PhysioFusion: A Multi-Modal Ensemble using Static Preoperative Variables and Time Series Intraoperative Data to Predict Adverse Events Following Cardiothoracic Surgery
फिजियोफ्यूजन (PhysioFusion) अध्ययन यह प्रदर्शित करता है कि स्थिर पूर्व-ऑपरेटिव चरों और इंट्राऑपरेटिव टाइम-सीरीज डेटा को एकीकृत करने वाला एक मल्टी-मोडल एन्सेम्बल मॉडल, कार्डियोथोरेसिक सर्जरी के बाद होने वाली प्रतिकूल घटनाओं की भविष्यवाणी करने में उच्च सटीकता (AUC 0.87) प्राप्त करता है, जिससे यह पता चलता है कि जबकि ये दो डेटा मोडैलिटीज पूरक के बजाय प्रतिस्थापनों के रूप में कार्य करती हैं, उनका संलयन (फ्यूजन) उच्च-जोखिम वाले रोगियों के लिए एक उच्च-नकारात्मक-पूर्वानुमानित-मूल्य (high-negative-predictive-value) स्क्रीनिंग टूल प्रदान करने हेतु संवेदनशीलता-विशिष्टता ट्रेड-ऑफ को अनुकूलित 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
जब किसी मरीज की हृदय या फेफड़ों की बड़ी सर्जरी होती है, तो उसके बाद के घंटे एक महत्वपूर्ण समय होते हैं जहाँ शरीर की रिकवरी या तो स्थिर हो सकती है या खतरनाक मोड़ ले सकती है। गहन चिकित्सा इकाई (आईसीयू) में, मेडिकल टीमें सूचनाओं के एक सैलाब की निरंतर निगरानी करती हैं: हृदय की एक स्थिर लय, नसों में बहते रक्त का दबाव, और रक्त का स्वयं का रासायनिक संतुलन। दशकों से, डॉक्टर मरीज के स्वास्थ्य के स्थिर स्नैपशॉट्स—जैसे कि उनकी आयु, मौजूदा स्थितियाँ, या ऑपरेशन से पहले के रक्त परीक्षण के परिणाम—पर भरोसा करते आए हैं ताकि यह अनुमान लगाया जा सके कि कौन संघर्ष कर सकता है। हालाँकि, एनेस्थीसिया के प्रभाव में और सर्जरी के दौरान होने वाले क्षण-दर-क्षण परिवर्तन एक अलग तरह की कहानी पेश करते हैं, जो वास्तविक समय में सामने आती है। शोधकर्ताओं के लिए केंद्रीय प्रश्न यह रहा है कि क्या इन दो प्रकार की सूचनाओं को मिलाना—मरीज के स्वास्थ्य का स्थिर बैकग्राउंड और ऑपरेटिंग रूम से मिलने वाले गतिशील, बदलते संकेत—यह स्पष्ट चित्र बना सकता है कि कौन जोखिम में है, या क्या इनमें से एक स्रोत अकेले ही पर्याप्त है।
शोधकर्ताओं की एक टीम ने इस प्रश्न का उत्तर देने के लिए एक नया प्रकार का कंप्यूटर सिस्टम बनाने का लक्ष्य रखा, जिसे कार्डियोथोरेसिक सर्जरी के बाद मरीजों की निगरानी के लिए डिज़ाइन किया गया है। उन्होंने अपनी रचना को 'फिजियोफ्यूजन' (PhysioFusion) नाम दिया, जो एक अत्यधिक चौकस पर्यवेक्षक की तरह कार्य करता है, जो मरीज के स्थायी चिकित्सा इतिहास और सर्जरी से प्राप्त लाइव, प्रवाहित डेटा दोनों को पढ़ने में सक्षम है। इस सिस्टम को 'सोसाइटी ऑफ थोरैसिक सर्जन्स' के रिकॉर्ड के एक विशाल संग्रह पर प्रशिक्षित किया गया था, जिसमें हजारों मरीजों का विवरण शामिल था। शोधकर्ताओं ने कंप्यूटर में डेटा की दो अलग-अलग धाराएं डालीं: प्रत्येक मरीज के बारे में स्थिर तथ्यों की एक सूची, जैसे कि क्या उन्हें हार्ट फेल्योर का इतिहास था या उनके श्वेत रक्त कोशिकाओं (वाइट ब्लड सेल्स) की संख्या कितनी थी, और ऑपरेटिंग रूम से प्राप्त संख्याओं की एक निरंतर धारा, जो सर्जरी के दौरान हर सेकंड रक्तचाप और हृदय की कार्यक्षमता जैसी चीजों को ट्रैक करती है। इस जटिलता को समझने के लिए, टीम ने केवल एक विधि पर भरोसा नहीं किया। इसके बजाय, उन्होंने एक 'एन्सेम्बल' (ensemble) बनाया, जो विभिन्न गणितीय मॉडलों का एक समूह है जो एक साथ काम करते हैं। सिस्टम के कुछ हिस्से स्थिर सूचियों में पैटर्न खोजने के लिए डिज़ाइन किए गए थे, जबकि अन्य भाग समय-आधारित संकेतों की लय और प्रवाह को समझने के लिए विशिष्ट थे, ठीक वैसे ही जैसे एक संगीतकार शीट संगीत को पढ़ने और ताल पर सुधार (इम्प्रोवाइज) करने के बीच अंतर करता है।
