Fracture Risk Prediction in Adults Over 50 Years Old Using DXA and EHR: Comparison of Traditional and Machine Learning Models in Two Large Cohorts
यह अध्ययन प्रदर्शित करता है कि इलेक्ट्रॉनिक हेल्थ रिकॉर्ड और DXA डेटा का लाभ उठाने वाले मशीन लर्निंग और पेनलाइज्ड कॉक्स रिग्रेशन मॉडल, 50 वर्ष से अधिक आयु के वयस्कों में फ्रैक्चर जोखिम की भविष्यवाणी करने में पारंपरिक FRAX टूल की तुलना में काफी बेहतर प्रदर्शन करते हैं, हालांकि नैदानिक कार्यान्वयन से पहले आगे के सत्यापन की आवश्यकता 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 आपका शरीर एक हलचल भरा शहर है, और आपकी हड्डियाँ वे गगनचुंबी इमारतें हैं जो इसे थामे हुए हैं। समय के साथ, पुरानी इमारतों की तरह, ये गगनचुंबी इमारतें भी कमजोर और भंगुर हो सकती हैं। जब वे बहुत अधिक कमजोर हो जाती हैं, तो एक मामूली टक्कर या साधारण ठोकर भी उन्हें ढहा सकती है। यह वही होता है जब बुजुर्ग वयस्कों को "फ्रैलिटी फ्रैक्चर" (fragility fracture) होता है। डॉक्टरों के पास यह अनुमान लगाने के लिए एक पुराना टूल है कि कौन सी इमारतें जोखिम में हैं, जिसे FRAX कहा जाता है। यह एक मानक मौसम रिपोर्ट की तरह है जो बुनियादी चीजों को देखता है: आपकी उम्र, आपकी लंबाई, आपका वजन, और क्या आपने पहले कभी कोई तूफान (टूटी हुई हड्डी) झेला है। यह अच्छा है, लेकिन यह एक कागज के मानचित्र से मौसम की जांच करने जैसा है; यह वास्तविक समय के ट्रैफिक, निर्माण क्षेत्रों और अचानक चलने वाली हवाओं के झोंकों को मिस कर देता है जो अभी हो रहे हो सकते हैं।
हाल के वर्षों में, अस्पतालों ने भारी मात्रा में डिजिटल डेटा एकत्र करना शुरू कर दिया है, जैसे कि एक शहर का पूरा ट्रैफिक कैमरा नेटवर्क और रखरखाव लॉग, जिसे इलेक्ट्रॉनिक हेल्थ रिकॉर्ड (EHR) के रूप में संग्रहीत किया जाता है। यह लेख एक बड़ा सवाल पूछता है: यदि हम पुराने मौसम के मानचित्र (FRAX) को इस विशाल, वास्तविक समय के डिजिटल ट्रैफिक नेटवर्क (EHR) और एक विशेष बोन स्कैन (DXA) के साथ मिला दें, तो क्या हम टूटी हुई हड्डियों की बेहतर भविष्यवाणी कर सकते हैं? शोधकर्ता देखना चाहते थे कि क्या एक कंप्यूटर इस अतिरिक्त डेटा से सीखकर उन खतरे के संकेतों को पहचान सकता है जिन्हें पुराना नक्शा मिस कर गया था, विशेष रूप से उन लोगों के लिए जिनकी उम्र 50 से अधिक है और जिनका पहले बोन स्कैन हो चुका है।
न्यूयॉर्क और इंडियाना के शोधकर्ताओं के नेतृत्व में टीम ने हड्डियों के स्वास्थ्य के लिए एक नया प्रकार का "क्रिस्टल बॉल" बनाने का निर्णय लिया। उन्होंने दो बड़े समूहों से डेटा एकत्र किया: एक समूह न्यूयॉर्क-प्रेस्पाइरियन/वील कॉनेल मेडिकल सेंटर (जिसे "डेवलपमेंट" टीम कहा गया) से और दूसरा इंडियाना नेटवर्क फॉर पेशेंट केयर (जिसे "टेस्ट" टीम कहा गया) से। उन्होंने न्यूयॉर्क में 11,000 से अधिक वयस्कों और इंडियाना में लगभग 2,000 वयस्कों के डेटा का अध्ययन किया जिन्होंने DXA स्कैन कराया था। यह स्कैन एक हाई-टेक एक्स-रे की तरह है जो यह मापता है कि आपकी हड्डियाँ कितनी घनी हैं, जिसका एक "T-स्कोर" आपको बताता है कि एक स्वस्थ युवा वयस्क की तुलना में आपके गगनचुंबी इमारतें कितनी मजबूत हैं।
