Refining E-detectioN Tools for Emerging mental disoRders (ENTER) to identify young people at clinical high risk for psychosis in the community: model development and internal validation
अध्ययन ने ENTER को विकसित और आंतरिक रूप से मान्य किया, जो एक मल्टीमॉडल डिजिटल स्क्रीनर है जिसने सामुदायिक परिवेश में साइकोसिस के नैदानिक उच्च जोखिम वाले युवाओं की पहचान करने के लिए स्थापित PQ-16 कट-ऑफ की तुलना में बेहतर भेदभाव और अंशांकन (कैलिब्रेशन) प्रदर्शित किया।
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
मानसिक स्वास्थ्य संबंधी चुनौतियाँ अक्सर बहुत शांति से शुरू होती हैं, किसी संकट के उत्पन्न होने से बहुत पहले। कई युवाओं के लिए, साइकोसिस (मनोविकृति) जैसी गंभीर स्थिति के शुरुआती लक्षण किशोरावस्था या प्रारंभिक वयस्कता के दौरान सोचने, महसूस करने या धारणा बनाने में सूक्ष्म बदलावों के रूप में दिखाई देते हैं। यह प्रारंभिक चरण, जिसे 'क्लिनिकल हाई-रिस्क स्टेट' (नैदानिक उच्च-जोखिम अवस्था) कहा जाता है, अवसर की एक महत्वपूर्ण खिड़की है। यदि इसकी पहचान कर ली जाए, तो यह उस स्थिति को पूरी तरह से विकसित होने से रोकने या उसके प्रभाव को कम करने के लिए सहायता और देखभाल की अनुमति देता है। हालाँकि, इन व्यक्तियों को ढूँढना कठिन है। वर्तमान में, अधिकांश लोगों को तभी पहचाना जाता है जब वे किसी विशेषज्ञ से मदद मांगते हैं, जिसका अर्थ है कि कई लोग तब तक सिस्टम की पकड़ से बाहर निकल जाते हैं जब उनके लक्षण अभी भी हल्के और प्रबंधनीय होते हैं। चुनौती इन जोखिमों को जल्दी, सटीक रूप से और मानसिक स्वास्थ्य देखभाल के लिए उपलब्ध सीमित संसाधनों को प्रभावित किए बिना पहचानने का तरीका बनाने में निहित है।
यूनाइटेड किंगडम और इटली के विश्वविद्यालयों और अस्पतालों के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने की दिशा में एक महत्वपूर्ण कदम उठाया है। उन्होंने 'एंटर' (ENTER) नामक एक नया डिजिटल टूल विकसित और परीक्षण किया है, जिसे समुदाय में युवाओं में साइकोसिस के जोखिम के संकेतों की जांच (स्क्रीनिंग) करने के लिए डिज़ाइन किया गया है। 2,500 से अधिक प्रतिभागियों (आयु 12 से 35 वर्ष) पर आधारित इस अध्ययन में इस नए दृष्टिकोण की तुलना वर्तमान में क्लीनिकों में उपयोग की जाने वाली मानक पद्धति से की गई। मानक पद्धति एक सरल प्रश्नावली पर निर्भर करती है जो विशिष्ट असामान्य विचारों और अनुभवों के बारे में पूछती है। जबकि यह मौजूदा उपकरण उन अधिकांश लोगों को पकड़ने में अच्छा है जो जोखिम में हो सकते हैं, यह कई ऐसे लोगों को भी चिह्नित करता है जो जोखिम में नहीं हैं, जिससे अनावश्यक फॉलो-अप अपॉइंटमेंट की स्थिति पैदा होती है। शोधकर्ता यह देखना चाहते थे कि क्या अन्य प्रकार की जानकारी जोड़ने से—जैसे कि कोई व्यक्ति कितनी तेज़ी से सूचनाओं को प्रोसेस करता है और उनकी जीवन पृष्ठभूमि—इस स्क्रीनिंग को अधिक सटीक बनाया जा सकता है।
