PatientPheX: A Full-Text Biomedical Corpus for Patient-Specific Phenotype Information Extraction

मानव जीव विज्ञान के विशाल परिदृश्य में, एक व्यक्ति की अनूठी कहानी अक्सर दो भाषाओं में लिखी जाती है। एक है जेनेटिक कोड (आनुवंशिक कोड), जो हमारे डीएनए में छिपे हुए निर्देश हैं। दूसरा है फेनोटाइप (phenotype), जो उन दृश्य लक्षणों और विशेषताओं का संग्रह है जो एक व्यक्ति की शारीरिक वास्तविकता बनाते हैं। इसमें आंखों का रंग से लेकर किसी बीमारी के विशिष्ट लक्षण, रक्त परीक्षण के परिणाम, या किसी दवा के प्रति शरीर की प्रतिक्रिया तक सब कुछ शामिल है। डॉक्टरों और शोधकर्ताओं के लिए, विशेष रूप से जो दुर्लभ बीमारियों का अध्ययन कर रहे हैं, इन दो भाषाओं को जोड़ना आवश्यक है। उन्हें यह जानने की आवश्यकता होती है कि कौन से लक्षण किस रोगी के हैं ताकि यह समझा जा सके कि जीन स्वास्थ्य और रोग को कैसे आकार देते हैं।

हालाँकि, यह संबंध अक्सर चिकित्सा साहित्य के असंरचित पाठ (unstructured text) में दबा रहता है। केस रिपोर्ट और विस्तृत अध्ययन व्यक्तिगत रोगियों का समृद्ध, वर्णनात्मक विवरण प्रस्तुत करते हैं, लेकिन यह जानकारी वाक्यों, अनुच्छेदों और खंडों में बिखरी हुई होती है। किसी लक्षण का विवरण परिचय में दिखाई दे सकता है, जबकि जेनेटिक कारण पर निष्कर्ष में चर्चा की जा सकती है, और किसी परिवार के सदस्य की समान स्थिति के बारे में एक नोट बीच में कहीं छिपा हो सकता है। एक ही रोगी के लिए स्पष्ट, संगठित प्रोफाइल बनाने के लिए इस जानकारी को निकालना कंप्यूटर के लिए एक कठिन कार्य है, क्योंकि वे संदर्भ को समझने, एक ही कहानी में अलग-अलग लोगों के बीच अंतर करने और यह पहचानने में संघर्ष करते हैं कि कोई लक्षण मौजूद है या केवल उल्लेख किया गया है कि वह मौजूद नहीं था।

इस चुनौती से निपटने के लिए, डालियन यूनिवर्सिटी ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने 'पेशेंटफेएक्स' (PatientPheX) नामक एक नया संसाधन बनाया है। यह कोई ऐसा उपकरण नहीं है जो बीमारी को ठीक करता है, बल्कि यह 200 पूर्ण-पाठ चिकित्सा लेखों (ज्यादातर केस रिपोर्ट और श्रृंखलाओं) का एक सावधानीपूर्वक निर्मित पुस्तकालय है, जिन्हें मानव विशेषज्ञों द्वारा सूक्ष्मता से एनोटेट (annotated) किया गया है। इसे एक प्रशिक्षण मैदान के रूप में समझें जहाँ एक कंप्यूटर एक कुशल चिकित्सक की तरह चिकित्सा कहानी को पढ़ना सीख सकता है: यह पहचानना कि रोगी कौन है, लक्षण या बीमारी के हर उल्लेख को पकड़ना, और उन विवरणों को सही व्यक्ति से जोड़ना। शोधकर्ताओं ने केवल कंप्यूटर को शब्द खोजने के लिए नहीं कहा; उन्होंने इसे शब्दों के बीच के संबंधों को समझना सिखाया, जैसे कि रोगी के अपने लक्षणों और उसके रिश्तेदार के लक्षणों के बीच अंतर करना, या यह पहचानना कि जब एक डॉक्टर लिखता है कि कोई लक्षण अनुपस्थित है।

इस पुस्तकालय का निर्माण एक कठोर प्रक्रिया थी जिसने आधुनिक तकनीक के साथ मानवीय विशेषज्ञता का मिश्रण किया। टीम ने एक विशाल चिकित्सा डेटाबेस से 200 लेखों का चयन करके शुरुआत की। फिर उन्होंने संभावित बीमारियों, जीनों, रसायनों और अन्य जैविक संस्थाओं को हाइलाइट करने के लिए स्वचालित सॉफ़्टवेयर का उपयोग करके एक प्रारंभिक प्रक्रिया पूरी की। सटीकता सुनिश्चित करने करने के लिए, उन्होंने लार्ज लैंग्वेज मॉडल्स (LLMs)—विशाल मात्रा में टेक्स्ट पर प्रशिक्षित उन्नत कंप्यूटर प्रोग्राम—का उपयोग किया ताकि इन प्रारंभिक हाइलाइट्स की समीक्षा की जा सके और संभावित त्रुटियों या छूटे हुए हिस्सों को चिह्नित किया जा सके। अंत में, ग्यारह मानव शोधकर्ताओं की एक टीम ने, जिसमें प्रोफेसर और स्नातक छात्र शामिल थे, प्रत्येक लेख की मैन्युअल रूप से समीक्षा की। उन्होंने प्रत्येक चिकित्सा शब्द की सीमाओं पर सहमति बनाने के लिए जोड़ों में काम किया, यह तय किया कि एक विशिष्ट निष्कर्ष किस रोगी का है, और 'नेगेटेड फाइंडिंग्स' (नकारे गए निष्कर्षों) या जटिल विवरणों को चिह्नित किया जो कई लक्षणों को एक साथ बांधते हैं। इस 'ह्यूमन-इन-द-लूप' दृष्टिकोण ने यह सुनिश्चित किया कि अंतिम डेटासेट विश्वसनीयता का एक स्वर्ण मानक (gold standard) हो, जिसमें बायोमेडिकल संस्थाओं के 55,000 से अधिक विशिष्ट उल्लेख और उन संस्थाओं को व्यक्तिगत रोगियों से जोड़ने वाले लगभग 7,400 स्पष्ट लिंक शामिल हैं।

