Comparative Evaluation of Machine Learning and Deep Learning Models for Early Prediction of Severe Acute Pancreatitis: A Multi-Model Study Using the 2012 Revised Atlanta Classification

कल्पना कीजिए कि आप एक व्यस्त आपातकालीन कक्ष (इमरजेंसी रूम) में एक ट्राइएज नर्स हैं। मरीज एक दर्दनाक स्थिति के साथ आते हैं जिसे एक्यूट पैन्क्रियाटाइटिस (Acute Pancreatitis) (अग्नाशय की गंभीर सूजन) कहा जाता है। इनमें से अधिकांश मरीज थोड़े आराम और तरल पदार्थों के साथ ठीक हो जाएंगे। हालांकि, मरीजों का एक छोटा लेकिन खतरनाक समूह सीवियर एक्यूट पैन्क्रियाटाइटिस (SAP) विकसित कर लेता है, जो आईसीयू (ICU) में तत्काल उपचार न मिलने पर अंग विफलता (ऑर्गन फेल्योर) और मृत्यु का कारण बन सकता है।

समस्या यह है कि डॉक्टर खतरे वाले क्षेत्र में कौन है, यह पता लगाने के लिए जिन मानक "नियमों" (जैसे BIS_AP या APACHE II स्कोर) का उपयोग करते हैं, वे धीमी आंच पर पकने वाले स्टू (stew) की तरह हैं। उन्हें यह जानने के लिए कि सूप तीखा (गंभीर) होने वाला है या हल्का, 24 से 48 घंटे तक इंतजार करना पड़ता है और अधिक सामग्री (क्लिनिकल डेटा) इकट्ठा करनी पड़ती है। जब तक आपको पता चलेगा, तब तक सबसे गंभीर मरीजों को बचाना शायद बहुत देर हो चुकी होगी।

यह शोध पत्र पूछता है: क्या हम "फास्ट-फूड" दृष्टिकोण का उपयोग कर सकते हैं? क्या हम उन सामग्रियों को देख सकते हैं जो अभी उपलब्ध हैं (रक्त परीक्षण, आयु, हृदय गति) और एक कंप्यूटर का उपयोग करके तुरंत भविष्यवाणी कर सकते हैं कि कौन मुसीबत में है?

प्रयोग: एक कुकिंग कॉम्पिटिशन (खाना पकाने की प्रतियोगिता)

शोधकर्ताओं ने एक प्रतियोगिता आयोजित की जिसमें 11 अलग-अलग कंप्यूटर शेफ (एल्गोरिदम) के बीच यह देखने के लिए मुकाबला कराया गया कि कौन केवल शुरुआती "सामग्रियों" (एडमिशन लैब वैल्यू) का उपयोग करके बीमारी की गंभीरता का सबसे अच्छी तरह से अनुमान लगा सकता है।

उन्होंने शेफ को तीन टीमों में विभाजित किया:

1. "क्लासिक" शेफ (क्लासिकल मशीन लर्निंग): ये पुराने और भरोसेमंद रसोइये हैं। इनमें रैंडम फॉरेस्ट (Random Forest) और ग्रेडिएंट बूस्टिंग (Gradient Boosting) शामिल हैं। इन्हें अनुभवी जजों के एक पैनल के रूप में सोचें जो सरल नियमों के आधार पर परिणाम पर मतदान करते हैं।
2. "मॉडर्न" शेफ (फीडफॉरवर्ड डीप लर्निंग): ये नए और अधिक जटिल न्यूरल नेटवर्क हैं (जैसे MLP)। ये हाई-टेक 'सू-शेफ' की तरह हैं जो सामग्रियों में छिपे हुए पैटर्न खोजने की कोशिश करते हैं।
3. "टाइम-ट्रैवल" शेफ (रिकरेंट डीप लर्निंग/LSTM): ये फैंसी शेफ हैं जिन्हें एक टाइमलाइन या कहानी (जैसे डायरी पढ़ने) के आधार पर खाना पकाने के लिए डिज़ाइन किया गया है। वे एक क्रम (sequence) में क्या होने वाला है, इसकी भविष्यवाणी करने में माहिर हैं।

ट्विस्ट: वे जिस डेटा के साथ खाना बना रहे थे, वह कोई कहानी नहीं थी। यह रोगी के स्वास्थ्य का एक विशिष्ट क्षण का एक एकल स्नैपशॉट था (जैसे एक वीडियो के बजाय एक फोटो)।

परिणाम: कौन जीता?

