🧬 biology

Model Predictive Controller to Regulate Cortisol Levels in Individuals With Adrenal Insufficiency

यह शोध पत्र हाइपोथैलेमस-पिट्यूटरी-एड्रेनल (HPA) अक्ष के एक नवीन गणितीय मॉडल के साथ एकीकृत एक मॉडल प्रेडिक्टिव कंट्रोलर (MPC) का प्रस्ताव करता है ताकि चिकित्सकों के लिए एक वर्चुअल असिस्टेंट के रूप में कार्य किया जा सके, जो खुराक संबंधी बाधाओं का कड़ाई से पालन करते हुए प्राथमिक या माध्यमिक एड्रिनल अपर्याप्तता वाले रोगियों के लिए कोर्टिसोल प्रतिस्थापन चिकित्सा के अनुकूलन को सक्षम बनाता है।

मूल लेखक: Renuka Joshi, Nayana Saha, Vittal Srinivasan, Stanislaw H. Zak, Cary N. Mariash

प्रकाशित 2026-07-13

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Renuka Joshi, Nayana Saha, Vittal Srinivasan, Stanislaw H. Zak, Cary N. Mariash

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके मस्तिष्क के भीतर एक छोटा, अत्यंत बुद्धिमान थर्मोस्टेट है जो आपके शरीर के एक विशेष "तनाव हार्मोन" जिसे कोर्टिसोल (cortisol) कहा जाता है, उसे नियंत्रित करता है। यह हार्मोन शरीर के आपातकालीन ईंधन की तरह है; यह तनाव से निपटने, आपकी ऊर्जा बनाए रखने और संक्रमणों से लड़ने में मदद करता है। एक स्वस्थ व्यक्ति में, यह थर्मोस्टेट एक प्राकृतिक दैनिक लय पर काम करता है, आपको जगाने के लिए सुबह अधिक ईंधन पंप करता है और रात में कम ताकि आप सो सकें।

लेकिन एड्रिनल इनसफिशिएंसी (Adrenal Insufficiency - AI) नामक स्थिति वाले लोगों के लिए, यह प्रणाली खराब हो जाती है। यह ऐसा है जैसे उनके घर का भट्टी (furnace) काम करना बंद कर गया हो। वे अपना कोर्टिसोल खुद नहीं बना सकते, इसलिए उन्हें जीवित रहने के लिए एक गोली (हाइड्रोकोर्टिसोन) से इसे प्राप्त करना पड़ता है। सबसे बड़ी समस्या यह है कि कितनी मात्रा लेनी है और कब लेनी है, यह तय करना बहुत कठिन है। यदि वे बहुत कम लेते हैं, तो वे कमजोरी और बीमारी महसूस करते हैं। यदि वे बहुत अधिक लेते हैं, तो यह खतरनाक हो सकता है।

अभी, डॉक्टर आमतौर पर एक "निश्चित कार्यक्रम" (fixed schedule) के साथ सुरक्षित खेलते हैं। वे कह सकते हैं, "सुबह 8:00 बजे 12 मिलीग्राम लें, दोपहर 2:00 बजे 4 मिलीग्राम लें, और रात 8:00 बजे 4 मिलीग्राम लें।" इस शोध पत्र के लेखकों ने कंप्यूटर सिमुलेशन चलाकर यह देखा कि यह निश्चित कार्यक्रम कितनी अच्छी तरह काम करता है। उन्होंने पाया कि हालांकि यह हार्मोन के स्तर को सही दायरे में तो ले आता है, लेकिन यह पूर्ण नहीं है। यह एक कार चलाने जैसा है जिसमें क्रूज कंट्रोल को एक ही गति पर सेट किया गया है; यह आपको वहां पहुंचा तो देता है, लेकिन यह तब बदलाव नहीं करता जब सड़क खड़ी या ढलान वाली हो जाती है।

नया विचार: एक "आभासी सह-पायलट" (Virtual Co-Pilot)

बेहतर करने के लिए, शोधकर्ताओं ने शरीर की तनाव प्रणाली कैसे काम करती है, इसका एक नया, अत्यंत विस्तृत गणितीय मानचित्र बनाया। इस मानचित्र में दैनिक लय (सर्कैडियन क्लॉक) और यह कि शरीर स्वाभाविक रूप से कोर्टिसोल के बहुत अधिक होने पर उसे बनाना कैसे रोकता है, शामिल है।

