👁️ ophthalmology

A method enabling computation of linear rates of change of spatial averages on visual field patterns that have varying test locations over time

यह शोध पत्र समय के साथ बदलते परीक्षण स्थानों वाले विजुअल फील्ड सीरीज़ में स्थानिक औसत के रैखिक परिवर्तन की दर की सटीक गणना करने के लिए एक नई विधि का परिचय देता और उसे मान्य करता है, जो यह प्रदर्शित करता है कि यह मानक फिक्स्ड-पैटर्न विश्लेषणों के समान ढलान अनुमान त्रुटियां प्राप्त करता है।

मूल लेखक: Turpin, A., McKendrick, A.

प्रकाशित 2026-05-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Turpin, A., McKendrick, A.

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

यहाँ इस शोध पत्र का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

बड़ी समस्या: एक चलते हुए लक्ष्य को मापना

कल्पना कीजिए कि आप एक बड़े बगीचे के औसत तापमान को मापने की कोशिश कर रहे हैं ताकि यह देख सकें कि समय के साथ वह गर्म हो रहा है या ठंडा।

चिकित्सा जगत में, डॉक्टर यह जाँचने के लिए कि व्यक्ति की पूरी दृष्टि (vision) कितनी अच्छी है, "विजुअल फील्ड टेस्ट" नामक एक परीक्षण का उपयोग करते हैं, जो उस बगीचे के विभिन्न हिस्सों की जाँच करने जैसा है। आमतौर पर, वे हर बार उन्हीं 50 या 60 विशिष्ट स्थानों की जाँच करते हैं, जैसे कि हर बार उन्हीं 50 पेड़ों का तापमान मापना। यदि पेड़ गर्म होते हैं, तो औसत बढ़ जाता है, और डॉक्टर को पता चल जाता है कि बगीचा गर्म हो रहा है।

लेकिन क्या होगा अगर आपके द्वारा जाँचने वाले पेड़ों की सूची बदलती रहे?
कल्पना कीजिए कि जनवरी में, आप 50 पेड़ों की जाँच करते हैं। फरवरी में, आप तय करते हैं कि आप उन्हीं 50 पेड़ों के साथ-साथ 10 नए पेड़ भी जाँचेंगे। मार्च में, आप मूल 50 के साथ 10 और नए पेड़ जोड़ देते हैं।

यदि आप उस महीने में जाँच किए गए सभी पेड़ों का साधारण औसत निकालते हैं, तो आपका औसत तापमान गिरता हुआ दिखाई देगा, भले ही बगीचा बिल्कुल न बदल रहा हो। क्यों? क्योंकि आपने जो नए पेड़ जोड़े हैं, वे शायद किसी छायादार, ठंडी जगह पर हो सकते हैं जिन्हें आपने पहले नहीं देखा था। उन्हें गणित में जोड़ने से, आप नए, ठंडे डेटा के साथ औसत को "पतला" (dilute) कर रहे हैं।

यही वह समस्या है जिसे लेखक (एंड्रयू टर्पिन और एलीसन मैककेंडरिक) हल कर रहे हैं। नेत्र देखभाल (eye care) में, डॉक्टरों को कभी-कभी किसी मरीज की दृष्टि दोष को बेहतर ढंग से देखने के लिए उनके विजन मैप में नए टेस्ट स्पॉट्स (test spots) जोड़ने की आवश्यकता होती है। दृष्टि कितनी तेजी से खराब हो रही है, इसे मापने के पुराने गणितीय तरीके तब विफल हो जाते हैं जब टेस्ट स्पॉट्स की सूची बदल जाती है।

समाधान: गणित करने का एक स्मार्ट तरीका

लेखक एक नया तरीका प्रस्तावित करते हैं जो नए स्पॉट्स जोड़ने से होने वाले "शोर" (noise) को अनदेखा करता है। वे इस विधि को sMD + sMD' कहते हैं।

यह कैसे काम करता है, इसे "गार्डन पार्टी" के उदाहरण से समझते हैं:

