Feasibility of using automatically extracted routine clinical data in a respiratory cohort study: The SPHN-SPAC demonstrator project.
SPHN-SPAC प्रदर्शक परियोजना यह प्रदर्शित करती है कि स्वतः निकाला गया नियमित नैदानिक डेटा बाल चिकित्सा श्वसन समूह अध्ययनों में डेटा की पूर्णता में सुधार करके और अधिक घटनाओं को कैप्चर करके मैनुअल एब्स्ट्रैक्शन (manual abstraction) को प्रभावी ढंग से पूरक बना सकता है, हालांकि इसका व्यापक अनुप्रयोग वर्तमान में विषम दस्तावेज़ीकरण प्रथाओं और डेटा सामंजस्य के लिए आवश्यक महत्वपूर्ण प्रयास द्वारा सीमित 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 आप एक विशाल पहेली को हल करने की कोशिश कर रहे हैं, लेकिन पहेली के टुकड़े एक विशाल पुस्तकालय में हजारों अलग-अलग बक्सों में बिखरे हुए हैं। यह चिकित्सा अनुसंधान (मेडिकल रिसर्च) की दुनिया है, जहाँ वैज्ञानिक यह समझने की कोशिश करते हैं कि बीमारियाँ समय के साथ लोगों को कैसे प्रभावित करती हैं। इसे करने के लिए, उन्हें आमतौर पर एक "कोहोर्ट" (cohort) बनाना पड़ता है, जो कि केवल एक फैंसी शब्द है एक ऐसे समूह के लिए जिसे वे बारीकी से फॉलो करते हैं। पारंपरिक रूप से, शोधकर्ताओं को मानव लिपिकों (scribes) की तरह काम करना पड़ता है, जो अस्पतालों में बैठकर मरीजों की फाइलों से नोट्स को अपने डेटाबेस में मैन्युअल रूप से कॉपी करते हैं। यह धीमा, महंगा और थोड़ा ऐसा है जैसे चम्मच से स्विमिंग पूल भरने की कोशिश करना।
हाल के वर्षों में, एक नया विचार उभरा है: क्या होगा अगर हम बस अस्पताल के कंप्यूटर से हमें सही टुकड़े अपने आप निकालने के लिए कह सकें? यहीं से "रूटीन क्लिनिकल डेटा" (routine clinical data) आता है। ये वे डिजिटल रिकॉर्ड हैं जो डॉक्टर और नर्सें हर दिन बनाते हैं जब वे मरीजों का इलाज करते हैं—जैसे रक्त परीक्षण के परिणाम, विज़िट की तारीखें और निदान (diagnoses)। उम्मीद यह है कि यदि हम कंप्यूटर को यह सिखा सकें कि इस डेटा को स्वचालित रूप से कैसे निकाला जाए, तो हम बहुत तेज़ी से और सस्ते में लोगों के बड़े समूहों का अध्ययन कर सकते हैं। हालाँकि, इसमें एक पेंच है। सिर्फ इसलिए कि डेटा कंप्यूटर में मौजूद है, इसका मतलब यह नहीं है कि वह उपयोग के लिए तैयार है। यह किसी गुप्त कोड में लिखा हो सकता है, एक अव्यवस्थित प्रारूप (format) में संग्रहीत हो सकता है, या सिस्टम के विभिन्न हिस्सों में छिपा हो सकता है। बड़ा सवाल जो शोधकर्ता पूछ रहे हैं वह यह है: क्या हम वास्तव में इन स्वचालित डिजिटल 'ग्रैबर' पर उतना भरोसा कर सकते हैं जितना कि अपने सावधानीपूर्वक काम करने वाले मानव लिपिकों पर करते हैं, या कंप्यूटर बस हमें टूटे हुए पहेली के टुकड़ों का ढेर थमा देगा?
यह पेपर एक ऐसी टीम की कहानी बताता है जो स्विट्जरलैंड में है और जिन्होंने बच्चों में सांस संबंधी समस्याओं के एक समूह का उपयोग करके इस विचार का परीक्षण करने का निर्णय लिया। उन्होंने एक "डेमोंस्ट्रेटर प्रोजेक्ट" स्थापित किया ताकि यह देखा जा सके कि क्या वे 'स्विस पर्सनलाइज्ड हेल्थ नेटवर्क' (SPHN) नामक एक स्वचालित प्रणाली का उपयोग करके अपने मानव लिपिकों को बदलने या कम से कम उनकी मदद करने में सक्षम हैं।
शोधकर्ताओं ने 1,075 बच्चों का अध्ययन किया जो 'स्विस पीडियाट्रिक एयरवे कोहोर्ट' (SPAC) नामक एक अध्ययन का हिस्सा थे। वर्षों से, मानव शोधकर्ताओं की एक टीम इन बच्चों के मेडिकल रिकॉर्ड से मैन्युअल रूप से डेटा कॉपी करती आ रही थी। इस नए प्रोजेक्ट के लिए, टीम ने अस्पताल के कंप्यूटरों से SPHN सिस्टम का उपयोग करके उसी जानकारी को स्वचालित रूप से निकालने के लिए कहा। वे तीन चीजें देखना चाहते थे: डेटा प्राप्त करने में कितना समय लगेगा, वे वास्तव में कितना डेटा प्राप्त कर सकते हैं, और कंप्यूटर का डेटा मानव के डेटा से कितनी अच्छी तरह मेल खाता है।
