Scaling Electronic Health Record Foundation Models for Population Health Management
यह शोध पत्र एक स्केलेबल इलेक्ट्रॉनिक हेल्थ रिकॉर्ड फाउंडेशन मॉडल पेश करता है जिसे अमेरिका और ताइवान के 50 लाख से अधिक रोगियों के अरबों क्रॉस-साइट मेडिकल इवेंट्स पर प्री-ट्रेन किया गया है, जो एक यूनिफाइड कोड एलाइनमेंट फ्रेमवर्क और कंप्यूट-ऑप्टिमल स्केलिंग का लाभ उठाकर 11 पुरानी बीमारियों की भविष्यवाणी करने में मौजूदा मॉडलों की तुलना में बेहतर प्रदर्शन और सामान्यीकरण प्रदर्शित करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आज के स्वास्थ्य सेवा तंत्र अक्सर अलग-थलग द्वीपों के एक संग्रह की तरह काम करते हैं। एक मरीज एक शहर में विशेषज्ञ को दिखा सकता है, दूसरे शहर में परीक्षण करवा सकता है, और तीसरे शहर में दवा लिखवा सकता है, जहाँ प्रत्येक स्थान अपना अलग रिकॉर्ड रखता है। यह विखंडन व्यक्ति के स्वास्थ्य की पूरी तस्वीर देखने में कठिनाई पैदा करता है। जब डॉक्टर इन कड़ियों को आसानी से नहीं जोड़ पाते, तो वे हृदय रोग या कैंसर जैसी गंभीर, दीर्घकालिक बीमारियों के शुरुआती चेतावनी संकेतों को पहचानने में चूक सकते हैं। जब तक इन स्थितियों का पता चलता है, वे अक्सर उन्नत अवस्था में होती हैं, जिसके लिए महंगे और गहन उपचार की आवश्यकता होती है। जनसंख्या स्वास्थ्य प्रबंधन (population health management) का लक्ष्य इसे हल करना है—विशाल मात्रा में रोगी डेटा को देखकर उन लोगों को खोजने का जो जोखिम में हैं, इससे पहले कि वे वास्तव में बीमार महसूस करें, जिससे प्रारंभिक, जीवन रक्षक हस्तक्षेप संभव हो सके।
इसे प्राप्त करने के लिए, शोधकर्ताओं ने इलेक्ट्रॉनिक हेल्थ रिकॉर्ड्स (EHR) की ओर रुख किया, जो हर दौरे, परीक्षण और दवा का डिजिटल लॉग है। हालाँकि, ये रिकॉर्ड किसी एक सार्वभौमिक भाषा में नहीं लिखे गए हैं। एक अस्पताल एक सामान्य प्रक्रिया के लिए एक विशिष्ट कोड का उपयोग कर सकता है, जबकि एक अलग देश का अस्पताल ठीक उसी चीज़ के लिए पूरी तरह से अलग कोड का उपयोग कर सकता है। इस बेमेल होने के कारण विभिन्न क्षेत्रों के डेटा से कंप्यूटर प्रणालियों को सीखना लगभग असंभव हो गया है। एक नया अध्ययन EHR-FM नामक एक समाधान पेश करता है, जो एक विशाल कंप्यूटर मॉडल है जिसे चिकित्सा रिकॉर्ड को उनके स्रोत की परवाह किए बिना पढ़ने और समझने के लिए डिज़ाइन किया गया है। संयुक्त राज्य अमेरिका और ताइवान के पचास लाख से अधिक रोगियों से जुड़े अरबों चिकित्सा आयोजनों (medical events) से सीखकर, इस प्रणाली ने उन सूक्ष्म पैटर्न को पहचानने की क्षमता विकसित की है जो पुरानी बीमारियों से पहले दिखाई देते हैं, भले ही डेटा दो बहुत ही अलग चिकित्सा दुनियाओं से आया हो।
मुख्य चुनौती जो शोधकर्ताओं के सामने आई वह केवल डेटा की विशाल मात्रा नहीं थी, बल्कि विभिन्न कोडिंग प्रणालियों के कारण होने वाला भ्रम था। कल्पना कीजिए कि आप एक नई भाषा सीखने की कोशिश कर रहे हैं जहाँ हर किताब में "हार्ट अटैक" शब्द को अलग तरह से लिखा गया है। मेडिकल रिकॉर्ड में, एक ही दवा या प्रक्रिया के स्थानीय बिलिंग सिस्टम के आधार पर सैकड़ों अलग-अलग नाम हो सकते हैं। इसे ठीक करने के लिए, टीम ने एक अनुवादक बनाया जो कंप्यूटर के देखने से पहले ही इन सभी अलग-अलग कोडों को एक एकल, एकीकृत भाषा में परिवर्तित कर देता है। उन्होंने आधिकारिक चिकित्सा शब्दकोशों और उन्नत आर्टिफिशियल इंटेलिजेंस के संयोजन का उपयोग किया ताकि हजारों स्थानीय कोडों को मानक अंतरराष्ट्रीय कोडों में मैप किया जा सके। इसने ताइवान और संयुक्त राज्य अमेरिका के रिकॉर्डों को एक विशाल, सुसंगत डेटासेट में मिलाने की अनुमति दी जिसमें लगभग दस अरब चिकित्सा आयोजन शामिल थे।
