Intervention-Aware Clinical World Model for Post-Op Outcome Forecasting in Cardiology

कल्पना कीजिए कि आप मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। एक साधारण पूर्वानुमान केवल अभी के आसमान को देखकर यह अनुमान लगा सकता है कि कल बारिश होगी या नहीं। लेकिन क्या होगा अगर मौसम वास्तव में एक अराजक, बदलती हुई कहानी है? क्या होगा अगर हवा का एक अचानक झोंका, तापमान में बदलाव, या एक अजीब समय पर बादल बनना पूरी घटना को ही बदल दे? चिकित्सा की दुनिया में, डॉक्टर अक्सर एक मरीज के भविष्य के स्वास्थ्य का अनुमान लगाने के लिए एक एकल स्नैपशॉट देखते हैं—जैसे सर्जरी से पहले लिया गया एमआरआई (MRI) स्कैन—और अनुमान लगाते हैं कि महीनों बाद क्या होगा। लेकिन मानव शरीर एक स्थिर फोटो नहीं है; यह एक फिल्म है। प्रक्रिया के बाद, मरीज नई दवाएं लेते हैं, फॉलो-अप टेस्ट करवाते हैं, या उन्हें अनियमित समय पर अतिरिक्त उपचार की आवश्यकता हो सकती है। ये घटनाएं एक कहानी के 'प्लॉट ट्विस्ट' (कथानक के मोड़) की तरह हैं जो अंत को बदल सकते हैं। बड़ा सवाल यह है: हम एक ऐसा कंप्यूटर मॉडल कैसे बना सकते हैं जो केवल किताब के पहले पन्ने को ही न देखे, बल्कि कहानी के सामने आने के साथ-साथ उसे पढ़ता रहे और हर बार एक नई घटना होने पर अपनी भविष्यवाणी को अपडेट करता रहे?

यही वह समस्या है जिसे हल करने के लिए टुलने यूनिवर्सिटी (Tulane University) और सिमुला रिसर्च लैबोरेटरी (Simula Research Laboratory) के शोधकर्ताओं की एक टीम ने हाथ डाला। उन्होंने कुछ ऐसा बनाया है जिसे वे "इंटरवेंशन-अवेयर क्लिनिकल वर्ल्ड मॉडल" (intervention-aware clinical world model) कहते हैं। इसे एक मरीज के हृदय के "डिजिटल ट्विन" के रूप में सोचें जो केवल स्थिर नहीं रहता। इसके बजाय, यह हृदय की शारीरिक रचना के एक 3D मानचित्र (जो सर्जरी से पहले एमआरआई से लिया गया है) से शुरू होता है और फिर रिकवरी की अवधि के दौरान "जीता" है। जैसे-जैसे मरीज दवा लेता है, उनके हृदय की लय को रीसेट करने के लिए एक इलेक्ट्रिकल शॉक (बिजली का झटका) दिया जाता है, या दोबारा कोई प्रक्रिया की जाती है, मॉडल अपनी आंतरिक स्थिति को अपडेट करता है। यह एक वीडियो गेम के चरित्र की तरह है जो उन वस्तुओं के आधार पर अपने आंकड़े और स्वरूप बदलता है जिन्हें वे उठाते हैं और जिन लड़ाइयों में वे लड़ते हैं। शोधकर्ताओं ने इसका परीक्षण उन मरीजों पर किया है जिनका एट्रियल फाइब्रलेशन (एक प्रकार की अनियमित धड़कन) के लिए सर्जरी हुई थी। उन्होंने पाया कि सर्जरी के बाद के पहले 90 दिनों में इन "प्लॉट ट्विस्ट" को देखकर, उनका मॉडल पुराने तरीकों की तुलना में बहुत बेहतर तरीके से भविष्यवाणी कर सका कि किसका हृदय ताल फिर से बिगड़ जाएगा। विशेष रूप से, मॉडल ने पुनरावृत्ति (recurrence) की भविष्यवाणी करने के लिए 0.756 (जिसे AUROC कहा जाता है) और 0.777 (जिसे AUPRC कहा जाता है) का स्कोर प्राप्त किया, और यह यहाँ तक अनुमान लगा सका कि उपचार के बाद हृदय पर कितना निशान (scar tissue) रह जाएगा, जिसमें त्रुटि केवल 2.971 प्रतिशत अंक थी, और यह सब बिना भविष्य के एमआरआई स्कैन को देखे संभव हुआ।

