Exploring Ensemble Selection for Model Averaging in Model-informed Precision Dosing: A Tacrolimus Case Study Extended to Cefepime and InfliximabExploring Ensemble Selection for Model Averaging in Model-informed Precision Dosing: A Tacrolimus Case Study Extended to Cefepime and Infliximab
यह अध्ययन यह प्रदर्शित करता है कि टैक्रोलिमस, सेफेपिम और इन्फ्लिक्सिम के मॉडल-सूचित सटीक डोसिंग के लिए, विशिष्ट अवलोकन सेटों के आधार पर जनसंख्या फार्माकोकाइनेटिक मॉडलों के एक छोटे, सावधानीपूर्वक चुने गए समूह का चयन करना, सभी उपलब्ध मॉडलों का उपयोग करने या केवल समूह के आकार पर निर्भर रहने की तुलना में बेहतर भविष्य कहनेवाला प्रदर्शन प्रदान 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
अंग प्रत्यारोपण की जटिल दुनिया में, किसी मरीज को जीवित रखना अक्सर शक्तिशाली दवाओं के एक नाजुक संतुलन पर निर्भर करता है। ऐसा ही एक ड्रग है टैक्रोलिमस (tacrolimus), जो नए गुर्दे या लिवर को शरीर द्वारा अस्वीकार किए जाने से रोकने के लिए आवश्यक है, लेकिन इसे प्रबंधित करना काफी कठिन है। इसकी सुरक्षा की सीमा बहुत संकीर्ण है: यदि यह बहुत कम है, तो नया अंग प्रतिरक्षा प्रणाली द्वारा हमला किया जा सकता है; यदि यह बहुत अधिक है, तो यह गुर्दे को विषाक्त कर सकता है या तंत्रिका तंत्र को नुकसान पहुँचा सकता है। चूंकि प्रत्येक व्यक्ति का शरीर इस दवा को अलग तरह से संसाधित करता है, इसलिए डॉक्टर सभी को एक समान खुराक नहीं दे सकते। इसके बजाय, वे 'थेराप्यूटिक ड्रग मॉनिटरिंग' पर भरोसा करते हैं, जो एक ऐसी प्रक्रिया है जहाँ वे मरीज के रक्त में दवा की मात्रा को मापते हैं और उसके अनुसार खुराक को समायोजित करते हैं। इन समायोजनों को अधिक सटीक बनाने के लिए, डॉक्टर तेजी से उन कंप्यूटर मॉडलों का उपयोग कर रहे हैं जो मरीज की अनूठी विशेषताओं के आधार पर यह भविष्यवाणी करते हैं कि वह दवा के प्रति कैसी प्रतिक्रिया देगा।
हालाँकि, एक समस्या उत्पन्न होती है क्योंकि वैज्ञानिकों ने वर्षों से टैक्रोलिमस के लिए दर्जनों अलग-अलग कंप्यूटर मॉडल प्रकाशित किए हैं। प्रत्येक मॉडल को लोगों के विभिन्न समूहों के डेटा का उपयोग करके बनाया गया था, और वे इस बात पर सहमत नहीं हैं कि दवा कैसे व्यवहार करती है। जब एक डॉक्टर को खुराक की गणना करने की आवश्यकता होती है, तो उनके सामने एक कठिन विकल्प होता है: उन्हें किस एक मॉडल पर भरोसा करना चाहिए? केवल एक का उपयोग करने से त्रुटियां हो सकती हैं यदि वह मॉडल मरीज के लिए उपयुक्त न हो। इस समस्या को हल करने के लिए, शोधकर्ताओं ने 'मॉडल एवरेजिंग' नामक एक विधि विकसित की है, जो कई मॉडलों के अनुमानों को एक एकल, भारित (weighted) सिफारिश में संयोजित करती है। विचार यह है कि कई मॉडलों के ज्ञान को एक साथ लाने से, अंतिम भविष्यवाणी किसी भी एकल मॉडल की तुलना में अधिक विश्वसनीय हो जाती है। लेकिन एक नया प्रश्न उभरा है: यदि आप मॉडलों को संयोजित कर सकते हैं, तो आपको कितने मॉडलों का उपयोग करना चाहिए, और सर्वश्रेष्ठ कौन से चुनने चाहिए?
