The Causal Artificial Intelligence Clinician for early haemodynamic management of septic shock in ICU

जब एक मरीज सेप्टिक शॉक (septic shock) के साथ गहन चिकित्सा इकाई (ICU) में पहुँचता है, तो उसका शरीर तेजी से ढहने की स्थिति में होता है। संक्रमण ने एक ऐसी श्रृंखला अभिक्रिया (chain reaction) को जन्म दिया है जो अंगों को ऑक्सीजन से वंचित कर रही है, और इस क्षति को उलटने का अवसर बहुत कम है। डॉक्टर जानते हैं कि पहले कुछ घंटे अत्यंत महत्वपूर्ण होते हैं, एक ऐसा समय जहाँ तरल पदार्थ (fluid) की सही मात्रा और रक्तचाप बढ़ाने के लिए दवा की सही शक्ति जीवन और मृत्यु के बीच का अंतर तय कर सकती है। हालाँकि, प्रत्येक रोगी अलग तरह से प्रतिक्रिया करता है। जो एक व्यक्ति को बचाता है वह दूसरे को संकट में डाल सकता है, और मानव जीव विज्ञान की व्यापक विविधता के कारण हर किसी पर एक ही कठोर नियम लागू करना असंभव है। दशकों से, चिकित्सा दल सामान्य दिशा-निर्देशों पर भरोसा करते आए हैं, लेकिन ये अक्सर ऐसी स्थिति में एक कुंद औजार (blxunt instrument) की तरह महसूस होते हैं जहाँ एक सूक्ष्म उपकरण (scalpel) की आवश्यकता होती है। चुनौती व्यापक नियमों से हटकर हजारों डेटा बिंदुओं के शोर में खोए बिना सटीक, व्यक्तिगत निर्णय लेने की रही है।

यहीं पर एक नया दृष्टिकोण काम आता है, जो केवल पैटर्न मिलान के बजाय कार्य-कारण (cause and effect) के सिद्धांतों पर आधारित है। चिकित्सा में उपयोग किए जाने वाले पारंपरिक कंप्यूटर प्रोग्राम अक्सर पिछले मामलों के एक विशाल पुस्तकालय की तरह काम करते हैं: वे एक नए मरीज को देखते हैं, अतीत में समान दिखने वाले लोगों को ढूंढते हैं, और अनुमान लगाते हैं कि उन लोगों के साथ क्या हुआ होगा। जोखिम की भविष्यवाणी करने के लिए उपयोगी होने के बावजूद, यह विधि इस प्रश्न का उत्तर देने में संघर्ष करती है कि क्या किया जाना चाहिए, क्योंकि यह आसानी से इस बात को अलग नहीं कर पाती कि मरीज के ठीक होने का कारण क्या था और क्या केवल संयोगवश उसी समय हो रहा था। इस अध्ययन के पीछे के शोधकर्ता एक ऐसा सिस्टम बनाना चाहते थे जो शरीर की यांत्रिकी (mechanics) को समझता हो। उन्होंने एक डिजिटल मॉडल बनाया जो इस आधार पर बना है कि डॉक्टर वास्तव में समस्या के बारे में कैसे सोचते हैं, जिसमें उस विशिष्ट घटनाओं की श्रृंखला को रेखांकित किया गया है जो उपचार से परिणाम तक ले जाती है। नैदानिक तर्क (clinical reasoning) के तर्क को सीधे कंप्यूटर में समाहित करके, उन्होंने एक ऐसा उपकरण बनाया जो किसी विशिष्ट रोगी के लिए विभिन्न उपचार विकल्पों के परिणाम का अनुकरण (simulate) कर सकता है, और पूछ सकता है, "यदि हम इस व्यक्ति को इतना तरल और इतनी दवा देते हैं, तो क्या होने की संभावना है?"

