Artificial intelligence-based ECG reconstruction error as a continuous predictor of all-cause mortality: a multi-cohort retrospective validation study
यह मल्टी-कोहॉर्ट रेट्रोस्पेक्टिव अध्ययन प्रदर्शित करता है कि एक सेल्फ-सुपरवाइज्ड एआई मॉडल का ईसीजी रिकंस्ट्रक्शन एरर विविध नैदानिक और जनसंख्या-आधारित सेटिंग्स में सभी-कारण मृत्यु दर (ऑल-कॉज़ मॉर्टैलिटी) का एक मजबूत, सामान्यीकरण योग्य भविष्यवक्ता है, जो पारंपरिक सुपरवाइज्ड दृष्टिकोणों की तुलना में कार्डिएक सिग्नल विचलन का अधिक प्रत्यक्ष माप प्रदान करता 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
कल्पना कीजिए कि आपका हृदय एक मास्टर कंडक्टर है जो 12-वाद्यों वाले ऑर्केस्ट्रा का नेतृत्व कर रहा है, जहाँ प्रत्येक वाद्य यंत्र (ECG के 12 लीड्स) एक विशिष्ट समय पर एक विशिष्ट स्वर बजाता है। आमतौर पर, यह संगीत इतना अनुमानित होता है कि एक सुपर-स्मार्ट कंप्यूटर इसके साथ पूरी तरह से सुर मिला सकता है। लेकिन क्या होगा यदि कंप्यूटर एक गाने के छूटे हुए स्वरों का अनुमान लगाने की कोशिश करता है, और वह बार-बार गलतियाँ करता रहता है? वह "गलती" ही यह बताने का रहस्य हो सकती है कि कोई व्यक्ति कितना बीमार है।
यही इस अध्ययन के पीछे का मूल विचार है। शोधकर्ताओं ने एक ऐसा AI बनाया है जो एक संगीत अनुमान लगाने वाले (musical guesser) की तरह काम करता है। उन्होंने ब्राजील के 7.2 मिलियन हृदय रिकॉर्डिंग्स (CODE डेटासेट) का एक विशाल पुस्तकालय लिया और AI को एक गाना सुनाना सिखाया, फिर आँखों पर पट्टी बाँधकर 80% नोट्स को छिपा दिया, और फिर उसे उन छूटे हुए हिस्सों को फिर से बनाने (reconstruct) की कोशिश करने के लिए कहा।
बड़ी खोज: "ग्लिच" (खराबी) ही सुराग है
चिकित्सा में अधिकांश AI मॉडल एक शिक्षक की तरह काम करते हैं जो परीक्षा का मूल्यांकन करता है: वे हृदय के संकेत को देखते हैं और एक लेबल का अनुमान लगाने की कोशिश करते हैं, जैसे कि "यह व्यक्ति 50 वर्ष का है" या "यह व्यक्ति पुरुष है।" यदि AI गलत अनुमान लगाता है, तो वह त्रुटि (error) ही जोखिम स्कोर बन जाती है। लेकिन लेखक तर्क देते हैं कि यह किसी गाने की गुणवत्ता को इस आधार पर आंकने जैसा है कि आप गायक की उम्र कितनी अच्छी तरह से अनुमान लगा सकते हैं—यह परिणाम को बाहरी जानकारी से जोड़ देता है।
इसके बजाय, इस टीम ने एक "स्व-पर्यवेक्षित" (self-supervised) दृष्टिकोण का उपयोग किया। उन्होंने AI से किसी लेबल का अनुमान लगाने के लिए नहीं कहा। उन्होंने बस इसे हृदय के संकेत के खाली स्थानों को भरने के लिए कहा। "जोखिम स्कोर" केवल पुनर्निर्माण त्रुटि (reconstruction error) है: AI का अनुमान वास्तविक हृदय संकेत से कितना भिन्न था। महत्वपूर्ण रूप से, यह त्रुटि किसी भी जनसांख्यिकीय डेटा (demographic data) जैसे आयु या लिंग का उपयोग किए बिना, यानी बिना किसी बाहरी जानकारी के, गणना की गई है; यह शुद्ध रूप से इस बात का माप है कि हृदय का संकेत सामान्य विद्युत पैटर्न से कितना विचलित होता है।
यहाँ एक मोड़ है: वह AI जो हृदय की धड़कनों को पूरी तरह से पुनर्निर्मित करने में सबसे अच्छा था, वह मृत्यु की भविष्यवाणी करने में वास्तव में सबसे खराब था। "स्वीट स्पॉट" (सही बिंदु) वह मॉडल था जो अपने काम में केवल "ठीक-ठाक" था—विशेष रूप से, जिसे डेटा के एक ही दौर के एक बहुत छोटे अंश (2,600 स्टेप्स) के लिए प्रशिक्षित किया गया था। यह "औसत दर्जे" का मॉडल एक स्वस्थ हृदय की सामान्य लय को तो सीख चुका था, लेकिन उसने अभी तक बीमार दिलों के जटिल और अजीब पैटर्न को याद नहीं किया था। इसलिए, जब इसका सामना एक बीमार हृदय से हुआ, तो इसने बुरी तरह से गलती की। वह गलती ही चेतावनी का संकेत थी।
