এই প্রকল্পটি কী করে
এই প্রকল্পটি DHIS2 থেকে মাসিক টিকাদান-সংক্রান্ত তথ্য সংগ্রহ, নিরীক্ষা, পূরণ এবং পূর্বাভাস দেওয়ার জন্য একটি শুরু থেকে শেষ পর্যন্ত কর্মপ্রবাহ সরবরাহ করে। এতে ১৩টি জেলার ৬০টি সম্পূর্ণ মাসে, সেপ্টেম্বর ২০২১ থেকে আগস্ট ২০২৬ পর্যন্ত রিপোর্ট করা Measles, BCG এবং OPV1 ডোজ নিয়ে কাজ করা হয়।
অন্তর্ভুক্ত ডেটাসেটটি 2.43.1 সংস্করণে চলমান সর্বজনীন DHIS2 ডেমো ইনস্ট্যান্স থেকে নেওয়া। এটি নমুনা ডেটা এবং এতে কোনো ব্যক্তিগত বা কর্মস্থল-সংক্রান্ত তথ্য নেই। তাই ফলাফলগুলো বিশ্লেষণ পদ্ধতি ও ডেটার গুণগত সমস্যাগুলো প্রদর্শন করে; এগুলোকে বাস্তব স্বাস্থ্য-প্রবণতা সম্পর্কে কোনো ফলাফল হিসেবে ব্যাখ্যা করা যাবে না।
কর্মপ্রবাহটির চারটি প্রধান ধাপ রয়েছে:
- DHIS2 অ্যানালিটিক্স API-এর মাধ্যমে সমষ্টিগত মাসিক ডেটা সংগ্রহ করা অথবা সংরক্ষিত CSV স্ন্যাপশট লোড করা।
- রিপোর্টিং সম্পূর্ণতা, বছরওয়ারি পুনরাবৃত্তি, বড় পরিবর্তন এবং পরপর মাসগুলোর সম্ভাব্য অদলবদল নিরীক্ষা করা।
- মডেল প্রশিক্ষণের জন্য অনুপস্থিত মান অনুমান করা এবং অনুমান করা মান শনাক্তকারী ফ্ল্যাগ সংরক্ষণ করা।
- আগের বছরের মান পুনরাবৃত্তি করা মৌসুমি বেসলাইনের তুলনায় পূর্বাভাস মডেলগুলো ভালো ফল দেয় কি না পরীক্ষা করা।
প্রধান বৈশিষ্ট্য
- DHIS2 API থেকে ডেটা সংগ্রহ:
pull_dhis2_data.py-এর ফাংশনগুলো প্রয়োজনীয় সূচক খুঁজে বের করে এবং সংগ্রহ করে। - অফলাইন পুনরুৎপাদনযোগ্যতা: নোটবুকটি ডিফল্টভাবে
dhis2_raw_data.csvপড়ে, তাই ইন্টারনেট সংযোগ বা লগইন ছাড়াই এটি চালানো যায়। - সম্পূর্ণতা নিরীক্ষা: প্রতিটি সূচকের জন্য প্রতিটি জেলা ও মাসে একটি করে মান আছে কি না, বিশ্লেষণটি তা যাচাই করে।
- পুনরাবৃত্তি শনাক্তকরণ: কোনো জেলার মান আগের বছরের একই মাসের মানের সঙ্গে হুবহু মিলে যাওয়ার হার এটি পরিমাপ করে।
- অদলবদল শনাক্তকরণ: আগের বছরের তুলনায় পরপর মাসগুলোর মান উল্টো ক্রমে রয়েছে বলে মনে হলে সেগুলো চিহ্নিত করে।
- কাঠামোবদ্ধ গ্যাপ পূরণ: অন্যান্য বছরের একই ক্যালেন্ডার মাসের তথ্য অথবা জেলা-স্তর ও আন্তঃজেলা মৌসুমভিত্তিকতার ভিত্তিতে অনুপস্থিত মান অনুমান করা হয়।
- লিকেজ-প্রতিরোধী পূর্বাভাস: প্রশিক্ষণ ও পরীক্ষা কালানুক্রমিকভাবে আলাদা রাখা হয় এবং প্রশিক্ষণের গ্যাপগুলো শুধু প্রশিক্ষণ ডেটা ব্যবহার করে পূরণ করা হয়।