लक्ष्य प्रतिकूल घटनाओं (एडवर्स इवेंट्स) की भविष्यवाणी करना था, जो सर्जरी के बाद गहन चिकित्सा इकाई में होने वाली गंभीर जटिलताएं हो सकती हैं। जब शोधकर्ताओं ने अपने सिस्टम का परीक्षण किया, तो उन्होंने पाया कि यह उन मरीजों के बीच अंतर करने में सक्षम था जो स्थिर रहेंगे और वे जो जटिलताओं का सामना करेंगे, इसमें इसकी सटीकता बहुत अधिक थी। मॉडल ने दोनों समूहों को अलग करने की अपनी क्षमता में 0.87 का स्कोर प्राप्त किया, जो प्रदर्शन का एक ऐसा स्तर है जो बताता है कि यह एक विश्वसनीय स्क्रीनिंग टूल है। यह उन मरीजों की पहचान करने में विशेष रूप से अच्छा था जिन्हें कोई बुरी स्थिति नहीं होनी थी, जिससे इसने लगभग सभी के लिए जटिलताओं को सही ढंग से खारिज कर दिया। यह एक स्क्रीनिंग टूल के लिए एक महत्वपूर्ण विशेषता है, क्योंकि यह डॉक्टरों को विश्वास दिलाता है कि जिसे कम जोखिम वाला बताया गया है वह वास्तव में सुरक्षित है, जिससे वे अपना सबसे गहन संसाधन उन कुछ लोगों पर केंद्रित कर पाते जिन्हें उनकी आवश्यकता है। सिस्टम ने उन विशिष्ट कारकों की भी पहचान की जो इसके भविष्यवाणियों में सबसे प्रभावशाली थे, जिनमें शामिल थे कि क्या सर्जरी से पहले मरीज को हार्ट फेल्योर था, क्या ऑपरेशन के दौरान रक्त पंप करने में मदद के लिए किसी उपकरण की आवश्यकता थी, हार्ट-लंग मशीन का उपयोग कितने समय तक किया गया था, और श्वेत रक्त कोशिकाओं का स्तर क्या था।
हालाँकि, सबसे आश्चर्यजनक खोज तब हुई जब शोधकर्ताओं ने दोनों प्रकार के डेटा का अलग-अलग परीक्षण किया। उन्हें उम्मीद थी कि मरीज के स्थिर इतिहास को लाइव ऑपरेटिंग रूम संकेतों के साथ मिलाने से एक 'सुपर-पावर्ड' भविष्यवाणी मिलेगी जो अकेले किसी भी एक से बेहतर होगी। इसके बजाय, उन्होंने पाया कि मरीज के चिकित्सा इतिहास से प्राप्त स्थिर डेटा, जब अकेले विश्लेषण किया गया, तो इसने संयुक्त सिस्टम के समान ही प्रदर्शन किया, और 0.87 का समान स्कोर प्राप्त किया। ऑपरेटिंग रूम से प्राप्त लाइव संकेतों ने, अकेले विश्लेषण किए जाने पर, 0.83 के थोड़े कम प्रभावी स्तर पर प्रदर्शन किया। यह निष्कर्ष बताता है कि इस विशिष्ट समूह के मरीजों के लिए, ये दो प्रकार की सूचनाएं पूरक होने के बजाय एक-दूसरे के विकल्प के रूप में कार्य करती हैं। सर्जरी से प्राप्त विस्तृत, क्षण-दर-क्षण डेटा ने कोई नई जानकारी नहीं जोड़ी जो स्थिर इतिहास में पहले से मौजूद नहीं थी। इसके बजाय, दोनों का संयोजन केवल हर संभावित जोखिम को पकड़ने और गलत अलार्म से बचने के बीच के संतुलन को बदल देता है, जिससे कुल उपयोगी सिग्नल को बढ़ाए बिना संवेदनशीलता (सेंसिटिविटी) और परिशुद्धता (प्रिसिजन) के बीच का ट्रेड-ऑफ बदल जाता है।
लाइव डेटा के आगे के अध्ययन से पता चला कि कोई भी एकल मॉनिटरिंग चैनल इस कहानी का एकमात्र नायक नहीं था। सिस्टम ने निर्णय लेने के लिए केवल एक संख्या, जैसे हृदय गति या ऑक्सीजन स्तर, पर निर्भर नहीं रहा। जबकि औसत रक्तचाप और केंद्रीय नसों के दबाव को सबसे कम प्रतिस्थापनीय (रिप्लेसेबल) जानकारी माना गया, सिस्टम ने दिखाया कि यह किसी भी एक विशिष्ट संकेत के बिना भी कार्य कर सकता है। यह मजबूती दर्शाती है कि यह टूल नाजुक नहीं है; यदि एक मॉनिटर विफल हो जाता है, तो यह टूटता नहीं है। अध्ययन यह निष्कर्ष निकालता है कि हालांकि उन्नत सिस्टम जटिल डेटा धाराओं को एकीकृत कर सकते हैं, लेकिन ऐसे अस्पताल जिनके पास केवल मानक रोगी रिकॉर्ड और रजिस्ट्री डेटा तक पहुंच है, वे भी पूर्ण 'टाइम-सीरीज' मॉनिटरिंग वाले अस्पतालों के समान उच्च स्तर की भविष्यवाणी सटीकता प्राप्त कर सकते हैं। यह कार्य प्रदर्शित करता है कि इस संदर्भ में पोस्ट-सर्जिकल जटिलताओं की भविष्यवाणी करने के लिए, मरीज की पूर्व-मौजूदा स्थिति की गहरी समझ अक्सर सर्जरी के दौरान घड़ी की टिक-टिक देखने जितनी ही शक्तिशाली होती है।
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।