इस संसाधन की वास्तविक परीक्षा तब हुई जब शोधकर्ताओं ने इसका उपयोग यह देखने के लिए किया कि वर्तमान कंप्यूटर प्रोग्राम इस कार्य को कितनी अच्छी तरह से कर सकते हैं। उन्होंने विभिन्न आर्टिफिशियल इंटेलिजेंस मॉडल की चिकित्सा शब्दों को पहचानने और, अधिक महत्वपूर्ण रूप से, उन्हें सही व्यक्ति को सौंपने की क्षमता को मापने के लिए प्रयोगों की एक श्रृंखला आयोजित की। जब मॉडलों को काम करने के लिए मानव-सत्यापित चिकित्सा शब्दों की आदर्श सूची दी गई, तो सर्वश्रेष्ठ प्रणालियाँ लगभग 88 प्रतिशत बार लक्षणों को रोगियों से सही ढंग से जोड़ने में सक्षम थीं। इससे पता चला कि एक आदर्श परिदृश्य में, कंप्यूटर चिकित्सा पाठ में 'कौन कौन है' को समझने में काफी अच्छे हैं। हालाँकि, वास्तविक दुनिया शायद ही कभी आदर्श होती है। जब शोधकर्ताओं ने मॉडल्स को बिना किसी मानवीय सहायता के, पहले स्वयं शब्दों को खोजने के लिए मजबूर किया, तो प्रदर्शन काफी गिर गया। सर्वश्रेष्ठ प्रणाली की सटीकता गिरकर लगभग 63 प्रतिशत रह गई।

प्रदर्शन में यह गिरावट शेष बाधाओं को उजागर करती है। शोधकर्ताओं ने पाया कि हालांकि कंप्यूटर विशिष्ट जीन या ज्ञात बीमारियों जैसे मानक शब्दों को पहचानने में बेहतर हो रहे हैं, वे अभी भी लक्षणों के वर्णन करने के अव्यवस्थित और विविध तरीकों के साथ संघर्ष करते हैं। एक एकल नैदानिक विवरण में कई अलग-अलग असामान्यताएं हो सकती हैं, या ऐसे वाक्यांश का उपयोग किया जा सकता है जो मानक चिकित्सा शब्दकोशों से मेल नहीं खाते। इसके अलावा, एक ही दस्तावेज़ में कई रोगियों का ट्रैक रखना एक कठिन कार्य बना हुआ है। एक कंप्यूटर किसी लक्षण को सही ढंग से पहचान तो सकता है, लेकिन यह पहचानने में विफल हो सकता है कि वह रोगी के बजाय उसके भाई का है, या वह किसी निष्कर्ष को पूरी तरह से मिस कर सकता है क्योंकि वह रिपोर्ट के किसी दूसरे हिस्से में दबा हुआ था। अध्ययन से यह भी पता चला कि पहले चरण की त्रुटियां—सही शब्दों को खोजने की—दूसरे चरण में भी असर डालती हैं, जिससे प्रारंभिक शब्दों की सूची दोषपूर्ण होने पर एक पूर्ण और सटीक रोगी प्रोफाइल बनाना असंभव हो जाता है।

इन चुनौतियों के बावजूद, यह कार्य बायोमेडिकल अनुसंधान के भविष्य के लिए एक महत्वपूर्ण आधार प्रदान करता है। पूर्ण-पाठ विवरणों के साथ सटीक, रोगी-स्तरीय एनोटेशन को जोड़कर, पेशेंटफेएक्स वैज्ञानिकों को ऐसी विधियों को विकसित करने और परीक्षण करने की अनुमति देता है जो बिखरी हुई चिकित्सा कहानियों को संरचित, उपयोगी ज्ञान में बदल सकती हैं। शोधकर्ता इस बात पर जोर देते हैं कि हालांकि उनके वर्तमान परिणाम सुधार की गुंजाइश दिखाते हैं, फिर भी यह संसाधन उन प्रणालियों के निर्माण की दिशा में एक आवश्यक कदम है जो चिकित्सा साहित्य में निहित सूचना की विशाल मात्रा को विश्वसनीय रूप से व्यवस्थित कर सकें। लक्ष्य केवल डेटा निकालना नहीं है, बल्कि प्रत्येक रोगी की स्वास्थ्य यात्रा की एक स्पष्ट, संरचित तस्वीर बनाना है, जो अंततः शोधकर्ताओं को जीन और रोगों के बीच के संबंधों को पहले से कहीं अधिक प्रभावी ढंग से उजागर करने में मदद कर सकता है।