Development and Cross-Database External Validation of 24-Hour Landmark Models for ICU Mortality After Intracerebral Hemorrhage: Incremental Value of Routine Coagulation Markers
इस अध्ययन ने इंट्रासेरेब्रल हेमरेज के लिए 24-घंटे की आईसीयू मृत्यु दर भविष्यवाणी करने वाले मॉडल विकसित और बाहरी रूप से मान्य किए, जिसमें यह पाया गया कि जबकि बहुभिन्नरूपी (multivariable) मॉडलों ने सरल नैदानिक बेंचमार्क से बेहतर प्रदर्शन किया, नियमित जमावट मार्करों (coagulation markers) ने मानक नैदानिक और शारीरिक डेटा के परे कोई स्पष्ट रूप से समर्थित वृद्धिशील भविष्य कहनेवाला मूल्य प्रदान नहीं 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
हर साल, हजारों लोग ब्रेन ब्लीड (मस्तिष्क रक्तस्राव) का शिकार होते हैं, जो खोपड़ी के अंदर एक रक्त वाहिका का अचानक और हिंसक फटना है। यह घटना, जिसे चिकित्सकीय रूप से इंट्रासेरेब्रल हेमरेज (intracerebral hemorrhage) कहा जाता है, स्ट्रोक के सबसे खतरनाक रूपों में से एक है। जब ऐसा होता है, तो मस्तिष्क तुरंत खतरे में होता है, और गहन देखभाल इकाई (इंटेंसिव केयर यूनिट) के पहले कुछ घंटे अत्यंत महत्वपूर्ण होते हैं। डॉक्टर यह मापने के लिए कि मस्तिष्क कितनी अच्छी तरह कार्य कर रहा है, 'ग्लासगो कोमा स्केल' नामक एक सरल उपकरण पर भरोसा करते हैं; रोगी को अपनी आँखें खोलने, बोलने या अपने अंगों को हिलाने के लिए कहकर, वे एक स्कोर निर्धारित करते हैं जो चोट की गंभीरता को दर्शाता है। यह स्कोर लंबे समय से इस बात की भविष्यवाणी करने के लिए स्वर्ण मानक (gold standard) रहा है कि कौन जीवित रह सकता है और कौन नहीं। लेकिन गहन देखभाल के आधुनिक युग में, रोगी डेटा की एक निरंतर धारा से घिरे होते हैं: हृदय गति, रक्तचाप, और रक्त परीक्षण जो यह मापते हैं कि रक्त कितनी अच्छी तरह थकता है। शोधकर्ताओं के सामने प्रश्न यह है कि क्या ये अतिरिक्त आंकड़े, विशेष रूप से रक्त के थक्के जमने से संबंधित, रोगी के भाग्य के बारे में कोई नई अंतर्दight (insight) प्रदान करते हैं, या क्या मस्तिष्क के कार्य का सरल माप ही पूरी कहानी बताता है।
शोधकर्ताओं की एक टीम ने एक डिजिटल मॉडल बनाकर इसका उत्तर देने का प्रयास किया, जो ब्रेन ब्लीड वाले रोगियों में मृत्यु दर की भविष्यवाणी कर सके। उन्होंने अपने विचारों का परीक्षण वास्तविक रोगियों पर अस्पताल में नहीं किया; इसके बजाय, उन्होंने दो विशाल, गुमनाम डेटाबेस का उपयोग किया जिनमें उन हजारों लोगों के रिकॉर्ड शामिल थे जिन्होंने पहले संयुक्त राज्य अमेरिका के गहन देखभाल इकाइयों में उपचार प्राप्त किया था। एक डेटाबेस एक एकल शैक्षणिक अस्पताल से आया था, जबकि दूसरे ने देश भर के दर्जनों अस्पतालों से डेटा एकत्र किया था। शोधकर्ताओं ने एक विशिष्ट समय पर ध्यान केंद्रित किया: गहन देखभाल इकाई में रोगी के आगमन के बाद के पहले चौबीस घंटे। उन्होंने उस दिन के दौरान उपलब्ध प्रत्येक सामान्य जानकारी को एकत्र किया, जिसमें रोगी की आयु, उनका न्यूनतम मस्तिष्क कार्य स्कोर, उनके महत्वपूर्ण संकेत (vital signs), और रक्त के थक्के जमने की प्रक्रिया को मापने वाले रक्त परीक्षणों का एक विशिष्ट सेट शामिल था। ये क्लॉटिंग टेस्ट, जिनमें प्लेटलेट्स का माप और रक्त के थक्का बनने में लगने वाला समय शामिल है, अस्पतालों में मानक अभ्यास हैं क्योंकि डॉक्टरों को संदेह है कि थक्के जमने की समस्याएं ब्रेन बीड को बदतर बना सकती हैं या इसे नियंत्रित करना कठिन बना सकती हैं।
