्रतिक्रियाओं को प्रभावित करती है, व्यवस्थित त्रुटि का एक और उदाहरण है।

अध्ययन की वैधता व्यवस्थित त्रुटि की डिग्री पर निर्भर करती है। वैधता को आमतौर पर दो घटकों में विभाजित किया जाता है:

• आंतरिक वैधता (Internal validity) माप में त्रुटि की मात्रा पर निर्भर करती है, जिसमें जोखिम, बीमारी और इन चरों के बीच संबंध शामिल हैं। अच्छी आंतरिक वैधता का अर्थ है माप में त्रुटि का अभाव और यह सुझाव देता है कि निष्कर्ष कम से कम उन विषयों के संबंध में निकाले जा सकते हैं जिनका अध्ययन किया जा रहा है।
• बाह्य वैधता (External validity) अध्ययन के निष्कर्षों को उस जनसंख्या तक सामान्यीकृत करने की प्रक्रिया से संबंधित है जिससे नमूना लिया गया था (या उस जनसंख्या से परे एक अधिक सार्वभौमिक कथन तक)। इसके लिए यह समझने की आवश्यकता है कि कौन सी स्थितियां सामान्यीकरण के लिए प्रासंगिक (या अप्रासंगिक) हैं। आंतरिक वैधता स्पष्ट रूप से बाह्य वैधता के लिए एक पूर्वापेक्षा है।

चयन पूर्वाग्रह

चयन पूर्वाग्रह (Selection bias) तब होता है जब अध्ययन के विषयों का चयन किया जाता है या वे एक तीसरे, अमापित चर के परिणामस्वरूप अध्ययन का हिस्सा बन जाते हैं जो जोखिम और रुचि के परिणाम दोनों से जुड़ा होता है। उदाहरण के लिए, बार-बार यह नोट किया गया है कि सिगरेट पीने वाले और न पीने वाले अपनी अध्ययन भागीदारी दरों में भिन्न होते हैं। (सैकट डी, सेल्टज़र एट अल का उदाहरण देते हैं, जिसमें 85% गैर-धूम्रपान करने वालों और 67% धूम्रपान करने वालों ने डाक द्वारा भेजे गए प्रश्नावली लौटाए।) प्रतिक्रिया में ऐसा अंतर पूर्वाग्रह का कारण नहीं बनेगा यदि यह दो प्रतिक्रिया समूहों के बीच परिणाम में व्यवस्थित अंतर से भी जुड़ा नहीं है।

सूचना पूर्वाग्रह

सूचना पूर्वाग्रह (Information bias) एक चर के मूल्यांकन में व्यवस्थित त्रुटि से उत्पन्न पूर्वाग्रह है। इसका एक उदाहरण रिकॉल बायस (याद करने का पूर्वाग्रह) है। इसका एक विशिष्ट उदाहरण फिर से सैकट द्वारा भ्रूण के स्वास्थ्य पर विशिष्ट जोखिमों के प्रभाव की जांच करने वाले अध्ययन की चर्चा में प्रदान किया गया है: "उन माताओं से पूछताछ करने में जिनकी हालिया गर्भधारण भ्रूण की मृत्यु या विकृति (मामलों) में समाप्त हुई थी और माताओं का एक मिलान समूह जिनकी गर्भधारण सामान्य रूप से समाप्त हुई (नियंत्रण), यह पाया गया कि पूर्व के 28%, लेकिन बाद के केवल 20% ने उन दवाओं के संपर्क की सूचना दी, जिन्हें न तो पहले के संभावित साक्षात्कारों में और न ही अन्य स्वास्थ्य रिकॉर्ड में प्रमाणित किया जा सका"। इस उदाहरण में, रिकॉल बायस संभवतः उन महिलाओं के परिणामस्वरूप हुआ, जिनका गर्भपात हुआ था, उन्हें पिछली एक्सपोजर को बेहतर ढंग से याद रखने और इसलिए रिपोर्ट करने की स्पष्ट प्रवृत्ति थी।

