A New Trained Supervised Method for Calculating Patient Similarity
यह शोध पत्र रिलैक्स्ड एडेप्टिव ग्रुप लासो वेट्स के साथ वेटेड कोसाइन सिमिलैरिटी का उपयोग करते हुए एक नया सुपरवाइज्ड पेशेंट सिमिलैरिटी मेट्रिक प्रस्तावित करता है, जो कैलिब्रेशन में मामूली समझौते के बावजूद बाइनरी हेल्थ आउटकम्स के लिए पर्सनलाइज्ड मॉडल्स की भेदभाव क्षमता और समग्र भविष्य कहनेवाला सटीकता में महत्वपूर्ण सुधार करता 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
चिकित्सा के आधुनिक परिदृश्य में, रोगी के इतिहास के विशाल डिजिटल रिकॉर्ड उपलब्ध होते जा रहे हैं, जो स्वास्थ्य परिणामों की भविष्यवाणी करने के लिए सूचनाओं का एक खजाना प्रदान करते हैं। पारंपरिक रूप से, डॉक्टर और डेटा वैज्ञानिक किसी विशिष्ट बीमारी के कैसे विकसित होने की भविष्यवाणी करने के लिए एक एकल, सार्वभौमिक मॉडल बनाते हैं। यह दृष्टिकोण प्रत्येक रोगी को एक विशाल, मिश्रित समूह के हिस्से के रूप में देखता है, यह मानते हुए कि पूरी आबादी का औसत अनुभव व्यक्ति पर भी लागू होता है। हालांकि, व्यक्तिगत चिकित्सा (पर्सनलाइज्ड मेडिसिन) में विचारों की एक बढ़ती लहर यह सुझाव देती है कि यह "एक ही आकार सबके लिए" (वन-साइज़-फिट्स-ऑल) वाली रणनीति लक्ष्य से चूक जाती है। इसके बजाय, यह प्रस्ताव देती है कि किसी विशिष्ट व्यक्ति के लिए सबसे अच्छी भविष्यवाणी केवल उन अन्य लोगों का अध्ययन करने से आती है जो उनके सबसे अधिक समान हैं। चुनौती फिर केवल डेटा होने की नहीं है, बल्कि यह समझने की है कि जब दो लोग दर्जनों तरीकों से भिन्न हों—उनकी आयु और लिंग से लेकर उनके जटिल, उतार-चढ़ाव वाले महत्वपूर्ण संकेतों (वाइटल साइन्स) तक—तो उनके बीच "समानता" को सटीक रूप से कैसे मापा जाए।
वॉटरलू विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए दो रोगियों के बीच समानता की गणना करने का एक नया तरीका विकसित करके इस पर काम किया। उनका कार्य 'पर्सनलाइज्ड प्रेडिक्टिव मॉडलिंग' नामक एक पद्धति पर केंद्रित है, जहाँ प्रशिक्षण डेटा से एक छोटे, कस्टम समान रोगियों के समूह का उपयोग करके प्रत्येक व्यक्ति के लिए एक अद्वितीय भविष्य कहने वाला मॉडल बनाया जाता है। उनका नवाचार समानता मापने के एक नए गणितीय उपकरण पर आधारित है। जबकि पिछले तरीके अक्सर रोगी की हर जानकारी को समान रूप से महत्वपूर्ण मानते थे, या विशेषज्ञों पर यह तय करने के लिए निर्भर थे कि कौन से कारक सबसे अधिक मायने रखते हैं, यह नया दृष्टिकोण डेटा को स्वयं निर्णय लेने देता है। शोधकर्ताओं ने एक ऐसी प्रणाली बनाई जो रोगी की प्रत्येक जानकारी (जैसे रक्तचाप का रीडिंग या कोई निदान) को एक विशिष्ट महत्व स्कोर प्रदान करती है, इस आधार पर कि वह कारक वास्तव में विचाराधीन परिणाम की कितनी मजबूती से भविष्यवाणी करता है। उन्होंने शोर (नॉइज़) को छानने और संकेतों (सिग्नल्स) को उभारने के लिए एक परिष्कृत सांख्यिकीय तकनीक का उपयोग किया, जिससे कंप्यूटर को प्रभावी रूप से यह सिखाया गया कि दो लोगों की तुलना करते समय किन विवरणों को अधिक महत्व देना है और किन्हें अनदेखा करना है।