टीम ने पहले डेटाबेस के डेटा से सीखने के लिए शक्तिशाली कंप्यूटर एल्गोरिदम का उपयोग किया। उन्होंने कंप्यूटर को यह सिखाया कि पहले दिन एकत्र की गई जानकारी और रोगी की अस्पताल प्रवास के दौरान मृत्यु होने या न होने के बीच पैटर्न कैसे खोजे जाएं। उन्होंने तीन अलग-अलग प्रकार के लर्निंग मेथड्स का परीक्षण किया: एक जो कारकों के बीच सीधी रेखा वाले संबंधों को देखता है, और दो अधिक जटिल तरीके जो डेटा में जटिल, गैर-रेखीय (non-linear) संबंधों को खोज सकते हैं। एक बार मॉडल प्रशिक्षित हो जाने के बाद, शोधकर्ताओं ने एक महत्वपूर्ण कार्य किया: उन्होंने मॉडलों को स्थिर कर दिया और उन्हें दूसरे, पूरी तरह से अलग डेटाबेस पर परखा। यह कदम यह देखने के लिए बनाया गया था कि क्या एक अस्पताल प्रणाली में कंप्यूटर द्वारा खोजे गए पैटर्न दूसरे अस्पतालों के अलग सेट में, जिनमें अलग मरीज और अलग रिकॉर्ड रखने के तरीके हैं, सही साबित होते हैं। उन्होंने यह देखने के लिए भी एक विशिष्ट परीक्षण चलाया कि क्या क्लॉटिंग रक्त परीक्षणों को मॉडल में जोड़ने से वास्तव में मृत्यु की भविष्यवाणी करने की इसकी क्षमता में सुधार हुआ, या क्या मॉडल केवल आयु और मस्तिष्क कार्य जैसी बुनियादी जानकारी का उपयोग करके भी उतना ही अच्छा प्रदर्शन करता है।
परिणामों ने एक स्पष्ट और कुछ हद तक आश्चर्यजनक तस्वीर पेश की। कंप्यूटर मॉडल, जिन्होंने पहले बीस घंटों के डेटा का उपयोग किया था, नए और अलग अस्पतालों के समूह पर परीक्षण किए जाने पर यह भविष्यवाणी करने में काफी सक्षम थे कि किन रोगियों की मृत्यु होगी। उन्होंने जीवित बचे लोगों और न बचने वालों के बीच लगभग अस्सी प्रतिशत बार सही अंतर किया। हालांकि, सबसे महत्वपूर्ण निष्कर्ष यह था कि जटिल मॉडल एक बहुत ही सरल दृष्टिकोण की तुलना में काफी बेहतर प्रदर्शन नहीं कर पाए: जो केवल रोगी के मस्तिष्क कार्य स्कोर और उनकी आयु को देखता है। जिन मॉडलों में क्लॉटिंग रक्त परीक्षण शामिल थे, उन्हें उन मॉडलों की तुलना में कोई सार्थक लाभ नहीं मिला जिन्होंने उन परीक्षणों को छोड़ दिया था। वास्तव में, जब शोधकर्ताओं ने मृत्यु की भविष्यवाणी करने के लिए अकेले क्लॉटिंग परीक्षणों का उपयोग करने का प्रयास किया, तो मॉडल का प्रदर्शन यादृच्छिक अनुमान (random guessing) से बेहतर नहीं था। डेटा ने सुझाव दिया कि हालांकि क्लॉटिंग की समस्याएं निश्चित रूप से नैदानिक चित्र का हिस्सा हैं, लेकिन उनसे मिलने वाली जानकारी रोगी के समग्र स्वास्थ्य और मस्तिष्क की चोट की गंभीरता के व्यापक चित्र में पहले से ही समाहित है।
अध्ययन ने यह भी खुलासा किया कि मॉडल मृत्यु की सटीक संभावना की भविष्यवाणी करने में पूर्ण नहीं थे। हालांकि वे रोगियों को कम जोखिम से उच्च जोखिम के क्रम में वर्गीकृत करने में अच्छे थे, लेकिन उनके द्वारा उत्पन्न विशिष्ट संख्याएं अक्सर नए अस्पतालों में वास्तव में होने वाली घटनाओं की तुलना में बहुत कम थीं। यह सुझाव देता है कि हालांकि मॉडल यह पहचान सकते हैं कि कौन खतरे में है, डॉक्टर उपचार संबंधी निर्णय लेने के लिए बिना किसी अतिरिक्त समायोजन के उनके द्वारा उत्पन्न विशिष्ट प्रतिशत संख्याओं पर अभी भरोसा नहीं कर सकते। शोधकर्ताओं ने निष्कर्ष निकाला कि क्लॉटिंग के लिए नियमित रक्त परीक्षण, अपनी नैदानिक महत्ता के बावजूद, देखभाल के पहले दिन मृत्यु दर के लिए शक्ति का एक नया स्तर नहीं जोड़ते हैं। मस्तिष्क की स्थिति, जिसे रोगी के प्रतिक्रिया करने की क्षमता के सरल स्कोर द्वारा मापा जाता है, प्रमुख संकेत बनी हुई है। यह अध्ययन एक अनुस्मारक के रूप में कार्य करता है कि अधिक डेटा एकत्र करने की दौड़ में, सबसे शक्तिशाली भविष्यवक्ता अक्सर वे होते हैं जिन्हें सबसे लंबे समय से जाना जाता रहा है, और अधिक वेरिएबल्स (variables) जोड़ने का अर्थ हमेशा स्पष्ट उत्तर प्राप्त करना नहीं होता 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।