शोधकर्ताओं ने अपने कंप्यूटर मॉडल में विभिन्न सामग्रियों का मिश्रण डाला। उन्होंने मानक चीजों (उम्र, लिंग, धूम्रपान, शराब) को लिया और इसमें डिजिटल रिकॉर्ड में मिलने वाला "सीक्रेट सॉस" जोड़ा: अन्य स्वास्थ्य समस्याओं की एक लंबी सूची (जैसे मधुमेह या गठिया), ऐसी दवाओं का इतिहास जो हड्डियों को कमजोर कर सकती हैं (जैसे स्टेरॉयड), और पिछले फ्रैक्चर का इतिहास। उन्होंने DXA रिपोर्ट से विशिष्ट T-स्कोर भी लिए। फिर उन्होंने दो प्रकार के प्रेडिक्शन इंजन को एक-दूसरे के खिलाफ खड़ा किया। पहला इंजन, एक सांख्यिकीय विधि जिसे कॉक्स रिग्रेशन (Cox regression) कहा जाता है, एक बहुत ही सावधान और नियम का पालन करने वाले मुनीम (accountant) की तरह है। दूसरा, "मशीन लर्निंग" इंजनों का एक सेट था, जिसमें रैंडम सर्वाइवल फॉरेस्ट्स (Random Survival Forests) और ग्रेडिएंट बूस्टिंग (Gradient Boosting) शामिल थे, जो सुपर-स्मार्ट जासूसों की तरह हैं जो उन छिपे हुए पैटर्न और कनेक्शनों को पकड़ सकते हैं जिन्हें इंसान मिस कर सकते हैं।
परिणाम रोमांचक थे। जब टीम ने अपने नए मॉडलों का परीक्षण पुराने FRAX टूल के विरुद्ध किया, तो नए मॉडल हड्डी टूटने की भविष्यवाणी करने में काफी बेहतर थे। न्यूयॉर्क समूह में, सबसे अच्छे पारंपरिक मॉडल (यानी "मुनीम") ने लगभग 78% बार (0.779 का स्कोर) फ्रैक्चर के जोखिम को सही ढंग से रैंक किया, जबकि पुराने FRAX टूल ने इसे केवल 65% बार (0.653) सही पहचाना। यह ऐसा है जैसे नया मॉडल उन दरारों को देख सका जिन्हें पुराना नक्शा पूरी तरह से मिस कर गया था।
जब टीम ने अपने न्यूयॉर्क मॉडल को इंडियाना समूह (लोगों का एक पूरी तरह से अलग समूह) पर टेस्ट किया, तो यह अभी भी अच्छी तरह से टिका रहा, जिसने लगभग 71% स्कोर किया, जबकि FRAX गिरकर केवल 59% रह गया। दिलचस्प बात यह है कि जबकि पहला "मुनीम" मॉडल पहले समूह में चैंपियन था, एक मशीन लर्निंग जासूस "ग्रेडिएंट बूस्टिंग" ने दूसरे समूह में शीर्ष स्थान हासिल किया, जिसने 72.5% स्कोर किया। यह सुझाव देता है कि जबकि सरल, नियम-आधारित मॉडल बहुत विश्वसनीय होते हैं, सुपर-स्मार्ट AI जासूस नए और अलग समूहों को देखते समय और भी सूक्ष्म सुराग ढूंढ सकते हैं।
हालांकि, लेखक अभी तक पूर्ण विजय घोषित करने में सावधानी बरत रहे हैं। वे बताते हैं कि हालांकि ये मॉडल इस बात में माहिर हैं कि किसे उच्च जोखिम में रैंक किया जाए, लेकिन इनका परीक्षण वास्तविक अस्पताल सेटिंग में नहीं किया गया है जहाँ डॉक्टर वास्तव में इनका उपयोग निर्णय लेने के लिए करते हैं। वे यह भी नोट करते हैं कि उनके मॉडल उन लोगों के लिए सबसे अच्छा काम करते हैं जिनका पहले DXA स्कैन हो चुका है, इसलिए वे पूरी आबादी की स्क्रीनिंग के लिए विकल्प नहीं हैं। अध्ययन सुझाव देता है कि अस्पतालों में मौजूद डिजिटल रिकॉर्ड का उपयोग करके, हम अपनी "गगनचुंबी इमारतों" को ढहने से बचाने के लिए बहुत अधिक सटीक उपकरण बना सकते हैं, लेकिन हमें यह सुनिश्चित करने के लिए अभी और काम करने की आवश्यकता है कि ये उपकरण हर डॉक्टर के क्लिनिक में पूरी तरह से काम करें, इससे पहले कि वे एक नया मानक बन सकें।
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।