पुराना तरीका (साधारण औसत): आप पार्टी में मौजूद सभी लोगों (सभी टेस्ट स्पॉट्स) से पूछते हैं कि वे संगीत का कितना आनंद ले रहे हैं। यदि आप 10 नए लोगों को जोड़ते हैं जो अभी-अभी आए हैं और उन्होंने अभी तक संगीत नहीं सुना है, तो उनकी चुप्पी आनंद के औसत स्कोर को कम कर देगी, भले ही मूल मेहमान बहुत मजे कर रहे हों।
नया तरीका (sMD + sMD'): लेखक दो-चरणीय जाँच का सुझाव देते हैं:
- चरण 1: पार्टी में वर्तमान में मौजूद सभी लोगों (नए लोगों सहित) के आनंद का औसत निकालें।
- चरण 2: केवल उन लोगों के आनंद का औसत निकालें जो पिछले सप्ताह वहाँ थे।
- ट्रिक: यह पता लगाने के लिए कि संगीत बेहतर हो रहा है या खराब, आप पिछले सप्ताह के "पुराने लोगों" के स्कोर की तुलना इस सप्ताह के "सभी लोगों" के स्कोर से करते हैं।

ऐसा करके, आप इस बात को अनदेखा कर देते हैं कि नए लोग अभी आए हैं। आप केवल उन लोगों में बदलाव को मापते हैं जो पूरे समय वहाँ रहे हैं। यह नए टेस्ट स्पॉट्स को जोड़ने से गणित के भ्रमित होने से बचाता है।

"स्पेशियल" (स्थानिक) रहस्य: मैप को वेटेज देना

पेपर में यह भी उल्लेख है कि विजन मैप के सभी स्पॉट समान नहीं होते हैं। कुछ स्पॉट आपकी दृष्टि के बड़े हिस्से को कवर करते हैं, जबकि कुछ छोटे।

उदाहरण: कल्पना कीजिए कि आपकी दृष्टि एक देश का नक्शा है। कुछ टेस्ट स्पॉट्स छोटे गाँवों की तरह हैं; कुछ विशाल शहरों की तरह। यदि आप केवल हर गाँव और शहर की "खुशी" को समान रूप से गिनते हैं, तो आपका औसत गलत हो जाएगा क्योंकि शहर (जो अधिक भूमि कवर करते हैं) का प्रतिनिधित्व कम हो रहा है।
समाधान: लेखक एक "स्पेशियल वेटिंग" (spatial weighting) प्रणाली का उपयोग करते हैं। वे उन टेस्ट स्पॉट्स को अधिक महत्व देते हैं जो आँख के बड़े क्षेत्रों को कवर करते हैं, ठीक वैसे ही जैसे आप किसी देश का औसत तापमान निकालते समय एक छोटे से गाँव की तुलना में एक विशाल शहर के तापमान को अधिक महत्व देंगे।

क्या यह काम आया? (सिमुलेशन)

लेखकों ने केवल अनुमान नहीं लगाया; उन्होंने अपने विचार का परीक्षण करने के लिए एक कंप्यूटर सिमुलेशन चलाया।

सेटअप: उन्होंने 50 नकली आँखें बनाईं। कुछ पूरी तरह स्थिर थीं (बदल नहीं रही थीं), और कुछ में रैंडम जगहों पर धीरे-धीरे गिरावट आ रही थी। उन्होंने एक ऐसा परिदृश्य बनाया जहाँ हर विज़िट पर टेस्ट पैटर्न बदलता रहता था, जिसमें हर बार 3 से 10 नए स्पॉट्स जोड़े जा रहे थे।
तुलना: उन्होंने तीन तरीकों की तुलना की:
1. साधारण औसत (Simple Average): केवल संख्याओं का औसत निकालना (गलत तरीका)।
2. वेटेड औसत (Weighted Average): आकार के आधार पर स्पॉट्स को गिनना, लेकिन अभी भी पुराने गणित का उपयोग करना (ठीक-ठाक तरीका)।
3. नई विधि (sMD + sMD'): आकार के आधार पर वेटेज देना और बदलाव की गणना करते समय नए स्पॉट्स को अनदेखा करना (सही तरीका)।
परिणाम: नई विधि लगभग सटीक थी। इसने लगभग शून्य त्रुटि के साथ परिवर्तन की दर की गणना की, जो वही परिणाम था जो आपको तब मिलता जब आप पूरे समय एक निश्चित, अपरिवर्तित टेस्ट पैटर्न का उपयोग करते। अन्य तरीके बहुत गलत थे, अक्सर स्थिर आँखों को भी खराब होते हुए दिखा रहे थे क्योंकि केवल नए स्पॉट्स जोड़े जा रहे थे।

