Machine Learning Based Detection of Chronic Kidney Disease using Full Blood Count from a Ghanaian Hospital Population with an Integrated Web Application
यह अध्ययन प्रदर्शित करता है कि जबकि फुल ब्लड काउंट डेटा का उपयोग करने वाले मशीन लर्निंग मॉडल घाना की आबादी में क्रोनिक किडनी डिजीज का पता लगा सकते हैं, उनका रिपोर्ट किया गया प्रदर्शन प्रीप्रोसेसिंग निर्णयों पर अत्यधिक निर्भर है, जहाँ SMOTE के अनुचित अनुप्रयोग ने एक कठोर क्रॉस-वैलिडेशन प्रोटोकॉल की तुलना में सटीकता को 22.4 अंकों से बढ़ा दिया, जिससे व्याख्या योग्य वेब टूल नेफ्रोस्कैन GH (NephroScan GH) की तैनाती हुई।
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
क्रोनिक किडनी डिजीज (जीर्ण वृक्क रोग) एक ऐसी स्थिति है जो अक्सर चुपचाप विकसित होती है, जिससे व्यक्ति को मदद लेने के लिए पर्याप्त बीमार महसूस होने से बहुत पहले ही शरीर को नुकसान पहुँचने लगता है। दुनिया के कई हिस्सों में, इस बीमारी की पुष्टि करने के लिए विशेष रक्त और मूत्र परीक्षणों की आवश्यकता होती है जो महंगे हो सकते हैं या स्थानीय क्लीनिकों में उपलब्ध नहीं होते हैं। हालाँकि, इन क्षेत्रों के अस्पतालों में अक्सर एक बहुत ही सस्ता और अधिक सामान्य परीक्षण किया जाता है जिसे 'फुल ब्लड काउंट' कहा जाता है। यह मानक परीक्षण रक्त की विभिन्न कोशिकाओं की संख्या और आकार को मापता है, जैसे कि ऑक्सीजन ले जाने वाली लाल कोशिकाएं, संक्रमण से लड़ने वाली सफेद कोशिकाएं और रक्त का थक्का जमाने में मदद करने वाले प्लेटलेट्स। क्योंकि ये परीक्षण अन्य कारणों से पहले से ही किए जा रहे हैं, शोधकर्ताओं ने सोचा है कि क्या इनके भीतर छिपी जानकारी किडनी की समस्याओं के लिए एक प्रारंभिक चेतावनी प्रणाली के रूप में काम कर सकती है, जो बीमारी के गंभीर होने से पहले ही इसे पकड़कर जीवन बचा सकती है।
घाना में शोधकर्ताओं की एक टीम ने हो (Ho) के एक अस्पताल के रोगियों के डेटा का उपयोग करके इस विचार का परीक्षण करने का निर्णय लिया। वे यह देखना चाहते थे कि क्या वे कंप्यूटर एल्गोरिदम का उपयोग करके रक्त कोशिका गणनाओं में उन पैटर्न को पहचान सकते हैं जो किडनी रोग वाले लोगों को बिना रोग वाले लोगों से अलग करते हैं। चुनौती यह थी कि उनके रोगियों के समूह में यह बीमारी अपेक्षाकृत दुर्लभ थी, जिससे कंप्यूटर के लिए बिना भ्रमित हुए अंतर सीखना कठिन हो गया था। इस समस्या को हल करने के लिए, शोधकर्ताओं ने कंप्यूटर के लिए डेटा तैयार करने के दो अलग-अलग तरीके आजमाए। एक तरीका सख्त और सतर्क था, जो यह सुनिश्चित करता था कि कंप्यूटर अंतिम भविष्यवाणी करने के लिए तैयार होने तक परीक्षण वाले रोगियों को कभी न देखे। दूसरा तरीका अधिक आक्रामक था, जो कंप्यूटर को तेजी से सीखने में मदद करने के लिए दुर्लभ बीमारी के कृत्रिम उदाहरण बनाता था, लेकिन इसमें यह जोखिम भी था कि कंप्यूटर वास्तविक पैटर्न सीखने के बजाय केवल परीक्षण के मामलों को रट सकता है।
इस अध्ययन में 155 रोगियों के रिकॉर्ड शामिल थे, जिनमें से 43 में क्रोनिक किडनी डिजीज का कोई चरण मौजूद था। शोधकर्ताओं ने कंप्यूटर को दस जानकारियां दीं: रोगी की आयु, हृदय रोग का इतिहास, और उनके रक्त परीक्षण से आठ विशिष्ट माप। इसके बाद उन्होंने दो तैयारी विधियों के तहत विभिन्न कंप्यूटर मॉडल के प्रदर्शन की तुलना की। जब शोधकर्ताओं ने सख्त और सतर्क विधि का उपयोग किया, तो कंप्यूटर मॉडल का प्रदर्शन औसत रहा। उन्होंने अनदेखे रोगियों में बीमारी की पहचान लगभग 62 प्रतिशत बार सही ढंग से की, जो केवल यह अनुमान लगाने से थोड़ा ही बेहतर था कि किसी को बीमारी नहीं है। इससे यह संकेत मिला कि हालांकि रक्त परीक्षण में कुछ उपयोगी सुराग मौजूद थे, लेकिन सिग्नल इतना मजबूत नहीं था कि वह अपने आप में एक आदर्श डिटेक्टर बन सके।
