Beyond AHI: An Interpretable Causal-Discovery-Guided Framework for Sleep Recovery in Connected Health

तकनीकी सारांश: AHI से परे: कनेक्टेड हेल्थ में स्लीप रिकवरी के लिए एक व्याख्यात्मक कॉज़ल-डिस्कवरी-निर्देशित ढांचा

समस्या विवरण
वर्तमान नैदानिक नींद मूल्यांकन मुख्य रूप से एप्निया-हाइपोपनिया इंडेक्स (AHI) और पॉलीसोम्नोग्राफी (PSG) से प्राप्त अन्य सारांश सूचकांकों पर निर्भर करता है। जबकि ये मेट्रिक्स विशिष्ट नींद विकारों के निदान के लिए उपयोगी हैं, वे कार्यात्मक रिकवरी (functional recovery) के अंतर्निहित एकीकृत शारीरिक बोझ को पकड़ने में अक्सर विफल रहते हैं। फलस्वरूप, वस्तुनिष्ठ नींद शरीर विज्ञान (objective sleep physiology) और रोगी-रिपोर्ट किए गए परिणामों (PROs) जैसे कि दिन की नींद आना, थकान और कथित नींद की गुणवत्ता के बीच एक निरंतर अंतराल बना रहता है। इसके अतिरिक्त, PSG विश्लेषण के लिए मौजूदा मशीन लर्निंग दृष्टिकोण अक्सर "ब्लैक बॉक्स" के रूप में कार्य करते हैं जो यांत्रिक व्याख्यात्मकता (mechanistic interpretability) के बजाय केवल भविष्य कहनेवाला जुड़ाव (predictive association) के लिए अनुकूलित होते हैं, जिससे नैदानिक विश्वास और कनेक्टेड हेल्थ प्रौद्योगिकियों में उनके अनुवाद की उपयोगिता सीमित हो जाती है। चुनौती निरंतर, बहुआयामी बायोसिग्नल्स को चिकित्सकीय रूप से व्याख्या योग्य रिकवरी मेट्रिक्स में अनुवाद करने की है, जो केवल अलग-थलग घटनाओं की गणना के बजाय मल्टीडोमेन शरीर विज्ञान को दर्शाते हैं।

कार्यप्रणाली
लेखक मल्टीमॉडल PSG डेटा से एक पदानुक्रमित स्लीप रिकवरी स्कोर (SRS) प्राप्त करने के लिए एक कॉज़ल-डिस्कवरी-निर्देशित ढांचे का प्रस्ताव करते हैं। यह ढांचा दो स्वतंत्र जनसंख्या समूहों: MESA ($n=1,540$) और MrOS ($n=825$) पर लागू एक संरचित पांच-चरणीय पाइपलाइन के माध्यम से संचालित होता है।