समस्या: "वन-शॉट" अनुमान

लंबे समय से, मेडिकल एआई (Medical AI) थोड़ा वैसा ही रहा है जैसे कोई भविष्यवक्ता जो आपके हाथ को एक बार देखता है और आपको आपका पूरा भविष्य बता देता है। यदि आपकी हृदय सर्जरी होती है, तो डॉक्टर अक्सर ऑपरेशन से पहले आपके हृदय की एक तस्वीर लेते हैं और उसका उपयोग यह अनुमान लगाने के लिए करते हैं कि क्या आप एक साल बाद ठीक रहेंगे। लेकिन यह रिकवरी की जटिल वास्तविकता को अनदेखा करता है। मरीज एक आदर्श शेड्यूल पर ठीक नहीं होते। वे 10वें दिन एक नई गोली ले सकते हैं, 25वें दिन घबरा सकते हैं, या 60वें दिन को दूसरी प्रक्रिया की आवश्यकता हो सकती है। ये घटनाएं अनियमित समय पर होती हैं, और ये जोखिम को बदल देती हैं। पुराने मॉडल आमतौर पर पूरी रिकवरी को एक एकल चरण के रूप में देखते हैं, मध्य के अध्यायों के रोमांच को अनदेखा करते हैं। वे इस तथ्य को मिस कर देते हैं कि नए साक्ष्य आने के साथ कहानी बदल जाती है।

समाधान: एक जीवित डिजिटल ट्विन

शोधकर्ताओं ने इस बारे में सोचने का एक नया तरीका प्रस्तावित किया। एक स्थिर अनुमान के बजाय, उन्होंने एक "वर्ल्ड मॉडल" बनाया। कल्पना करें कि एक वीडियो गेम है जहाँ आपके पास एक पात्र (मरीज) है।

1. प्रारंभिक अवस्था: खेल की शुरुआत पात्र के हृदय के एक विस्तृत 3D मानचित्र के साथ होती है, जो सर्जरी से पहले के एमआरआई से बनाया गया है। यह "लेटेंट स्टेट" (latent state) है—हृदय की शारीरिक रचना का एक संकुचित, डिजिटल संस्करण।
2. प्लॉट ट्विस्ट: जैसे-जैसे समय बीतता है, गेम को "घटनाएं" प्राप्त होती हैं। ये वास्तविक दुनिया की चीजें हैं जैसे दवा में बदलाव, एक इलेक्ट्रिकल कार्डियोवर्जन (हृदय की लय को रीसेट करने के लिए बिजली का झटका), या एक दोहराई गई प्रक्रिया। मॉडल ईसीजी (ECG) रीडिंग को भी देखता है जो इन घटनाओं से ठीक पहले ली गई हैं।
3. अपडेट: हर बार जब कोई घटना होती है, तो मॉडल पात्र की आंतरिक स्थिति को अपडेट करता है। यह केवल एक फाइल में नोट जोड़ना नहीं है; यह वास्तव में डिजिटल हृदय को इस तरह से बदलने के लिए शिफ्ट करता है कि वह घटना क्या प्रभाव डाल सकती है। यदि कोई मरीज एक नई दवा लेता है, तो मॉडल सिम्युलेट करता है कि यह हृदय के जोखिम प्रोफाइल को कैसे बदल सकता है।
4. पूर्वानुमान: मॉडल कहानी को किसी भी बिंदु पर रोक सकता है (जैसे 30वें, 60वें या 90वें दिन) और पूछ सकता है, "अब तक जो कुछ भी हुआ है, उसके आधार पर, अगले एक वर्ष में हृदय की लय फिर से बिगड़ने की कितनी संभावना है?"

यह कैसे काम करता है (पर्दे के पीछे का जादू)

यह मॉडल टाइमलाइन की घटनाओं को पढ़ने के लिए 'ट्रांसफॉर्मर' (Transformer) नामक एक विशेष प्रकार के एआई का उपयोग करता है (वही तकनीक जो कई आधुनिक चैटबॉट्स को शक्ति देती है)। यह मरीज के इतिहास को एक वाक्य की तरह मानता है, जहाँ प्रत्येक शब्द एक चिकित्सा घटना है। यह "लेटेंट मैचिंग" (latent matching) नामक एक विशेष ट्रिक का भी उपयोग करता है। प्रशिक्षण के दौरान, मॉडल को मरीज के वास्तविक फॉलो-अप एमआरआई दिखाया जाता है। यह भविष्यवाणी करने की कोशिश करता है कि भविष्य का हृदय कैसा दिखेगा, केवल प्री-सर्जरी स्कैन और उसके बीच हुई घटनाओं के आधार पर। यदि यह "भविष्य के हृदय" को सही ढंग से पहचान लेता है, तो इसका मतलब है कि यह कहानी को अच्छी तरह समझता है। यह इसे भविष्य के स्कैन को देखे बिना परिणाम (पुनरावृत्ति) और स्कार टिश्यू (निशान ऊतक) की मात्रा की भविष्यवाणी करने में मदद करता है।