हालाँकि, जब शोधकर्ताओं ने कृत्रिम उदाहरण बनाने वाली अधिक आक्रामक विधि का उपयोग किया, तो परिणाम नाटकीय रूप से बदल गए। इस दृष्टिकोण के तहत, कंप्यूटर मॉडल ने लगभग 0.84 का AUC प्राप्त किया, जिससे किडनी रोग वाले अधिकांश रोगियों की सही पहचान हुई। यह भारी अंतर, जो 22 प्रतिशत अंकों से अधिक का है, इस बात का खुलासा करता है कि चिकित्सा संबंधी अध्ययन अक्सर कैसे किए जाते हैं। शोधकर्ताओं ने पाया कि कई अन्य चिकित्सा अध्ययनों में देखी जाने वाली उच्च सफलता दर इसलिए बढ़ी हुई हो सकती है क्योंकि कंप्यूटर को प्रशिक्षण के दौरान अनजाने में उत्तरों की एक झलक मिल गई थी। दोनों विधियों की तुलना करके, उन्होंने दिखाया कि डेटा को संभालने के बारे में एक एकल निर्णय रिपोर्ट की गई सफलता को पूरी तरह से बदल सकता है।
इस पद्धतिगत चेतावनी के बावजूद, शोधकर्ता वहीं नहीं रुके। उन्होंने उन मॉडलों को लिया जो आक्रामक विधि के तहत सबसे अच्छा प्रदर्शन करते थे और एक मुफ्त, सरल वेबसाइट 'नेफ्रोस्कैन जीएच' (NephroScan GH) बनाई। यह टूल डॉक्टर या रोगी को दस रक्त मान दर्ज करने और तुरंत एक जोखिम स्कोर प्राप्त करने की अनुमति देता है। यह प्रणाली पारदर्शी होने के लिए डिज़ाइन की गई है; यह केवल एक संख्या नहीं देती बल्कि यह भी बताती है कि किन रक्त कोशिका गणनाओं ने स्कोर को ऊपर या नीचे धकेला। उदाहरण के लिए, कंप्यूटर ने पाया कि आयु सबसे मजबूत कारक था, लेकिन रक्त कोशिकाओं के बीच, श्वेत रक्त कोशिकाओं की संख्या और प्लेटलेट्स का आकार सबसे महत्वपूर्ण संकेत थे, न कि ऑक्सीजन ले जाने वाली लाल रक्त कोशिकाएं। यह जैविक रूप से समझ में आता है, क्योंकि किडनी रोग अक्सर सूजन और प्लेटलेट्स के व्यवहार में परिवर्तन का कारण बनता है, जबकि लाल कोशिकाओं में एनीमिया का क्लासिक संकेत आमतौर पर बीमारी के बाद के चरणों में ही दिखाई देता है।
वेबसाइट एक व्यावहारिक अगला कदम भी प्रदान करती है। केवल उपयोगकर्ता को जोखिम में बताने के बजाय, यह उन्हें पास के अस्पतालों और प्रयोगशालाओं की एक निर्देशिका की ओर निर्देशित करती है जहाँ वे निदान की पुष्टि के लिए आवश्यक विशिष्ट और अधिक महंगे परीक्षण करवा सकते हैं। पूरी प्रणाली हल्की और तेज़ है, जिसे बुनियादी इंटरनेट कनेक्शन और कम लागत वाले कंप्यूटरों पर चलने के लिए डिज़ाइन किया गया है, जिससे यह उन संसाधन-सीमित परिवेशों के लिए उपयुक्त हो जाती है जहाँ इसकी सबसे अधिक आवश्यकता है। शोधकर्ता इस बात पर जोर देते हैं कि यह उपकरण निदान नहीं बल्कि एक संकेत है। यह एक तरीका है जिससे पहले से उपलब्ध सस्ते, नियमित रक्त परीक्षणों का उपयोग उन लोगों को चिह्नित करने के लिए किया जा सकता है जिन्हें आगे की देखभाल की आवश्यकता है, जो एक साधारण स्क्रीनिंग और एक पुष्ट चिकित्सा परिणाम के बीच के अंतर को पाटता है।
अध्ययन इस निष्कर्ष पर पहुँचता है कि हालांकि फुल ब्लड काउंट में किडनी रोग के लिए एक वास्तविक संकेत होता है, लेकिन उस संकेत की ताकत इस बात पर निर्भर करती है कि डेटा को कैसे संभाला जाता है। शोधकर्ताओं ने प्रदर्शित किया कि चिकित्सा तकनीक पत्रों में अक्सर देखी जाने वाली प्रभावशाली संख्याएं कभी-कभी डेटा तैयार करने के तरीके से पैदा हुआ एक भ्रम हो सकती हैं। इन अंतरों के बारे में ईमानदार रहकर और एक ऐसा टूल बनाकर जो पारदर्शी और सुलभ है, उन्होंने एक ऐसी प्रणाली बनाई है जो वास्तव में घाना में डॉक्टरों को यह तय करने में मदद कर सकती है कि किसे आगे के परीक्षण की आवश्यकता है। यह कार्य एक अनुस्मारक के रूप में कार्य करता है कि स्मार्ट चिकित्सा उपकरण बनाने की दौड़ में, सबसे महत्वपूर्ण कदम यह सुनिश्चित करना है कि कंप्यूटर सही जानकारी से सीख रहा है, न कि केवल परीक्षण के उत्तरों को रट रहा 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।