परिणाम: एक सार्वभौमिक चेतावनी प्रणाली
टीम ने इस "स्टंबल स्कोर" (लड़खड़ाने के स्कोर) का परीक्षण छह अलग-अलग समूहों पर किया, जिसमें इटली के स्वस्थ स्वयंसेवक से लेकर अमेरिकी अस्पतालों के गंभीर रूप से बीमार मरीज तक शामिल थे। उन्होंने पाया कि AI की त्रुटि में प्रत्येक मानक वृद्धि के लिए, मृत्यु का जोखिम काफी बढ़ गया।
- क्रिटिकल केयर समूह (MIMIC-IV-ECG) में, उच्च त्रुटि का अर्थ मृत्यु का 1.39 गुना अधिक जोखिम था।
- अस्पताल समूह (HEEDB) में, यह 1.41 गुना था।
- यहाँ तक कि स्वस्थ जनसंख्या समूहों (जैसे इटली में CHRIS और UK Biobank) में भी, त्रुटि ने मृत्यु की भविष्यवाणी की, हालांकि संख्याएँ थोड़ी कम थीं (लगभग 1.25 गुना)।
यह पेपर दिखाता है कि यह अगले 30 दिन, 1 वर्ष और 5 वर्षों में मृत्यु की भविष्यवाणी करने के लिए काम करता है, लेकिन यह अल्पकालिक अवधि के लिए सबसे मजबूत है। उदाहरण के लिए, HEEDB समूह में, त्रुटि 5 वर्षों की तुलना में 30 दिनों के भीतर मृत्यु का 2.00 गुना अधिक शक्तिशाली भविष्यवक्ता थी।
यह क्या खारिज करता है
लेखक स्पष्ट रूप से बताते हैं कि यह क्या नहीं है।
- यह AI द्वारा आयु या लिंग का अनुमान लगाने के बारे में नहीं है। त्रुटि पूरी तरह से हृदय संकेत से आती है, जो किसी भी रोगी के जनसांख्यिकीय या बाहरी लेबल से स्वतंत्र है।
- यह केवल खराब सिग्नल क्वालिटी के बारे में नहीं है। उन्होंने पेसमेकर वाले रोगियों और अनियमित धड़कन (PVCs) वाले लोगों पर भी इसका परीक्षण किया। यहाँ तक कि इन विशिष्ट समस्याओं वाले लोगों को हटाने के बाद भी, "स्टंबल स्कोर" ने मृत्यु की भविष्यवाणी की।
- यह डॉक्टरों की जगह लेने वाला कोई जादुई क्रिस्टल बॉल नहीं है। यह अध्ययन 'रिट्रोस्पेक्टिव' (पुराने डेटा को देखना) है, इसलिए जबकि संबंध मजबूत है, अभी तक इसे लाइव, भविष्योन्मुखी परीक्षण में सिद्ध नहीं किया गया है।
वे कितने आश्वस्त हैं?
पेपर द्वारा मापे गए नंबरों के प्रति वे काफी आश्वस्त हैं। उन्होंने केवल कंप्यूटर पर इसका अनुकरण नहीं किया; उन्होंने तीन महाद्वीपों के 1.6 मिलियन से अधिक लोगों के वास्तविक डेटा का उपयोग किया। सांख्यिकीय संबंध बहुत मजबूत थे (p-values लगभग हर मामले में 0.001 से कम थे), जिसका अर्थ है कि यह अत्यंत असंभव है कि ये परिणाम संयोग से हुए हों।
हालाँकि, वे सावधानी बरतते हुए कहते हैं कि जबकि "स्टंबल स्कोर" एक शक्तिशाली भविष्यवक्ता है, हम अभी तक यह नहीं जानते कि इस पर कार्रवाई करने से (जैसे किसी मरीज को जल्दी अस्पताल भेजने से) वास्तव में जीवन बचता है या नहीं। इसके लिए एक नए प्रकार के अध्ययन की आवश्यकता होगी। साथ ही, इसका "बाइनरी" संस्करण (एक सरल "उच्च जोखिम" या "कम जोखिम" स्विच) ने अच्छा काम किया, लेकिन "उच्च जोखिम" के रूप में चिह्नित लोगों का प्रतिशत अस्पताल के आधार पर बहुत भिन्न होता है, जो एक स्वस्थ इतालवी कस्बे में 1.8% से लेकर अमेरिकी गहन देखभाल इकाई (ICU) में 25.3% तक है।
निष्कर्ष
AI को एक बच्चे के रूप में सोचें जो चेहरा बनाना सीख रहा है। शुरू में, बच्चा एक स्वस्थ चेहरे के लिए एक सटीक घेरा बनाता है। यदि आप उन्हें टूटी हुई नाक वाले चेहरे की तस्वीर देते हैं, तो बच्चे का चित्र वास्तविक चीज़ से बहुत अलग होगा। यह अंतर इसलिए नहीं है कि बच्चा चित्र बनाने में बुरा है; बल्कि इसलिए है क्योंकि वह चेहरा ही असामान्य है।
यह अध्ययन बताता है कि AI के चित्र और वास्तविक हृदय संकेत के बीच के अंतर को मापकर, हम हृदय की विद्युत लय में छिपे खतरों को पहचान सकते हैं। यह हृदय के संगीत को सुनने का एक नया तरीका है, न कि उसके बोलों (lyrics) की जाँच करके, बल्कि यह देखकर कि जब धुन सही नहीं लगती 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।