Assessing specificity testing in Lesion Network Mapping
यह शोध पत्र विशिष्टता परीक्षण (specificity testing) और अन्य लीजन नेटवर्क मैपिंग (LNM) वेरिएंट्स के बीच के संबंध को स्पष्ट करता है और साथ ही यह प्रदर्शित करता है कि LNM विशिष्टता नेटवर्कों में निरंतर पुनरावृत्ति एक मौलिक रोग-विशिष्टता सीमा को प्रकट करती है, जिससे तंत्रिका संबंधी और मनोरोग संबंधी विकारों के अंतर्निहित मस्तिष्क सर्किटों की पहचान करने के लिए नए पद्धतिगत दृष्टिकोणों की आवश्यकता पर बल मिलता है।
मूल पेपर CC BY 4.0 (https://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
मानव मस्तिष्क अलग-अलग हिस्सों का संग्रह नहीं है, बल्कि एक विशाल, परस्पर जुड़ा हुआ जाल है जहाँ प्रत्येक क्षेत्र कई अन्य क्षेत्रों से बात करता है। जब स्ट्रोक या ट्यूमर के कारण किसी विशिष्ट क्षेत्र को नुकसान पहुँचता है, तो व्यक्ति जो लक्षण अनुभव करता है—जैसे कि अवसाद, स्मृति लोप, या गति संबंधी समस्याएँ—अक्सर इस वेब के भीतर एक विशिष्ट सर्किट के बाधित होने का परिणाम होते हैं। वर्षों से, वैज्ञानिकों ने इन सर्किट्स को खोजने के लिए 'लेजन नेटवर्क मैपिंग' (Lesion Network Mapping) नामक एक विधि का उपयोग किया है। विचार सीधा है: यदि आप जानते हैं कि घाव (लेजन) कहाँ है, तो आप यह अनुमान लगाने के लिए कि उस चोट से मस्तिष्क के कौन से दूरस्थ हिस्से भी प्रभावित हुए हैं, स्वस्थ मस्तिष्क के कनेक्शनों के एक मानक मानचित्र को देख सकते हैं। समान लक्षणों वाले कई रोगियों के कनेक्शनों का औसत निकालकर, शोधकर्ताओं को उम्मीद थी कि वे एक विशिष्ट बीमारी के लिए जिम्मेदार सटीक तंत्रिका पथ (न्यूरल पाथवे) की पहचान कर सकेंगे, जिससे नए उपचारों के लिए एक स्पष्ट लक्ष्य मिल सके।
हालाँकि, एक नया विश्लेषण बताता है कि यह विधि उन पैटर्न को देख रही है जो वास्तव में वहाँ मौजूद ही नहीं हैं। मार्टिन वान डेन ह्यूवेल के नेतृत्व में शोधकर्ताओं की एक टीम ने सैकड़ों अध्ययनों की जांच की जिन्होंने इस मैपिंग तकनीक का उपयोग किया था। उन्होंने पाया कि बहुत अलग स्थितियों—जैसे कि साइकोसिस (मनोविकृति), अवसाद और पोस्ट-ट्रॉमेटिक स्ट्रेस डिसऑर्डर (PTSD) के लिए पहचाने गए मस्तिष्क सर्किट लगभग एक जैसे ही दिखते थे। वास्तव में, इन असंबंधित बीमारियों के मानचित्र इतने समान थे कि उनमें 60 प्रतिशत से अधिक विशेषताएं साझा थीं, जो चिकित्सा इमेजिंग के लिए असामान्य रूप से उच्च स्तर है। शोधकर्ताओं का तर्क है कि यह पुनरावृत्ति इस बात का संकेत नहीं है कि इन बीमारियों का कारण एक ही है, बल्कि यह स्वयं इस विधि की एक गणितीय खामी है। क्योंकि यह तकनीक प्रत्येक रोगी के विश्लेषण के लिए कनेक्शनों के एक एकल, मानक मानचित्र पर निर्भर करती है, इसलिए परिणाम अनिवार्य रूप से उस मानक मानचित्र में पाए जाने वाले सबसे सामान्य पैटर्न की ओर खिंच जाते हैं, चाहे अध्ययन की जा रही बीमारी कोई भी हो।
समस्या का मूल इस बात में निहित है कि यह विधि डेटा को कैसे संसाधित करती है। जब वैज्ञानिक लेजन नेटवर्क मैपिंग का उपयोग करते हैं, तो वे रोगी की चोट के स्थान को एक "नॉर्मेटिव कनेक्टोम" (normative connectome) पर प्रक्षेपित करते हैं, जो एक स्वस्थ मस्तिष्क के औसत कनेक्शनों का प्रतिनिधित्व करने वाला एक बड़ा डेटाबेस है। शोधकर्ताओं ने दिखाया कि जब आप रोगियों के दो समूहों की तुलना करते हैं—उदाहरण के लिए, अवसाद बनाम किसी अन्य स्थिति वाले लोग—तो यह विधि केवल एक समूह के औसत कनेक्शनों को दूसरे समूह से घटा देती है। क्योंकि दोनों समूह स्वस्थ कनेक्शनों के एक ही अंतर्निहित डेटाबेस से लिए गए हैं, इसलिए परिणाम अभी भी मूल डेटाबेस की संरचना द्वारा अत्यधिक आकार लेता है। यह बिल्कुल वैसा ही है जैसे कि एक ही जेनेरिक हाथ के प्रिंट के विरुद्ध दो लोगों के हाथों की तुलना करके एक अद्वितीय उंगलियों के निशान (फिंगरप्रिंट) को खोजने का प्रयास करना; जो अंतर आप पाते हैं वे अक्सर उसी मूल आकार के रूपांतरण मात्र होते हैं, न कि वास्तव में एक विशिष्ट पहचान का प्रमाण।
