← नवीनतम पेपर
📄 श्वसन चिकित्सा

Beyond Padua and IMPROVE: Machine Learning Outperforms Guideline Risk Scores for Prediction of Radiologically Confirmed Hospital-Acquired Venous Thromboembolism

यह अध्ययन प्रदर्शित करता है कि लगभग 4,00,000 प्रवेशों के एक बड़े, बिना किसी चयन वाले समूह में, रेडियोलॉजिकल रूप से पुष्ट अस्पताल-अर्जित शिरापरक थ्रोंबोएम्बोलिज्म (venous thromboembolism) की भविष्यवाणी करने में नियमित प्रवेश डेटा पर प्रशिक्षित मशीन लर्निंग मॉडल पारंपरिक दिशानिर्देश-आधारित जोखिम स्कोर (पादुआ और IMPROVE) से काफी बेहतर प्रदर्शन करते हैं।

मूल लेखक: Feng, J., Li, Y., Yu, S., Sun, X.

प्रकाशित 2026-08-28
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Feng, J., Li, Y., Yu, S., Sun, X.

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

हर साल, लाखों लोग उपचार के लिए अस्पताल में भर्ती होते हैं, और कई लोगों के लिए, स्थिर लेटे रहना या बीमारी से उबरना एक छिपे हुए खतरे को साथ लाता है: रक्त के थक्के (ब्लड क्लॉट) बनना। ये थक्के नसों के माध्यम से यात्रा कर सकते हैं और फेफड़ों तक रक्त प्रवाह को रोक सकते हैं, जिसे वेनस थ्रोम्बोएम्बोलिज्म (venous thromboembolism) के रूप में जाना जाता है, जो अस्पतालों में होने वाली रोकथाम योग्य मृत्यु का एक प्रमुख कारण है। डॉक्टर लंबे समय से यह तय करने के लिए सरल चेकलिस्ट पर भरोसा करते रहे हैं कि किसे निवारक दवा की आवश्यकता है। ये चेकलिस्ट कुछ बुनियादी प्रश्न पूछती हैं: क्या रोगी एक निश्चित आयु से अधिक है? क्या उन्हें कैंसर है? क्या वे इधर-उधर घूमने में असमर्थ हैं? उत्तरों के आधार पर, जोखिम का अनुमान लगाने के लिए एक स्कोर की गणना की जाती है। हालांकि ये उपकरण मानक अभ्यास हैं, लेकिन वे अक्सर चूक जाते हैं, उन कई रोगियों की पहचान करने में विफल रहते हैं जिन्हें थक्के विकसित होते हैं और उन अन्य लोगों को भी चिह्नित करते हैं जो वास्तव में सुरक्षित हैं। चुनौती यह थी कि चिकित्सा कर्मचारियों के काम के बोझ को बढ़ाए बिना खतरे को अधिक स्पष्ट रूप से देखने का कोई तरीका खोजा जाए।

शोधकर्ताओं की एक टीम ने यह परीक्षण करने के लिए हाथ में लिया कि क्या एक कंप्यूटर प्रोग्राम पारंपरिक चेकलिस्ट की तुलना में इन थक्कों की बेहतर भविष्यवाणी करने के लिए अस्पताल के रिकॉर्ड से सीख सकता है। उन्होंने संयुक्त राज्य अमेरिका के एक एकल अस्पताल के वि-पहचानीकृत (de-identified) मेडिकल रिकॉर्ड के एक विशाल संग्रह की ओर रुख किया, जिसमें 2008 और 2022 के बीच 3,99,000 से अधिक वयस्क प्रवेश शामिल थे। यह सुनिश्चित करने के लिए कि वे पुराने इतिहास के बजाय नए मामलों का अध्ययन कर रहे हैं, उन्होंने केवल उन रोगियों पर ध्यान केंद्रित किया जिन्हें पहले कभी रक्त का थक्का नहीं हुआ था। शोधकर्ताओं ने बीमार रोगियों को खोजने के लिए सरल बिलिंग कोड पर भरोसा नहीं किया, क्योंकि ये कोड गलत हो सकते हैं। इसके बजाय, उन्होंने रेडियोलॉजी रिपोर्ट (जैसे सीटी स्कैन और अल्ट्रासाउंड इमेज) के पूर्ण पाठ को पढ़ने के लिए एक प्रणाली बनाई, जो उन विशिष्ट शब्दों की तलाश करती है जिनका उपयोग डॉक्टर तब करते हैं जब वे एक नए थक्के की पुष्टि करते हैं। इस सावधानीपूर्वक प्रक्रिया ने 1,915 ऐसे रोगियों की पहचान की जिन्हें उनके प्रवास के दौरान नया थक्का विकसित हुआ, जो लगभग प्रति 1,000 प्रवेशों पर पांच मामलों की दर है।