डिजाइन-संबंधित पूर्वाग्रह

नमूना और चर-संबंधित पूर्वाग्रह के अलावा, पूर्वाग्रह एक अपूर्ण अध्ययन डिजाइन से भी उत्पन्न हो सकता है। एक उदाहरण अमर समय पूर्वाग्रह (immortal time bias) है, जहां अध्ययन अवधि के दौरान, कुछ अंतराल होता है जिसके दौरान परिणाम घटना नहीं हो सकती है (जिससे ये व्यक्ति "अमर" हो जाते हैं)।

Confounding

कनफाउंडिंग (संभ्रम) को पारंपरिक रूप से बाहरी कारकों, जिन्हें कनफाउंडर्स (संभ्रमक) कहा जाता है, के सह-अस्तित्व या उनके प्रभावों के मिश्रण से उत्पन्न होने वाले पूर्वाग्रह के रूप में परिभाषित किया गया है, जो रुचि के मुख्य प्रभाव (प्रभावों) के साथ मिश्रित हो जाते हैं। कनफाउंडिंग की एक अधिक हालिया परिभाषा काउंटरफैक्चुअल (तथ्य-विपरीत) प्रभावों की धारणा का आह्वान करती है। इस दृष्टिकोण के अनुसार, जब कोई किसी दी गई जनसंख्या A में रुचि का परिणाम देखता है, मान लीजिए Y=1 (Y=0 के विपरीत), जो पूरी तरह से एक्सपोज्ड (संपर्क में) है (अर्थात जनसंख्या की प्रत्येक इकाई के लिए एक्सपोजर X = 1), तो इस घटना का जोखिम R_A1 होगा। काउंटरफैक्चुअल या अनपेक्षित जोखिम R_A0 उस जोखिम के अनुरूप है जो तब देखा गया होता यदि ये वही व्यक्ति एक्सपोज्ड नहीं होते (अर्थात जनसंख्या की प्रत्येक इकाई के लिए X = 0)। इसलिए एक्सपोजर का वास्तविक प्रभाव है: R_A1 − R_A0 (यदि कोई जोखिम अंतर में रुचि रखता है) या R_A1/R_A0 (यदि कोई सापेक्ष जोखिम में रुचि रखता है)। चूंकि काउंटरफैक्चुअल जोखिम R_A0 अवलोकनीय नहीं है, इसलिए हम दूसरी जनसंख्या B का उपयोग करके इसका अनुमान लगाते हैं और हम वास्तव में निम्नलिखित संबंधों को मापते हैं: R_A1 − R_B0 या R_A1/R_B0। इस स्थिति में, कनफाउंडिंग तब होती है जब R_A0 ≠ R_B0। (नोट: उदाहरण बाइनरी परिणाम और एक्सपोजर चर मानकर चलता है।)

कुछ महामारी विज्ञानी कनफाउंडिंग को पूर्वाग्रह के सामान्य वर्गीकरणों से अलग मानना पसंद करते हैं क्योंकि, चयन और सूचना पूर्वाग्रह के विपरीत, कनफाउंडिंग वास्तविक कारण प्रभावों से उत्पन्न होती है।

पेशा

बहुत कम विश्वविद्यालयों ने स्नातक स्तर पर महामारी विज्ञान को अध्ययन के पाठ्यक्रम के रूप में पेश किया है। जॉन्स हॉपकिन्स यूनिवर्सिटी में एक स्नातक कार्यक्रम मौजूद है जिसमें सार्वजनिक स्वास्थ्य में प्रमुख (मेजर) छात्र अपने अंतिम वर्ष के दौरान ब्लूमबर्ग स्कूल ऑफ पब्लिक हेल्थ में स्नातक-स्तरीय पाठ्यक्रम—जिसमें महामारी विज्ञान भी शामिल है—ले सकते हैं। महामारी विज्ञान में अपने मास्टर और डॉक्टरेट डिग्री के अलावा, यूनिवर्सिटी ऑफ मिशिगन स्कूल ऑफ पब्लिक हेल्थ ने 2017 से स्नातक डिग्री कार्यक्रम पेश किए हैं जिनमें महामारी विज्ञान का कोर्सवर्क शामिल है।

