Hierarchical Modeling of ICD Codes in EHR Foundation Models
यह शोध पत्र यह प्रदर्शित करता है कि टोकन संवर्धन (token augmentation) या ग्राफ-आधारित एज इंजेक्शन (graph-based edge injection) के माध्यम से, ICD-10-CM कोड की पदानुक्रमित संरचना को EHR फाउंडेशन मॉडल में स्पष्ट रूप से शामिल करने से, कोड को फ्लैट टोकन के रूप में मानने की तुलना में इन-डोमेन और क्रॉस-डेटासेट नैदानिक भविष्यवाणी प्रदर्शन दोनों में महत्वपूर्ण सुधार होता 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
कल्पना कीजिए कि आप एक कंप्यूटर को यह सिखाने की कोशिश कर रहे हैं कि रोगी के चिकित्सा इतिहास को कैसे समझा जाए। कंप्यूटर डॉक्टरों द्वारा बीमारियों का वर्णन करने के लिए उपयोग किए जाने वाले कोड्स (जैसे कि "S72.001A") की एक लंबी सूची पढ़ता है।
समस्या: "सपाट" दृश्य (The "Flat" View)
वर्तमान में, अधिकांश कंप्यूटर मॉडल इन कोड्स को यादृच्छिक (random), असंबंधित शब्दों की एक सूची की तरह मानते हैं। यह ऐसा है जैसे कंप्यूटर "सेब," "कार," और "जेब्रा" को तीन पूरी तरह से अलग वस्तुओं के रूप में देखता है जिनका आपस में कोई संबंध नहीं है। वास्तव में, मेडिकल कोड्स एक विशाल, विस्तृत वंशावली (family tree) की तरह व्यवस्थित होते हैं। टूटी हुई टांग के एक विशिष्ट प्रकार का कोड "टांग की चोट" समूह का हिस्सा है, जो "हड्डी की चोट" समूह का हिस्सा है, जो "चोट" परिवार का हिस्सा है।
यह शोध पत्र तर्क देता है कि इस वंशावली संरचना को अनदेखा करके, कंप्यूटर यह महत्वपूर्ण सुराग खो देते हैं कि बीमारियाँ आपस में कैसे संबंधित हैं।
समाधान: कंप्यूटर को सिखाने के दो नए तरीके
शोधकर्ताओं ने कंप्यूटर को इस वंशावली संरचना का सम्मान करने के लिए मजबूर करने हेतु दो अलग-अलग विधियों का परीक्षण किया:
"लेबल स्टिकर" विधि (HICD-BERT):
कल्पना कीजिए कि आपके पास खिलौनों का एक डिब्बा है। केवल डिब्बे पर "खिलौना" लिखने के बजाय, आप उसमें "खिलौना," "एक्शन फिगर," "सुपरहीरो," और "बैटमैन" जैसे स्टिकर जोड़ते हैं।
इस विधि में, कंप्यूटर केवल विशिष्ट कोड को ही नहीं देखता; वह उन व्यापक श्रेणियों के "स्टिकर" भी देखता है जिनका वह कोड हिस्सा है। यह सीखता है कि एक विशिष्ट कोड एक बड़े समूह का हिस्सा है, ठीक वैसे ही जैसे "बैटमैन" का स्टिकर देखने से आपको खिलौने को बेहतर ढंग से समझने में मदद मिलती है।"सोशल नेटवर्क" विधि (HICD-Graph):
कल्पना कीजिए कि आप एक मानचित्र बना रहे हैं जहाँ प्रत्येक बीमारी एक शहर है। आमतौर पर, आप केवल उन शहरों के बीच सड़कें खींचते हैं जो अक्सर एक ही रोगी के रिकॉर्ड में एक साथ दिखाई देते हैं।
इस विधि में, शोधकर्ताओं ने मानचित्र में अतिरिक्त सड़कें जोड़ीं। उन्होंने एक विशिष्ट बीमारी वाले शहर को उसके "पैरेंट" शहरों (व्यापक समूहों) से जोड़ने के लिए रेखाएं खींचीं, जो आधिकारिक मेडिकल वंशावली पर आधारित थीं। यह एक हाइब्रिड मानचित्र बनाता है जो यह जानता है कि कौन सी बीमारियाँ साथ में होती हैं और परिभाषा के अनुसार वे कैसे संबंधित हैं।
उन्होंने क्या पाया
शोधकर्ताओं ने इन विधियों का परीक्षण वास्तविक रोगी रिकॉर्ड के दो विशाल डेटाबेस पर किया (एक बोस्टन के अस्पतालों से और एक अमेरिका के ICUs से)।
- बेहतर भविष्यवाणियाँ: लगभग हर परीक्षण में, वे मॉडल जिन्होंने "वंशावली" संरचना का उपयोग किया, वे उन मॉडलों की तुलना में भविष्य की स्वास्थ्य घटनाओं (जैसे कि क्या रोगी को दोबारा अस्पताल में भर्ती करने की आवश्यकता होगी या क्या उसे आपातकालीन देखभाल की आवश्यकता है) की भविष्यवाणी करने में बेहतर थे, जिन्होंने इस संरचना की अनदेखी की थी।
- "गोल्डिलॉक्स" ज़ोन (The "Goldilocks" Zone): उन्होंने पाया कि विवरण का "सर्वश्रेष्ठ" स्तर काम के प्रकार पर निर्भर करता है।
- "लेबल स्टिकर" विधि के लिए, सबसे विशिष्ट विवरण (वृक्ष का सबसे सूक्ष्म स्तर) आमतौर पर सबसे अधिक सहायक होते थे।
- "सोशल नेटवर्क" विधि के लिए, पेड़ के सभी स्तरों (व्यापक परिवार से लेकर विशिष्ट कोड तक) का उपयोग करना सबसे अच्छा काम करता था।
- "ट्रैवलिंग" टेस्ट: उन्होंने एक सेट अस्पताल डेटा पर कंप्यूटर को प्रशिक्षित किया और फिर इसे अस्पतालों के एक पूरी तरह से अलग सेट के लिए परिणामों की भविष्यवाणी करने के लिए कहा जिसे उसने पहले कभी नहीं देखा था।
- "सोशल नेटवर्क" विधि बहुत अच्छी तरह से "ट्रैवल" कर पाई; इसने अपनी सटीकता बनाए रखी क्योंकि इसने चिकित्सा के सार्वभौमिक नियमों को सीखा था।
- "लेबल स्टिकर" विधि संघर्ष करती दिखी; ऐसा लगा कि इसने सामान्य चिकित्सा नियमों के बजाय पहले अस्पताल की विशिष्ट आदतों को रट लिया था।
मुख्य निष्कर्ष (The Bottom Line)
शोध पत्र यह निष्कर्ष निकालता है कि मेडिकल कोड्स केवल यादृच्छिक लेबल नहीं हैं; वे एक संरचित भाषा हैं। इन कोड्स की "वंशावली" को स्पष्ट रूप से कंप्यूटर को सिखाकर, हम स्मार्ट और अधिक विश्वसनीय AI बना सकते हैं जो रोगी की बीमारी के संदर्भ को समझता है, न कि केवल अलग-थलग तथ्यों को। शोधकर्ताओं ने दिखाया है कि ऐसा करने के लिए आपको कंप्यूटर के मस्तिष्क को पूरी तरह से फिर से बनाने की आवश्यकता नहीं है; आपको बस कुछ "गाइडपोस्ट" (स्टिकर या अतिरिक्त सड़कें) जोड़ने की आवश्यकता है जो इसे चिकित्सा परिदृश्य में नेविगेट करने में मदद करें।
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।