इसकी परीक्षा करने के लिए, टीम ने दर्जनों प्रकाशित अध्ययनों के डेटा का पुन: विश्लेषण किया, जिसमें सैकड़ों रोगी और दर्जनों विभिन्न स्थितियाँ शामिल थीं। उन्होंने "विशिष्ट" रूप से कुछ लक्षणों के रूप में प्रकाशित किए गए मस्तिष्क मानचित्रों का पुनर्निर्माण किया और उनकी आपस में तुलना की। परिणाम चौंकाने वाले थे। पार्किंसंस रोग, संज्ञानात्मक गिरावट (कॉग्निटिव डिक्लाइन) और चिंता विकारों जैसी विभिन्न स्थितियों के लिए बनाए गए मानचित्रों में समानता का उच्च स्तर देखा गया। जब शोधकर्ताओं ने उन विशिष्ट सक्रियता के शिखरों (peaks) को देखा जिन्हें इन अध्ययनों ने किसी बीमारी के लिए अद्वितीय होने का दावा किया था, तो उन्होंने पाया कि ये स्थान असंबंधित स्थितियों में भी बार-बार दिखाई दे रहे थे। उदाहरण के लिए, एक अध्ययन में फ्रंटल लोब के निचले हिस्से में एक विशिष्ट क्षेत्र को अवसाद के लिए प्रमुख लक्ष्य के रूप में पहचाना गया था, लेकिन वही क्षेत्र अन्य अध्ययनों में पोस्ट-स्ट्रोक संज्ञानात्मक हानि और यहाँ तक कि शरीर से बाहर होने के अनुभव (out-of-body experience) की संवेदना के लिए भी प्रमुख लक्ष्य के रूप में उजागर किया गया था।
शोधकर्ताओं ने यह भी जांच की कि क्या विधि का एक नया, अधिक जटिल संस्करण, जिसे वे 'सिम्प्टम-बेस्ड मैपिंग' (लक्षण-आधारित मैपिंग) कहते हैं, इस समस्या को हल कर सकता है। यह दृष्टिकोण रोगी के निदान के बजाय सीधे रोगी के लक्षणों की गंभीरता को मस्तिष्क मानचित्रों से जोड़ने का प्रयास करता है। टीम ने पाया कि यह विधि गणितीय रूप से पुराने दृष्टिकोण के समान ही है; यह केवल एक ही प्रक्रिया को करने का एक अलग तरीका है। फलस्वरूप, यह उसी सीमा से ग्रस्त है। चाहे वैज्ञानिक दो समूहों के बीच सरल तुलना का उपयोग करें या एक जटिल सांख्यिकीय मॉडल का, आउटपुट अभी भी उस मानक मस्तिष्क मानचित्र द्वारा उपलब्ध पैटर्न की सीमित विविधता द्वारा सीमित रहता है जिसका वे उपयोग कर रहे हैं। यह विधि प्रभावी रूप से केवल उन अंतरों को खोजने तक सीमित है जो स्वस्थ मस्तिष्क मानचित्र की मौजूदा, निम्न-आयामी संरचना के भीतर फिट बैठते हैं, जिससे किसी विशिष्ट बीमारी के लिए वास्तव में अद्वितीय सर्किटों की खोज करना कठिन हो जाता है।
इसका अर्थ यह नहीं है कि इन बीमारियों के लिए मस्तिष्क सर्किट मौजूद नहीं हैं, बल्कि यह सुझाव देता है कि वर्तमान उपकरण उन्हें अलग करने के लिए पर्याप्त सटीक नहीं है। शोधकर्ता प्रस्ताव देते हैं कि मस्तिष्क एक ऐसे सिद्धांत पर कार्य कर सकता है जहाँ कुछ व्यापक, साझा नेटवर्क कई अलग-अलग लक्षणों और स्थितियों को प्रभावित करते हैं। इस दृष्टिकोण में, मानचित्रों में दिखने वाला ओवरलैप डेटा की विफलता नहीं है, बल्कि इस बात का प्रतिबिंब है कि मस्तिष्क कैसे बना है। एक ही तंत्रिका पथ रचनात्मकता से लेकर भय तक, मानव अनुभवों की एक विस्तृत श्रृंखला में शामिल हो सकते हैं, और एक ही चोट इन साझा मार्गों को इस तरह बाधित कर सकती है जो विभिन्न रोगियों में समान दिखाई दे।
अध्ययन निष्कर्ष निकालता है कि इस क्षेत्र को इस विचार से आगे बढ़ने की आवश्यकता है कि प्रत्येक लक्षण का एक एकल, अलग नेटवर्क है जिसे खोजा जाना बाकी है। इसके बजाय, भविष्य के शोध को यह समझने पर ध्यान केंद्रित करना चाहिए कि ये साझा, ओवरलैपिंग नेटवर्क मानवीय व्यवहार और बीमारी के जटिल परिदृश्य में कैसे योगदान करते हैं। हालांकि वर्तमान विधि ने मूल्यवान अंतर्दृष्टि प्रदान की है, शोधकर्ता चेतावनी देते हैं कि उपचार के लिए अद्वितीय लक्ष्यों की पहचान करने के लिए इस पर निर्भर रहने से वैज्ञानिक उन पैटर्न के पीछे भाग सकते हैं जो बीमारी के बजाय स्वयं मानचित्र की एक कृत्रिम रचना (artifact) हैं। आगे का मार्ग ऐसे नए दृष्टिकोणों की मांग करता है जो स्वस्थ मस्तिष्क के प्रमुख, दोहराते हुए पैटर्न से परे देख सकें और उन सूक्ष्म, विशिष्ट अंतरों को खोज सकें जो वास्तव में किसी स्थिति को परिभाषित करते 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।