इस मानचित्र का उपयोग करते हुए, उन्होंने एक "मॉडल प्रेडिक्टिव कंट्रोलर" (MPC) डिजाइन किया। इस MPC को एक स्मार्ट, आभासी सह-पायलट के रूप में समझें जो डॉक्टर के लिए काम करता है। केवल एक निश्चित कार्यक्रम का अनुमान लगाने के बजाय, यह सह-पायलट लगातार आगे देखता है। यह पूछता है: "यदि मैं अभी खुराक देता हूँ, तो एक घंटे बाद, दो घंटे बाद हार्मोन का स्तर कैसा होगा? क्या यह बहुत अधिक या बहुत कम होगा?"

फिर सह-पायलट उस परफेक्ट खुराक की गणना करता है ताकि स्तर बिल्कुल सही रहे, लेकिन इसके कुछ सख्त नियम हैं जिनका इसे पालन करना होता है:

कोई नकारात्मक खुराक नहीं: आप "माइनस" वाली गोलियां नहीं ले सकते।
ओवरडोज नहीं: यह ऐसी खुराक का सुझाव नहीं देगा जो बहुत अधिक हो (सीमा इतनी तय की गई है कि रोगी बहुत अधिक कोर्टिसोल से बीमार न हो जाए)।
वास्तविक दुनिया की गोलियां: चूंकि आप फार्मेसी से 5.45 मिलीग्राम की गोली नहीं खरीद सकते, इसलिए सह-पायलट नंबरों को निकटतम 5 मिलीग्राम (जैसे 5 मिलीग्राम, 10 मिलीग्राम या 15 मिलीग्राम) तक राउंड करता है और सामान्य समय (सुबह 8:00 बजे, दोपहर 2:00 बजे और रात 8:00 बजे) पर ही टिका रहता है।

सिमुलेशन ने क्या दिखाया

टीम ने अपने आभासी सह-पायलट का परीक्षण दो अलग-अलग प्रकार के खराब तनाव तंत्रों पर किया:

प्राइमरी AI: एड्रिनल ग्रंथियां (भट्टी) पूरी तरह से खराब हैं।
सेकेंडरी AI: मस्तिष्क का थर्मोस्टेट (हाइपोथैलेमस और पिट्यूटरी) खराब है, इसलिए वह ग्रंथियों को काम करने के लिए कभी निर्देश नहीं देता।

अपने कंप्यूटर सिमुलेशन में, MPC हार्मोन के स्तर को एक "लक्ष्य" (target) से पूरी तरह मिलाने में सक्षम था। चाहे वह लक्ष्य एक स्थिर रेखा हो या एक लहरदार रेखा जो प्राकृतिक सुबह-से-रात की लय की नकल करती हो, सह-पायलट ने खुराक को उसके करीब रखने के लिए समायोजन किया।

उदाहरण के लिए, जब उन्होंने सिस्टम को 10 µg/dL या 15 µg/dL के कोर्टिसोल स्तर को लक्षित करने के लिए कहा, तो कंट्रोलर ने बिना ओवरशूट किए वहां तक पहुँचने के लिए आवश्यक गोलियों का सटीक मिश्रण निकाला। यहाँ तक कि जब उन्होंने एक बदलते दिन की नकल करने के लिए एक लहरदार "साइन वेव" (sine wave) लक्ष्य का उपयोग किया, तो कंट्रोलर ने अनुकूलन किया, हालांकि इसमें थोड़ा विलंब (एक छोटा "फेज लैग") हुआ—जो कि शरीर की प्रतिक्रिया करने के तरीके के लिए सामान्य है।

मुख्य निष्कर्ष

यह शोध पत्र यह दावा नहीं करता है कि यह कोई इलाज है या इसका वास्तविक लोगों पर परीक्षण किया गया है। इसके बजाय, लेखक दिखाते हैं कि उनके सिमुलेशन में, यह स्मार्ट, नियम मानने वाला आभासी सहायक पुराने "निश्चित कार्यक्रम" पद्धति की तुलना में बहुत बेहतर काम कर सकता है। यह साबित करता है कि कोर्टिसोल लेने के लिए एक व्यक्तिगत, इष्टतम योजना बनाने के लिए गणित का उपयोग करना संभव है।

