Nationwide EHR-Based Chronic Rhinosinusitis Prediction Using Demographic-Stratified Models

तकनीकी सारांश: जनसांख्यिकीय-स्तरीकृत मॉडलों का उपयोग करके राष्ट्रव्यापी EHR-आधारित क्रोनिक राइनोसिनुसाइटिस भविष्यवाणी

समस्या विवरण
क्रोनिक राइनोसिनुसाइटिस (CRS) एक विषम सूजन संबंधी विकार है जो लगभग 11-12% अमेरिकी आबादी को प्रभावित करता है, जिससे महत्वपूर्ण रुग्णता और वित्तीय बोझ पड़ता है। इसकी शीघ्र पहचान करना चुनौतीपूर्ण है क्योंकि इसके लक्षण एलर्जिक राइनाइटिस जैसी सामान्य स्थितियों के साथ मिलते-जुलते होते हैं, और औपचारिक निदान के लिए आमतौर पर नेज़ल एंडोस्कोपी या सीटी स्कैन से प्राप्त वस्तुनिष्ठ साक्ष्य की आवश्यकता होती है, जो प्राथमिक देखभाल केंद्रों में हमेशा उपलब्ध नहीं होते हैं। पूर्व भविष्य कहनेवाला अध्ययन एकल-संस्थान वाले समूहों (cohorts) पर निर्भर थे, जिससे जनसंख्या-स्तर की सामान्यीकरण क्षमता सीमित हो गई, या उन्होंने आनुवंशिक अनुक्रमण (genetic sequencing) और इमेजिंग जैसी संसाधन-गहन पद्धतियों का उपयोग किया। इसके अलावा, मौजूदा मशीन लर्निंग दृष्टिकोण अक्सर CRS फेनोटाइप में स्पष्ट जनसांख्यिकीय विषमता, जैसे कि आयु-निर्भर रोगजनक बदलाव और लिंग-विशिष्ट प्रस्तुति को समझने में विफल रहते हैं।

कार्यप्रणाली
लेखकों ने NIH के "All of Us" अनुसंधान कार्यक्रम से प्राप्त राष्ट्रव्यापी अनुदैर्ध्य (longitudinal) इलेक्ट्रॉनिक हेल्थ रिकॉर्ड (EHR) डेटा का उपयोग करके एक भविष्य कहनेवाला ढांचा विकसित किया, जिसे OMOP कॉमन डेटा मॉडल के अनुरूप मानकीकृत किया गया है। कार्यप्रणाली में तीन मुख्य घटक शामिल हैं:

1. डेटा प्रीप्रोसेसिंग और कोहॉर्ट निर्माण:

   • लक्ष्य परिभाषा: CRS मामलों की पहचान एक नियम-आधारित फेनोटाइपिंग रणनीति का उपयोग करके की गई, जिसमें दो साल की अवधि के भीतर कम से कम दो योग्य नैदानिक कोड आवश्यक थे। निगरानी पूर्वाग्रह (surveillance bias) को कम करने के लिए नियंत्रण समूह (controls) को आयु, लिंग, नस्ल, जातीयता और विज़िट आवृत्ति के आधार पर मामलों के साथ प्रोपेंसिटी-स्कोर मैचिंग द्वारा चुना गया था।
   • फीचर इंजीनियरिंग: कच्चे ट्रांसेक्शनल लॉग को 'रिसेंसी-बेस्ड' फीचर प्रतिनिधित्व में परिवर्तित किया गया। प्रत्येक नैदानिक चर (स्थितियां, दवाएं, प्रक्रियाएं) के लिए, फीचर मान इंडेक्स डेट और सबसे हालिया घटना के बीच के दिनों की संख्या को दर्शाता है। दो साल की विंडो के बाहर की घटनाओं या कभी न होने वाली घटनाओं को एक सेंटिनल वैल्यू (999,999) दिया गया ताकि ट्री-बेस्ड मॉडल इम्प्यूटेशन के बिना लुप्त डेटा को अलग कर सकें।
   • संतुलन: 17,560 प्रतिभागियों (8,780 मामले और 8,780 नियंत्रण) का एक संतुलित कोहॉर्ट बनाने के लिए 1:1 निकटतम-पड़ोसी (nearest-neighbor) मिलान रणनीति का उपयोग किया गया।

2. हाइब्रिड फीचर चयन:
   अत्यधिक स्पर्सिटी (sparsity) और आयामीता (dimensionality) (1,10,000 से अधिक संभावित कोड) को संबोधित करने के लिए, एक दो-चरणीय पाइपलाइन लागू की गई:

   • चरण 1 (सांख्यिकीय मोटे तौर पर स्क्रीनिंग): चरों को मामलों और नियंत्रणों के बीच व्यापकता (prevalence) के पूर्ण अंतर ($|P_{target} - P_{control}|$) द्वारा रैंक किया गया। शीर्ष 1,100 फीचर्स (300 स्थितियां, 500 प्रक्रियाएं, 300 दवाएं) को रखा गया।
   • चरण 2 (मॉडल-आधारित सूक्ष्म स्क्रीनिंग): 1,100 फीचर्स पर एक अनुकूलित ग्लोबल XGBoost क्लासिफायर को प्रशिक्षित किया गया। फीचर्स को इन्फॉर्मेशन-गेन-आधारित महत्व द्वारा रैंक किया गया, और शीर्ष 100 को चुना गया। इस उपसमुच्चय ने कुल संचयी SHAP वैल्यू का 80.6% हिस्सा कवर किया, जिससे भविष्य कहने की शक्ति को सुरक्षित रखते हुए व्याख्यात्मकता (interpretability) में वृद्धि हुई।