- মডেল তুলনা: Seasonal naive, SARIMA এবং gradient boosting মডেলকে MAE ও WAPE দিয়ে মূল্যায়ন করা হয়।
প্রকল্পের ফাইলগুলো বুঝে নিন
DHIS2_Immunisation_Audit_and_Forecast.ipynb: চার্ট, নিরীক্ষা-লজিক, গ্যাপ পূরণ এবং পূর্বাভাসসহ সম্পূর্ণ বিশ্লেষণ।pull_dhis2_data.py: সূচক খুঁজে বের করা এবং DHIS2 থেকে ডেটা সংগ্রহের ফাংশন।dhis2_raw_data.csv: ডিফল্ট অফলাইন রান-এ ব্যবহৃত সংরক্ষিত স্ন্যাপশট।requirements.txt: Python প্যাকেজগুলোর নির্ভরতা।README.md: প্রকল্পের ডকুমেন্টেশন ও সংক্ষিপ্ত ফলাফল।
ইনস্টলেশন ও সেটআপ
১. রিপোজিটরি সংগ্রহ করুন
রিপোজিটরিটি ক্লোন বা ডাউনলোড করে এর মূল ডিরেক্টরিতে একটি টার্মিনাল খুলুন। একটি ভার্চুয়াল এনভায়রনমেন্ট ব্যবহার করার পরামর্শ দেওয়া হয়, যাতে প্রকল্পটির প্যাকেজগুলো অন্য Python প্রকল্প থেকে আলাদা থাকে।
python -m venv .venvআপনার অপারেটিং সিস্টেম অনুযায়ী উপযুক্ত কমান্ড দিয়ে এনভায়রনমেন্ট সক্রিয় করুন, তারপর প্রয়োজনীয় প্যাকেজগুলো ইনস্টল করুন:
pip install -r requirements.txt২. Jupyter Notebook চালু করুন
jupyter notebook DHIS2_Immunisation_Audit_and_Forecast.ipynbনোটবুকের সেলগুলো ওপর থেকে নিচ পর্যন্ত চালান। ডিফল্টভাবে বিশ্লেষণটি dhis2_raw_data.csv লোড করে। কর্মপ্রবাহটি অন্বেষণের জন্য এটি সবচেয়ে সহজ ও পুনরুৎপাদনযোগ্য পদ্ধতি, কারণ এতে নেটওয়ার্ক সংযোগ বা DHIS2 পরিচয়পত্রের কোনো প্রয়োজন নেই।
৩. ঐচ্ছিকভাবে লাইভ DHIS2 অ্যাক্সেস কনফিগার করুন
নতুন ডেটা সংগ্রহ করতে নোটবুকের প্রথম কোড সেলে REFRESH = True সেট করুন। DHIS2_URL, DHIS2_USER এবং DHIS2_PASSWORD এনভায়রনমেন্ট ভেরিয়েবলের মাধ্যমে সার্ভারের ঠিকানা ও লগইন তথ্য দেওয়া যেতে পারে।
DHIS2_URL=https://your-dhis2-server.example
DHIS2_USER=your_username
DHIS2_PASSWORD=your_passwordএনভায়রনমেন্ট ভেরিয়েবল সেট করার সঠিক বাক্যরীতি আপনার শেল ও অপারেটিং সিস্টেমের ওপর নির্ভর করে। পরিচয়পত্র এনভায়রনমেন্ট ভেরিয়েবলে রাখলে সেগুলো নোটবুকে অন্তর্ভুক্ত হওয়া বা সোর্স কন্ট্রোলে কমিট হওয়া থেকে বিরত রাখা যায়।
ডেটার মালিকের অনুমোদন নিয়ে তবেই কোনো লাইভ DHIS2 ইনস্ট্যান্সে সংযোগ করুন। ব্যক্তিগত পরিচয় অপসারিত সমষ্টিগত ডেটা ব্যবহার করুন এবং প্রতিষ্ঠানের নিরাপত্তা ও গভর্ন্যান্সের প্রয়োজনীয়তা মেনে চলুন।
মৌলিক কর্মপ্রবাহ চালান
