Evaluating computational assays of chronic fatigue using UK Biobank data
2,200 से अधिक प्रतिभागियों के यूके बायोबैंक डेटा का उपयोग करते हुए, यह अध्ययन प्रदर्शित करता है कि जबकि नैदानिक चर—विशेष रूप से नींद से संबंधित जानकारी—क्रोनिक फटीग (दीर्घकालिक थकान) की महत्वपूर्ण भविष्यवाणी कर सकते हैं, न्यूरोइमेजिंग डेटा को जोड़ने से सीमित सुधार होता है, जो इस स्थिति की विषमता और वस्तुनिष्ठ नैदानिक उपकरणों के और अधिक विकास की आवश्यकता को रेखांकित 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
थकान एक सार्वभौमिक मानवीय अनुभव है, एक भारी व्याकुलता जो साधारण कार्यों को भी पहाड़ चढ़ने जैसा महसूस करा सकती है। हालाँकि, चिकित्सा जगत में, सामान्य थकान और क्रोनिक फटीग (दीर्घकालिक थकान) नामक एक दुर्बल करने वाली स्थिति के बीच अंतर करना एक निरंतर चुनौती है। एक टूटी हुई हड्डी के विपरीत जो एक्स-रे पर स्पष्ट रूप से दिखाई देती है या संक्रमण के विपरीत जो रक्त परीक्षण के माध्यम से प्रकट होता है, क्रोनिक फटीग शरीर में कोई दृश्य निशान नहीं छोड़ता है। यह एक व्यक्तिपरक अनुभव है, जो पूरी तरह से इस बात से परिभाषित होता है कि रोगी क्या महसूस करता है। इस वस्तुनिष्ठ माप की कमी का अर्थ है कि डॉक्टरों को निदान के लिए स्वयं की रिपोर्ट (self-reports) पर निर्भर रहना पड़ता है, एक ऐसी प्रक्रिया जो संदेह, गलतफहमी और उन लोगों के कलंक का कारण बन सकती है जो वास्तव में पीड़ित हैं। दशकों से, शोधकर्ता एक जैविक संकेत—एक बायोमार्कर—की तलाश कर रहे हैं जो इस स्थिति की पुष्टि कर सके, जिससे अनुमान को साक्ष्य से बदलने की उम्मीद की जा सके।
स्विट्जरलैंड के शोधकर्ताओं की एक टीम ने हाल ही में एक महत्वपूर्ण कदम उठाया है, जिसमें उन्होंने यूके बायोबैंक (UK Biobank) नामक एक विशाल, वास्तविक दुनिया के डेटाबेस की ओर रुख किया। उन्होंने एक सीधा लेकिन कठिन प्रश्न पूछा: क्या वे एक कंप्यूटर प्रोग्राम बनाने में सक्षम हो सकते हैं जो किसी व्यक्ति के चिकित्सा इतिहास और उनके मस्तिष्क की गतिविधि के पैटर्न के संयोजन को देखकर क्रोनिक फटीग की पहचान कर सके? इस अध्ययन में 2,200 से अधिक स्वयंसेवक शामिल थे जिन्होंने मस्तिष्क का स्कैन कराया था और विस्तृत स्वास्थ्य प्रश्नावली भरी थी। शोधकर्ताओं ने मशीन लर्निंग का उपयोग किया, जो एक प्रकार का कंप्यूटर एल्गोरिदम है जो उदाहरणों का अध्ययन करके पैटर्न को पहचानना सीखता है, यह देखने के लिए कि क्या वे उपलब्ध डेटा के आधार पर यह भविष्यवाणी कर सकते हैं कि कौन क्रोनिक फटीग से पीड़ित है। वे डेटा को विभाजित करने में सावधानी बरतते रहे, कंप्यूटर को अधिकांश प्रतिभागियों पर प्रशिक्षित किया और फिर इसके भविष्यवाणियों का परीक्षण एक अलग समूह पर किया जिसे इसने पहले कभी नहीं देखा था, जिससे यह सुनिश्चित हुआ कि परिणाम वास्तविक थे न कि केवल एक भाग्यशाली अनुमान।
परिणामों ने एक स्पष्ट, यदि सूक्ष्म, तस्वीर पेश की। जब कंप्यूटर को केवल नैदानिक जानकारी दी गई—जैसे कि किसी व्यक्ति का पिछला चिकित्सा निदान, कैंसर का इतिहास, शराब का सेवन और उनकी नींद का विवरण—तो यह लगभग 61 प्रतिशत की संतुलित सटीकता के साथ क्रोनिक फटीग की भविष्यवाणी कर सका। इसका मतलब है कि मॉडल रैंडम चांस (संयोग) की तुलना में उन लोगों के बीच अंतर करने में काफी बेहतर था जो इस स्थिति से ग्रस्त थे और जो नहीं थे। शोधकर्ताओं ने कार्यात्मक चुंबकीय अनुनाद इमेजिंग (fMRI) से डेटा को शामिल करके जटिलता की एक परत जोड़ी। ये स्कैन कैप्चर करते हैं कि एक व्यक्ति आराम करते समय मस्तिष्क के विभिन्न हिस्से एक-दूसरे के साथ कैसे संवाद करते हैं। उन्होंने इस संचार को मापने के दो तरीकों का परीक्षण किया: एक जो मस्तिष्क के क्षेत्रों के बीच सरल कनेक्शन को देखता था, और दूसरा जो प्रभाव की दिशा को मैप करने की कोशिश करता था, यह देखने के लिए कि मस्तिष्क के कौन से हिस्से दूसरों की गतिविधि को संचालित कर रहे हैं।
