AI for pRedicting Exacerbations in KIDs with aSthma (AIRE-KIDS)
AIRE-KIDS अध्ययन ने इलेक्ट्रॉनिक मेडिकल रिकॉर्ड्स, पर्यावरणीय डेटा और पड़ोस की जानकारी का उपयोग करके एक मशीन लर्निंग मॉडल विकसित और मान्य किया है, जो बच्चों में अस्थमा के गंभीर बढ़ने (एक्सेर्बेशन) की सटीक भविष्यवाणी करने में सक्षम है, और 0.712 का AUC और 0.51 का F1 स्कोर प्राप्त करके वर्तमान निर्णय नियमों (डिसिजन रूल्स) की तुलना में बेहतर प्रदर्शन 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
दमा बच्चों के लिए एक आम स्थिति है, जिससे उनकी वायु नलिकाएं संकुचित हो जाती हैं और सांस लेने में कठिनाई होती है। हालांकि कई बच्चे घर पर अपने लक्षणों को अच्छी तरह से प्रबंधित कर लेते हैं, लेकिन कुछ गंभीर दौरों का अनुभव करते हैं जिसके लिए आपातकालीन विभाग (इमरजेंसी डिपार्टमेंट) जाने की आवश्यकता होती है। उपचार प्राप्त करने के बाद भी, इन बच्चों में से एक बड़ी संख्या एक साल के भीतर दूसरे गंभीर एपिसोड के लिए वापस आती है। यह चक्र न केवल परिवारों के लिए एक व्यक्तिगत कठिनाई है; यह अस्पतालों और स्वास्थ्य प्रणाली पर भारी दबाव भी डालता है। डॉक्टरों के लिए चुनौती यह है कि वे हर उस बच्चे को गहन, विशेष शिक्षा और देखभाल प्रदान नहीं कर सकते जो आपातकालीन विभाग में आता है, क्योंकि संसाधनों की कमी है। इसके बजाय, चिकित्सा टीमों को यह पहचानने का एक तरीका चाहिए कि किन विशिष्ट बच्चों के वापस आने की सबसे अधिक संभावना है, ताकि उन्हें एक व्यापक देखभाल कार्यक्रम के लिए भेजा जा सके जो भविष्य के संकटों को रोकने में मदद करता है। दशकों से, डॉक्टर इन निर्णयों को लेने के लिए सरल चेकलिस्ट और अपने स्वयं के निर्णय पर भरोसा करते आए हैं, लेकिन ये तरीके अक्सर सबसे संवेदनशील रोगियों को पहचानने में चूक जाते हैं या उन लोगों को चिह्नित कर देते हैं जिन्हें अतिरिक्त मदद की आवश्यकता नहीं है।
हाल ही में 'चिल्ड्रन्स हॉस्पिटल ऑफ ईस्टर्न ओंटारियो' में एक अध्ययन में, शोधकर्ताओं ने इस समस्या को हल करने के लिए एक अधिक सटीक उपकरण बनाने का लक्ष्य रखा। उन्होंने मशीन लर्निंग की ओर रुख किया, जो कंप्यूटर विज्ञान का एक प्रकार है जहाँ सॉफ्टवेयर डेटा की विशाल मात्रा में पैटर्न पहचानना सीखता है। टीम ने 2017 और 2019 के बीच आपातकालीन विभाग में दमे के लिए आने वाले लगभग 3,000 बच्चों के रिकॉर्ड एकत्र किए। इन रिकॉर्डों में बच्चों का चिकित्सा इतिहास शामिल था, जैसे कि पिछली यात्राएं, उनकी आयु, और क्या उन्हें भोजन के प्रति संवेदनशीलता जैसी अन्य एलर्जी थी। डेटा ने उनके वर्तमान हमले की गंभीरता, डॉक्टर को देखने के लिए उन्होंने कितनी देर प्रतीक्षा की, और यहां तक कि उनके पड़ोस में वायु गुणवत्ता जैसे पर्यावरणीय कारकों को भी दर्ज किया। शोधकर्ता यह देखना चाहते थे कि क्या एक कंप्यूटर इन सभी विभिन्न सूचनाओं को देखकर यह अनुमान लगा सकता है कि कौन से बच्चे अगले एक वर्ष के भीतर अस्पताल वापस आएंगे।