विशेषज्ञों की टीम ने, जो आर्टिफिशियल इंटेलिजेंस और क्रिटिकल केयर मेडिसिन के क्षेत्र में कार्यरत हैं, इस विचार का परीक्षण संयुक्त राज्य अमेरिका के अस्पतालों के हजारों वास्तविक रोगी रिकॉर्ड पर किया। उन्होंने मरीज के आईसीयू में रहने के पहले छह घंटों पर ध्यान केंद्रित किया, जो जीवित रहने के लिए निर्णायक समय माना जाता है। उनका लक्ष्य प्रत्येक व्यक्ति के लिए अंतःशिरा तरल पदार्थ (intravenous fluids) और नोरेपिनेफ्रिन (norepinephrine) नामक एक सामान्य रक्त-चाप दवा की इष्टतम खुराक निर्धारित करना था। ऐसा करने के लिए, उन्होंने केवल डेटा को एक 'ब्लैक बॉक्स' में नहीं डाला। इसके बजाय, उन्होंने क्लिनिशियन के साथ मिलकर रोगी के महत्वपूर्ण संकेतों (vital signs), उनके इतिहास और उन्हें दिए गए उपचारों के बीच संबंधों का एक विस्तृत मानचित्र तैयार किया। यह मानचित्र, जो कंप्यूटर के लिए एक मार्गदर्शक के रूप में कार्य करता है, यह सुनिश्चित करता है कि सिस्टम केवल उन्हीं कारकों पर विचार करे जो वास्तव में परिणाम को प्रभावित करते हैं, और उन संयोगपूर्ण सहसंबंधों (coincidental correlations) को अनदेखा करता है जो एक मानक एल्गोरिदम को गुमराह कर सकते हैं।

जब उन्होंने इस प्रणाली को परीक्षण के घेरे में रखा, तो परिणाम काफी स्पष्ट थे। मॉडल, जिसे अस्पतालों के एक सेट के डेटा पर प्रशिक्षित किया गया था, को यह देखने के लिए अस्पतालों के एक पूरी तरह से अलग सेट पर लागू किया गया कि क्या यह सामान्यीकरण (generalize) कर सकता है। इसने अधिक जटिल, पारंपरिक भविष्यवाणी उपकरणों के समान ही प्रदर्शन किया, लेकिन एक महत्वपूर्ण लाभ के साथ: इसे अपने निर्णय लेने के लिए बहुत कम सूचनाओं की आवश्यकता थी। जहाँ एक मानक मॉडल निष्कर्ष तक पहुँचने के लिए दर्जनों चरों (variables) की आवश्यकता रख सकता है, वहीं इस कॉज़ल मॉडल ने लगभग एक-तिहाई डेटा का उपयोग करके समान सटीकता प्राप्त की। यह दक्षता बताती है कि बीमारी के मुख्य चालकों (core drivers) पर ध्यान केंद्रित करके, सिस्टम शोर को हटाकर उस संकेत (signal) को खोज सकता है जो वास्तव में मायने रखता है।

हालाँकि, सबसे महत्वपूर्ण निष्कर्ष मॉडल के सुझावों और वास्तव में मरीजों के साथ जो हुआ, उसके बीच के संबंध के बारे में है। शोधकर्ताओं ने देखा कि क्या वे मरीज जिन्होंने मॉडल के सुझाव के करीब उपचार प्राप्त किया, उन लोगों की तुलना में बेहतर स्थिति में रहे जिन्हें बहुत अलग खुराक दी गई थी। उन्होंने पाया कि जब डॉक्टरों द्वारा दिया गया वास्तविक उपचार मॉडल के सुझाव से काफी भिन्न था, तो मरीजों के ठीक होने की संभावना कम थी या कुछ मामलों में उनकी मृत्यु भी हुई। यह विशेष रूप से रक्त-चाप की दवा की खुराक के मामले में सच था। यह संबंध उन मरीजों के लिए सबसे मजबूत था जो शुरुआत में गंभीर रूपм से बीमार नहीं थे, जिससे पता चलता है कि इन व्यक्तियों के लिए मॉडल का मार्गदर्शन विशेष रूप से सटीक था। सबसे गंभीर रूप से बीमार मरीजों के लिए, यह संबंध कम स्पष्ट था, जो उनकी स्थितियों की जटिलता को देखते हुए अपेक्षित भी है, लेकिन समग्र रुझान डेटा के कई अलग-अलग परीक्षणों में बना रहा।