उन्होंने क्या पाया

टीम ने 91 मरीजों के समूह पर इसका परीक्षण किया जिनके पास पूर्ण रिकॉर्ड (जिसमें सर्जरी कहाँ की गई थी उसके जटिल 3D मानचित्र भी शामिल थे) उपलब्ध थे।

• बेहतर भविष्यवाणियाँ: उनका मॉडल एट्रियल फाइब्रलेशन की पुनरावृत्ति की भविष्यवाणी करने में पुराने तरीकों की तुलना में काफी बेहतर था। जबकि सरल मॉडल जो केवल प्री-सर्जरी स्कैन या अकेले घटनाओं को देखते थे, संघर्ष करते थे (लगभग 0.51 से 0.65 स्कोर करते थे), इस नए मॉडल ने सटीकता (AUROC) के लिए 0.756 और प्रिसिजन (AUPRC) के लिए 0.777 का स्कोर प्राप्त किया।
• स्कार (निशान) की भविष्यवाणी: उन्होंने यह भी पूछा कि उपचार के बाद हृदय पर कितना निशान ऊतक होगा। बिना फॉलो-अप एमआरआई देखे भी, इसने केवल 2.971 प्रतिशत अंक की त्रुटि के साथ निशान के विस्तार का अनुमान लगाया। यह लगभग उतना ही अच्छा है जितना कि यदि इसे देखने के लिए फॉलो-अप स्कैन दिया गया होता (जिसका स्कोर 3.189 था)।
• "क्या होगा अगर" की शक्ति: सबसे दिलचस्प विशेषताओं में से एक यह है कि मॉडल पीछे मुड़कर देख सकता है और कहानी को संपादित कर सकता है। आप मॉडल को बता सकते हैं, "क्या होगा अगर इस मरीज ने वह दवा नहीं ली होती?" या "क्या होगा अगर दोहराई गई प्रक्रिया दो सप्ताह बाद हुई होती?" मॉडल फिर से जोखिम की गणना करता है। यह साबित नहीं करता कि उपचार को बदलना काम करेगा (यह टाइम मशीन नहीं है), लेकिन यह दिखाता है कि मॉडल समझता है कि वे घटनाएं परिणाम से कैसे जुड़ी हैं।

सीमाएं और भविष्य

शोधकर्ता सावधानी बरतते हुए कहते हैं कि यह अभी तक कोई जादुई इलाज नहीं है। जिस समूह के परीक्षण पर उन्होंने किया, वह अपेक्षाकृत छोटा (91 लोग) था, और सारा डेटा एक विशिष्ट अध्ययन (DECAAF-II) से आया था। उन्होंने यह भी नोट किया कि सर्जरी के 3D मानचित्र बनाना कठिन था और कभी-कभी शोर (noisy) युक्त थे। जब उन्होंने मॉडल को 258 मरीजों के बड़े समूह पर चलाने की कोशिश की जिनके पास वे विस्तृत 3D मानचित्र नहीं थे, तो मॉडल अभी भी अच्छी तरह से काम कर रहा था (0.713 स्कोर किया), लेकिन वह यह साबित नहीं कर सका कि उस विशिष्ट समूह में 3D मानचित्रों ने कितनी मदद की।

लेखकों का सुझाव है कि हालांकि यह मॉडल रिकवरी की कहानी को देखते हुए हृदय की भविष्यवाणी करने के बारे में एक बड़ा कदम है, लेकिन वास्तविक जीवन के निर्णयों के बारे में उपचार बदलने के लिए हमें अधिक डेटा और बड़े परीक्षणों की आवश्यकता है। फिलहाल, यह एक शक्तिशाली उपकरण है जो हमें दिखाता है कि मरीज के हृदय के भविष्य की भविष्यवाणी करने के लिए, हमें उसकी रिकवरी के हर मोड़ और बदलाव पर ध्यान देना होगा, न कि केवल शुरुआत पर।