शोधकर्ताओं ने हजारों सिम्युलेटेड (कृत्रिम) रोगी रिकॉर्ड बनाकर इस नई पद्धति का परीक्षण किया, जिनमें ज्ञात परिणाम थे—कम जोखिम वाले परिदृश्यों से लेकर उच्च जोखिम वाले परिदृश्यों तक—और फिर अपने एल्गोरिदम को यह देखने के लिए लागू किया कि क्या वह सही मिलान ढूंढ सकता है। उन्होंने अपनी नई 'वेटेड' (भारित) पद्धति की तुलना समानता मापने के पुराने, मानक तरीकों से की, जैसे कि सरल दूरी गणना (डिस्टेंस कैलकुलेशन) जो सभी डेटा बिंदुओं के साथ समान व्यवहार करती है। परिणामों ने दिखाया कि उनका नया दृष्टिकोण उन रोगियों के बीच अंतर करने में काफी बेहतर था जिनके परिणाम अलग-अलग हो सकते हैं, जिसे 'डिस्क्रिमिनेशन' (भेदभाव क्षमता) कहा जाता है। कई परीक्षणों में, नए तरीके ने सफलतापूर्वक सबसे समान रोगियों की पहचान की, जिससे मॉडल को अधिक सटीक भविष्यवाणियां करने में मदद मिली। दिलचस्प बात यह है कि हालांकि नए तरीके ने भविष्यवाणियों को सटीक संभावनाओं के प्रति कभी-कभी थोड़ा कम 'कैलिब्रेटेड' बनाया, लेकिन रोगियों के बीच अंतर करने की इसकी जबरदस्त क्षमता ने समग्र सटीकता को बढ़ा दिया। एक विशिष्ट सिमुलेशन में, जिसमें मध्यम संकेत थे, सबसे अच्छे परिणाम पूरे डेटासेट का उपयोग करने के बजाय केवल शीर्ष बीस प्रतिशत सबसे समान रोगियों पर मॉडल को प्रशिक्षित करने से प्राप्त हुए।
यह देखने के लिए कि क्या यह वास्तविक दुनिया में भी कारगर है, टीम ने संयुक्त राज्य अमेरिका के 200,000 से अधिक रोगी स्टे (रोगी के अस्पताल में रहने की अवधि) के रिकॉर्ड वाले एक विशाल, वास्तविक दुनिया के गहन देखभाल इकाई (आईसीयू) डेटाबेस पर अपनी पद्धति को लागू किया। उन्होंने यह भविष्यवाणी करने पर ध्यान केंद्रित किया कि क्या रोगी अस्पताल में अपने प्रवास के दौरान जीवित रहेगा, जिसमें जनसांख्यिकीय डेटा और पहले चौबीस घंटों के दौरान हृदय गति और ऑक्सीजन स्तर जैसे जटिल, निरंतर महत्वपूर्ण संकेतों का मिश्रण शामिल था। सिमुलेशन की तरह ही, नए वेटेड तरीके ने मानक दृष्टिकोण से बेहतर प्रदर्शन किया। जब शोधकर्ताओं ने एक विशिष्ट व्यक्ति के लिए मॉडल को प्रशिक्षित करने हेतु उनके सबसे समान बीस प्रतिशत रोगियों को चुनने के लिए अपने नए टूल का उपयोग किया, तो परिणामी भविष्यवाणियां मानक पद्धति या संपूर्ण डेटासेट द्वारा की गई भविष्यवाणियों की तुलना में अधिक सटीक थीं। अध्ययन बताता है कि विशेषज्ञों के अनुमानों या निश्चित नियमों पर निर्भर रहने के बजाय, डेटा को यह निर्धारित करने देकर कि कौन सी विशेषताएं महत्वपूर्ण हैं, चिकित्सा मॉडल कहीं अधिक सटीक हो सकते हैं। शोधकर्ता नोट करते हैं कि हालांकि उनकी पद्धति बहुत आशाजनक है, लेकिन यह तब सबसे प्रभावी होती है जब डेटा में अंतर्निहित संकेत मजबूत होते हैं, और वे भविष्य में यह पता लगाने की योजना बना रहे हैं कि ये तकनीकें और भी जटिल मशीन लर्निंग मॉडलों के साथ कैसे काम कर सकती हैं।
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।