MiGHT-EHR: A Multi-task Graph Transformer for Heterogeneous Temporal Electronic Health Records
MiGHT-EHR एक नवीन मल्टी-टास्क ग्राफ ट्रांसफार्मर है जो विषम नैदानिक संस्थाओं (heterogeneous clinical entities), टेम्पोरल पेशेंट ट्रेजेक्टरीज (temporal patient trajectories) और साझा कार्य निर्भरताओं (shared task dependencies) के मॉडलिंग को एक एकल प्रतिनिधित्व शिक्षण ढांचे (representation learning framework) के भीतर एकीकृत करता है, जिससे MIMIC डेटासेट्स पर कई भविष्यवाणात्मक कार्यों में अत्याधुनिक प्रदर्शन और नैदानिक व्याख्यात्मकता (clinical interpretability) प्राप्त होती है।
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 आप किसी व्यक्ति की जीवन कहानी को समझने की कोशिश कर रहे हैं, लेकिन एक डायरी पढ़ने के बजाय, आपको स्टिकी नोट्स का एक विशाल, अराजक ढेर थमा दिया गया है। कुछ नोट्स कहते हैं "डॉक्टर को दिखाया," कुछ कहते हैं "यह गोली ली," और कुछ कहते हैं "पैर टूट गया।" चिकित्सा की दुनिया में, इन नोट्स को इलेक्ट्रॉनिक हेल्थ रिकॉर्ड्स (EHRs) कहा जाता है। लंबे समय से, कंप्यूटर इन नोट्स से सीखने की कोशिश करते रहे हैं ताकि यह भविष्यवाणी की जा सके कि आगे क्या हो सकता है, जैसे कि क्या कोई मरीज फिर से बीमार हो जाएगा या उसे कितने समय तक अस्पताल में रहना होगा। लेकिन पेचीदा हिस्सा यह है कि ये नोट्स केवल एक साधारण सूची नहीं हैं। वे एक उलझा हुआ जाल हैं। एक मरीज केवल घटनाओं की सूची नहीं है; एक मरीज एक व्यक्ति है जिसके कई अलग-अलग प्रकार के संपर्क (जैसे निदान, सर्जरी और दवाएं) समय के साथ होते हैं। कुछ नोट्स इसलिए जुड़े हुए हैं क्योंकि वे एक ही दिन हुए थे, कुछ इसलिए क्योंकि वे पिछले साल हुए थे, और कुछ इसलिए क्योंकि वे सांख्यिकीय रूप से एक साथ होने की संभावना रखते हैं।
इस अव्यवस्था को समझने के लिए, वैज्ञानिक एक "ग्राफ" नामक उपकरण का उपयोग करते हैं। एक ग्राफ को सबवे मैप (मेट्रो मैप) की तरह समझें। स्टेशन विभिन्न चिकित्सा चीजें (जैसे "मधुमेह" या "हार्ट अटैक") हैं, और ट्रेन लाइनें उनके बीच के संबंध हैं। कुछ पुराने मानचित्र केवल पड़ावों के क्रम (समय) को दिखाते थे, जबकि अन्य केवल यह दिखाते थे कि कौन से स्टेशन एक-दूसरे के करीब हैं (संबंध)। लेकिन वास्तविक जीवन दोनों का मिश्रण है। यदि कंप्यूटर पूरा नक्शा नहीं देख पाता—यानी समय और संबंधों दोनों को—तो वह बड़ी तस्वीर को समझने में चूक सकता है। यह वह समस्या है जिसे यह शोध पत्र संबोधित करता है: हम एक ऐसा नक्शा कैसे बना सकते हैं जो समय, चिकित्सा नोट्स के विभिन्न प्रकारों और उनके बीच के छिपे हुए संबंधों को एक साथ पकड़ सके, ताकि भविष्य की अधिक सटीक भविष्यवाणी की जा सके?