ধাপ ১: মাসিক ডেটা লোড বা সংগ্রহ করুন
প্রতিটি সারি একটি সূচক, একটি জেলা এবং একটি মাসকে উপস্থাপন করে। প্রতিটি টিকাদান সূচকের জন্য সম্পূর্ণ বিশ্লেষণে ১৩টি জেলা ও ৬০টি মাস ব্যবহার করা হয়। Measles নিরীক্ষা ও পূর্বাভাস উভয় ধাপেই অন্তর্ভুক্ত, আর BCG ও OPV1-এর নিরীক্ষা করা হয়। ANC সূচকগুলো বাদ দেওয়া হয়েছে, কারণ মাত্র ২০ মাসের তথ্য পাওয়া যায়, যা এই কর্মপ্রবাহে বার্ষিক ধরন বিশ্লেষণের জন্য অত্যন্ত কম।
REFRESH = False থাকলে নোটবুকটি সংরক্ষিত স্ন্যাপশট পড়ে। REFRESH = True থাকলে কনফিগার করা সার্ভার থেকে বর্তমান ফলাফল সংগ্রহ করতে API সহায়ক ফাংশন ব্যবহার করে।
ধাপ ২: রিপোর্টিং সম্পূর্ণতা যাচাই করুন
প্রতিটি সূচকের প্রত্যাশিত পর্যবেক্ষণ সংখ্যা এভাবে গণনা করা হয়:
13 districts × 60 months = 780 district-monthsনমুনায় প্রতিটি টিকাদান সূচকের জন্য 725টি রিপোর্ট করা মান রয়েছে, ফলে 55টি অনুপস্থিত মান বা 7.1% ঘাটতি রয়েছে। অনুপস্থিত মানগুলো এলোমেলো নয়, বরং অত্যন্ত কাঠামোবদ্ধ:
- সব গ্যাপ অক্টোবর, নভেম্বর অথবা ডিসেম্বরে ঘটেছে।
- 2021 থেকে 2025 সাল পর্যন্ত প্রতিটি বছরে 11টি করে মান অনুপস্থিত।
- প্রভাবিত জেলাগুলো হলো Pujehun, Bonthe, Koinadugu, Kono, Bombali এবং Port Loko।
- উপলব্ধ কোনো বছরেই Pujehun-এর অক্টোবর থেকে ডিসেম্বর পর্যন্ত কোনো রিপোর্ট নেই।
- 2026 সালে কোনো মান অনুপস্থিত নেই।
এটি গুরুত্বপূর্ণ, কারণ রিপোর্ট করা জেলাগুলোই শুধু যোগ করলে জাতীয় মোট পরিমাণ কৃত্রিমভাবে কম দেখায়। প্রভাবিত ১৫ মাসে সংশোধন না করা মোট পরিমাণ গড়ে ১৪.৩% এবং সর্বোচ্চ ১৭.১% কম দেখানো হয়েছে।
ধাপ ৩: বছর-ওপর-বছর হুবহু পুনরাবৃত্তি শনাক্ত করা
নোটবুকটি প্রতিটি জেলা-মাসের তথ্যের সঙ্গে ১২ মাস আগের সংশ্লিষ্ট মাসের তথ্য তুলনা করে। হুবহু মিল স্বাভাবিকভাবে ঘটতে পারে, তবে প্রকৃত মাসভিত্তিক স্বাস্থ্যসংখ্যায় ব্যাপক পুনরাবৃত্তি অস্বাভাবিক।
ডেমো ডেটায় ২০২৪ সালে হাম রোগের জেলা-মাসের ৬৫.৫%, ২০২৫ সালে ৯২.৪% এবং ২০২৬ সালের জানুয়ারি থেকে আগস্ট পর্যন্ত ৭১.২% তথ্য আগের বছরের সংশ্লিষ্ট মাসের সঙ্গে হুবহু মিলে যায়। BCG এবং OPV1-এও প্রায় একই ধরণ দেখা যায়।
ব্যাখ্যার ক্ষেত্রে এই ধরণটি গুরুত্বপূর্ণ। এটি টেমপ্লেট থেকে তৈরি বা কপি করা নমুনা ডেটার মতো, এবং গত বছরের মানের ওপর ভিত্তি করে করা পূর্বাভাসকে অস্বাভাবিকভাবে শক্তিশালী সুবিধা দেয়।
