Predicting the Absence and Gaps in Recorded Blood Pressure Follow-up Among Patients With Hypertension
इस अध्ययन ने उच्च रक्तचाप वाले रोगियों के लिए रक्तचाप अनुवर्ती (फॉलो-अप) में अंतराल की भविष्यवाणी करने हेतु ईएचआर (EHR) डेटा का उपयोग करके एक ग्रेडिएंट-बूस्टेड ट्री मॉडल विकसित और मान्य किया, जो मध्यम भविष्य कहनेवाला प्रदर्शन और लक्षित आउटरीच की क्षमता प्रदर्शित करता है, साथ ही नस्लीय और जातीय समूहों के बीच संवेदनशीलता में महत्वपूर्ण असमानताओं को नोट करता है और यह पाता है कि संपर्क पैटर्न ने कार्डियोवैस्कुलर अस्पताल में भर्ती होने की भविष्यवाणी करने में न्यूनतम अतिरिक्त मूल्य प्रदान 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
उच्च रक्तचाप एक शांत शक्ति है जो, यदि अनियंत्रित छोड़ दी जाए, तो समय के साथ हृदय और मस्तिष्क को नुकसान पहुँचा सकती है। इसका प्रबंधन करना कोई एक बार की घटना नहीं है, बल्कि जाँच, समायोजन और फॉलो-अप का एक निरंतर चक्र है। जब किसी रोगी का रक्तचाप अचानक बढ़ जाता है, तो डॉक्टर यह देखने के लिए एक महीने के भीतर दोबारा आने की सलाह देते हैं कि क्या उपचार काम कर रहा है। फिर भी, वास्तविक दुनिया में, कई लोग उस महत्वपूर्ण चेक-अप के लिए वापस नहीं आते हैं। वे या तो ठीक महसूस कर रहे होते हैं, अपॉइंटमेंट भूल जाते हैं, या बस एक व्यस्त स्वास्थ्य सेवा प्रणाली के बीच कहीं खो जाते हैं। एक रोगी के मेडिकल रिकॉर्ड में फॉलो-अप रीडिंग का न होना इस बात का संकेत है कि देखभाल रुक गई है, लेकिन यह पहचानना कठिन है कि कौन से लोग सिस्टम से गायब होने वाले हैं। क्लीनिकों के पास सीमित कर्मचारी और समय होता है; वे हर उस मरीज को कॉल नहीं कर सकते जिसने विजिट मिस कर दी है। चुनौती यह तरीका खोजने की है, जो पहले से उपलब्ध जानकारी का उपयोग करके यह अनुमान लगा सके कि कौन से मरीज सिस्टम से गायब होने की सबसे अधिक संभावना रखते हैं, ताकि सीमित संसाधनों को उन लोगों की ओर निर्देशित किया जा सके जिन्हें सबसे अधिक मदद (नज) की आवश्यकता है।
शोधकर्ताओं की एक टीम ने इस विशिष्ट समस्या को हल करने के लिए एक टूल बनाने का लक्ष्य रखा। उन्होंने हाल ही में खतरनाक रूप से उच्च रीडिंग दर्ज करने वाले उच्च रक्तचाप वाले हजारों वयस्कों के डेटा का अध्ययन किया। उनका लक्ष्य एक ऐसा मॉडल बनाना था जो रोगी के इतिहास—उनकी आयु, उनके पिछले दौरे, उनकी दवाओं की सूची और आखिरी बार उन्होंने डॉक्टर को कब देखा था—को देखकर यह अनुमान लगा सके कि क्या वह रोगी अगले 90 दिनों के भीतर रक्तचाप की जांच के लिए वापस आने में विफल रहेगा। उन्होंने बोस्टन के एक एकल मेडिकल सेंटर के विशाल अस्पताल रिकॉर्ड डेटाबेस का उपयोग करके इस विचार का परीक्षण किया। शोधकर्ताओं ने अपने कंप्यूटर मॉडल को प्रत्येक रोगी के बारे में 62 अलग-अलग जानकारियां दीं, जिसमें उनके बीमा के प्रकार से लेकर अतीत में उनके अस्पताल जाने की आवृत्ति तक शामिल थी। फिर उन्होंने यह देखने के लिए निगरानी की कि क्या मॉडल उन लोगों की सही पहचान कर सकता है जो वास्तव में रिकॉर्ड से गायब हो गए।