निष्कर्ष

यह पेपर दावा करता है कि अब यह सटीक रूप से मापना संभव है कि मरीज की दृष्टि कितनी तेजी से बदल रही है, भले ही डॉक्टर एक विज़िट से दूसरी विज़िट के बीच टेस्ट स्पॉट्स का पैटर्न बदल दे।

इस स्मार्ट गणितीय ट्रिक का उपयोग करके जो:

स्पॉट्स को उनके द्वारा कवर किए गए विज़न क्षेत्र के आधार पर वेटेज देती है, और
पिछली बार से होने वाले बदलाव की गणना करते समय नए स्पॉट्स के "झटके" (shock) को अनदेखा करती है,

डॉक्टर (ग्लाकोमा जैसी) बीमारी के बढ़ने की वास्तविक तस्वीर प्राप्त कर सकते हैं, बिना इस तथ्य से भ्रमित हुए कि वे समय के साथ आँख के अधिक क्षेत्रों का परीक्षण कर रहे हैं। लेखक कहते हैं कि यह नए स्पॉट्स जोड़ने और उन्हें हटाने, दोनों के लिए काम करता है, जो इसे भविष्य के अधिक व्यक्तिगत (personalized) नेत्र परीक्षणों के लिए एक लचीला उपकरण बनाता है।

तकनीकी सारांश: परिवर्तनशील विजुअल फील्ड पैटर्न पर रैखिक परिवर्तन दरों की गणना करने की एक विधि

समस्या विवरण
नैदानिक विजुअल फील्ड (VF) परीक्षण आमतौर पर बीमारी की प्रगति (जैसे, ग्लूकोमा) की निगरानी के लिए मीन डेविएशन (MD) जैसे सारांश मेट्रिक्स का उपयोग करता है। ये मेट्रिक्स आमतौर पर परीक्षण स्थानों के एक निश्चित ग्रिड (जैसे, मानक 24-2 पैटर्न) पर संवेदनशीलता विचलन के सरल अंकगणितीय औसत के रूप में गणना किए जाते हैं। जबकि निश्चित ग्रिड के लिए यह प्रभावी है, यह दृष्टिकोण तब विफल हो जाता है जब परीक्षण पैटर्न दो दौरों के बीच बदल जाता है—जो एडेप्टिव टेस्टिंग या पैटर्न के बीच स्विच करते समय (जैसे, 24-2 से 24-2C) होने वाली एक सामान्य स्थिति है।

मुख्य समस्या यह है कि नए जोड़े गए परीक्षण स्थानों का साधारण अंकगणितीय औसत (MD) या स्थानिक रूप से भारित औसत (sMD) कृत्रिम परिवर्तन उत्पन्न करता है। जब किसी स्थान को पहली बार मापा जाता है, तो उसे पिछले सभी दौरों के लिए जनसंख्या माध्य (population mean) मान लिया जाता है। यदि उस स्थान को बाद में मापा जाता है और वह असामान्य पाया जाता है, तो वैश्विक मीट्रिक में परिवर्तन इसलिए नहीं होता क्योंकि आँख में प्रगति हुई है, बल्कि इसलिए होता है क्योंकि "नमूना" (sample) का विस्तार एक पहले से बिना मापे गए क्षेत्र में हो गया है। यह परिवर्तन की दर (dB/वर्ष) को निर्धारित करने के लिए उपयोग किए जाने वाले लीनियर रिग्रेशन स्लोप (linear regression slope) में पूर्वाग्रह (bias) पैदा कर सकता है, जिससे स्थिर आँख को प्रगतिशील या इसके विपरीत गलत निदान किया जा सकता है।