ধাপ ৪: বড় পরিবর্তন ও সম্ভাব্য মাস-বদল পর্যালোচনা করা
বছর-ওপর-বছর বড় পরিবর্তন কার্যকর সতর্কসংকেত, তবে এগুলো স্বয়ংক্রিয়ভাবে ভুল নয়। নোটবুকটি আগের বছরের তুলনায় পরপর দুই মাসের মান স্থানবদল করেছে কি না তাও পরীক্ষা করে।
সম্ভাব্য স্থানবদল দেখা যায় ২০২৪ সালের মার্চ ও এপ্রিল, ২০২৪ সালের অক্টোবর ও নভেম্বর এবং ২০২৬ সালের মার্চ ও এপ্রিলে। উদাহরণস্বরূপ, Port Loko-তে মার্চ ও এপ্রিলে ৫৩৫ এবং ৩১৩ মান রয়েছে, কিন্তু বছরভেদে তাদের ক্রম বদলে গেছে। এ ধরনের স্থানবদলে দুটি মাসের বড় ত্রুটি তৈরি হয়, যদিও জোড়াটির সম্মিলিত মোট অপরিবর্তিত থাকে।
কর্মপ্রবাহটি সম্ভাব্য স্থানবদল চিহ্নিত করে, কিন্তু সেগুলো সংশোধন করে না। কোন ক্রমটি সঠিক, তা শুধু ডেটা থেকে নিশ্চিত করা যায় না; তাই পরিবর্তন করার আগে মূল প্রতিবেদনগুলো যাচাই করা উচিত।
ধাপ ৫: প্রশিক্ষণের অনুপস্থিত মান পূরণ করা
প্রকল্পটি প্রতিটি শূন্যস্থান দুই ধাপে পূরণ করে:
- জেলাটি অন্য বছরগুলোতে একই ক্যালেন্ডার মাসের তথ্য দিলে, সেই উপলভ্য মানগুলোর গড় ব্যবহার করা হয়।
- জেলাটি কখনো ওই ক্যালেন্ডার মাসের তথ্য না দিলে, সব জেলার মধ্যে ওই মাসের সাধারণ মৌসুমি ধরণ দিয়ে জেলার গড় মাত্রাকে গুণ করে তা অনুমান করা হয়।
Pujehun-এর মতো ক্ষেত্রে দ্বিতীয় পদ্ধতিটি প্রয়োজনীয়, যেখানে উপলভ্য প্রতিটি বছরেই অক্টোবর থেকে ডিসেম্বরের তথ্য অনুপস্থিত।
পদ্ধতিটি যাচাই করতে বিশ্লেষণে জানা অক্টোবর-থেকে-ডিসেম্বরের ১৫% মান আড়াল করে সেগুলো পূরণ করা হয়, তারপর প্রকৃত পর্যবেক্ষণের সঙ্গে অনুমানগুলোর তুলনা করা হয়। আড়াল করা ২১টি মানের ক্ষেত্রে গড় ত্রুটি ৮.২% এবং মধ্যম ত্রুটি ৭.৯%। এটি কেবল একটি ছোট যাচাইকরণ নমুনা, তাই এসব সংখ্যাকে চূড়ান্ত নির্ভুলতার অনুমান না ধরে মোটামুটি নির্দেশনা হিসেবে বিবেচনা করা উচিত।
অনুমান করা মানকে পর্যবেক্ষিত মান হিসেবে গণ্য করা হয় না। এগুলো শুধু মডেলের প্রশিক্ষণ ডেটা ও ল্যাগড বৈশিষ্ট্য তৈরিতে ব্যবহৃত হয়। স্কোরিংয়ের সময় অনুপস্থিত পরীক্ষামূলক পর্যবেক্ষণগুলো পূরণ না করে বাদ দেওয়া হয়।
হাম রোগের ডোজের পূর্বাভাস
কালানুক্রমিক প্রশিক্ষণ-পরীক্ষা বিভাজন ব্যবহার করা
পূর্বাভাসের প্রশ্নটি হলো, গত বছরের মান পুনরাবৃত্তি করার চেয়ে কোনো মডেল প্রতিটি জেলার পরবর্তী ১২ মাসের হাম রোগের ডোজ আরও নির্ভুলভাবে পূর্বাভাস দিতে পারে কি না।
