DualStream-MTCA: A Hybrid Deep Learning Model for the Simultaneous Early Detection of Sepsis and Heart Failure in Adult Intensive Care

इंटेंसिव केयर यूनिट (ICU) के उच्च-जोखिम वाले वातावरण में, समय सबसे महत्वपूर्ण संसाधन है। दो सबसे खतरनाक स्थितियाँ जिनका सामना मरीज कर सकते हैं, वे हैं सेप्सिस (sepsis), जो संक्रमण के प्रति एक जीवन-घातक प्रतिक्रिया है जिससे अंग काम करना बंद कर सकते हैं, और हार्ट फेलियर (heart failure), एक ऐसी स्थिति जहाँ हृदय शरीर की जरूरतों को पूरा करने के लिए पर्याप्त रक्त पंप नहीं कर पाता है। ये दोनों स्थितियाँ अक्सर समान चेतावनी संकेतों के साथ शुरू होती हैं: दिल की धड़कन का तेज होना, निम्न रक्तचाप और तेजी से सांस लेना। यह समानता डॉक्टरों के लिए एक खतरनाक दुविधा पैदा करती है। इन दोनों स्थितियों के उपचार अक्सर विपरीत होते हैं; सेपसे के लिए आमतौर पर रक्तचाप बनाए रखने के लिए आक्रामक फ्लूइड रिससिटेशन (fluid resuscitation) की आवश्यकता होती है, जबकि हार्ट फेलियर के लिए अक्सर फेफड़ों को भरने से रोकने के लिए तरल पदार्थ को बाहर निकालने की आवश्यकता होती है। गलत उपचार घातक हो सकता है। वर्तमान में, डॉक्टर प्रत्येक स्थिति की भविष्यवाणी करने के लिए अलग-अलग उपकरणों पर भरोसा करते हैं, लेकिन ये उपकरण अक्सर तब अलार्म बजाते हैं जब मरीज की स्थिति पहले से ही बिगड़ने लगी होती है। चिकित्सा विज्ञान के लिए चुनौती एक ऐसा सिस्टम बनाने की है जो दोनों खतरों को जल्दी पहचान सके, उनके बीच अंतर कर सके, और मेडिकल टीम को मरीज की स्थिति गंभीर होने से पहले सचेत कर सके।

कुर्दिस्तान हेवलर विश्वविद्यालय के शोधकर्ताओं ने इस विशिष्ट समस्या को हल करने के लिए डिज़ाइन किए गए एक नए कंप्यूटर मॉडल को विकसित किया है। उन्होंने 'DualStream-MTCA' नामक एक सिस्टम बनाया है, जो सेप्सिस और हार्ट फेलियर दोनों के लिए एक साथ प्रारंभिक चेतावनी डिटेक्टर के रूप में कार्य करता है। मरीज के डेटा को एक एकल स्नैपशॉट के रूप में देखने के बजाय, यह मॉडल समय के साथ उनके महत्वपूर्ण संकेतों (vital signs) और प्रयोगशाला परिणामों के इतिहास का विश्लेषण करता है। इसे 53,229 वयस्क मरीजों के रिकॉर्ड वाले एक विशाल डेटासेट पर प्रशिक्षित किया गया था। यह सिस्टम विश्लेषण के दो समानांतर स्ट्रीम चलाकर काम करता है। एक स्ट्रीम पिछले 48 घंटों में हृदय गति और तापमान जैसे महत्वपूर्ण संकेतों में होने वाले प्रति घंटा परिवर्तनों पर नज़र रखती है, जबकि दूसरी स्ट्रीम पिछले एक सप्ताह के दैनिक प्रयोगशाला परिणामों को ट्रैक करती है। इन दो सूचना धाराओं को फिर एक ऐसे तंत्र द्वारा संयोजित और क्रॉस-रेफरेंस किया जाता है जो मॉडल को यह देखने की अनुमति देता है कि महत्वपूर्ण संकेत और लैब परिणाम एक-दूसरे को कैसे प्रभावित करते हैं। अपने अंतिम निर्णय तक पहुँचने के लिए, मॉडल एक विशेष घटक को भी शामिल करता है जो नवीनतम लैब परिणामों के पैटर्न से सीखता है, ठीक वैसे ही जैसे एक अनुभवी चिकित्सक किसी विशिष्ट रक्त परीक्षण को मरीज के इतिहास के विरुद्ध तौलता है।

