Evaluating the Incremental Value of AI-Derived ECG Features Beyond Automated ECG Reports and Clinical Data for 30-Day Mortality: A MIMIC-IV Cohort Study
यह MIMIC-IV कोहोर्ट अध्ययन प्रदर्शित करता है कि जबकि AI-व्युत्पन्न ECG विशेषताएं 30-दिवसीय मृत्यु दर की भविष्यवाणी करने में पारंपरिक आकृति विज्ञान मापों से काफी बेहतर प्रदर्शन करती हैं, मौजूदा स्वचालित रिपोर्टों और बुनियादी नैदानिक डेटा पर उनका वृद्धिशील मूल्य न्यूनतम और अनिश्चित है, जिसमें समान समग्र प्रदर्शन अलग-अलग रोगी उपसमूहों को प्राथमिकता देता 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
हर साल, लाखों लोग अस्पतालों में जाते हैं और एक सरल, दर्द रहित परीक्षण जिसे इलेक्ट्रोकार्डियोग्राम या ईसीजी (ECG) कहा जाता है, के माध्यम से अपने दिल की जांच करवाते हैं। यह मशीन स्क्रीन पर एक टेढ़ी-मेढ़ी रेखा के रूप में हृदय की विद्युत गतिविधि को रिकॉर्ड करती है, जो उस सटीक क्षण में दिल के धड़कने का एक स्नैपशॉट कैप्चर करती है। दशकों से, डॉक्टर इन रेखाओं पर भरोसा करते रहे हैं ताकि वे किसी समस्या को पहचान सकें, और उन विशिष्ट आकृतियों को देखते हैं जो हार्ट अटैक या अन्य गंभीर स्थितियों का संकेत देती हैं। आज, कंप्यूटर इन रेखाओं को स्वचालित रूप से पढ़ सकते हैं, लहरों की ऊंचाई और चौड़ाई को माप सकते हैं और एक संक्षिप्त रिपोर्ट लिख सकते हैं जो यह सारांश देती है कि उसने क्या देखा। लेकिन जैसे-जैसे आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) अधिक शक्तिशाली हुई है, शोधकर्ताओं ने एक कठिन प्रश्न पूछना शुरू कर दिया है: क्या ये नए, जटिल कंप्यूटर मॉडल उन चीजों को देख पा रहे हैं जो मानक रिपोर्ट और डॉक्टरों के अपने नोट्स से छूट जाती हैं? विशेष रूप से, क्या एक डीप-लर्निंग सिस्टम, जिसे कच्ची विद्युत तरंगों (raw electrical waves) को पहचानने के लिए प्रशिक्षित किया गया है, मानक उपकरणों की तुलना में यह बेहतर भविष्यवाणी कर सकता है कि किसकी एक महीने के भीतर मृत्यु हो सकती है?
शोधकर्ताओं की एक टीम ने बोस्टन के एक अस्पताल के चिकित्सा रिकॉर्ड के एक विशाल संग्रह को देखकर इसका उत्तर देने का प्रयास किया। उन्होंने उन 25,000 से अधिक वयस्कों पर ध्यान केंद्रित किया जिन्हें अस्पताल में रहने के दौरान ईसीजी प्राप्त हुआ था। प्रत्येक व्यक्ति के लिए, शोधकर्ताओं ने तीन अलग-अलग प्रकार की जानकारी एकत्र की ताकि यह देखा जा सके कि कौन सा एक मरीज की तीस दिनों के भीतर मृत्यु होने की सबसे अच्छी भविष्यवाणी कर सकता है। पहला प्रकार स्वयं कच्चा डेटा (raw data) था, जिसे एक परिष्कृत आर्टिफिशियल इंटेलिजेंस मॉडल में डाला गया था, जिसे लाखों धड़कनों पर लहरों के आकार को समझने के लिए प्रशिक्षित किया गया था। दूसरा प्रकार पंद्रह विशिष्ट मापों का एक सेट था जिसे एक शोधकर्ता उन्हीं लहरों से हाथ से गणना करके निकाल सकता था, जैसे कि रेखा में कुछ उभारों और उतारों की अवधि। तीसरा प्रकार वह वास्तविक स्वचालित रिपोर्ट थी जो एक अस्पताल का कंप्यूटर एक डॉक्टर के लिए उत्पन्न करता है, जिसमें बुनियादी विवरण जैसे कि रोगी की आयु, लिंग और अस्पताल पहुँचने से पहले उनका कोई ज्ञात मेडिकल इतिहास शामिल था।