- প্রশিক্ষণকাল: সেপ্টেম্বর ২০২১ থেকে আগস্ট ২০২৫, মোট ৪৮ মাস।
- পরীক্ষাকাল: সেপ্টেম্বর ২০২৫ থেকে আগস্ট ২০২৬, মোট ১২ মাস।
- মূল্যায়িত পর্যবেক্ষণ: রিপোর্ট করা ১৪৫টি পরীক্ষামূলক মান।
এলোমেলো বিভাজন ব্যবহার করলে ভবিষ্যতের পর্যবেক্ষণ আগের মাসগুলোর পূর্বাভাসকে প্রভাবিত করতে পারত। সময়ভিত্তিক বিভাজন এই তথ্য-ফাঁস প্রতিরোধ করে। প্রশিক্ষণের শূন্যস্থানগুলো শুধু প্রশিক্ষণকালীন তথ্য ব্যবহার করে পূরণ করা হয়, আর ২০২৫ সালের অক্টোবর থেকে ডিসেম্বর পর্যন্ত রিপোর্ট না করা পরীক্ষামূলক মানগুলো মূল্যায়ন থেকে বাদ দেওয়া হয়।
তিনটি মডেলের তুলনা করা
- মৌসুমি ন্যাইভ: এক বছর আগে একই মাসে পর্যবেক্ষিত মানের পূর্বাভাস দেয়।
- SARIMA: প্রতিটি জেলার জন্য আলাদাভাবে
SARIMA(0,1,1)(0,1,1,12)মডেল প্রয়োগ করে। পরীক্ষার ফলাফল দেখার আগে এই কনফিগারেশন নির্বাচন করা হয়েছিল এবং এটি টিউন করা হয়নি। - গ্রেডিয়েন্ট বুস্টিং: ১২ ও ২৪ মাস আগের মান, ক্যালেন্ডার মাস এবং জেলা ব্যবহার করে সব জেলার জন্য একটি যৌথ মডেল প্রশিক্ষণ দেয়। বিভিন্ন আকারের জেলা যেন একই মডেল ব্যবহার করতে পারে, সে জন্য মানগুলো প্রতিটি জেলার গড় দিয়ে স্কেল করা হয়।
গ্রেডিয়েন্ট-বুস্টিং বৈশিষ্ট্যগুলোতে কমপক্ষে ১২ মাস আগের পর্যবেক্ষণই ব্যবহার করা হয়। পূর্ণ ১২ মাস আগাম পূর্বাভাস তৈরির সময় যে তথ্য পাওয়া যেত, এটি তারই প্রতিফলন।
MAE এবং WAPE ব্যাখ্যা করা
নোটবুকটি দুটি মূল্যায়ন মেট্রিক প্রকাশ করে:
- MAE: প্রতি জেলা-মাসে ডোজের হিসাবে গড় পরম ত্রুটি।
- WAPE: মোট প্রকৃত ডোজ দিয়ে ভাগ করা মোট পরম ত্রুটি। উদাহরণস্বরূপ,
0.036মানে ৩.৬% ত্রুটি।
মৌসুমি ন্যাইভ মডেলের MAE ১৬.১ এবং WAPE ৩.৬%। SARIMA-এর MAE ৩০.০ ও WAPE ৬.৬%, আর গ্রেডিয়েন্ট বুস্টিংয়ের MAE ৩২.৯ ও WAPE ৭.৩%।
২০২৬ সালের মার্চ ও এপ্রিল বাদ দিলে মৌসুমি ন্যাইভের WAPE কমে ০.৮%-এ দাঁড়ায়। SARIMA-এর ক্ষেত্রে তা ৫.৪% এবং গ্রেডিয়েন্ট বুস্টিংয়ের ক্ষেত্রে ৫.৭%। তাই বেসলাইন মডেলের অধিকাংশ ত্রুটি আপাত মার্চ-এপ্রিল স্থানবদল থেকে এসেছে।
কেন সহজ বেসলাইনটি জয়ী
মৌসুমি ন্যাইভ পদ্ধতি সবচেয়ে ভালো কাজ করে, কারণ পরীক্ষাকালের অধিকাংশ মান আগের বছরের হুবহু কপি। এই পরিস্থিতিতে গত বছরের পর্যবেক্ষণ পুনরাবৃত্তি করা একটি মডেল প্রায় নিখুঁত।
