← नवीनतम पेपर
🏥 शल्य चिकित्सा

Individualised and Time-Dependent Prediction of Recurrence After Colorectal Cancer Liver Metastases Resection

यह अध्ययन व्यक्तिगत, समय-निर्भर पुनरावृत्ति संभावनाओं को उत्पन्न करने के लिए सात स्थापित कोलोरेक्टल कैंसर लिवर मेटास्टेसिस जोखिम स्कोर को मान्य और पुन: अंशांकित करता है, जो अब नैदानिक निर्णय लेने और भविष्य के मॉडल बेंचमार्किंग में सहायता के लिए ऑनलाइन PLATO टूल के माध्यम से सुलभ हैं।

मूल लेखक: Viljamaa, A., Baumgartner, R., Strandberg, R., Sterner, J., Drejian, S., Aghayan, D., Fernandez Moro, C., Sparrelid, E., Osterlund, P., Edwin, B., Fretland, A. A., Geyer, N., Engstrand, J., Gerling, M
प्रकाशित 2026-11-06
📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Viljamaa, A., Baumgartner, R., Strandberg, R., Sterner, J., Drejian, S., Aghayan, D., Fernandez Moro, C., Sparrelid, E., Osterlund, P., Edwin, B., Fretland, A. A., Geyer, N., Engstrand, J., Gerling, M.

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

जब कैंसर कोलन से लिवर में फैलता है, तो डॉक्टरों के पास अक्सर एक स्पष्ट मार्ग होता है: दिखाई देने वाले ट्यूमर को हटाने के लिए सर्जरी। यह प्रक्रिया उपचारात्मक हो सकती है, जो रोगियों को लंबे जीवन का अवसर प्रदान करती है। फिर भी, शरीर एक जटिल स्थान है, और सर्जन द्वारा चीरा लगाने के बाद अक्सर सूक्ष्म रोग के बीज छिपे रह जाते हैं। ये छिपे हुए सेल वापस बढ़ सकते हैं, जिससे कैंसर दोबारा लौट आता है। दशकों से, मेडिकल टीमें इस बात का अनुमान लगाने के लिए व्यापक जोखिम श्रेणियों पर निर्भर रही हैं कि किसे पुनरावृत्ति का सामना करना पड़ सकता है। वे रोगियों को "कम जोखिम" या "उच्च जोखिम" जैसे सरल समूहों में बांटते हैं, जो ट्यूमर की संख्या या उनके प्रकट होने की गति जैसे कारकों पर आधारित होते हैं। हालांकि ये श्रेणियां एक सामान्य दिशा प्रदान करती हैं, लेकिन वे उस विशिष्ट प्रश्न का उत्तर देने में संघर्ष करती हैं जो हर रोगी पूछता है: "अगले एक वर्ष, या अगले तीन वर्षों में मेरे स्वस्थ रहने की वास्तविक संभावना क्या है?"

स्वीडन और नॉर्वे के शोधकर्ताओं का एक नया अध्ययन इन व्यापक श्रेणियों को सटीक, व्यक्तिगत संभावनाओं में बदलकर इस अंतर को दूर करता है। टीम ने कैंसर की पुनरावृत्ति की भविष्यवाणी करने के लिए उपयोग की जाने वाली सात स्थापित विधियों को लिया और लगभग 900 रोगियों के डेटा का उपयोग करके उन्हें पुनर्गठित (recalibrate) किया, जिन्होंने दो प्रमुख अस्पतालों में सर्जरी करवाई थी। रोगियों को एक अस्पष्ट जोखिम समूह में छोड़ने के बजाय, शोधकर्ताओं ने एक डिजिटल टूल बनाया जो सर्जरी के एक, दो और तीन साल बाद कैंसर के वापस आने की व्यक्तिगत प्रतिशत संभावना की गणना करता है। उन्होंने पाया कि जबकि पुराने स्कोरिंग सिस्टम रोगियों को समूहों में तो विभाजित कर सकते थे, लेकिन वे अक्सर किसी एक व्यक्ति के लिए सटीक समय या पुनरावृत्ति की संभावना बताने में विफल रहे। इन स्कोरों को स्पष्ट प्रतिशत में बदलकर और एक अलग समूह के रोगियों के विरुद्ध परीक्षण करके, टीम ने सिद्ध किया कि ये परिष्कृत अनुमान विश्वसनीय हैं और नैदानिक चर्चाओं में उपयोग के लिए तैयार हैं।