कार्यप्रणाली (Methodology)
लेखक एक ऐसी विधि प्रस्तावित करते हैं जो स्थानिक औसतों पर परिवर्तन की रैखिक दरों की गणना करती है जो तब भी वैध रहती है जब परीक्षण स्थान समय के साथ बदलते हैं। इस दृष्टिकोण में दो मुख्य घटक शामिल हैं:

स्थानिक भारण (sMD): एक साधारण अंकगणितीय माध्य के बजाय, यह विधि स्थानिक रूप से भारित औसत (sMD) की गणना करती है। प्रत्येक परीक्षण स्थान को उसके द्वारा प्रतिनिधित्व किए जाने वाले स्थानिक क्षेत्र (जैसे, द्वारा कवर किए गए 2x2 डिग्री वर्ग की संख्या के आधार पर) द्वारा भारित किया जाता है। यह सुनिश्चित करता है कि विरल (sparse) क्षेत्रों के स्थान घने नमूने वाले क्षेत्रों की तुलना में असंगत रूप से प्रभाव न डालें।
स्लोप गणना में नए स्थानों का अपवर्जन (Exclusion of New Locations in Slope Calculation - sMD'): नए स्थान के प्रारंभिक मापन से होने वाले कृत्रिम परिवर्तन को रोकने के लिए, लेखक एक दूसरा मीट्रिक, sMD' पेश करते हैं। यह sMD' वाला स्थानिक भारित औसत है जो केवल उन स्थानों पर आधारित है जो पिछले दौरे में भी परीक्षण किए गए थे।
- एक दिए गए दौरे $i$ के लिए, क्षेत्र में परिवर्तन का निर्धारण $i-1$ के sMD और $i$ के sMD' के बीच के अंतर से किया जाता है (जहाँ sMD' में केवल वे बिंदु शामिल हैं जो पहले भी परीक्षण किए गए थे)।
- यह प्रभावी रूप से उन स्थानों के लिए संवेदनशीलता में परिवर्तन को अलग करता है जो दोनों समय बिंदुओं पर मापे गए हैं, जिससे वैश्विक औसत में एक नया डेटा पॉइंट जोड़ने के "झटके" (shock) को नजरअंदाज किया जाता है।
रिग्रेशन कार्यान्वयन (Regression Implementation): लेखक अबल के लेम्मा (Abel's Lemma - summation by parts) का उपयोग करके मानक लीनियर रिग्रेशन स्लोप फॉर्मूला को फिर से लिखने के लिए करते हैं। इससे स्लोप की गणना क्रमिक समय बिंदुओं ( $y_i - y_{i-1}$ ) के भारित योग के रूप में की जा सकती है, जहाँ $y_i$ को sMD' से और $y_{i-1}$ को sMD से प्राप्त किया जाता है। यह गणितीय पुनर्गठन नए जोड़े गए स्थानों को स्लोप गणना से बाहर करने की सुविधा देता है, जबकि अंतिम वैश्विक औसत रिपोर्टिंग के लिए सभी उपलब्ध डेटा का उपयोग करना जारी रखता है।

प्रमुख योगदान

नवीन एल्गोरिदम: यह शोध पत्र एक विशिष्ट एल्गोरिदम (sMD + sMD') पेश करता है जो परिवर्तन की रैखिक दरों की गणना करता है जो विकसित होते परीक्षण पैटर्न को ध्यान में रखता है, जिससे वर्तमान पेरिमेट्री विश्लेषण में मौजूद अंतराल को भरा जा सके जहाँ निश्चित ग्रिड को ही आधार माना जाता है।
सिमुलेशन फ्रेमवर्क: लेखकों ने 50 विजुअल फील्ड श्रृंखलाओं के साथ एक सिमुलेशन वातावरण विकसित किया, जिसमें रैंडम प्रोग्रेशन पैटर्न और गतिशील रूप से विकसित होते टेस्ट ग्रिड (प्रत्येक दौरे में 3-10 रैंडम स्थान जोड़ना) शामिल थे।
वैधीकरण (Validation): विधि का परीक्षण स्थिर क्षेत्रों, रैंडम प्रोग्रेसिंग क्षेत्रों और "चरम" मामलों (जैसे, विशिष्ट उप-क्षेत्रों तक सीमित प्रोग्रेशन) वाले सिमुलेशन में 'ग्राउंड ट्रुथ' स्लोप के विरुद्ध कड़ाई से किया गया।

