xMICD: Explainable Representation of Multiple ICD Codes
यह शोध पत्र xMICD को प्रस्तुत करता है, जो एक नवीन विधि है जो पूर्व-प्रशिक्षित एम्बेडिंग समानताओं का लाभ उठाते हुए और नैदानिक रूप से सार्थक डायग्नोस्टिक समूहों से जुड़े रहते हुए, ICD कोड्स से निम्न-आयामी (low-dimensional) रोगी निरूपणों का निर्माण करके क्लिनिकल मशीन लर्निंग में भविष्य कहनेवाला प्रदर्शन (predictive performance) और व्याख्यात्मकता (interpretability) के बीच के अंतर को पाटता 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 सुपर-स्मार्ट रोबोट को डॉक्टर बनना सिखाने की कोशिश कर रहे हैं। इसे करने के लिए, आप इसे लाखों मरीजों के रिकॉर्ड खिलाते हैं, इस उम्मीद में कि यह पैटर्न पहचान सके कि किसे बीमारी हो सकती है या किसे आपातकालीन देखभाल की आवश्यकता हो सकती है। लेकिन इसमें एक पेंच है: डॉक्टर जिस भाषा का उपयोग करते हैं वह ICD (इंटरनेशनल क्लासिफिकेशन ऑफ डिजीज) नामक एक विशाल, अव्यवस्थित कोडबुक है। यह ऐसा है जैसे आप रोबोट को एक डिक्शनरी थमा दें जिसमें 70,000 शब्द हैं, जहाँ किसी भी एक मरीज के लिए अधिकांश पन्ने खाली हैं। यदि आप केवल रोबोट को कच्चे कोड दिखा देते हैं, तो वह डेटा के विशाल आकार और खालीपन से अभिभूत हो जाता है।
दूसरी ओर, यदि आप चीजों को सरल बनाने की कोशिश करते हैं, जैसे कि समान बीमारियों को एक साथ समूहबद्ध करना (जैसे कि सभी "टूटी हुई हड्डियों" को एक बाल्टी में डाल देना), तो रोबमाट भ्रमित हो जाता है क्योंकि वह उन सूक्ष्म, महत्वपूर्ण विवरणों को खो देता है जो एक फ्रैक्चर को दूसरे से अलग बनाते हैं। यह मेडिकल एआई की दुनिया में एक निराशाजनक खींचतान पैदा करता है: या तो आपके पास एक ऐसा मॉडल हो सकता है जो बहुत सटीक है लेकिन एक "ब्लैक बॉक्स" की तरह काम करता है (किसी को नहीं पता कि उसने निर्णय क्यों लिया), या आपके पास एक ऐसा मॉडल हो सकता है जो समझने में आसान है लेकिन भविष्य की भविष्यवाणी करने में उतना अच्छा नहीं है। बड़ा सवाल यह है: क्या हम एक ऐसा सिस्टम बना सकते हैं जो स्वास्थ्य परिणामों की भविष्यवाणी करने में जीनियस भी हो और इतनी स्पष्ट भी कि एक मानव डॉक्टर उस पर भरोसा कर सके?
यह ठीक वही पहेली है जिसे शोधकर्ताओं की एक टीम ने उनके नए पेपर में हल किया है, जिसमें उन्होंने xMICD नामक एक चतुर नई विधि पेश की है। xMICD को उस अव्यवस्थित कोडबुक और रोबोट के मस्तिष्क के बीच एक "अनुवादक" के रूप में समझें। केवल यह कहने के बजाय कि "हाँ, इस मरीज की हड्डी टूटी है" या "नहीं, उनकी नहीं है," xMICD एक सूक्ष्म स्कोर बनाता है। यह पूछता है, "मरीज के लक्षणों का यह संग्रह किसी विशिष्ट बीमारी की श्रेणी के प्रति कितना 'महसूस' होता है?"
सरल शब्दों में यह कैसे काम करता है: कल्पना कीजिए कि आपके पास विभिन्न प्रकार की स्वास्थ्य समस्याओं, जैसे कि "श्वसन संबंधी समस्या" या "हृदय संबंधी परेशानी," का प्रतिनिधित्व करने वाले कुछ संदर्भ बिंदु या "एंकर" (anchors) हैं। जब एक मरीज निदान (diagnoses) की एक सूची के साथ आता है, तो xMICD केवल बॉक्स चेक नहीं करता है। इसके बजाय, यह एक विशेष गणितीय मानचित्र (जिसे एम्बेडिंग स्पेस कहा जाता है) का उपयोग करके देखता है कि मरीज के विशिष्ट कोड उन एंकर्स के कितने समान हैं। यदि किसी मरीज का निदान "हृदय संबंधी परेशानी" तो नहीं है, लेकिन मानचित्र पर उसके बहुत करीब है, तो xMICD उस श्रेणी के लिए उसे उच्च स्कोर देता है, भले ही उसके पास सटीक कोड न हो। यह कुछ ऐसा कहने जैसा है कि, "यह मरीज 'हृदय' समूह का सटीक मिलान नहीं है, लेकिन यह पूरी तरह से उसी दिशा में झुका हुआ है।"
शोधकर्ताओं ने इस विचार का परीक्षण वास्तविक अस्पताल रिकॉर्ड के विशाल डेटाबेस पर किया, जिसमें 400,000 से अधिक आपातकालीन कक्ष के दौरे और गहन देखभाल इकाइयों (ICU) का डेटा शामिल था। उन्होंने पाया कि xMICD एक वास्तविक गेम-चेंजर है। यह गंभीर परिणामों (जैसे कि क्या मरीज की ICU में मृत्यु हो जाएगी या उसे फिर से भर्ती होने की आवश्यकता होगी) की भविष्यवाणी करने में उन जटिल, "ब्लैक बॉक्स" डीप लर्निंग मॉडल्स के समान ही सक्षम है जो आमतौर पर इन प्रतियोगिताओं में जीतते हैं। लेकिन इन ब्लैक बॉक्स के विपरीत, xMICD के परिणाम समझाना आसान है। जब मॉडल किसी मरीज को उच्च-जोखिम वाला बताता है, तो एक डॉक्टर आउटपुट को देखकर कह सकता है, "आह, सिस्टम चिंतित है क्योंकि उनके लक्षण 'रेस्पिरेटरी फेलियर' (श्वसन विफलता) समूह के बहुत समान हैं।"
पेपर सुझाव देता है कि यह दृष्टिकोण कच्चे डेटा की शक्ति और मानवीय समझ के बीच के अंतर को सफलतापूर्वक पाटता है। यह साबित करता है कि आपको स्पष्टता प्राप्त करने के लिए सटीकता का त्याग करने की आवश्यकता नहीं है। इन "रिलेटिव असाइनमेंट" (सापेक्ष असाइनमेंट) स्कोरों का उपयोग करके, न कि साधारण हाँ/ना स्विचों का, xMICD उन समृद्ध, छिपे हुए संबंधों को बनाए रखता है जिन्हें स्मार्ट कंप्यूटर पसंद करते हैं, जबकि उन्हें उन श्रेणियों में व्यवस्थित करता है जिन्हें मानव डॉक्टर पहचानते हैं। परिणाम स्वरूप, यह एक ऐसा टूल बनता है जो मशीनों को बेहतर अनुमान लगाने में मदद करता है और साथ ही इसके तर्क को इतना पारदर्शी रखता है कि इंसान उस पर भरोसा कर सकें और उसकी पुष्टि कर 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।