शोधकर्ताओं ने अपना कार्य कोलोरेक्टल कैंसर वाले रोगियों के चिकित्सा रिकॉर्ड के एक बड़े संग्रह से शुरू किया, जिनका लिवर में फैला हुआ कैंसर था। उन्होंने दो विशिष्ट समूहों पर ध्यान केंद्रित किया: एक स्टॉकहोम के अस्पताल से, जो आठ वर्षों में इलाज किए गए रोगियों के एक व्यापक, वास्तविक दुनिया के मिश्रण का प्रतिनिधित्व करता है, और दूसरा ओस्लो में एक क्लिनिकल ट्रायल से, जिसमें एक विशिष्ट प्रकार की न्यूनतम आक्रामक (minimally invasive) सर्जरी के लिए चुने गए रोगी शामिल थे। स्टॉकहोम समूह में 709 रोगी थे, जबकि ओस्लो समूह में 198। टीम ने यह जांचा कि सात अलग-अलग मौजूदा जोखिम स्कोर इन रोगियों पर कितनी अच्छी तरह काम करते हैं। पिछले कुछ दशकों में विकसित ये स्कोर ट्यूमर के आकार, मूल कैंसर निदान और लिवर में प्रसार के बीच के समय, और क्या कैंसर में विशिष्ट आनुवंशिक विशेषताएं थीं, जैसे विभिन्न सुरागों का उपयोग करते हैं।

अध्ययन से पता चला कि सभी सात स्कोर उन रोगियों के बीच अंतर करने में सक्षम थे जो संभवतः कैंसर मुक्त रहेंगे और जो नहीं रहेंगे। हालांकि, शोधकर्ताओं ने इन उपकरणों के उपयोग में एक महत्वपूर्ण सीमा देखी। अधिकांश स्कोर केवल एक रोगी को "कम जोखिम" जैसी श्रेणी में रखते थे, बिना यह निर्दिष्ट किए कि इसका समय या संभावना के संदर्भ में क्या अर्थ है। उदाहरण के लिए, "कम जोखिम" लेबल वाला एक रोगी एक वर्ष में 20 प्रतिशत पुनरावृत्ति की संभावना रख सकता है, जबकि उसी श्रेणी में दूसरे रोगी की पुनरावृत्ति की संभावना 40 प्रतिशत हो सकती है। सटीकता की इस कमी ने डॉक्टरों के लिए अनुवर्ती देखभाल (follow-up care) को अनुकूलित करना और रोगियों के लिए उनकी विशिष्ट स्थिति को समझना कठिन बना दिया। शोधकर्ताओं ने महसूस किया कि वास्तव में उपयोगी होने के लिए, इन उपकरणों को श्रेणियों से आगे बढ़कर एक ऐसे नंबर में बदलना होगा जो वास्तविक दुनिया की संभावना को दर्शाता हो।

इसे हल करने के लिए, टीम ने प्रत्येक के सात स्कोर के पीछे के गणितीय सूत्रों को लिया और उन्हें अपने विशिष्ट रोगी डेटा के साथ काम करने के लिए समायोजित किया। 'रीकैलिब्रेशन' (recalibration) के रूप में जानी जाने वाली इस प्रक्रिया ने उन्हें कच्चे स्कोर को प्रतिशत में अनुवादित करने की अनुमति दी। इसके बाद उन्होंने इन नए, व्यक्तिगत मॉडलों का परीक्षण किया कि क्या वे रोगियों के साथ वास्तव में क्या हुआ उससे मेल खाते हैं। परिणामों ने दिखाया कि मॉडलों द्वारा की गई भविष्यवाणी और वास्तविक परिणामों के बीच एक मजबूत सहमति थी। उदाहरण के लिए, यदि मॉडल ने भविष्यवाणी की कि रोगियों के एक समूह में तीन वर्षों के भीतर पुनरावृत्ति की 30 प्रतिशत संभावना है, तो वास्तव में उन रोगियों में से लगभग 30 प्रतिशत में बीमारी वापस आई। यह स्तर की सटीकता तब भी बनी रही जब मॉडलों का परीक्षण ओस्लो के अलग समूह के रोगियों पर किया गया, जिससे पता चलता है कि यह दृष्टिकोण विभिन्न अस्पताल सेटिंग्स और रोगी आबादी में काम करता है।

सबसे महत्वपूर्ण निष्कर्षों में से एक यह था कि पुनरावृत्ति की भविष्यवाणी करने की इन स्कोरों की क्षमता समय के साथ बदल जाती है। एक स्कोर जो सर्जरी के छह महीने बाद क्या हो सकता है, इसकी भविष्यवाणी करने के लिए अच्छा काम करता था, वह तीन साल बाद क्या हो सकता है, इसकी भविष्यवाणी करने के लिए आवश्यक रूप से सबसे अच्छा नहीं था। शोधकर्ताओं ने पाया कि अलग-अलग स्कोर रिकवरी की अवधि के विभिन्न चरणों में बेहतर प्रदर्शन करते हैं। उदाहरण के लिए, एक स्कोर जिसे 'गेम' (GAME) स्कोर कहा जाता है, जिसमें आनुवंशिक जानकारी शामिल है, सर्जरी के दो और तीन साल बाद पुनरावृत्ति की भविष्यवाणी करने में मजबूत प्रदर्शन दिखाता है। दूसरा 'हेलसिंकी' (Helsinki) स्कोर, जो सूक्ष्मदर्शी के नीचे ट्यूमर कोशिकाओं के स्वरूप को देखता है, भी अच्छा प्रदर्शन करता है। इन अंतरों को मैप करके, शोधकर्ता यह सुझाव दे सकते थे कि भविष्य में कितनी दूर तक देखने के लिए किस टूल का उपयोग किया जाए।