शोधकर्ताओं ने एक ऑनलाइन सर्वेक्षण के माध्यम से अपने नए टूल का निर्माण किया। इस सर्वेक्षण में मानक प्रश्नावली शामिल थी जो असामान्य विचारों के बारे में पूछती थी, लेकिन इसमें इन विचारों से होने वाली परेशानी (डिस्ट्रैस) के बारे में भी पूछा गया, इसमें एक त्वरित परीक्षण शामिल था कि कोई व्यक्ति प्रतीकों को संख्याओं के साथ कितनी तेज़ी से मिला सकता है, और इसमें उनके जीवन के इतिहास के बारे में जानकारी जुटाई गई, जैसे कि उनकी पारिवारिक पृष्ठभूमि, वे कहाँ पले-बढ़े, और सामाजिक कठिनाइयों का कोई भी अनुभव। टीम ने इस मिश्रित डेटा का विश्लेषण करने के लिए उन्नत कंप्यूटर एल्गोरिदम का उपयोग किया। उन्होंने इस नए, बहु-स्तरीय दृष्टिकोण के परिणामों की तुलना केवल मानक प्रश्नावली के परिणामों से की। परिणामों की विश्वसनीयता सुनिश्चित करने के लिए, उन्होंने इस टूल का परीक्षण उन लोगों के समूह पर किया जो पहले ही एक विस्तृत, 'गोल्ड-स्टैंडर्ड' क्लिनिकल इंटरव्यू से गुजर चुके थे, जिससे यह पुष्टि हुई थी कि वे वास्तव में उच्च जोखिम पर थे या नहीं।
निष्कर्षों ने दिखाया कि नया 'एंटर' टूल उच्च जोखिम वाले लोगों और जोखिम में न होने वालों के बीच अंतर करने में काफी बेहतर था। जहाँ मानक प्रश्नावली ने हर 100 मामलों में से लगभग 62 मामलों में जोखिम की सही पहचान की, वहीं नए टूल ने इस सटीकता को बढ़ाकर लगभग 74/100 कर दिया। इससे भी महत्वपूर्ण बात यह है कि नया टूल गलत चेतावनियों (फॉल्स अलार्म) से बचने में बेहतर था। व्यावहारिक रूप से, इसका अर्थ है कि प्रत्येक 100 स्क्रीन किए गए लोगों में से, नई विधि दो अतिरिक्त व्यक्तियों की पहचान कर सकती है जिन्हें वास्तव में मदद की आवश्यकता थी, बिना गलत तरीके से चिह्नित किए जाने वाले लोगों की संख्या बढ़ाए। शोधकर्ताओं ने पाया कि उनके टूल के सबसे सफल संस्करण ने एक विशिष्ट प्रकार की 'कंप्यूटर लर्निंग' का उपयोग किया जो डेटा में जटिल पैटर्न का पता लगा सकती है, न कि केवल एक-एक कारक को देखती है। इस दृष्टिकोण ने रेखांकित किया कि जोखिम केवल लक्षणों के बारे में नहीं है; यह इस बारे में भी है कि एक व्यक्ति कैसे सोचता है, वह कितनी परेशानी महसूस करता है, और वह किस वातावरण में रहता है।
इन उत्साहजनक परिणामों के बावजूद, शोधकर्ता सावधानीपूर्वक यह नोट करते हैं कि यह एक विकास अध्ययन (डेवलपमेंट स्टडी) है, अंतिम समाधान नहीं। इस टूल का परीक्षण आंतरिक रूप से किया गया था, जिसका अर्थ है कि इसका मूल्यांकन उसी समूह के लोगों पर किया गया था जिन्होंने इसे बनाने में मदद की थी, और इसे अभी तक वास्तविक दुनिया के क्लीनिकों या विभिन्न देशों में काम करने के लिए सिद्ध नहीं किया गया है। अध्ययन ने यह भी स्वीकार किया कि स्वयंसेवक समूह सामान्य आबादी का पूर्णतः प्रतिनिधि नहीं था, जिसमें महिलाओं और श्वेत जातीयता के लोगों की संख्या सामान्य समुदाय की तुलना में अधिक थी। इसके अलावा, इस प्रक्रिया के लिए प्रतिभागियों को मानक पद्धति की तुलना में अधिक प्रश्नों के उत्तर देने की आवश्यकता थी, जो कुछ लोगों के लिए एक बाधा हो सकती है। लेखक इस बात पर जोर देते हैं कि हालांकि नया टूल जोखिम में मौजूद युवाओं को खोजने के तरीके में सुधार करने की बड़ी क्षमता दिखाता है, लेकिन इसके उपयोगिता की पुष्टि करने के लिए आगे के परीक्षण की आवश्यकता है। तब तक, यह कार्य एक मजबूत 'प्रूफ ऑफ कॉन्सेप्ट' के रूप में कार्य करता है कि विभिन्न प्रकार की जानकारी को मिलाने से केवल लक्षणों को देखने की तुलना में मानसिक स्वास्थ्य जोखिमों की अधिक स्पष्ट तस्वीर प्राप्त की जा सकती 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।