অন্যদিকে SARIMA ও গ্রেডিয়েন্ট বুস্টিং মাত্র চারটি বার্ষিক চক্রের তথ্য থেকে বৃহত্তর ধরণ অনুমান করে। তারা সিরিজকে মসৃণ করে এবং হুবহু কপি করা মান একই নির্ভরযোগ্যতায় পুনরুৎপাদন করতে পারে না। আগের পর্যবেক্ষণ থেকে পরপর মাসের স্থানবদলও তারা পূর্বাভাস দিতে পারে না।
এই ফলাফল থেকে সাধারণভাবে মৌসুমি ন্যাইভ পূর্বাভাসই শ্রেষ্ঠ, এমন সিদ্ধান্তে আসা যায় না। এটি এই ডেমো ডেটাসেটের অস্বাভাবিক কাঠামোর প্রতিফলন। প্রকৃত বছরভিত্তিক পরিবর্তন থাকা বাস্তব ডেটায় আরও উন্নত মডেলগুলোর বেসলাইনকে ছাড়িয়ে যাওয়ার সুযোগ অনেক বেশি অর্থবহ হবে।
ওয়ার্কফ্লো অভিযোজনের জন্য উন্নত পরামর্শ
পর্যবেক্ষিত ও আনুমানিক মান আলাদা রাখুন
প্রতিটি পূরণ করা পর্যবেক্ষণের জন্য একটি স্পষ্ট ফ্ল্যাগ যোগ করুন বা বজায় রাখুন। সম্পূর্ণ প্রশিক্ষণ সিরিজ প্রযুক্তিগতভাবে প্রয়োজন হলে আনুমানিক মান ব্যবহার করুন, তবে সেগুলোকে নীরবে রিপোর্ট করা মান হিসেবে উপস্থাপন করবেন না। স্কোরিং কেবল বাস্তবে রিপোর্ট করা পর্যবেক্ষণের ভিত্তিতেই হওয়া উচিত।
অস্বাভাবিকতাগুলো স্বয়ংক্রিয়ভাবে ঠিক না করে তদন্ত করুন
অনুপস্থিত রিপোর্ট, পুনরাবৃত্ত মান, বড় পরিবর্তন এবং সম্ভাব্য অদলবদলের জন্য ভিন্ন ভিন্ন পদক্ষেপ প্রয়োজন। মডেলিংয়ের জন্য একটি অনুপস্থিত মান আনুমানিকভাবে নির্ধারণ করা যেতে পারে, কিন্তু মাস অদলবদলের সম্ভাবনা দেখা গেলে তা উৎস নথির সঙ্গে যাচাই করা উচিত। স্বয়ংক্রিয় সংশোধন দৃশ্যমান সতর্কতাকে একটি গোপন ত্রুটিতে পরিণত করতে পারে।
রোলিং-অরিজিন মূল্যায়ন ব্যবহার করুন
রিপোজিটরিতে একটি ১২-মাসের পরীক্ষামূলক সময়সীমা ব্যবহার করা হয়েছে। আরও নির্ভরযোগ্য মূল্যায়নের জন্য একাধিক কালানুক্রমিক সময়সীমায় মূল্যায়নটি পুনরাবৃত্তি করুন। প্রতিটি রানকে তার পূর্বাভাস সময়সীমার আগে উপলভ্য ডেটা দিয়েই প্রশিক্ষিত হতে হবে। এর মাধ্যমে বোঝা যায়, মডেলের কর্মদক্ষতা সময়ের সঙ্গে স্থিতিশীল কি না, নাকি তা কোনো একটি অস্বাভাবিক বছরের ওপর নির্ভর করছে।
জটিল মডেলগুলো সবসময় বেঞ্চমার্ক করুন
টিউন করা SARIMA মডেল, নতুন ফিচার বা অন্যান্য মেশিন-লার্নিং অ্যালগরিদম যোগ করলেও মৌসুমি ন্যাভ পূর্বাভাসটি রেখে দিন। কোনো জটিল পদ্ধতি তখনই কার্যকর, যখন তা অদেখা সময়সীমায় একটি সরল ও কার্যকরভাবে বিশ্বাসযোগ্য বেসলাইনের তুলনায় ধারাবাহিকভাবে ভালো ফল দেয়।
বাস্তব ডেটা নিয়ে কাজ করার সময় অনিশ্চয়তা যোগ করুন