अध्ययन ने यह भी उजागर किया कि सबके लिए कोई एक "सर्वश्रेष्ठ" खुराक नहीं है। तरल पदार्थ या दवा की आदर्श मात्रा मरीज की प्रारंभिक स्थिति के आधार पर बदलती रहती है। कुछ के लिए, दवा की उच्च खुराक हानिकारक थी, जबकि दूसरों के लिए यह आवश्यक थी। मॉडल ने इन विभिन्न पैटर्नों को सफलतापूर्वक पहचाना, यह दिखाते हुए कि 'एक ही आकार सबके लिए उपयुक्त' (one-size-fits-all) वाला दृष्टिकोण मौलिक रूप से त्रुटिपूर्ण है। वास्तव में, सिस्टम ने खुलासा किया कि खुराक और परिणाम के बीच का संबंध एक सरल वक्र (curve) नहीं है जहाँ अधिक होना हमेशा बेहतर या बदतर होता है; यह एक जटिल परिदृश्य है जहाँ सही विकल्प पूरी तरह से व्यक्ति की विशिष्ट शारीरिक रचना (physiology) पर निर्भर करता है।

इन उत्साहजनक परिणामों के बावजूद, लेखक यह स्पष्ट करने में सावधानी बरतते हैं कि यह अध्ययन क्या है और क्या नहीं है। इस प्रणाली का अभी तक वास्तविक समय के नैदानिक परीक्षण (clinical trial) में परीक्षण नहीं किया गया है जहाँ डॉक्टर इसकी सलाह का पालन करते हैं। निष्कर्ष ऐतिहासिक डेटा को देखने पर आधारित हैं, और हालांकि पैटर्न मजबूत हैं, वे यह सिद्ध नहीं करते कि मॉडल की सलाह का पालन करने से स्वचालित रूप से अधिक जीवन बचाए जा सकते हैं। शोधकर्ता वर्तमान आउटपुट को "परिकल्पना-जनरेटिंग" (hypothesis-generating) बताते हैं, जिसका अर्थ है कि यह एक मजबूत, वैज्ञानिक रूप से आधारित विचार प्रदान करता है कि क्या काम कर सकता है, लेकिन इसके मूल्य की पुष्टि करने के लिए एक भविष्य के अध्ययन की आवश्यकता है जहाँ डॉक्टर सक्रिय रूप से इस उपकरण का उपयोग करें। मॉडल की कुछ सीमाएँ भी हैं; यह हेमोडायनामिक्स (रक्त प्रवाह) पर ध्यान केंद्रित करता है, और मैकेनिकल वेंटिलेशन या किसी विशिष्ट संक्रमण के प्रकार जैसे अन्य उपचारों को ध्यान में नहीं रखता है। इसके अलावा, सिस्टम ने विभिन्न जनसांख्यिकीय समूहों में प्रदर्शन में कुछ अंतर दिखाया, जो निष्पक्षता सुनिश्चित करने के लिए निरंतर सुधार की आवश्यकता को रेखांकित करता है।

यह कार्य केवल आंकड़ों के कारण नहीं, बल्कि इसकी पद्धति के कारण महत्वपूर्ण है। आर्टिफिशियल इंटेलिजेंस को कार्य-कारण के मानचित्र के माध्यम से अपने तर्क को समझाने के लिए मजबूर करके, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जिस पर डॉक्टर वास्तव में भरोसा कर सकते हैं और समझ सकते हैं। एक ऐसे "ब्लैक बॉक्स" के विपरीत जो बिना किसी स्पष्टीकरण के केवल एक संख्या देता है, यह प्रणाली अपने अनुमानों को स्पष्ट रूप से प्रस्तुत करती है। यदि कोई डॉक्टर किसी सिफारिश से असहमत है, तो वे मानचित्र को देख सकते हैं, तर्क को समझ सकते हैं, और उसे चुनौती दे सकते हैं। यह पारदर्शिता गहन चिकित्सा इकाई के उच्च-जोखिम वाले वातावरण में आर्टिफिशियल इंटेलिजेंस को एकीकृत करने की दिशा में एक महत्वपूर्ण कदम है। यह अध्ययन दर्शाता है कि यह संभव है कि एक ऐसी मशीन बनाई जाए जो केवल पैटर्न को याद करके नहीं, बल्कि खेल के नियमों को समझकर अतीत से सीखती है। यह एक ऐसे भविष्य की झलक देता है जहाँ तकनीक चिकित्सक के निर्णय को प्रतिस्थापित नहीं करती है, बल्कि उसे और अधिक पैना बनाती है, जो चिकित्सा आपातकाल की अराजकता के बीच एक स्पष्ट, साक्ष्य-आधारित मार्ग प्रदान करती है। एक जटिल डेटासेट से जीवन रक्षक निर्णय तक की यात्रा लंबी है, लेकिन इस शोध ने एक ऐसा पुल बनाया है जो मजबूत और पारदर्शी दोनों है।