इस शोध के पीछे के शोधकर्ताओं ने MiGHT-EHR बनाया, जो ठीक ऐसा ही करने वाला एक सुपर-स्मार्ट नक्शा है। वे इसे "मल्टी-टास्क ग्राफ ट्रांसफार्मर" कहते हैं। आइए इसे समझते हैं। सबसे पहले, उन्होंने रोगी के रिकॉर्ड को एक विशाल, जीवंत सबवे मैप में बदल दिया। इस मानचित्र में, "स्टेशन" केवल एक चीज़ नहीं हैं; वे मरीज, अस्पताल के दौरे, निदान, सर्जरी और दवाएं हैं। उन्होंने इन स्टेशनों को तीन प्रकार की ट्रेन लाइनों से जोड़ा: वे लाइनें जो दिखाती हैं कि कौन सा मरीज किस दौरे पर गया, वे लाइनें जो दौरों के क्रम को दर्शाती हैं (जैसे एक टाइमलाइन), और वे लाइनें जो उन चिकित्सा अवधारणाओं को जोड़ती हैं जो अक्सर एक साथ दिखाई देती हैं। लेकिन उन्होंने चीजों को केवल इसलिए नहीं जोड़ा कि वे साथ दिखाई दी थीं; उन्होंने "नॉर्मलाइज्ड पॉइंट-वाइज म्युअल इंफॉर्मेशन" नामक एक विशेष गणितीय ट्रिक का उपयोग किया ताकि यह सुनिश्चित हो सके कि संबंध वास्तव में सार्थक हैं और केवल इसलिए नहीं कि दो सामान्य चीजें बार-बार होती हैं।
एक बार जब नक्शा बन गया, तो उन्होंने एक "ट्रांसफार्मर" का उपयोग करके कंप्यूटर को इसे पढ़ना सिखाया, जो एक अत्यंत ध्यान केंद्रित करने वाले पाठक की तरह है जो एक ही बार में पूरे नक्शे को देख सकता है। यह पाठक टाइमलाइन पर विशेष ध्यान देता है, मरीज के पिछले दौरों को याद रखता है ताकि उनकी वर्तमान स्थिति को समझा जा सके। सबसे दिलचस्प बात यह है कि इस एकल कंप्यूटर मॉडल ने एक ही समय में चार अलग-अलग काम करना सीखा: यह भविष्यवाणी करना कि मरीज की मृत्यु होगी या नहीं, क्या उसे दोबारा अस्पताल में भर्ती किया जाएगा, उसे कितने समय तक रुकना होगा, और उसे कौन सी दवाएं दी जानी चाहिए। आमतौर पर, कंप्यूटर को एक काम को अच्छी तरह से करने के लिए प्रशिक्षित किया जाता है, लेकिन इस मॉडल को इन चारों को एक साथ संतुलित करने के लिए प्रशिक्षित किया गया था, जिससे यह सुनिश्चित हो सके कि कोई भी एक काम सीखने की प्रक्रिया पर हावी न हो जाए।
जब उन्होंने इस नए नक्शा-पाठक का परीक्षण दो विशाल डेटाबेस (MIMIC-III और MIMIC-IV) पर किया, तो इसने अद्भुत काम किया। इसने औसतन सभी अन्य शीर्ष तरीकों को पछाड़ दिया। यह मृत्यु दर (mortality) और पुन: प्रवेश (readmission) की भविष्यवाणी करने में विशेष रूप से अच्छा था, जो कि पकड़ में आने में बहुत कठिन चीजें हैं। शोधकर्ताओं ने मॉडल के "मस्तिष्क" के भीतर भी झाँका कि इसने क्या सीखा। उन्होंने पाया कि मॉडल ने मरीजों को उनके निदान के आधार पर नहीं, बल्कि उनके स्वास्थ्य परिणामों के आधार पर स्वाभाविक रूप से समूहों में बांटा। इसने यह भी सीखा कि कुछ चिकित्सा अवधारणाएं, जैसे "परिसंचरण प्रणाली" (circulatory system) की समस्याएं, इसके गणितीय स्थान में स्पष्ट, सीधी रेखाओं के रूप में पाई जा सकती हैं। अंत में, इसकी दी गई संभावनाएं अच्छी तरह से कैलिब्रेटेड थीं, जिसका अर्थ है कि जब इसने कहा कि किसी घटना के होने की 70% संभावना है, तो यह वास्तव में 70% बार सही था।
यह शोध पत्र सुझाव देता है कि रोगी के रिकॉर्ड को सरल सूची के बजाय एक जटिल, समय-आधारित संबंधों के जाल के रूप में मानकर, हम डॉक्टरों को निर्णय लेने में मदद करने के लिए बेहतर उपकरण बना सकते हैं। इसने केवल अनुमान नहीं लगाया; इसने एक अकेले डेटाबेस में 2,00,000 से अधिक मरीजों के डेटा के साथ अपनी बात साबित की। हालांकि इसने हर चिकित्सा रहस्य को हल नहीं किया, लेकिन इसने दिखाया कि पूरी तस्वीर को देखना—समय, संबंध और कई लक्ष्यों को एक साथ देखना—कंप्यूटर को मानव स्वास्थ्य का एक बहुत बेहतर छात्र बनाता है।
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।