প্রস্তাবিত পরবর্তী পদক্ষেপগুলোর মধ্যে পূর্বাভাসের ইন্টারভ্যাল যোগ করা রয়েছে। শুধু পয়েন্ট পূর্বাভাস স্বাভাবিক পরিবর্তন, সীমিত ঐতিহাসিক ডেটা বা প্রশিক্ষণ ডেটার আনুমানিকভাবে পূরণ করা অংশ থেকে উদ্ভূত অনিশ্চয়তা প্রকাশ করে না।
নিয়মিত অডিট স্বয়ংক্রিয় করুন
প্রতিটি রিপোর্টিং চক্রের পর একই পরীক্ষাগুলো চালানোর জন্য সময়সূচি নির্ধারণ করা যেতে পারে। একটি নিয়মিত প্রক্রিয়া নতুন অনুপস্থিত জেলা-মাস, প্রত্যাশিত নয় এমন বছর-ওভার-বছর পুনরাবৃত্তি, বড় পরিবর্তন এবং পর্যালোচনার জন্য সন্দেহভাজন অদলবদল হওয়া মাসগুলো রিপোর্ট করতে পারে।
অন্যান্য সূচকে সম্প্রসারণের সময় সতর্ক থাকুন
অন্য কোনো পরিমাপের পূর্বাভাস দেওয়ার আগে যাচাই করুন যে তার মৌসুমি চক্রের জন্য পর্যাপ্ত ইতিহাস রয়েছে কি না। উপলভ্য ANC সূচকগুলোতে জানুয়ারি ২০২৫ থেকে শুরু করে মাত্র ২০ মাসের ডেটা রয়েছে, তাই বার্ষিক ধরণ বিশ্লেষণের জন্য এই প্রকল্পে সেগুলো ব্যবহার করা হয়নি।
গুরুত্বপূর্ণ সীমাবদ্ধতা
- উৎসটি একটি ডেমো সার্ভার, তাই এই বিশ্লেষণ বাস্তব টিকাদান প্রবণতা সম্পর্কে কিছুই বলে না।
- পূর্বাভাসের তুলনায় একটি মাত্র ১২-মাসের পরীক্ষামূলক সময়সীমা ব্যবহার করা হয়েছে।
- শুধু Measles-এর পূর্বাভাস দেওয়া হয়েছে।
- SARIMA কনফিগারেশনটি টিউন না করে নির্দিষ্ট রাখা হয়েছে।
- গ্যাপ-ফিল যাচাইয়ে মাত্র ২১টি গোপন পর্যবেক্ষণ রয়েছে।
- Pujehun-এর অক্টোবর থেকে ডিসেম্বরের আনুমানিক মানগুলো অন্যান্য জেলার মৌসুমি ধরণের ওপর নির্ভরশীল।
- সন্দেহভাজন মাস অদলবদলগুলো চিহ্নিত করা হয়েছে, কিন্তু সংশোধন করা হয়নি।
উপসংহার
এই প্রকল্পটি দেখায় যে পূর্বাভাস দেওয়ার আগে ডেটার গুণমান অডিট করা উচিত। এর পরীক্ষাগুলো কাঠামোবদ্ধ অনুপস্থিতি, ব্যাপক বছর-ওভার-বছর পুনরাবৃত্তি এবং সম্ভাব্য পার্শ্ববর্তী মাস অদলবদল প্রকাশ করে, যা মোট হিসাব ও মডেল মূল্যায়নে বড় প্রভাব ফেলে।
সংরক্ষিত স্ন্যাপশটের বিরুদ্ধে নোটবুক চালিয়ে শুরু করুন, প্রতিটি অডিট ধাপ পরীক্ষা করুন, এবং অনুমোদিত DHIS2 উৎস ব্যবহারের জন্য প্রস্তুত হলেই API রিফ্রেশ চালু করুন। ওয়ার্কফ্লো অভিযোজিত করার সময় কালানুক্রমিক মূল্যায়ন বজায় রাখুন, আনুমানিক মানগুলো চিহ্নিত করুন, উৎস রিপোর্টের সঙ্গে অস্বাভাবিকতাগুলো যাচাই করুন এবং প্রতিটি মডেলকে একটি সরল মৌসুমি বেসলাইনের সঙ্গে তুলনা করুন।