परिणामों ने दिखाया कि कंप्यूटर मॉडल उन रोगियों की पहचान करने में काफी कुशल था जो छूट जाने की संभावना रखते थे। जब शोधकर्ताओं ने इसे उन रोगियों के समूह पर परखा जिन्हें पहले कभी नहीं देखा गया था, तो मॉडल ने उन लगभग 35% लोगों की सफलतापूर्वक पहचान की जिनका अगले 90 दिनों में कोई रक्तचाप चेक दर्ज नहीं हुआ था। यदि कोई क्लिनिक इस मॉडल का उपयोग अपने आउटरीच प्रयासों को प्राथमिकता देने के लिए करता, और केवल उन शीर्ष 20% रोगियों पर ध्यान केंद्रित करता जिन्हें मॉडल ने उच्चतम जोखिम के रूप में चिह्नित किया था, तो वे पाएंगे कि संपर्क किए गए लगभग 60% लोग वास्तव में अपना फॉलो-अप भूल चुके थे। यह रैंडम गेसिंग (यादृच्छिक अनुमान) की तुलना में एक महत्वपूर्ण सुधार है, जो केवल लगभग 35% छूटे हुए रोगियों को ही पकड़ पाता। मॉडल द्वारा उपयोग किए गए सबसे महत्वपूर्ण सुराग सरल थे: रोगी की पिछली विज़िट को कितना समय बीत चुका था और अतीत में उन्होंने कितनी बार अस्पताल का दौरा किया था। जिन रोगियों को देखे हुए काफी समय हो गया था और जिनके कम दौरों का इतिहास था, उनके सिस्टम से गायब होने की संभावना सबसे अधिक थी।
हालाँकि, अध्ययन ने यह भी उजागर किया कि यह टूल विभिन्न समूहों के लिए कितनी अच्छी तरह काम करता है, इसमें एक चिंताजनक अंतर है। जबकि मॉडल समग्र रूप से सटीक था, यह सभी नस्लीय और जातीय समूहों के लिए समान रूप से कार्य नहीं करता था। जब शोधकर्ताओं ने सभी पर एक ही नियम लागू किया, तो मॉडल ने उन श्वेत रोगियों में से लगभग 37% को पाया जिन्होंने अपना फॉलो-अप मिस किया था, लेकिन इसने अश्वेत रोगियों में केवल 21% और हिस्पैनिक रोगियों में केवल 23% को पाया। यह इस तथ्य के बावजूद हुआ कि मॉडल आम तौर पर सभी के लिए जोखिम की भविष्यवाणी करने में अच्छा था। शोधकर्ताओं ने पाया कि यह असमानता केवल इसलिए नहीं थी कि कम अश्वेत या हिस्पैनिक रोगी अपॉइंटमेंट मिस कर रहे थे; बल्कि इसलिए थी क्योंकि मॉडल उन समुदायों में देखभाल के विशिष्ट पैटर्न के प्रति कम संवेदनशील था। यह सुझाव देता है कि भविष्य के व्यवहार की भविष्यवाणी करने के लिए ऐतिहासिक विज़िट डेटा पर निर्भर रहना कभी-कभी मौजूदा असमानताओं को सुदृढ़ कर सकता है, क्योंकि मॉडल उन पैटर्न से सीखता है जो पहले से ही विभिन्न समूहों की देखभाल तक पहुँच से प्रभावित हो सकते हैं।