शोधकर्ता सुझाव देते हैं कि अगला कदम गणित को विशिष्ट रोगियों के अनुरूप ढालना और फिर वास्तविक डेटा पर इसका परीक्षण करना होगा। लेकिन फिलहाल, यह अध्ययन दिखाता है कि एक स्मार्ट, आभासी सह-पायलट एक दिन डॉक्टरों को कोर्टिसोल की सटीक खुराक निर्धारित करने में मदद कर सकता है, जिससे रोगी सुरक्षित और स्वस्थ रह सकें।

तकनीकी सारांश: एड्रिनल अपर्याप्तता वाले व्यक्तियों में कोर्टिसोल के स्तर को नियंत्रित करने के लिए मॉडल प्रेडिक्टिव कंट्रोलर

समस्या विवरण
एड्रिनल अपर्याप्तता (AI), या हाइपोकोर्टिसोलिज्म (hypocorticolism), एक ऐसी स्थिति है जो एड्रिनल ग्रंथियों द्वारा पर्याप्त कोर्टिसोल उत्पन्न करने में असमर्थता द्वारा चिह्नित होती है, जो तनाव, चयापचय और प्रतिरक्षा प्रतिक्रियाओं को विनियमित करने के लिए एक महत्वपूर्ण हार्मोन है। AI मुख्य रूप से दो रूपों में प्रकट होता है: प्राथमिक AI (एड्रिनल विकार) और माध्यमिक AI (हाइपोथैलेमिक-पिट्यूटरी विकार)। हालांकि AI को ठीक नहीं किया जा सकता है, लेकिन इसे कोर्टिसोल प्रतिस्थापन चिकित्सा के माध्यम से प्रबंधित किया जाता है, जिसमें आमतौर पर हाइड्रोकोर्टिसोन (HC) की निश्चित खुराक शामिल होती है। हालांकि, मानक निश्चित-खुराक रणनीतियां अक्सर उप-इष्टतम होती हैं; वे हाइपोथैलमस-पिट्यूटरी-एड्रिनल (HPA) अक्ष की जटिल, गैर-रेखीय गतिशीलता, जिसमें अंतर्जात सर्कैडियन लय (circadian rhythms) और फीडबैक लूप शामिल हैं, को ध्यान में रखने में विफल रहती हैं। इसके अलावा, ओवरडोजिंग और अंडरडोजिंग दोनों ही महत्वपूर्ण स्वास्थ्य जोखिम पैदा करते हैं, और अध्ययन संकेत देते हैं कि उच्च प्रतिस्थापन चिकित्सा का उच्च मृत्यु दर से संबंध है। चुनौती एक ऐसी उपचार रणनीति विकसित करने की है जो खुराक संबंधी बाधाओं का कड़ाई से पालन करती है और एक स्वस्थ सीमा के भीतर कोर्टिसोल के स्तर को गतिशील रूप से नियंत्रित करती है।

कार्यप्रणाली
लेखक एक नवीन गणितीय ढांचे का प्रस्ताव करते हैं जो उन्नत मॉडलिंग के साथ मॉडल प्रेडिक्टिव कंट्रोल (MPC) को जोड़ता है ताकि चिकित्सकों के लिए एक वर्चुअल असिस्टेंट के रूप में कार्य किया जा सके।

HPA अक्ष का गणितीय मॉडलिंग:
अध्ययन HPA अक्ष का एक गैर-रेखीय डिफरेंशियल इक्वेशन मॉडल निर्मित करता है जो तीन प्रमुख घटकों को एकीकृत करता है:

एंडरसन एट अल. (2013) द्वारा संरचनात्मक मॉडल, जो ग्लूकोकोर्टीकोइड और मिनरलकोर्टिकॉइड रिसेप्टर्स और ग्रंथि के आकार की सीमाओं को ध्यान में रखता है।
बैंग्सगार्ड और ओटेसेन (2017) से सर्कैडियन रिदम फंक्शन $C(t)$ , जो हार्मोन रिलीज के दैनिक परिवर्तन (diurnal variation) को मॉडल करता है।
कॉर्टिसोल से CRH तक मजबूत नकारात्मक फीडबैक तंत्र, जैसा कि श्रीराम एट अल. (2012) द्वारा सुझाया गया है, ताकि AI स्थितियों का सटीक रूप से अनुकरण किया जा सके।
मॉडल तीन स्टेट वेरिएबल्स को परिभाषित करता है: CRH सांद्रता ( $x_1$ ), ACTH सांद्रता ( $x_2$ ), और कोर्टिसोल सांद्रता ( $x_3$ )। इनपुट वेरिएबल $u$ बाह्य कोर्टिसोल प्रतिस्थापन चिकित्सा का प्रतिनिधित्व करता है। मॉडल को प्राथमिक और माध्यमिक AI के लिए अलग-अलग पैरामीटराइज किया गया है, जिसमें स्टिमुलस दरों और डिप्लीशन दरों के विशिष्ट मान साहित्य से प्राप्त किए गए हैं।