अपने विचार का परीक्षण करने के लिए, टीम ने कई अलग-अलग प्रकार के कंप्यूटर मॉडल प्रशिक्षित किए। इसमें बड़े भाषा मॉडल (लार्ज लैंग्वेज मॉडल्स) पर आधारित तीन नए दृष्टिकोण शामिल थे, जो उसी प्रकार के शक्तिशाली कृत्रिम बुद्धिमत्ता (एआई) सिस्टम हैं जिनका उपयोग अक्सर टेक्स्ट लिखने या जटिल प्रश्नों के उत्तर देने के लिए किया जाता है। उन्होंने पारंपरिक ट्री-बेस्ड मॉडल्स का भी परीक्षण किया, जो डेटा के आधार पर हाँ-या-ना के निर्णयों की एक श्रृंखला बनाकर काम करते हैं, ठीक वैसे ही जैसे एक डॉक्टर विभिन्न लक्षणों को तौलता है। शोधकर्ताओं ने अपने डेटा को दो समूहों में विभाजित किया: एक समूह मॉडलों को सिखाने के लिए, और दूसरा, एक अलग समूह यह परीक्षण करने के लिए कि मॉडल नए, अनदेखे रोगियों पर कैसा प्रदर्शन करते हैं। उन्होंने कंप्यूटर के अनुमानों की तुलना अस्पताल के वर्तमान मानक नियम से की, जो कुछ विशिष्ट मानदंडों के आधार पर उच्च-जोखिम वाले रोगियों के लिए अलर्ट जारी करता है, जैसे कि पिछली यात्रा और ट्राइएज (तुलना/जांच) के समय उच्च गंभीरता स्कोर।
परिणामों ने दिखाया कि इस विशिष्ट कार्य के लिए पारंपरिक ट्री-बेस्ड मॉडल नए भाषा मॉडलों की तुलना में कहीं अधिक श्रेष्ठ थे। सबसे अच्छा प्रदर्शन करने वाले मॉडल ने, जिसे शोधकर्ताओं ने AIRE-KIDS नाम दिया, सफलतापूर्वक उन बच्चों की पहचान की जो आपातकालीन विभाग में लौटने या अस्पताल में भर्ती होने के उच्च जोखिम पर थे। 2022 और 2023 के बच्चों के समूह पर परीक्षण करते समय, यह मॉडल वर्तमान अस्पताल नियम की तुलना में काफी अधिक सटीक साबित हुआ। जबकि मौजूदा नियम उन बच्चों के लगभग एक-तिहाई हिस्से की सही पहचान करता था जो वापस आने वाले थे, नया मॉडल आधे से अधिक बच्चों की सही पहचान करने में सफल रहा। कंप्यूटर ने सीखा कि भविष्य में वापसी के सबसे मजबूत संकेत न केवल वर्तमान हमले की गंभीरता थे, बल्कि बच्चे की पिछली यात्राओं का इतिहास, उनकी आयु, क्या उन्हें भोजन से एलर्जी थी, और उनकी समग्र चिकित्सा आवश्यकताओं की जटिलता भी थी। आश्चर्यजनक रूप से, पर्यावरणीय कारक जैसे वायु प्रदूषण, जिसकी शोधकर्ताओं को उम्मीद थी कि वह एक प्रमुख भविष्यवक्ता होगा, ने मॉडल की सटीकता में महत्वपूर्ण रूप से सुधार नहीं किया और इसे सरल और उपयोग में आसान रखने के लिए अंतिम संस्करण से बाहर रखा गया।
अध्ययन में यह भी पाया गया कि नए, अधिक जटिल कृत्रिम बुद्धिमत्ता सिस्टम, जिन्हें बड़े भाषा मॉडल कहा जाता है, सरल और विशिष्ट मॉडलों की तरह प्रदर्शन नहीं कर सके। अन्य क्षेत्रों में इन उन्नत सिस्टमों की लोकप्रियता के बावजूद, वे इस विशिष्ट चिकित्सा डेटा में सही पैटर्न खोजने में संघर्ष करते रहे। शोधकर्ताओं ने निष्कर्ष निकाला कि बच्चों में दमे के परिणामों की भविष्यवाणी करने के लिए, एक व्यापक, सामान्य-उद्देश्य वाले मॉडल की तुलना में एक केंद्रित, व्याख्या योग्य मॉडल अधिक प्रभावी है। अंतिम मॉडल तथ्यों के एक छोटे, प्रबंधनीय सेट का उपयोग करता है जो अस्पताल के इलेक्ट्रॉनिक रिकॉर्ड में उस समय आसानी से उपलब्ध होते हैं जब कोई बच्चा प्रवेश करता है। इसका अर्थ है कि इस टूल को सीधे आपातकालीन विभाग के कार्यप्रवाह (वर्कफ्लो) में एकीकृत किया जा सकता है, जिससे डॉक्टरों को सबसे संवेदनशील बच्चों को तुरंत विशेष देखभाल के लिए भेजने का अलर्ट मिल सके। ऐसा करके, अस्पताल बार-बार आने वाले दौरों के चक्र को तोड़ने की उम्मीद करता है, यह सुनिश्चित करता है कि जिन बच्चों को सबसे अधिक मदद की आवश्यकता है उन्हें वह मिले, जबकि सीमित संसाधनों का अधिक कुशलता से उपयोग किया जा सके।
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।