1. विशेषता निर्माण और परिणाम चयन (Feature Construction & Outcome Selection): अध्ययन श्वसन बोझ (respiratory burden), हाइपॉक्सिक बोझ (hypoxic burden), नींद का विखंडन (sleep fragmentation), नींद की संरचना (sleep architecture), और स्वायत्त नियमन (autonomic regulation) के पांच डोमेन में फैले व्यापक शारीरिक विशेषताओं का उपयोग करता है। इन्हें रिकवरी-संबंधित PROs (जैसे एपवर्थ स्लीपनेस स्केल, थकान, कथित नींद की गुणवत्ता) से जोड़ा गया है।
2. कॉज़ल ग्राफ अनुमान (Causal Graph Estimation): रैखिक NOTEARS एल्गोरिदम का उपयोग करके, लेखक प्रत्येक PRO के लिए संभावित शारीरिक चालकों (drivers) की पहचान करने के लिए एक स्पार्स डैरेक्टेड एसाइक्लिक ग्राफ (DAG) का अनुमान लगाते हैं। मजबूती सुनिश्चित करने के लिए, वे बूटस्ट्रैप स्टेबिलिटी सिलेक्शन (500 रीसैंपल्स) का उपयोग करते हैं, जिसमें केवल उन किनारों (edges) को रखा जाता है जिनकी चयन आवृत्ति $\ge 0.6$ है।
3. दो-चरणीय उम्मीदवार स्क्रीनिंग (Two-Stage Candidate Screening): अवलोकन संबंधी डेटा की सीमाओं को संबोधित करने और शारीरिक तर्कसंगतता सुनिश्चित करने के लिए, एक कठोर स्क्रीनिंग प्रक्रिया लागू की जाती है:
   • चरण 1 (शरीर विज्ञान-आधारित): उन किनारों को फ़िल्टर किया जाता है जो स्थापित नींद तंत्र के साथ असंगत हैं (जैसे कि आयु या नस्ल जैसे जनसांख्यिकीय प्रॉक्सी जो संरचनात्मक कन्फाउंडर्स के रूप में कार्य करते हैं)।
   • चरण 2 (प्रतिबंधित LLM-सहायता प्राप्त ऑडिटिंग): शेष उम्मीदवारों की एक संरचित वर्गीकरण प्रोटोकॉल का उपयोग करके समीक्षा की जाती है जिसमें एक प्रतिबंधित लार्ज लैंग्वेज मॉडल (LLM) शामिल है। विशेषताओं को संभावित यांत्रिक चालक, संरचनात्मक कन्फाउंडर, या कंस्ट्रक्ट-ओवरलैपिंग लीकेज वेरिएबल्स (जैसे कि निर्माण के आधार पर लक्षित चर के साथ सह-संबंधित व्यक्तिपरक माप) के रूप में वर्गीकृत किया जाता है। केवल वे विशेषताएं जो दोनों स्तरों द्वारा संभावित चालक के रूप में वर्गीकृत की गई हैं, ही आगे बढ़ती हैं।
4. आम सहमति एकत्रीकरण (Consensus Aggregation): तंत्रों को तभी रखा जाता है जब वे कम से कम दो अलग-अलग रिकवरी परिणामों में दिखाई देते हैं, जिससे परिणाम-विशिष्ट शोर (noise) कम हो जाता है।
5. पदानुक्रमित स्कोर संश्लेषण (Hierarchical Score Synthesis): रखे गए फीचर्स को पांच शारीरिक डोमेन में समूहीकृत किया जाता है। डोमेन स्कोर को सामान्यीकृत फीचर्स के भारित योग (weighted sums) के रूप में कंप्यूट किया जाता है, जहाँ भार (weights) एज मैग्नीट्यूड और स्थिरता के आनुपातिक होते हैं। अंतिम SRS डोमेन स्कोर का एक पदानुक्रमित एकत्रीकरण है, जिसे प्रत्येक कोहॉर्ट के भीतर मानकीकृत किया गया है।

प्रमुख योगदान

• व्याख्यात्मक मल्टीडोमेन मॉडलिंग: यह पेपर एक पदानुक्रमित SRS पेश करता है जो एकल श्वसन सूचकांकों (जैसे AHI) से आगे बढ़कर स्पष्ट रूप से मल्टीमॉडल PSG को रोगी-रिपोर्ट किए गए रिकवरी परिणामों से जोड़ता है, जो एक पारदर्शी, डोमेन-संरचित ढांचे द्वारा समर्थित है।
• कॉज़ल-डिस्कवरी-निर्देशित तंत्र पहचान: लेखक शारीरिक बाधाओं और प्रतिबंधित LLM-सहायता प्राप्त ऑडिटिंग द्वारा परिष्कृत DAG-आधारित कॉज़ल डिस्कवरी को लागू करते हैं ताकि आवर्ती, शारीरिक रूप से व्याख्या योग्य रिकवरी डोमेन निकाले जा सकें।
• कनेक्टेड हेल्थ के लिए क्रॉस-कोहॉर्ट साक्ष्य: ढांचा दो अलग-अलग कोहॉर्ट्स में पांच शारीरिक डोमेन पर सुसंगत अभिसरण (convergence) प्रदर्शित करता है, जो AHI की तुलना में कथित रिकवरी के साथ मजबूत संरेखण दिखाता है। यह पहनने योग्य सेंसरिंग सिस्टम (जैसे पहनने योग्य ECG, ऑक्सीमेट्री) के माध्यम से इन डोमेन के उपसमुच्चयों को कैप्चर करने वाले वितरित और पहनने योग्य सेंसिंग सिस्टम में अनुवाद के लिए समर्थन करता है।