ओपन-लूप सत्यापन:
नियंत्रण लागू करने से पहले, मॉडल का मानक नैदानिक अभ्यास के ओपन-लूप सिमुलेशन का उपयोग करके सत्यापन किया गया। हाइड्रोकोर्टिसोन (20 मिलीग्राम और 25 मिलीग्राम) की निश्चित दैनिक खुराक, तीन प्रशासन (60% सुबह, 20% दोपहर, 20% शाम) में विभाजित, मॉडल पर लागू की गई। इन सिमुलेशनों ने पुष्टि की कि जबकि निश्चित खुराक कोर्टिसोल को सामान्य सीमा तक बढ़ा सकती है, इसके परिणामस्वरूप गैर-इष्टतम प्रक्षेपवक्र (trajectories) प्राप्त हुए और यह HPA अक्ष की शारीरिक बारीकियों को पूरी तरह से दोहराने में विफल रहा।
मॉडल प्रेडिक्टिव कंट्रोल (MPC) डिजाइन:
इष्टतम विनियमन प्राप्त करने के लिए, लेखकों ने एक MPC कंट्रोलर डिजाइन किया।

रैखिकीकरण और विविक्तीकरण (Linearization and Discretization): गैर-रेखीय HPA मॉडल को एक संतुलन अवस्था (जहाँ $u=0$ ) के आसपास रैखिकीकृत किया गया और 1 घंटे के सैंपलिंग समय के साथ ज़ीरो-ऑर्डर होल्ड का उपयोग करके विविक्त (discretized) किया गया।
कंट्रोलर कॉन्फ़िगरेशन: MPC को 10 घंटे के प्रेडिक्शन होराइजन ( $N_p$ ) और 4 घंटे के कंट्रोल होराइजन ( $N_c$ ) के साथ कॉन्फ़िगर किया गया। यह मापे गए कोर्टिसोल स्तरों के आधार पर अनमैप्ड स्टेट्स (CRH और ACTH) का अनुमान लगाने के लिए कलमन फ़िल्टर (Kalman filter) का उपयोग करता है।
बाधाएं (Constraints): कंट्रोलर सख्त बाधाओं को लागू करता है: इनपुट खुराक गैर-नकारात्मक होनी चाहिए और प्रति खुराक 15 मिलीग्राम तक सीमित होनी चाहिए, साथ ही दैनिक सीमा 30 मिलीग्राम है। नैदानिक वास्तविकता के साथ तालमेल बिठाने के लिए, गणना की गई इष्टतम खुराक को निकटतम 5 मिलीग्राम के गुणक (increment) तक क्वांटाइज किया गया है।
उद्देश्य: कंट्रोलर एक क्वाड्रेटिक कॉस्ट फंक्शन को कम करता है ताकि कोर्टिसोल सांद्रता को एक संदर्भ प्रक्षेपवक्र (स्थिर या साइनुसोइडल) की ओर ले जाया जा सके, जबकि इनपुट बाधाओं का सम्मान किया जा सके।

प्रमुख योगदान
पेपर पांच विशिष्ट योगदानों को रेखांकित करता है:

एक नवीन HPA अक्ष मॉडल का विकास जो स्पष्ट रूप से सर्कैडियन और अल्ट्राडियन दोनों लय को शामिल करता है।
दो अलग-अलग AI स्थितियों: प्राथमिक और माध्यमिक एड्रिनल अपर्याप्तता का सिमुलेशन।
कोर्टिसोल प्रतिस्थापन चिकित्सा को गणितीय रूप से मॉडल करने के लिए एक इनपुट वेरिएबल $u$ का परिचय।
प्रकाशित रोगी डेटा के विरुद्ध प्रस्तावित मॉडल का सत्यापन।
एक MPC-आधारित वर्चुअल असिस्टेंट का निर्माण जो दोनों AI प्रकारों के लिए इष्टतम, बाधित कोर्टिसोल प्रतिस्थापन रणनीतियां उत्पन्न करने में सक्षम है।