शोधकर्ताओं ने एक दूसरा, संबंधित प्रश्न भी पूछा: क्या स्वास्थ्य सेवा प्रणाली के साथ रोगी के संपर्क का पैटर्न हमें दिल के दौरे, स्ट्रोक या हार्ट फेलियर के भविष्य के जोखिम के बारे में कुछ बताता है? उन्होंने देखा कि क्या चिकित्सा रिकॉर्ड में लंबे अंतराल वाले रोगियों के अस्पताल में भर्ती होने की संभावना अधिक थी। आश्चर्यजनक रूप से, उत्तर 'नहीं' था। चिकित्सा रिकॉर्ड में लंबे अंतराल होने से हृदय संबंधी अस्पताल में भर्ती होने के उच्च जोखिम की लगातार भविष्यवाणी नहीं हुई। वास्तव में, डेटा ने दिखाया कि जिन रोगियों का स्वास्थ्य सेवा प्रणाली के साथ अधिक बार और निरंतर संपर्क था, उनके हार्ट फेलियर के लिए अस्पताल में भर्ती होने की संभावना थोड़ी अधिक थी। शोधकर्ताओं ने स्पष्ट किया कि यह बार-बार विज़िट करने से बीमारी होने का संकेत नहीं है, बल्कि जो रोगी अधिक बीमार या अधिक जटिल स्वास्थ्य समस्याओं वाले होते हैं, वे स्वाभाविक रूप से अपने डॉक्टरों को अधिक बार देखते हैं। उनकी बार-बार की विज़िट उनकी अंतर्निहित स्वास्थ्य समस्याओं का संकेत है, न कि उनका कारण। अध्ययन ने निष्कर्ष निकाला कि हालांकि ट्रैक करना कि कौन लोग अपने रक्तचाप की जांच मिस कर रहे हैं, क्लीनिकों के लिए एक उपयोगी उपकरण है, लेकिन विज़िट का पैटर्न भविष्य के दिल के दौरे या स्ट्रोक की भविष्यवाणी करने के लिए एक विश्वसनीय भविष्यवक्ता के रूप में कार्य नहीं करता है।
अंततः, यह कार्य स्वास्थ्य प्रणालियों को अपने मौजूदा डेटा का उपयोग करके उन रोगियों को पकड़ने का एक व्यावहारिक तरीका प्रदान करता है जो व्यवस्था से बाहर निकल रहे हैं। यह दिखाता है कि एक कंप्यूटर रोगी के इतिहास को देख सकता है और कह सकता है, "इस व्यक्ति के अगली अपॉइंटमेंट मिस करने की संभावना है," जो एक उचित स्तर की सटीकता के साथ है। लेकिन यह एक चेतावनी भी है कि ऐसे उपकरणों का उपयोग सावधानी से किया जाना चाहिए। यदि कोई क्लिनिक अपनी कमियों (ब्लाइंड स्पॉट्स) के लिए समायोजन किए बिना मॉडल का उपयोग करता है, तो वह ब्लैक या हिस्पैनिक रोगियों की तुलना में अधिक श्वेत रोगियों को कॉल करने वाला बन सकता है जो समान रूप से मदद की आवश्यकता रखते हैं। अध्ययन यह साबित नहीं करता है कि इन रोगियों को कॉल करने से उनका रक्तचाप ठीक होगा या उनकी जान बचेगी; यह केवल यह सिद्ध करता है कि मॉडल क्लीनिकों को यह तय करने में मदद कर सकता है कि किसे कॉल करना है। यह वास्तव में जानने के लिए कि क्या यह दृष्टिकोण बेहतर परिणाम लाता है, भविष्य के अध्ययनों को यह परीक्षण करने की आवश्यकता होगी कि क्या इन भविष्यवाणियों पर अमल करने से वास्तव में सभी के लिए बेहतर परिणाम प्राप्त होते हैं, चाहे उनकी पृष्ठभूमि कुछ भी हो।
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।