परिणाम "शानदार खबर" और "अभी नहीं" का मिश्रण थे। पहला, स्वचालित प्रणाली एक अच्छे अर्थ में "डेटा-भूखी राक्षस" (data-hungry monster) थी। इसने मनुष्यों द्वारा खोजे गए डेटा से कहीं अधिक विज़िट खोज निकालीं। उदाहरण के लिए, एक अस्पताल में कंप्यूटर ने 1,963 आउटपेशेंट विज़िट पाए, जबकि मनुषनों ने केवल 1,049 दर्ज किए थे। दूसरे में, कंप्यूटर ने 2,343 विज़िट पाए बनाम 1,010। कंप्यूटर उन बच्चों के विज़िट भी खोजने में कामयाब रहा जिनके माता-पिता ने फॉलो-अप प्रश्नावली नहीं भरी थी, जो एक सुरक्षा जाल की तरह काम करता है जो उस जानकारी को पकड़ लेता है जिसे मनुष्य चूक जाते हैं।
हालाँकि, यह डेटा प्राप्त करना केवल एक "डाउनलोड" बटन दबाने जितना सरल नहीं था। टीम को डेटा तैयार करने में लगभग 24 महीने—पूरे दो साल!—लगे। उन्हें अलग-अलग अस्पताल कंप्यूटर प्रणालियों के भूलभुलैया से लड़ना पड़ा, जिनमें से प्रत्येक अपनी एक अलग भाषा बोलती थी। डेटा RDF (रिसोर्स डिस्क्रिप्शन फ्रेमवर्क) नामक प्रारूप में आया था, जो सूचना को व्यवस्थित करने का एक अत्यधिक संरचित लेकिन बहुत ही अमूर्त तरीका है जिसे कंप्यूटर तो पसंद करते हैं लेकिन मनुष्य इसे पढ़ने में कठिन पाते हैं। टीम को इस डेटा को उस प्रारूप में अनुवाद करने के लिए जो वे अपने अध्ययन के लिए वास्तव में उपयोग कर सकते थे, एक बड़ी मात्रा में समय और पैसा (लगभग 242,000 स्विस फ्रैंक अग्रिम रूप से) खर्च करना पड़ा।
जब उन्होंने अंततः दोनों डेटासेट की तुलना की, तो कंप्यूटर उन चीजों के लिए आश्चर्यजनक रूप से सटीक था जिन्हें वह ढूंढ सकता था। ऊंचाई, वजन और फेफड़ों के कार्य परीक्षण (स्पाइरोमेट्री) जैसे संरचित नंबरों के लिए, कंप्यूटर और मनुष्य लगभग पूरी तरह से सहमत थे। नंबर इतने करीब से मेल खाते थे कि कंप्यूटर का डेटा इन विशिष्ट मदों के लिए मानव के डेटा जितना ही विश्वसनीय था। लेकिन कंप्यूटर पूर्ण नहीं था। वह कुछ चीजें मिस कर गया जिन्हें मनुष्य आसानी से ढूंढ लेते थे, जैसे कि आउटपेशेंट विज़िट के दौरान कौन सी दवाएं दी गई थीं या एलर्जी के लिए स्किन प्रिक टेस्ट के परिणाम। उसे उन जानकारियों को खोजने में भी संघर्ष करना पड़ा जो विशिष्ट बॉक्स में टाइप किए जाने के बजाय मुक्त-पाठ (free-text) नोट्स में लिखी गई थीं।
टीम ने यह भी जांचा कि कंप्यूटर का डेटा आपातकालीन कक्ष (emergency room) के दौरों के बारे में माता-पिता द्वारा सर्वेक्षणों में दी गई रिपोर्टों के साथ कितनी अच्छी तरह मेल खाता है। कंप्यूटर और माता-पिता ज्यादातर इस बात पर सहमत थे कि विज़िट हुई या नहीं (उच्च "नेगेटिव एग्रीमेंट"), लेकिन जब कोई विज़िट हुई थी, तो वे सटीक समय या विवरणों पर हमेशा सहमत नहीं होते थे। यह संभवतः इसलिए है क्योंकि माता-पिता किसी अन्य अस्पताल के दौरे को याद कर सकते हैं जिसे कंप्यूटर ने नहीं देखा, या इसलिए कि वे किसी मामूली विज़िट को भूल सकते हैं।
अंत में, पेपर सुझाव देता है कि स्वचालित डेटा निष्कर्षण (extraction) एक शक्तिशाली उपकरण है जो हमें अधिक जानकारी दे सकता है और उन चीजों को पकड़ सकता है जिन्हें मनुष्य चूक सकते हैं, लेकिन यह अभी पूरी तरह से मानवीय स्पर्श (human touch) को प्रतिस्थापित नहीं कर सकता है। कंप्यूटर उन आसान, संरचित नंबरों को पकड़ने में बहुत अच्छा है, लेकिन उसे मरीज की कहानी के बिखरे हुए या मुक्त-पाठ वाले हिस्सों को समझने के लिए अभी भी बहुत मदद की आवश्यकता है। शोधकर्ता निष्कर्ष निकालते हैं कि हालांकि यह तकनीक आशाजनक है, हमें अस्पतालों के अपने नोट्स लिखने के तरीके को ठीक करने और इस कंप्यूटर की भाषा को अनुवाद करने के लिए बेहतर उपकरण बनाने की आवश्यकता है, इससे पहले कि हम पूरी तरह से इसे सारा काम करने के लिए भरोसा कर सकें। यह एक बहुत ही सहायक सहायक (assistant) है, लेकिन फिलहाल, इसे यह सुनिश्चित करने के लिए एक मानव पर्यवेक्षक की आवश्यकता है कि पहेली के टुकड़े सही ढंग से फिट बैठते हैं या नहीं।
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।