परिणाम
सिमुलेशन परिणाम प्रस्तावित दृष्टिकोण की प्रभावकारिता को प्रदर्शित करते हैं:

ओपन-लूप: निश्चित-खुराक सिमुलेशन ने दिखाया कि जबकि कोर्टिसोल के स्तर को सामान्य सीमा में लाया जा सकता था, रणनीति इष्टतम नहीं थी और इसमें स्पाइक्स (spikes) आए जो दिनों के अनुसार भिन्न थे।
क्लोज्ड-लूप (MPC): MPC विभिन्न संदर्भ प्रक्षेपवड़ों (स्थिर 10 µg/dL, स्थिर 15 µg/dL, और दैनिक भिन्नता की नकल करने वाला एक साइनुसोइडल प्रोफाइल) के लिए प्राथमिक और माध्यमिक AI दोनों के लिए कोर्टिसोल को सफलतापूर्वक विनियमित करने में सफल रहा।
- प्राथमिक AI के लिए, कंट्रोलर ने नकारात्मक फीडबैक के माध्यम से बढ़े हुए CRH और ACTH स्तरों को प्रभावी ढंग से दबा दिया और लक्ष्य कोर्टिसोल स्तरों को ट्रैक किया।
- माध्यमिक AI के लिए, कंट्रोलर ने (पैथोलॉजी के अनुरूप) दबाए गए CRH और ACTH स्तरों को बनाए रखा और संदर्भ कोर्टिसोल प्रक्षेपवक्र को सफलतापूर्वक ट्रैक किया।
- MPC ने बदलते संदर्भ मांगों के अनुकूल होने की क्षमता प्रदर्शित की, जिसमें प्रशासित कोर्टिसोल और संदर्भ के बीच केवल एक मामूली शारीरिक फेज लैग (phase lag) देखा गया।
बाधा प्रबंधन (Constraint Handling): कंट्रोलर ने आरोपित बाधाओं (गैर-नकारात्मक, अधिकतम 15 मिलीग्राम/खुराक, अधिकतम 30 मिलीग्राम/दिन) का सफलतापूर्वक पालन किया और आउटपुट को नैदानिक रूप से उपलब्ध खुराकों (5 मिलीग्राम के गुणक) में क्वांटाइज किया।

महत्व और दावे
पेपर का दावा है कि प्रस्तावित MPC-आधारित वर्चुअल असिस्टेंट कोर्टिसोल प्रतिस्थापन चिकित्सा में निहित बाधाओं को संबोधित करने के लिए एक कठोर विधि प्रदान करता है, जिसे निश्चित-खुराक रणनीतियां हासिल नहीं कर सकती हैं। एक शारीरिक रूप से सटीक मॉडल को एक अनुकूलन-आधारित कंट्रोलर के साथ एकीकृत करके, सिस्टम ऐसी उपचार रणनीतियां उत्पन्न कर सकता है जो ओवर- या अंडर-डोजिंग के जोखिमों को कम करते हुए कोर्टिसोल को एक स्वस्थ सीमा के भीतर बनाए रखती हैं। लेखक इस कार्य को व्यक्तिगत चिकित्सा (personalized medicine) की दिशा में एक कदम के रूप में देखते हैं, जहाँ एक चिकित्सक के निर्णय लेने की प्रक्रिया को एक ऐसे उपकरण द्वारा समर्थित किया जा सकता है जो इष्टतम, रोगी-विशिष्ट खुराक कार्यक्रम की गणना करने में सक्षम है। अध्ययन निष्कर्ष निकालता है कि जबकि वर्तमान मॉडल मौजूदा डेटा के विरुद्ध मान्य है, भविष्य का कार्य विशिष्ट व्यक्तियों के लिए मॉडल मापदंडों को अनुकूलित करने और संभावित रूप से भविष्य कहनेवाला सटीकता को और अधिक परिष्कृत करने और अन्य अंतःस्रावी अक्षों, जैसे कि हाइपोथैलेमस-पिट्यूटरी-थायराइड (HPT) अक्ष के साथ अंतःक्रियाओं का पता लगाने के लिए मशीन लर्निंग और उन्नत गैर-रेखीय ऑब्जर्वर्स को एकीकृत करने पर केंद्रित होगा।

इसी तरह के और पेपर