इस एकीकृत डेटा के साथ, शोधकर्ताओं ने एक 'लार्ज फाउंडेशन मॉडल' को प्रशिक्षित किया, जो एक प्रकार का आर्टिफिशियल इंटेलिजेंस है जो सूचना की विशाल मात्रा से सामान्य नियम सीखता है। उन्होंने परीक्षण किया कि जैसे-जैसे वे मॉडल के आकार और देखे गए डेटा की मात्रा को बढ़ाते हैं, उसका प्रदर्शन कैसे बदलता है। उन्होंने पाया कि मॉडल एक अनुमानित पैटर्न का पालन करता है: जैसे-जैसे वे अधिक कंप्यूटिंग शक्ति और अधिक डेटा जोड़ते हैं, मॉडल अपने काम में काफी बेहतर होता जाता है। उन्होंने एक अरब से अधिक पैरामीटर्स (जटिलता और सीखने की क्षमता का एक माप) वाले संस्करणों से लेकर बहुत छोटे संस्करणों तक के मॉडल बनाए। क्रॉस-बॉर्डर डेटा पर प्रशिक्षित सबसे बड़े संस्करण ने प्रमुख बीमारियों की शुरुआत की भविष्यवाणी करने में असाधारण कौशल दिखाया।
वास्तविक दुनिया के परिदृश्यों में परीक्षण करने पर, मॉडल ने उन रोगियों की पहचान करने की उल्लेखनीय क्षमता प्रदर्शित की जो अगले एक वर्ष के भीतर कैंसर, हार्ट फेलियर या स्ट्रोक जैसी स्थितियों से ग्रस्त हो सकते हैं। संयुक्त राज्य अमेरिका में, मॉडल ने भविष्य के हृदय रोग के मामलों के लिए 0.4 का AUC प्राप्त किया, जबकि गलत चेतावनियों (false alarms) को बेहद कम रखा। ताइवानी डेटा में, इसने समान उच्च स्तर की सटीकता के साथ भविष्य के मामलों के लिए 0.7 का AUC प्राप्त किया। यह उच्च संवेदनशीलता जनसंख्या स्वास्थ्य के लिए महत्वपूर्ण है; इसका अर्थ है कि सिस्टम डॉक्टरों को गलत चेतावनियों से अभिभूत किए बिना उच्च-जोखिम वाले व्यक्तियों को आगे के परीक्षण के लिए चिह्नित कर सकता है। मॉडल ने सरल नियमों पर आधारित पारंपरिक कंप्यूटर प्रोग्रामों को पछाड़ दिया और उन अन्य उन्नत AI मॉडलों से भी बेहतर प्रदर्शन किया जो केवल एक ही स्थान के डेटा पर प्रशिक्षित थे।
शायद सबसे आश्चर्यजनक निष्कर्ष यह था कि मॉडल ने उन स्थानों से प्राप्त डेटा को कितनी अच्छी तरह से संभाला जहाँ उसने पहले कभी काम नहीं किया था। जब स्टैनफोर्ड यूनिवर्सिटी के रोगियों के एक पूरी तरह से अलग सेट पर परीक्षण किया गया, जिसमें अलग कोडिंग सिस्टम का उपयोग किया गया था और जो एक अलग आबादी को कवर करता था, तब भी मॉडल ने पिछले अत्याधुनिक (state-of-the-art) सिस्टमों से बेहतर प्रदर्शन किया। यह सुझाव देता है कि विविध डेटा के मिश्रण से सीखकर, मॉडल ने मानव रोग की एक गहरी समझ विकसित की है जो स्थानीय अंतरों से परे है। शोधकर्ताओं ने यह भी पाया कि केवल डेटा को बार-बार कॉपी करके एक बड़ा डेटासेट बनाने से मॉडल उतना अच्छा नहीं सीख सका जितना कि विभिन्न क्षेत्रों से नए, विविध डेटा को जोड़ने से। यह इंगित करता है कि जानकारी की विविधता, उसकी मात्रा जितनी ही महत्वपूर्ण है।
यह अध्ययन पुष्टि करता है कि दुनिया भर के चिकित्सा रिकॉर्ड को एकीकृत करके पुरानी बीमारियों की भविष्यवाणी करने वाले शक्तिशाली, स्केलेबल उपकरण बनाना संभव है। शोधकर्ताओं ने दिखाया कि विभिन्न कोडिंग प्रणालियों को संरेखित करके, वे एक ऐसा मॉडल बना सकते हैं जो लाखों रोगियों के सामूहिक इतिहास से सीखता है, और उन जोखिमों की पहचान करता है जो अन्यथा अनदेखे रह सकते हैं। हालांकि यह मॉडल अभी तक डॉक्टर के निर्णय का विकल्प नहीं है, लेकिन यह देखभाल को प्राथमिकता देने का एक शक्तिशाली नया तरीका प्रदान करता है। उच्च-जोखिम वाले व्यक्तियों को जल्दी से चिह्नित करके, स्वास्थ्य सेवा प्रणालियाँ बीमारी पर प्रतिक्रिया देने के बजाय उसे रोकने की ओर बढ़ सकती हैं, जिससे संभावित रूप से जीवन बचाया जा सकता है और चिकित्सा संसाधनों का बोझ कम किया जा सकता है। शोधकर्ताओं ने अपना कोड दूसरों के लिए उपलब्ध कराया है, इस उम्मीद में कि यह दृष्टिकोण एक ऐसा भविष्य बनाने में मदद करेगा जहाँ सक्रिय, डेटा-संचालित देखभाल सभी के लिए सुलभ हो, चाहे वे कहीं भी रहते हों।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।