1. क्लासिक शेफ ने स्वर्ण पदक जीता
रैंडम फॉरेस्ट शेफ ने प्रथम स्थान प्राप्त किया। उसने उन मरीजों की 96.8% सटीकता से पहचान की जो गंभीर रूप से बीमार होने वाले थे।

• उपमा: एक सुरक्षा गार्ड की कल्पना करें जो 13 सरल नियमों (जैसे "क्या हृदय गति अधिक है?" "क्या ब्लड शुगर बढ़ गया है?") की एक सूची की जांच करता है। भले ही नियम सरल हों, लेकिन जब आपके पास इन 500 गार्डों का वोट होता है, तो वे खतरे को पहचानने में अविश्वसनीय रूप से सटीक होते हैं।
• स्कोर: इसे 0.877 का स्कोर मिला (1.0 में से), जो कि उत्कृष्ट है।

2. मॉडर्न शेफ ठीक-ठाक रहे
मानक न्यूरल नेटवर्क ( "मॉडर्न" टीम) ने लगभग 0.83 का स्कोर बनाकर एक अच्छा काम किया। वे अच्छे थे, लेकिन वे अनुभवी "क्लासिक" टीम को नहीं हरा सके।

3. "टाइम-ट्रैवल" शेफ बुरी तरह विफल रहे
LSTM शेफ (जो समय के क्रम के लिए डिज़ाइन किए गए थे) का प्रदर्शन सबसे खराब रहा, जिनका स्कोर 0.68 और 0.77 के बीच था।

• उपमा: यह एक मूवी डायरेक्टर को एक सिंगल फोटोग्राफ निर्देशित करने के लिए उपयोग करने जैसा है। डायरेक्टर को यह देखने के लिए प्रशिक्षित किया गया है कि सीन A कैसे सीन B की ओर ले जाता है। लेकिन जब आप उन्हें एक अकेली फोटो देते हैं, तो वे भ्रमित हो जाते हैं। वे बेतहाशा अनुमान लगाने लगते हैं, और सुरक्षित रहने के लिए लगभग हर किसी के लिए "खतरा!" चिल्लाने लगते हैं।
• परिणाम: वे गंभीर मामले को मिस करने से इतने डर गए कि उन्होंने लगभग हर मरीज को गंभीर के रूप में चिह्नित कर दिया, जिससे यह टूल निर्णय लेने के लिए बेकार हो गया। हालांकि उन्होंने 100% खराब मामलों को पकड़ लिया, लेकिन उन्होंने लगभग सभी स्वस्थ लोगों को भी बीमार के रूप में चिह्नित कर दिया।

मुख्य निष्कर्ष

शोध पत्र निष्कर्ष निकालता है कि इस प्रकार के मेडिकल डेटा (ब्लड टेस्ट और वाइटल्स का एक सिंगल स्नैपशॉट) के लिए, जटिल, समय-आधारित AI मॉडल गलत उपकरण हैं।

• सरल बेहतर है: "क्लासिक" टीम (रैंडम फॉरेस्ट) ने साबित कर दिया कि इस समस्या को हल करने के लिए आपको बहुत जटिल, भविष्यवादी AI की आवश्यकता नहीं है। सरल नियमों का एक मजबूत, अच्छी तरह से ट्यून किया गया समूह सबसे अच्छा काम करता है।
• "फॉल्स अलार्म" की समस्या: जटिल मॉडलों ने उस डेटा के साथ बहुत अधिक चतुर होने की कोशिश की जिसमें कोई टाइमलाइन नहीं थी, जिससे वे टूट गए और बस सभी के लिए "हाँ" का अनुमान लगाने लगे।

महत्वपूर्ण चेतावनियाँ (बारीक विवरण)

लेखक इस बारे में बहुत स्पष्ट हैं कि इसका क्या अर्थ है:

• यह एक प्रोटोटाइप है: यह एक गैरेज में खड़ी कॉन्सेप्ट कार की तरह है। इसका अभी तक वास्तविक सड़कों (वास्तविक रोगियों) पर परीक्षण नहीं किया गया है।
• डॉक्टरों द्वारा उपयोग के लिए अभी तैयार नहीं: आप कल अस्पताल जाकर यह तय करने के लिए इस कोड का उपयोग नहीं कर सकते कि किसे आईसीयू में जाना चाहिए। इसे विभिन्न समूहों के लोगों पर काम करने के लिए और अधिक परीक्षण की आवश्यकता है (न केवल इस अध्ययन में उपयोग किए गए चीनी समूह पर)।
• डेटा बायस (Data Bias): इस अध्ययन में रोगियों के एक ऐसे समूह का उपयोग किया गया था जहाँ 81% पहले से ही बहुत बीमार थे। इसने मॉडलों को सामान्य अस्पताल (जहाँ अधिकांश लोग हल्के मामले के होते हैं) की तुलना में बीमार लोगों को खोजने में बेहतर दिखा सकता है।

संक्षेप में: अध्ययन ने पाया कि रक्त परीक्षण और वाइटल्स के एकल स्नैपशॉट से गंभीर पैन्क्रियाटाइटिस को जल्दी पहचानने के लिए वर्तमान में "सरल निर्णायकों की एक टीम" (रैंडम फॉरेस्ट) सबसे अच्छा तरीका है, जबकि "फैंसी टाइम-ट्रैवलिंग AI" (LSTM) वर्तमान में भ्रमित और अप्रभावी है। लेकिन याद रखें: यह शोध है, चिकित्सा नुस्खा नहीं।