शोधकर्ताओं ने यह तुलना की कि इनमें से प्रत्येक दृष्टिकोण ने जोखिम के आधार पर रोगियों को कितनी अच्छी तरह रैंक किया। उन्होंने पाया कि आर्टिफिशियल इंटेलिजेंस मॉडल वास्तव में सरल, हाथ से गणना किए गए मापों की तुलना में खतरे को पहचानने में बेहतर था। जब उन्होंने केवल हृदय की तरंगों को देखा, तो एआई (AI) मॉडल ने उन रोगियों की लगभग 7.5 प्रतिशत अधिक बार सही पहचान की जो मर सकते थे, जैसा कि बुनियादी मापों ने किया था। यह अंतर तब भी बना रहा जब उन्होंने इसमें रोगियों की आयु, लिंग और मेडिकल इतिहास को भी शामिल किया, हालांकि लाभ थोड़ा कम हो गया। इस विशिष्ट तुलना में, एआई स्पष्ट रूप से वह देख रहा था जो सरल माप नहीं देख पा रहे थे।
हालाँकि, कहानी तब बदल गई जब शोधकर्ताओं ने एआई की तुलना पूर्ण, स्वचालित अस्पताल रिपोर्ट से की। यह वह रिपोर्ट है जो एक डॉक्टर वास्तव में अपने कंप्यूटर स्क्रीन पर देखता है; इसमें बुनियादी माप के साथ-साथ अस्पताल के अपने सॉफ्टवेयर द्वारा उत्पन्न नैदानिक विवरण और सारांशों की एक लंबी सूची शामिल होती है। जब शोधकर्ताओं ने इस उन्नत एआई को इस समृद्ध, अधिक पूर्ण रिपोर्ट के विरुद्ध खड़ा किया, तो लाभ लगभग समाप्त हो गया। एआई मॉडल मानक स्वचालित रिपोर्ट की तुलना में महत्वपूर्ण रूप से बेहतर प्रदर्शन नहीं कर सका, और कुछ परीक्षणों में, अंतर इतना कम था कि वह संयोग के कारण भी हो सकता था। यह सुझाव देता है कि मानक अस्पताल रिपोर्ट पहले से ही हृदय तरंगों में छिपी अधिकांश उपयोगी जानकारी को पकड़ लेती है, जिससे नए एआई के पास जोड़ने के लिए बहुत कम बचता है।
शायद सबसे आश्चर्यजनक खोज यह थी कि किसे समीक्षा के लिए चिह्नित किया जाता है। एक वास्तविक अस्पताल में, डॉक्टर प्रत्येक रोगी के चार्ट को नहीं देख सकते; उन्हें यह चुनना होता है कि किन पर अधिक बारीकी से जांच की जाए। शोधकर्ताओं ने एक ऐसी स्थिति का अनुकरण (simulate) किया जहाँ वे केवल उच्चतम जोखिम वाले रैंक किए गए शीर्ष 5 प्रतिशत रोगियों की समीक्षा कर सकते थे। उन्होंने पाया कि एआई मॉडल और मानक रिपोर्ट लगभग समान संख्या में उन रोगियों को चुनते थे जिनकी मृत्यु हो सकती थी, लेकिन वे पूरी तरह से अलग लोगों को चुनते थे। एआई ने 136 ऐसे रोगियों को चिह्नित किया जिन्हें मानक रिपोर्ट ने छोड़ दिया था, लेकिन इसने उन 95 रोगियों को भी मिस कर दिया जिन्हें मानक रिपोर्ट ने पकड़ा था। इसका अर्थ यह है कि भले ही दो उपकरण औसत रूप से मृत्यु की भविष्यवाणी करने में समान रूप से अच्छे हों, फिर भी वे डॉक्टरों को अलग-अलग समूहों के पास भेज सकते हैं। एक उपकरण एक ऐसे मरीज को बचाकर जीवन बचा सकता है जिसे दूसरा टाल देता है, जबकि दूसरा उपकरण एक ऐसे मरीज को मिस कर सकता है जिसे पहला पकड़ लेता है।