यद्यपि महामारी विज्ञान अनुसंधान विविध विषयों के व्यक्तियों द्वारा किया जाता है, महामारी विज्ञान के तरीकों में प्रशिक्षण के विभिन्न स्तर फार्मेसी, चिकित्सा, पशु चिकित्सा, सामाजिक कार्य, पोडियाट्री, नर्सिंग, फिजिकल थेरेपी, और नैदानिक मनोविज्ञान डॉक्टरेट कार्यक्रमों के दौरान प्रदान किए जाते हैं, इसके अतिरिक्त सार्वजनिक स्वास्थ्य क्षेत्रों में मास्टर और डॉक्टरेट छात्रों को औपचारिक प्रशिक्षण प्राप्त होता है।

सार्वजनिक स्वास्थ्य चिकित्सकों के रूप में, महामारी विज्ञानी कई अलग-अलग सेटिंग्स में काम करते हैं। कुछ महामारी विज्ञानी "क्षेत्र में" (अर्थात, समुदाय में; आमतौर परJuly 2024 सार्वजनिक स्वास्थ्य सेवा में) काम करते हैं, और अक्सर बीमारी के प्रकोप की जांच और मुकाबला करने में सबसे आगे होते हैं। अन्य गैर-लाभकारी संगठनों, विश्वविद्यालयों, अस्पतालों, या बड़ी सरकारी संस्थाओं (जैसे, संयुक्त राज्य अमेरिका में राज्य और स्थानीय स्वास्थ्य विभाग), स्वास्थ्य मंत्रालयों, डॉक्टर्स विदाउट बॉर्डर्स, रोग नियंत्रण और रोकथाम केंद्र (CDC), स्वास्थ्य सुरक्षा एजेंसी, विश्व स्वास्थ्य संगठन (WHO), या कनाडा की सार्वजनिक स्वास्थ्य एजेंसी के लिए काम करते हैं। महामारी विज्ञानी लाभ-उन्मुख संगठनों (जैसे, दवा और चिकित्सा उपकरण कंपनियों) में बाजार अनुसंधान या नैदानिक विकास जैसे समूहों में भी काम कर सकते हैं।

COVID-19

अप्रैल 2020 के एक यूनिवर्सिटी ऑफ सदर्न कैलिफोर्निया लेख ने उल्लेख किया कि, "कोरोनावायरस महामारी... ने महामारी विज्ञान – जनसंख्या में बीमारी की घटना, वितरण और नियंत्रण का अध्ययन – को दुनिया भर के वैज्ञानिक विषयों में सबसे आगे ला दिया और इसके कुछ चिकित्सकों को अस्थायी रूप से सेलिब्रिटी भी बना दिया।"

इन्हें भी देखें

• Age adjustment
• Caerphilly Heart Disease Study
• Centre for Research on the Epidemiology of Disasters
• Centro Studi GISED
• Circulation plan
• Contact tracing
• Critical community size
• Disease cluster
• Disease diffusion mapping
• Compartmental models in epidemiology
• Epidemiological method
• Epidemiological transition
• European Centre for Disease Prevention and Control
• Hispanic paradox
• International Society for Pharmacoepidemiology
• Job-exposure matrix
• Mathematical modelling of infectious disease
• Mendelian randomization
• Occupational epidemiology
• Predictive analytics
• Society for Occupational Health Psychology
• Population groups in biomedicine
• Spatial epidemiology
• Study of Health in Pomerania
• Targeted immunization strategies
• Urban planning
• Whitehall Study
• Zoonosis

संदर्भ

---

स्रोत: अंग्रेज़ी विकिपीडिया के “Epidemiology” लेख का अनुवाद। मूल लेख: https://en.wikipedia.org/wiki/Epidemiology यह अनुवाद स्वचालित रूप से तैयार किया गया है।