शोधकर्ताओं ने फिर इन घटनाओं की भविष्यवाणी करने के लिए दो प्रकार के कंप्यूटर मॉडल प्रशिक्षित किए। पहले प्रकार ने रोगी के प्रवास के पहले 24 घंटों के डेटा का एक स्नैपशॉट देखा, जिसमें उनकी आयु, चिकित्सा इतिहास, लैब परीक्षण के परिणाम और यह शामिल था कि क्या उनकी सर्जरी हुई थी। दूसरा प्रकार गतिशील (dynamic) था, जिसका अर्थ है कि यह हर दिन नए लैब परिणामों और महत्वपूर्ण संकेतों (vital signs) के आने के साथ अपनी भविष्यवाणी को अपडेट करता था। उन्होंने इन कंप्यूटर मॉडलों की तुलना आज के अस्पतालों में उपयोग की जाने वाली दो सबसे सामान्य दिशानिर्देश चेकलिस्ट से की। परिणाम चौंकाने वाले थे। पारंपरिक चेकलिस्ट ने खराब प्रदर्शन किया, नए डेटा पर परीक्षण किए जाने पर केवल लगभग 62% मामलों में जोखिम को सही ढंग से पहचाना। इसके विपरीत, कंप्यूटर मॉडलों ने, जिन्होंने उसी नियमित डेटा का उपयोग किया जो डॉक्टरों के पास उपलब्ध था, 0.89 का AUC प्राप्त किया। सुधार इतना बड़ा था कि यह सांख्यिकीय रूप से निर्विवाद था, जिससे पता चला कि कंप्यूटर मॉडल डेटा में उन पैटर्न को देख सकते हैं जिन्हें सरल चेकलिस्ट पूरी तरह से मिस कर देती है।

इस अध्ययन ने यह भी पता लगाया कि क्या अधिक जटिल, डीप-लर्निंग सिस्टम जो रोगी के दैनिक परिवर्तनों के पूरे अनुक्रम को पढ़ने की कोशिश करते हैं, और भी बेहतर परिणाम दे सकते हैं। आश्चर्यजनक रूप से, इन जटिल प्रणालियों ने सरल मॉडलों की तुलना में कोई लाभ नहीं दिखाया जो केवल दैनिक सारांश देखते थे। शोधकर्ताओं ने पाया कि सरल मॉडल डेटा में छिपे जोखिम संकेतों को पकड़ने में उतने ही प्रभावी थे। इसके अलावा, कंप्यूटर मॉडल तब भी श्रेष्ठ बने रहे जब शोधकर्ताओं ने उन्हें सख्त परिस्थितियों में परीक्षण किया, जैसे कि केवल उन रोगियों को देखना जिनमें अस्पताल आने के एक दिन बाद थक्के विकसित हुए, या उन रोगियों को शामिल करना जिनका थक्के का इतिहास रहा हो। कंप्यूटर मॉडलों का लाभ सभी परिदृश्यों में स्थिर रहा।

यह कार्य बताता है कि अस्पताल की सुरक्षा का भविष्य ऐसे सॉफ्टवेयर में हो सकता है जो पृष्ठभूमि में चुपचाप चलता है, और रोगी के प्रवेश होते ही जोखिम की गणना स्वतः करता है। वर्तमान चेकलिस्ट के विपरीत, जिसमें एक नर्स या डॉक्टर को मैन्युअल रूप से एक फॉर्म भरने की आवश्यकता होती है, ये कंप्यूटर मॉडल इलेक्ट्रॉनिक हेल्थ रिकॉर्ड से आवश्यक जानकारी सीधे निकाल सकते हैं। हालांकि यह अध्ययन ऐतिहासिक डेटा पर किया गया था और इसे व्यापक रूप से अपनाने से पहले वास्तविक समय के अस्पताल परिवेश में और परीक्षण की आवश्यकता है, निष्कर्ष संकेत देते हैं कि सटीकता में एक बड़ी छलांग संभव है। अस्पताल के कंप्यूटरों में पहले से मौजूद डेटा का उपयोग करके, यह जल्द ही संभव हो सकता है कि चिकित्सा देखभाल की दैनिक दिनचर्या में एक भी अतिरिक्त कदम जोड़े बिना अधिक रोगियों को रक्त के थक्कों से बचाया जा सके।

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।

Digest आज़माएँ →