परिणाम

• यांत्रिक अभिसरण (Mechanistic Convergence): MESA और MrOS दोनों में, ढांचे ने खराब रिकवरी से जुड़े पांच शारीरिक डोमेन की लगातार पहचान की: श्वसन बोझ, हाइपॉक्सिक बोझ, नींद का विखंडन, नींद की संरचना (EEG गतिकी सहित), और स्वायत्त नियमन।
• फीचर डिस्टिलेशन (Feature Distillation): MESA में, प्रक्रिया ने 53 प्रारंभिक फीचर्स को 32 सर्वसम्मत तंत्रों तक कम कर दिया। MrOS में, 174 फीचर्स को घटाकर 28 कर दिया गया। संरचनात्मक सहचरों (आयु, लिंग, नस्ल) और कंस्ट्रक्ट-ओवरलैपिंग वेरिएबल्स को सफलतापूर्वक बाहर कर दिया गया।
• आउटकम के साथ जुड़ाव: SRS ने पांच में से चार रिकवरी परिणामों के साथ सांख्यिकीय रूप से महत्वपूर्ण संबंध दिखाया, जबकि AHI केवल एक के लिए महत्वपूर्ण रहा।
  • MESA में, SRS ने एपवर्थ स्लीपनेस स्केल ($\rho = 0.098$) और दिन की नींद आने ($\rho = 0.074$) के साथ महत्वपूर्ण सहसंबंध दिखाया, जबकि AHI दोनों के लिए गैर-महत्वपूर्ण था।
  • MrOS में, SRS ने कथित नींद की गुणवत्ता ($\rho = 0.107$) और सोने में कठिनाई ($\rho = 0.111$) के साथ महत्वपूर्ण सहसंबंध दिखाया, जबकि AHI गैर-महत्वपूर्ण था।
• प्रदर्शन लाभ: SRS ने विशिष्ट मामलों में (जैसे MrOS में कथित नींद की गुणवत्ता) AHI की तुलना में कथित रिकवरी परिणामों के साथ 2.5 गुना अधिक मजबूत संरेखण दिखाया।

महत्व और दावे
यह पेपर दावा करता है कि पुनर्योजी नींद (restorative sleep) को एकल श्वसन सूचकांक के बजाय एक मल्टीडोमेन शारीरिक संरचना के रूप में बेहतर ढंग से वर्णित किया जा सकता है। प्रस्तावित ढांचा AHI जैसे रोग-विशिष्ट मेट्रिक्स को बदलने का प्रयास नहीं करता है, बल्कि व्यापक शारीरिक आधार को कैप्चर करके उन्हें पूरक बनाता है। एक व्याख्यात्मक, पूर्वाग्रह-जागरूक और डोमेन-संरचित ढांचे के माध्यम से मल्टीमॉडल नींद शरीर विज्ञान को रोगी-केंद्रित परिणामों से स्पष्ट रूप से जोड़कर, यह कार्य क्लिनिकल स्लीप स्टडीज और उभरते हुए स्मार्ट/कनेक्टेड हेल्थ सेटिंग्स दोनों में रिकवरी मॉडलिंग के लिए एक व्यावहारिक आधार प्रदान करता है। लेखक इस बात पर जोर देते हैं कि SRS रिकवरी चालकों के विघटन (decomposition) की अनुमति देता है (जैसे हाइपॉक्सिक बोझ को स्वायत्त डिसरेगुलेशन से अलग करना), जो पारंपरिक AHI-आधारित मूल्यांकन का समर्थन नहीं कर सकते हैं।

नोट - सीमाएं: लेखक विनम्रतापूर्वक स्वीकार करते हैं कि विश्लेषण क्रॉस-सेक्शनल है और अस्थायी कारण (temporal causality) स्थापित नहीं करता है। वे नोट करते हैं कि रैखिक NOTEARS फॉर्मूलेशन नॉन-लीनियर इंटरैक्शन को मिस कर सकता है और LLM-सहायता प्राप्त ऑडिटिंग, हालांकि सुसंगत है, प्रत्यक्ष डोमेन-विशेषज्ञ समीक्षा के बजाय प्रतिबंधित प्रॉम्प्ट्स पर निर्भर करती है। व्यक्तिपरक परिणामों के साथ सहसंबंध मध्यम थे, जो कथित रिकवरी की बहु-कारक प्रकृति को दर्शाते हैं।