शोधकर्ताओं की एक टीम ने इस प्रश्न का उत्तर देने के लिए मॉडल के चयन को एक कठोर प्रयोग की तरह मानकर काम करने का निर्णय लिया। उन्होंने टैक्रोलिमस के लिए उपलब्ध बीस-सात (27) अलग-अलग प्रकाशित कंप्यूटर मॉडलों के समूह को इकट्ठा किया और उनके हर संभावित संयोजन का परीक्षण किया। वे यह देखना चाहते थे कि क्या अधिक मॉडल जोड़ने से भविष्यवाणियाँ हमेशा बेहतर होती हैं, या क्या ऐसा एक बिंदु आता है जहाँ अधिक मॉडल जोड़ना केवल अनावश्यक कार्य बन जाता है। ऐसा करने के लिए, उन्होंने किडनी या लिवर प्रत्यारोपण प्राप्त करने वाले सैंतीस मरीजों के वास्तविक डेटा का अध्ययन किया। इन मरीजों ने अपनी रिकवरी के दौरान पांच अलग-अलग समय पर रक्त के नमूने दिए थे, जिससे शोधकर्ताओं को यह समझने के लिए एक समृद्ध इतिहास मिला कि दवा प्रत्येक व्यक्ति में कैसे व्यवहार करती है। टीम ने इन ऐतिहासिक रिकॉर्डों का उपयोग यह सिम्युलेट (simulate) करने के लिए किया कि मॉडलों के विभिन्न समूह भविष्य के समय बिंदु पर मरीजों के रक्त में दवा के स्तर की कितनी अच्छी भविष्यवाणी कर सकते हैं।
शोधकर्ताओं ने पाया कि यहाँ "अधिक ही बेहतर है" वाला सहज विचार सही नहीं बैठता है। जब उन्होंने मॉडलों को संयोजित करना शुरू किया, तो भविष्यवाणियों की सटीकता तेजी से बढ़ी, लेकिन यह सुधार बहुत जल्दी एक सीमा पर पहुँच गया। एक बार जब उन्होंने अपने समूह में तीन या चार मॉडल शामिल कर लिए, तो अधिक मॉडल जोड़ने से परिणामों में कोई महत्वपूर्ण सुधार नहीं हुआ। वास्तव में, उनके द्वारा खोजा गया मॉडलों का सबसे अच्छा समूह केवल तीन विशिष्ट मॉडलों से बना था। इस छोटे, सावधानीपूर्वक चुने गए तीन मॉडलों की टीम ने लगभग 19 प्रतिशत की त्रुटि दर के साथ दवा के स्तर की भविष्यवाणी की। इसके विपरीत, जब उन्होंने एक साथ सभी सत्ताईस मॉडलों का उपयोग करने की कोशिश की, तो त्रुटि दर बढ़कर लगभग 36 प्रतिशत हो गई। यह सुझाव देता है कि उपलब्ध सभी मॉडलों को मिश्रण में डालना वास्तव में भविष्यवाणी को खराब कर देता है, संभवतः इसलिए क्योंकि कुछ मॉडल उपचार किए जा रहे विशिष्ट मरीजों के लिए उपयुक्त नहीं होते हैं।
अध्ययन ने यह भी खुलासा किया कि मॉडलों का सबसे अच्छा समूह पूरी तरह से इस बात पर निर्भर करता है कि डॉक्टर के पास क्या जानकारी उपलब्ध है। यदि डॉक्टर के पास भविष्यवाणी के समय लिया गया एक एकल रक्त का नमूना है, तो तीन मॉडलों का एक विशिष्ट सेट सबसे अच्छा काम करता है। हालाँकि, यदि डॉक्टर के पास मरीज की रिकवरी के शुरुआती चरणों से रक्त के नमूनों का एक लंबा इतिहास है, तो सात या आठ मॉडलों का एक अलग समूह बेहतर प्रदर्शन करता है। इसका अर्थ यह है कि हर स्थिति के लिए काम करने वाला कोई एक "परफेक्ट" मॉडल समूह नहीं है। शोधकर्ताओं ने यह भी परीक्षण किया कि क्या सर्वोत्तम समूहों में शामिल मॉडल एक-दूसरे के स्थान पर उपयोग किए जाable (interchangeable) हैं, यानी क्या एक मॉडल को दूसरे से बदलने पर भविष्यवाणी को नुकसान पहुँचेगा या नहीं। उन्होंने पाया कि मॉडल केवल तभी विनिमेय (interchangeable) होते हैं जब वे लगभग बिल्कुल एक जैसी गलतियाँ करते हैं। यदि दो मॉडल इतनी भिन्नता रखते हैं कि वे अलग-अलग त्रुटियाँ करते हैं, तो उन्हें बदला नहीं जा सकता, क्योंकि प्रत्येक मॉडल वह अनूठी जानकारी लाता है जो दूसरों के पास नहीं होती।
यह सुनिश्चित करने के लिए कि ये निष्कर्ष केवल टैक्रोलिमस तक ही सीमित नहीं हैं, शोधकर्ताओं ने उसी परीक्षण पद्धति को दो अन्य दवाओं पर लागू किया: इन्फ्लिक्सीमैब (infliximab), जिसका उपयोग ऑटोइम्यून रोगों के लिए किया जाता है, और सेफेपिम (cefepime), जो एक एंटीबायोटिक है। उन्होंने वही पैटर्न देखा: भविष्यवाणियों की सटीकता तेजी से सुधरी लेकिन कुछ ही मॉडलों को शामिल करने के बाद स्थिर हो गई। इन्फ्लिक्सीमैब के लिए, सबसे अच्छा समूह पाँच मॉडलों का था, और सेफेपिम के लिए, यह केवल दो मॉडलों का था। विभिन्न दवाओं में यह निरंतरता यह संकेत देती है कि "कम ही अधिक है" (less is more) का नियम इस क्षेत्र में एक सामान्य सिद्धांत है। अध्ययन यह निष्कर्ष निकालता है कि सफल मॉडल एवरेजिंग की कुंजी मॉडलों की संख्या में नहीं, बल्कि उनके चयन की गुणवत्ता में है। डॉक्टरों और सॉफ्टवेयर डेवलपर्स को दर्जनों प्रतिस्पर्धी मॉडलों के साथ संघर्ष करने की आवश्यकता नहीं है; इसके बजाय, उन्हें यह चुनने पर ध्यान केंद्रित करना चाहिए कि कौन से मॉडल अतीत में उनके प्रदर्शन के आधार पर सबसे उपयुक्त रहे हैं। ऐसा करके, वे अत्यधिक सटीक खुराक प्राप्त कर सकते हैं बिना कंप्यूटर प्रोग्रामों के एक विशाल, बोझिल संग्रह को प्रबंधित करने के अनावश्यक भार के।
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।