अध्ययन ने यह भी देखा कि इस सफलता में कितना योगदान एआई के पहले से बहुत बड़ी मात्रा में हृदय डेटा पर प्रशिक्षित होने से आया था। उन्होंने परीक्षण किया कि क्या एक नया, अप्रशिक्षित कंप्यूटर नेटवर्क उतना ही अच्छा प्रदर्शन कर सकता है यदि उसे इस अध्ययन के विशिष्ट रोगियों से सीखने के लिए समान समय दिया जाए। उन्होंने पाया कि जब सीखने के लिए पर्याप्त डेटा उपलब्ध था, तो पूर्व-प्रशिक्षित एआई और नया, अप्रशिक्षित नेटवर्क लगभग एक जैसा प्रदर्शन करते थे। पूर्व-प्रशिक्षित होने का लाभ केवल तब स्पष्ट हुआ जब शोधकर्ताओं ने बहुत कम मात्रा में डेटा से सीखने का प्रयास किया। यह बताता है कि इन उन्नत मॉडलों की शक्ति केवल मॉडल की जटिलता पर नहीं, बल्कि उन्हें सिखाने के लिए उपलब्ध डेटा की मात्रा पर बहुत अधिक निर्भर करती है।
अंत में, शोधकर्ताओं ने परीक्षण किया कि क्या ये निष्कर्ष पूरी तरह से अलग परिवेश में भी लागू होते हैं। उन्होंने अमेरिकी अस्पताल के डेटा पर प्रशिक्षित मॉडलों को ब्राजील के रोगियों के एक समूह पर लागू किया, जिन्हें पहले कभी अमेरिकी प्रणाली द्वारा नहीं देखा गया था। इस नए जनसंख्या समूह में भी, जिसमें एक अलग स्वास्थ्य सेवा प्रणाली और एक वर्ष की लंबी अवधि (तीस दिनों के बजाय) थी, एआई मॉडल ने बुनियादी मापों की तुलना में एक छोटा लाभ बनाए रखा। हालाँकि, पूर्ण स्वचालित रिपोर्टों की तुलना में यह अंतर काफी कम हो गया, जो इस विचार को पुख्ता करता है कि मानक उपकरण पहले से ही बहुत अच्छा काम करते हैं।
शोधकर्ता निष्कर्ष निकालते हैं कि जबकि आर्टिफिशियल इंटेलिजेंस हृदय की तरंगों से मूल्यवान जानकारी निकाल सकता है जिसे सरल माप छोड़ देते हैं, पूर्ण, स्वचालित अस्पताल रिपोर्टों में सुधार करने की इसकी क्षमता सीमित और अनिश्चित है। इन नए उपकरणों का वास्तविक मूल्य केवल यह भविष्यवाणी करने में नहीं है कि कौन मरेगा, बल्कि इस बात में है कि वे उन रोगियों को कैसे बदलते हैं जिन्हें डॉक्टर देखते हैं। क्योंकि एआई और मानक रिपोर्ट अलग-अलग रोगियों को प्राथमिकता देते हैं, इसलिए एआई का उपयोग करने का अर्थ यह हो सकता है कि कुछ उच्च-जोखिम वाले व्यक्तियों को ध्यान दिया जाए जिन्हें अन्यथा अनदेखा कर दिया जाता, जबकि अन्य जिन्हें पकड़ा जाना चाहिए था, वे छूट सकते हैं। इससे पहले कि इन उपकरणों का उपयोग अस्पतालों के काम करने के तरीके को बदलने के लिए किया जा सके, यह समझने के लिए और अधिक शोध की आवश्यकता है कि वास्तव में किन रोगियों को इससे लाभ होता है और क्या इन जटिल प्रणालियों को चलाने की लागत उस अंतर के लायक है जो बचाए गए लोगों की संख्या में आता 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।