3. जनसांख्यिकीय-स्तरीकृत मॉडलिंग:
   यह पहचानते हुए कि CRS फेनोटाइप लिंग और आयु के अनुसार भिन्न होते हैं, कोहॉर्ट को छह परस्पर अनन्य स्तरों (strata) में विभाजित किया गया: पुरुष/महिला को तीन आयु समूहों (18-40, 40-60, 60+) के साथ क्रॉस किया गया। प्रत्येक स्तर के लिए एक स्वतंत्र XGBoost मॉडल प्रशिक्षित किया गया। AUC-ROC को अधिकतम करने के लिए प्रत्येक मॉडल का 100 परीक्षणों के माध्यम से बेयसियन ट्री-स्ट्रक्चर्ड पारज़न एस्टिमेटर (TPE) एल्गोरिदम का उपयोग करके स्वतंत्र हाइपरपैरामीटर अनुकूलन किया गया।

प्रमुख योगदान

• राष्ट्रव्यापी पैमाना: जनसंख्या-स्तर की सामान्यीकरण सीमाओं को दूर करने के लिए "All of Us" कोहॉर्ट की विविधता और समृद्धि का लाभ उठाया।
• हाइब्रिड फीचर चयन: एक पाइपलाइन पेश की जो >1,10,000 नैदानिक कोड को 100 व्याख्यात्मक फीचर्स में संकुचित करती है, जो सरलता और भविष्य कहने की प्रदर्शन के बीच संतुलन बनाती है।
• जनसांख्यिकीय स्तरीकरण: एक ऐसा मॉडलिंग ढांचा प्रस्तावित किया जो आयु-निर्भर यौन द्विरूपता (sexual dimorphism) को स्पष्ट रूप से संबोधित करता है, जिसमें छह अनुकूलित मॉडल प्रशिक्षित किए गए।
• नैदानिक प्रयोज्यता: प्रदर्शित किया कि महंगी इमेजिंग या जेनेटिक डेटा पर निर्भर हुए बिना, नियमित रूप से एकत्र किया गया EHR डेटा जोखिम स्तरीकरण का समर्थन कर सकता है।

परिणाम
प्रस्तावित जनसांख्यिकीय-स्तरीकृत XGBoost ढांचे ने 0.8461 का समग्र एरिया अंडर द कर्व (AUC) प्राप्त किया। यह सर्वश्रेष्ठ बेसलाइन (एक ग्लोबल XGBoost मॉडल जिसका AUC 0.8293 था) से 0.0168 अधिक था। प्रस्तावित विधि ने रैंडम फॉरेस्ट (0.8159), SVM (0.8120) और डीप लर्निंग (0.8072) मॉडलों को भी पीछे छोड़ दिया।

महत्वपूर्ण रूप से, स्तरीकृत दृष्टिकोण ने सभी छह उपसमूहों में भेदभाव (discrimination) में सुधार किया, जिसमें AUC लाभ +0.0076 से +0.0278 तक रहा। मॉडल ने 0.6889 की संवेदनशीलता (sensitivity) प्राप्त की, जो मानक मशीन लर्निंग दृष्टिकोणों से काफी बेहतर है, जो स्क्रीनिंग के लिए चिकित्सकीय रूप से फायदेमंद है ताकि प्रभावित रोगियों की अनदेखी न हो सके।

फीचर महत्व के विश्लेषण ने समूहों के बीच विशिष्ट जैविक संकेतों को प्रकट किया:

• पुरुष: मॉडलों ने संरचनात्मक और पोलिपॉइड विशेषताओं (जैसे, युवा पुरुषों में डेविएटेड नेज़ल सेप्टम, पुराने पुरुषों में नेज़ल पॉलिप्स) को प्राथमिकता दी।
• महिलाएं: मॉडलों ने म्यूकोसल सूजन और एटोपी मार्करों (जैसे, पुरानी महिलाओं में एलर्जिक राइनाइटिस, अस्थमा और संक्रमण संबंधी मार्कर) को प्राथमिकता दी।

महत्व
यह शोध दावा करता है कि जनसांख्यिकीय विषमता को स्पष्ट रूप से मॉडल करने से CRS जोखिम भविष्यवाणी में मापने योग्य लाभ होता है। विभिन्न लिंग-आयु उपसमूहों से जुड़े विशिष्ट जोखिम कारकों को कैप्चर करके, यह ढांचा अधिक सटीक जनसंख्या-प्रतिनिधि जोखिम स्तरीकरण उपकरण प्रदान करता है। लेखक सुझाव देते हैं कि यह दृष्टिकोण प्राथमिक देखभाल सेटिंग्स में, विशेष रूप से जब नैदानिक इमेजिंग उपलब्ध न हो, शीघ्र ट्राइएज और रेफरल प्राथमिकता को सुगम बना सकता है, जिससे निर्णय लेने की प्रक्रिया व्यक्तिपरक धारणा से साक्ष्य-आधारित भविष्यवाणी की ओर स्थानांतरित हो जाती है। यह कार्य विशेषज्ञ मूल्यांकन से पहले संभावित CRS मामलों की पहचान करने में नियमित EHR डेटा की उपयोगिता को रेखांकित करता है।