आश्चर्यजनक रूप से, मस्तिष्क स्कैन डेटा को जोड़ने से कंप्यूटर के प्रदर्शन में लगातार सुधार नहीं हुआ। वास्तव में, वह मॉडल जो केवल नैदानिक जानकारी पर आधारित था, वह उस मॉडल के समान ही अच्छा प्रदर्शन करता था, या कुछ मामलों में उससे बेहतर, जिसमें मस्तिष्क इमेजिंग शामिल थी। सबसे सफल मॉडल, जिसने नैदानिक डेटा को सरल मस्तिष्क कनेक्टिविटी मापों के साथ जोड़ा, लगभग 64 प्रतिशत की सटीकता तक पहुँचा। हालांकि यह एक सुधार है, शोधकर्ताओं ने नोट किया कि मस्तिष्क स्कैन ने नैwise नैदानिक डेटा पर प्रशिक्षित मॉडल से लगातार बेहतर प्रदर्शन नहीं किया। अध्ययन ने स्पष्ट रूप से उल्लेख किया कि प्राप्त भविष्य कहनेवाला प्रदर्शन (predictive performance) नैदानिक अनुप्रयोग के लिए अभी पर्याप्त नहीं था, जो यह सुझाव देता है कि हालांकि जटिल मस्तिष्क इमेजिंग आशाजनक है, लेकिन इस विशिष्ट तरीके और इस प्रकार के डेटा के साथ उपयोग किए जाने पर, यह वर्तमान में क्रोनिक फटीग की नैदानिक पहेली को सुलझाने की निर्णायक कुंजी नहीं है।
डेटा के सूक्ष्म विश्लेषण से एक एकल, शक्तिशाली चालक सामने आया: नींद। विशेष रूप से, अनिद्रा (insomnia) के लक्षणों की उपस्थिति सबसे महत्वपूर्ण कारक के रूप में उभरी। जब शोधकर्ताओं ने केवल इस प्रश्न का उपयोग करके एक मॉडल का परीक्षण किया कि क्या किसी व्यक्ति को आमतौर पर सोने में कठिनाई होती है या रात के बीच में जागने की समस्या होती है, तो इसने अभी भी 57 प्रतिशत की सटीकता के साथ क्रोनिक फटीग की भविष्यवाणी की। यह निष्कर्ष बताता है कि इस बड़े समूह के कई लोगों के लिए, क्रोनिक फटीग का अनुभव नींद के व्यवधानों के साथ गहराई से जुड़ा हुआ है। लेखक चेतावनी देते हैं कि इसका मतलब यह नहीं है कि क्रोनिक फटीग केवल नींद की कमी के कारण होता है, और न ही इसका मतलब यह है कि नींद को ठीक करने से यह स्थिति ठीक हो जाएगी। इसके बजाय, यह एक साझा अंतर्निहित तंत्र की ओर इशारा करता है जहाँ नींद का व्यवधान विभिन्न प्रकार की थकावट को जोड़ने वाला एक सामान्य सूत्र हो सकता है।
अध्ययन ने वर्तमान दृष्टिकोण की सीमाओं को भी रेखांकित किया। यूके बायोबैंक में उपयोग किए गए मस्तिष्क स्कैन अपेक्षाकृत छोटे थे, जो केवल छह मिनट तक चलते थे, और जिस तरह से डेटा को प्रोसेस किया गया था, उससे गहरे मस्तिष्क संरचनाएं, जिन्हें ऊर्जा विनियमन के लिए महत्वपूर्ण माना जाता है, अच्छी तरह से प्रस्तुत नहीं हो पाईं। इसके अलावा, अध्ययन में क्रोनिक फटीग की परिभाषा इस एकल प्रश्न पर टिकी थी कि क्या किसी व्यक्ति ने कम से कम छह महीने तक थकान महसूस की है, जो एक जटिल स्थिति के लिए एक व्यावहारिक लेकिन अपूर्ण पैमाना है। शोधकर्ताओं ने निष्कर्ष निकाला कि हालांकि उनका काम यह साबित करता है कि वस्तुनिष्ठ डेटा का उपयोग करके क्रोनिक फटीग की भविष्यवाणी करना संभव है, लेकिन वर्तमान सटीकता का स्तर अभी इतना उच्च नहीं है कि इसे डॉक्टर के क्लिनिक में उपयोग किया जा सके।
अंततः, यह शोध पूर्ण समाधान के बजाय भविष्य की खोजों के लिए एक आधार प्रदान करता है। यह प्रदर्शित करता है कि थकान को निदान करने के लिए वस्तुनिष्ठ उपकरण व्यवहार्य हैं और नींद से संबंधित जानकारी एक महत्वपूर्ण कड़ी है। अध्ययन सुझाव देता है कि भविष्य के प्रयास नींद को मापने के तरीके को परिष्कृत करने पर ध्यान केंद्रित करने चाहिए, शायद अधिक सटीक डेटा के लिए पहनने योग्य उपकरणों (wearable devices) का उपयोग करना, और ऐसे मस्तिष्क स्कैन डिजाइन करने पर जो ऊर्जा और थकावट से जुड़े विशिष्ट मस्तिष्क क्षेत्रों को बेहतर ढंग से कैप्चर कर सकें। केवल स्व-रिपोर्ट (self-report) पर निर्भरता से हटकर, विज्ञान धीरे-धीरे क्रोनिक फटीग के अनुभव को समझने और प्रमाणित करने का एक अधिक विश्वसनीय तरीका बना रहा है, जिससे यह आशा मिलती है कि एक दिन, प्रमाण का बोझ रोगी से हटकर डेटा पर स्थानांतरित हो जाएगा।
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।