Time-resolved predictability of end-of-therapy outcome and relapse after cure in Phase 3 tuberculosis trials

तपेदिक (ट्यूबरकुलोसिस) एक प्राचीन जीवाणु संक्रमण है जो फेफड़ों पर हमला करता है, और दशकों से, चिकित्सा जगत इसे खत्म करने के लिए एंटीबायोटिक्स के लंबे कोर्स पर निर्भर रहा है। जब कोई रोगी इस उपचार को पूरा कर लेता है, तो डॉक्टर एक कठिन अनिश्चितता का सामना करते हैं: क्या बीमारी वास्तव में समाप्त हो गई है, या यह केवल छिप गई है, वापस आने की प्रतीक्षा कर रही है? पुनरावृत्ति (रिलैप्स) का यह प्रश्न इस बीमारी के खिलाफ लड़ाई के केंद्र में है। हालांकि उपचार के अंत में रोगी के थूक (स्पुटम) परीक्षण में बैक्टीरिया नकारात्मक आने पर अक्सर इलाज को सफल घोषित कर दिया जाता है, लेकिन संक्रमण के वापस आने का जोखिम तुरंत समाप्त नहीं होता है। यह समझना कि यह जोखिम दिन-प्रतिदिन कैसे बदलता है, और क्या हम उपचार समाप्त होने से पहले ही भविष्य में इसकी वापसी के संकेतों को पहचान सकते हैं, संक्रामक रोगों में सबसे कठिन चुनौतियों में से एक बना हुआ है।

एक हालिया अध्ययन ने तपेदिक के प्रमुख नैदानिक परीक्षणों (क्लिनिकल ट्रायल्स) में भाग लेने वाले लगभग तीन हजार लोगों के डेटा का विश्लेषण करके इस अनिश्चितता का मानचित्र बनाने का प्रयास किया। शोधकर्ता यह जानना चाहते थे कि क्या वे दो चीजों की भविष्यवाणी कर सकते हैं: क्या एक रोगी अपना उपचार सफलतापूर्वक पूरा करेगा, और क्या उपचार सफलतापूर्वक पूरा घोषित किए जाने के बाद बीमारी दोबारा लौटेगी। इसके लिए, उन्होंने केवल रोगी के स्वास्थ्य के एक एकल स्नैपशॉट को नहीं देखा। इसके बजाय, उन्होंने उपचार की शुरुआत से लेकर बिल्कुल अंत तक हर महीने एकत्र की गई जानकारी को एकत्रित किया। उन्होंने इस डेटा की धारा को एक टाइमलाइन की तरह माना, और लक्षणों, आयु, लिंग और रोगी के थूक में दिखाई देने वाले बैक्टीरिया की मात्रा पर मासिक अपडेट से सीखने के लिए कंप्यूटर मॉडल को प्रशिक्षित किया।

परिणामों ने उपचार के अंत की भविष्यवाणी करने और बीमारी की वापसी की भविष्यवाणी करने के बीच एक स्पष्ट अंतर दिखाया। जब लक्ष्य यह पूर्वानुमान लगाना था कि क्या रोगी उपचार के अंत में एक सफल परिणाम प्राप्त करेगा, तो मॉडल तीसरे महीने के बाद काफी सटीक हो गए। यह सुधार दो विशिष्ट कारकों द्वारा संचालित था: क्या बैक्टीरिया को सूक्ष्मदर्शी (माइक्रोस्कोप) के नीचे थूक में अभी भी देखा जा सकता था, और क्या उन्हें कल्चर डिश में उगाया जा सकता था। इन मानक परीक्षणों ने एक स्पष्ट संकेत दिया कि उपचार काम कर रहा था। हालांकि, कहानी पूरी तरह से बदल गई जब शोधकर्ताओं ने उन लोगों के बीच पुनरावृत्ति की भविष्यवाणी करने की कोशिश की जिन्होंने पहले ही सफलतापूर्वक उपचार पूरा कर लिया था। यहाँ, भविष्यवाण करने की शक्ति बहुत कमजोर थी। जैसे-जैसे महीने बीतते गए और अधिक डेटा संचित हुआ, मॉडल यह अनुमान लगाने में संघर्ष करते रहे कि कौन फिर से बीमार होगा, और उनकी सटीकता कम बनी रही और समय के साथ थोड़ी गिर भी गई।

अध्ययन ने उसी जानकारी का विश्लेषण करने के एक नए, अधिक लचीले तरीके का भी परीक्षण किया। कंप्यूटर को कच्चे नंबर और सरल श्रेणियां देने के बजाय, शोधकर्ताओं ने एक ऐसी विधि का उपयोग किया जो रोगी के सभी विवरणों को जटिल डिजिटल पैटर्न में परिवर्तित करती है, जिससे सिस्टम उन सूक्ष्म संबंधों को खोज पाता है जिन्हें मानक विधियाँ छोड़ सकती हैं। इस दृष्टिकोण ने पुनरावृत्ति की भविष्यवाणी करने के लिए पारंपरिक पद्धति के समान ही प्रदर्शन किया, लेकिन इसने उपचार के अंत के परिणाम की भविष्यवाणी करने के लिए एक विशिष्ट लाभ भी प्रदान किया। तीसरे और चौथे महीने में, यह उन्नत पद्धति उपचार सफलतापूर्वक पूरा करने वालों की पहचान करने में स्पष्ट रूप से बेहतर थी। फिर भी, इस परिष्कृत उपकरण के साथ भी, भविष्य की पुनरावृत्ति को भांपने की क्षमता सीमित रही। बीमारी की वापसी की भविष्यवाणी करने के लिए सबसे विश्वसनीय कारक मासिक परीक्षण परिणाम नहीं थे, बल्कि रोगी की आयु, लिंग, प्रारंभिक लक्षण और उपचार की शुरुआत में बैक्टीरिया का भार (बैक्टीरियल बर्डन) था।

शायद सबसे महत्वपूर्ण निष्कर्ष यह था कि उपचार के पहले महीने के बाद एकत्र किए गए डेटा को जोड़ने से वास्तविक मूल्य तो मिला, लेकिन केवल एक विशिष्ट तरीके से। जब शोधकर्ताओं ने केवल प्रारंभिक बेसलाइन डेटा का उपयोग करने वाले मॉडल की तुलना उस मॉडल से की जिसमें मासिक अपडेट शामिल थे, तो अपडेटेड मॉडल पुनरावृत्ति के जोखिम को वर्गीकृत करने में बेहतर था। उदाहरण के लिए, उपचार समाप्त होने के चार महीने बाद, अपडेटेड मॉडल द्वारा पहचाने गए कम-जोखिम वाले समूह की बिना पुनरावृत्ति के जीवित रहने की दर लगभग ९५ प्रतिशत थी, जबकि बेसलाइन डेटा द्वारा पहचाने गए समूह के लिए यह लगभग ९१ प्रतिशत थी। यह सुझाव देता है कि समय के साथ रोगी की प्रगति पर नज़र रखना उनके जोखिम की हमारी समझ को परिष्कृत तो करता है, लेकिन सुधार मामूली है। अध्ययन निष्कर्ष निकालता है कि हालांकि नियमित मासिक जांच मदद करती है, लेकिन वे पुनरावृत्ति की भविष्यवाणी करने की समस्या को हल करने के लिए पर्याप्त नहीं हैं। इन मॉडलों की सीमित सफलता एक नए, विशिष्ट जैविक मार्कर की स्पष्ट आवश्यकता को रेखांकित करती है जो बीमारी के नैदानिक रूप से स्पष्ट होने से बहुत पहले उसकी वापसी का संकेत दे सके।