MedAdhereAI: An Interpretable Machine Learning Pipeline for Predicting Medication Non-Adherence in Chronic Disease Patients Using Real-World Refill Data
MedAdhereAI एक व्याख्या योग्य मशीन लर्निंग पाइपलाइन है जो पुरानी बीमारियों वाले रोगियों में दवा के गैर-अनुपालन (non-adherence) की भविष्यवाणी करने के लिए वास्तविक दुनिया के रिफिल और क्लेम डेटा का उपयोग करती है, जो लक्षित नैदानिक हस्तक्षेपों के समर्थन के लिए SHAP व्याख्यात्मकता के माध्यम से कार्रवाई योग्य अंतर्दृष्टि प्रदान करती 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
मधुमेह और उच्च रक्तचाप जैसी पुरानी बीमारियों के प्रबंधन के लिए मरीजों को लगातार दवा लेने की आवश्यकता होती है। हालांकि, कई लोग अपने निर्धारित उपचारों का पालन करने में संघर्ष करते हैं। यह गैर-अनुपालन (non-adherence) अधिक अस्पताल भर्ती का कारण बनता है और वार्षिक स्वास्थ्य देखभाल लागत में सैकड़ों अरब डॉलर का योगदान देता है। दुनिया के कई हिस्सों में, स्वास्थ्य प्रणालियों के पास प्रत्येक रोगी की बारीकी से निगरानी करने के लिए संसाधनों की कमी होती है, जिससे यह पहचानना मुश्किल हो जाता है कि स्वास्थ्य संकट आने से पहले कौन दवा लेना बंद कर सकता है।
इस शोधपत्र के शोधकर्ताओं ने इस समस्या के समाधान के लिए 'मेडएडहेर-एआई' (MedAdhereAI) नामक एक प्रणाली विकसित की है। जटिल चिकित्सा डेटा जैसे रक्त परीक्षण या महंगी इमेजिंग पर निर्भर रहने के बजाय, यह प्रणाली उस जानकारी का उपयोग करती है जो पहले से ही नियमित रूप से एकत्र की जाती है: फार्मेसी रिफिल रिकॉर्ड और बीमा दावे। यह देखते हुए कि एक मरीज कितनी बार डॉक्टर के पास जाता है और उनकी दवा के रिफिल के बीच कितने अंतराल होते हैं, यह प्रणाली यह अनुमान लगाने का प्रयास करती है कि क्या कोई मरीज अपनी दवा न लेने के जोखिम पर है।
इस प्रणाली को बनाने के लिए, शोधकर्ताओं ने मधुमेह और उच्च रक्तचाप वाले रोगियों के गुमनाम रिकॉर्ड के एक डेटासेट का उपयोग किया। उन्होंने विशिष्ट पैटर्न पर ध्यान केंद्रित किया, जैसे कि रिफिल के बीच के दिनों की संख्या और स्वास्थ्य देखभाल दौरों की कुल संख्या। उन्होंने यह देखने के लिए दो अलग-अलग प्रकार के गणितीय मॉडलों का परीक्षण किया कि कौन सा मॉडल जोखिम वाले मरीजों की पहचान करने में सबसे बेहतर हो सकता है। एक मॉडल, जिसे लॉजिस्टिक रिग्रेशन (logistic regression) कहा जाता है, डेटा बिंदुओं के बीच सीधे संबंधों पर केंद्रित था, जबकि दूसरा, रैंडम फॉरेस्ट (random forest), अधिक जटिल और ओवरलैपिंग पैटर्न की तलाश करता था।
परिणामों ने दिखाया कि लॉजिस्टिक रिग्रेशन मॉडल इस विशिष्ट कार्य में अधिक प्रभावी था। इसने दो समूहों के बीच अंतर करने की क्षमता को मापने के लिए उपयोग किए जाने वाले एक मानक माप (ROC AUC) पर 0.82 का स्कोर प्राप्त किया, और इसने अपने संभाव्यता अनुमानों (probability estimates) में उच्च विश्वसनीयता भी दिखाई। शोधकर्ताओं ने पाया कि यह भविष्यवाणी करने में कि कोई व्यक्ति अपनी दवा लेना क्यों बंद कर देगा, सबसे महत्वपूर्ण कारक डॉक्टर के दौरों की कुल संख्या, रोगी की आयु और दवा के रिफिल के बीच के अंतराल की अवधि थे।
इस शोध का एक केंद्रीय लक्ष्य यह सुनिश्चित करना था कि प्रणाली एक "ब्लैक बॉक्स" न हो—एक ऐसी प्रणाली जो बिना यह बताए कि वह निष्कर्ष तक कैसे पहुँची, उत्तर प्रदान करती है। चिकित्सक स्वचालित उपकरणों पर तब तक भरोसा करने में संकोच करते हैं जब तक कि वे भविष्यवाणी के पीछे के तर्क को देख नहीं सकते। इसे हल करने के लिए, शोधकर्ताओं ने एक ऐसी विधि को एकीकृत किया जो पूरे समूह और व्यक्तिगत रोगियों, दोनों के लिए स्पष्टीकरण प्रदान करती है। एक एकल रोगी के लिए, सिस्टम ठीक से दिखा सकता है कि किन कारकों ने, जैसे कि उनके पिछले रिफिल के बाद का लंबा अंतराल, भविष्यवाणी को गैर-अनुपालन के उच्च जोखिम की ओर धकेला।
लेखकों का सुझाव है कि मेडएडहेर-एआई एक निर्णय-सहायता उपकरण (decision-support tool) के रूप में कार्य कर सकता है। केवल बुनियादी, व्यापक रूप से उपलब्ध डेटा का उपयोग करके उच्च-जोखिम वाले रोगियों की पहचान करके, संसाधन-सीमित परिवेशों में स्वास्थ्य सेवा प्रदाता अपना सीमित समय और संसाधन उन लोगों की ओर निर्देशित कर सकते हैं जिन्हें अपने उपचार पथ पर बने रहने के लिए सबसे अधिक मदद की आवश्यकता है। शोधकर्ता उल्लेख करते हैं कि हालांकि परिणाम उत्साहजनक हैं, फिर भी विभिन्न आबादी पर इस प्रणाली का परीक्षण करने और यह देखने के लिए कि क्या अधिक विस्तृत जानकारी, जैसे कि सामाजिक या नैदानिक डेटा जोड़ने से इसकी सटीकता में सुधार होता है, भविष्य में कार्य करने की आवश्यकता है।
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।