जब इसे उसी डेटाबेस के एक अलग समूह (held-out group) के मरीजों पर परखा गया जिन्हें मॉडल ने पहले कभी नहीं देखा था, तो सिस्टम ने उच्च सटीकता के साथ प्रदर्शन किया। इसने सेप्सिस के लिए 0.867 और हार्ट फेलियर के लिए 0.899 का AUC प्राप्त किया। ये संख्याएँ उन पिछले मॉडलों की तुलना में एक महत्वपूर्ण सुधार दर्शाती हैं जिन्होंने दोनों स्थितियों को अलग-अलग माना था। शोधकर्ताओं ने यह भी पाया कि मॉडल इस बात को जानने में बहुत सक्षम था कि वह अपने अनुमानों के बारे में कितना आश्वस्त है। निर्णय लेने की प्रक्रिया के दौरान छोटे, यादृच्छिक बदलाव (random variations) पेश करने वाली एक तकनीक का उपयोग करके, सिस्टम एक ऐसा कॉन्फिडेंस स्कोर प्रदान कर सका जो वास्तविकता से लगभग पूरी तरह मेल खाता था। इसका अर्थ यह है कि जब मॉडल किसी मरीज को फ्लैग करता है, तो डॉक्टर इसके द्वारा दी गई संभावना पर भरोसा कर सकते हैं, बजाय इसके कि वे यह अनुमान लगाने में उलझें कि क्या यह एक गलत अलार्म है। मॉडल ने सफलतापूर्वक उन विशिष्ट कारकों की भी पहचान की जो इसके निर्णयों को संचालित कर रहे थे, जैसे कि सेप्सिस के लिए लैक्टेट स्तर और श्वेत रक्त कोशिका गणना, और हार्ट फेलियर के लिए विशिष्ट हृदय संबंधी मार्कर, जिससे पुष्टि हुई कि यह रैंडम शोर के बजाय चिकित्सकीय रूप से प्रासंगिक पैटर्न सीख रहा था।

हालाँकि, शोधकर्ताओं ने सावधानीपूर्वक यह परीक्षण किया कि यह सिस्टम केवल उसी अस्पताल में नहीं, बल्कि एक अलग अस्पताल सेटिंग में कितनी अच्छी तरह काम करेगा जहाँ इसे प्रशिक्षित किया गया था। जब उन्होंने मॉडल को एक अलग डेटाबेस से 100,000 से अधिक मरीज रिकॉर्ड पर लागू किया, तो परिणाम मिले-जुले रहे। सिस्टम हार्ट फेलियर की भविष्यवाणी करने में काफी प्रभावी बना रहा, जिसमें प्रदर्शन में केवल मामूली गिरावट आई। लेकिन सेप्सिस का पता लगाने की इसकी क्षमता में अधिक स्पष्ट रूप से कमी आई। शोधकर्ताओं ने इस गिरावट का कारण दो अस्पतालों के डेटा रिकॉर्ड करने के तरीके में अंतर को बताया; दूसरे डेटाबेस में विस्तृत माइक्रोबायोलॉजी रिपोर्ट बहुत कम थीं, जो सेप्सिस की पहचान करने के लिए महत्वपूर्ण हैं। यह निष्कर्ष एक वास्तविक दुनिया की सीमा को उजागर करता है: हालांकि मॉडल शक्तिशाली है, लेकिन यह उपलब्ध डेटा की गुणवत्ता और प्रकार पर निर्भर करता है। यदि कोई अस्पताल उन्हीं विशिष्ट विवरणों को रिकॉर्ड नहीं करता है, तो मॉडल की सटीकता कुछ स्थितियों के लिए प्रभावित हो सकती है। अध्ययन यह निष्कर्ष निकालता है कि हालांकि यह ड्यूल-डिटेक्शन दृष्टिकोण एक बड़ा कदम है, लेकिन इसे हर अस्पताल में उपचार निर्णयों के मार्गदर्शन के लिए उपयोग करने से पहले स्थानीय डेटा सिस्टम के अनुसार सावधानीपूर्वक अनुकूलित करने की आवश्यकता है। यह कार्य यह प्रदर्शित करता है कि एक ही सिस्टम बनाना संभव है जो एक साथ कई, परस्पर विरोधी चिकित्सा आपात स्थितियों पर नज़र रख सके, जो शीघ्र और अधिक सटीक हस्तक्षेप के लिए एक स्पष्ट मार्ग प्रदान करता है।