परिणाम

स्थिर क्षेत्र (Stable Fields): स्थिर आँखों के सिमुलेशन में जहाँ वास्तविक परिवर्तन दर 0 dB/वर्ष है, मानक लीनियर रिग्रेशन MD पर या sMD पर महत्वपूर्ण फाल्स-पॉजिटिव स्लोप (जैसे, -0.48 dB/विजिट MD के लिए) दे रहा था। प्रस्तावित sMD+sMD' विधि ने सही ढंग से 0.00 dB/विजिट का स्लोप दिया और परिवर्तन के लिए कोई सांख्यिकीय महत्व नहीं दिखाया।
प्रगतिशील क्षेत्र (Progressing Fields): रैंडम प्रोग्रेशन वाले क्षेत्रों के लिए, नए मेथड द्वारा स्लोप अनुमान में त्रुटि, फिक्स्ड 24-2 पैटर्न के बराबर थी।
- फिक्स्ड 24-2 MD विधि और वेरिएबल-ग्रिड sMD+sMD' विधि के बीच स्लोप अनुमान में अंतर 0.003 dB/वर्ष से कम था (पेयर्ड टी-टेस्ट, p < 0.001)।
- नए बिंदुओं को शामिल करने के कारण, साधारण sMD (नए बिंदुओं के अपवर्जन के बिना) और साधारण MD ने स्लोप अनुमान में काफी अधिक त्रुटियां दिखाईं।
चरम मामले (Extreme Cases): विधि विशिष्ट क्षेत्रों (जैसे, केवल 24-2 स्थान या केवल गैर-24-2 स्थान) में केंद्रित प्रोग्रेशन वाले "चरम" परिदृश्यों में भी मजबूत प्रदर्शन करती रही, और अंतर्निहित वास्तविक परिवर्तन दर को सटीक रूप से दर्शाती रही।

महत्व और दावे
यह शोध पत्र दावा करता है कि स्थानिक औसतों पर परिवर्तन की रैखिक दरों की गणना करना संभव है जो वास्तविक अंतर्निहित परिवर्तन दर को सटीक रूप से दर्शाती है, भले ही परीक्षण पैटर्न समय के साथ विकसित हो रहा हो। लेखक दावा करते हैं कि उनकी विधि परीक्षण स्थानों को जोड़ने या हटाने से उत्पन्न होने वाले पूर्वाग्रह को समाप्त करती है, जो एडेप्टिव पेरिमेट्री या पैटर्न स्विचिंग में शामिल वर्तमान प्रथाओं की एक महत्वपूर्ण सीमा है।

इसका महत्व यह है कि यह रोगी-विशिष्ट या एडेप्टिव विजुअल फील्ड परीक्षण रणनीतियों के उपयोग को सक्षम बनाता है, बिना वैश्विक रोग प्रगति को सटीक रूप से मापने की क्षमता से समझौता किए। लेखक नोट करते हैं कि जबकि उनके सिमुलेशन में रैंडम प्रोग्रेशन और रैंडम ग्रिड एडिशन का उपयोग किया गया था, यह विधि सैद्धांतिक रूप से किसी भी स्थानिक पैमाने (क्लस्टर एवरेज सहित) पर लागू होती है और स्थानों को हटाने या जोड़ने/हटाने के मिश्रण के मामले में भी समान रूप से काम करती है। वे निष्कर्ष निकालते हैं कि नया तरीका निश्चित पैटर्न से प्राप्त दरों के समान दरें प्रदान करता है, जो गैर-मानक परीक्षण परिदृश्यों में इसके उपयोग की उपयोगिता को प्रमाणित करता है।

बड़ी समस्या: एक चलते हुए लक्ष्य को मापना

समाधान: गणित करने का एक स्मार्ट तरीका

"स्पेशियल" (स्थानिक) रहस्य: मैप को वेटेज देना

क्या यह काम आया? (सिमुलेशन)

निष्कर्ष

इसी तरह के और पेपर