टीम ने यह भी पता लगाया कि क्या ट्यूमर में विशिष्ट आनुवंशिक उत्परिवर्तन (genetic mutations) या सर्जरी के बाद कोशिकाओं के सटीक स्वरूप जैसे अधिक विस्तृत जानकारी जोड़ने से भविष्यवाणियों में महत्वपूर्ण सुधार होगा। उन्होंने पाया कि हालांकि ये विवरण दिलचस्प थे, लेकिन वे पहले से उपयोग किए जा रहे मानक नैदानिक जानकारी की तुलना में भविष्यवाणियों की समग्र सटीकता को नाटकीय रूप से नहीं बदलते थे। यह सुझाव देता है कि कई रोगियों के लिए, पारंपरिक कारक जैसे ट्यूमर का आकार और समय अभी भी सबसे शक्तिशाली भविष्यवक्ता हैं, और जटिल आनुवंशिक डेटा जोड़ना हमेशा एक अच्छी सटीक गणना के लिए आवश्यक नहीं हो सकता है।

इन निष्कर्षों को डॉक्टरों और रोगियों के लिए उपयोगी बनाने के लिए, शोधकर्ताओं ने 'प्लाटो' (PLATO) नामक एक ऑनलाइन कैलकुलेटर बनाया। यह एक मुफ्त टूल है जो मेडिकल टीम को रोगी के विशिष्ट विवरण, जैसे उनकी आयु, ट्यूमर की संख्या और उनके मूल निदान के समय को दर्ज करने की अनुमति देता है। यह टूल तुरंत एक, दो और तीन वर्षों में पुनरावृत्ति की व्यक्तिगत संभावना की गणना करता है। यह मूल सात स्कोर के अनुसार रोगी की जोखिम श्रेणी भी दिखाता है, जो नए, सटीक नंबरों और परिचित श्रेणियों के बीच एक सेतु प्रदान करता है जिन्हें डॉक्टर पहले से जानते हैं। शोधकर्ताओं ने इस टूल का कोड और इसके पीछे के गणितीय सूत्र सार्वजनिक रूप से उपलब्ध कराए, जिससे अन्य वैज्ञानिक अपने काम की जांच कर सकें, उसे अनुकूलित कर सकें, या इसे नए, भविष्य के तरीकों को परीक्षण करने के लिए एक मानक के रूप में उपयोग कर सकें।

यह अध्ययन इस बात पर प्रकाश डालता है कि चिकित्सा भविष्यवाणियां कैसे की जा सकती हैं। व्यक्तिगत जोखिम को छिपाने वाले व्यापक लेबल पर निर्भर रहने के बजाय, अब ध्यान स्पष्ट, समय-विशिष्ट संभावनाओं प्रदान करने पर है। यह दृष्टिकोण डॉक्टरों को यह तय करने में मदद करता है कि एक रोगी को लौटने वाले कैंसर के संकेतों के लिए कितनी बार स्कैन की आवश्यकता है। उच्च गणना जोखिम वाले रोगी के लिए, किसी भी नए विकास को जल्दी पकड़ने के लिए अधिक बार जांच की आवश्यकता हो सकती है। कम जोखिम वाले रोगी के लिए, शेड्यूल कम गहन हो सकता है, जिससे उन्हें अनावश्यक प्रक्रियाओं से बचाया जा सकता है। शोधकर्ताओं ने उल्लेख किया कि हालांकि उनका टूल एक महत्वपूर्ण कदम है, लेकिन यह कोई पूर्ण 'क्रिस्टल बॉल' (भविष्य बताने वाला यंत्र) नहीं है। यह यूरोपीय वंश के रोगियों के डेटा पर आधारित है जिन्हें विशिष्ट स्वास्थ्य प्रणालियों में इलाज किया गया है, इसलिए अन्य आबादी में इसके और परीक्षण की आवश्यकता हो सकती है। इसके अतिरिक्त, यह टूल कैंसर की वापसी की भविष्यवाणी करता है, लेकिन अभी तक यह ध्यान में नहीं रखता है कि क्या उस वापसी का सफलतापूर्वक फिर से इलाज किया जा सकता है, एक ऐसा सूक्ष्म पहलू जिसे भविष्य के मॉडलों को संबोधित करने की आवश्यकता हो सकती है।

अंततः, यह कार्य कैंसर देखभाल के भविष्य के लिए एक पारदर्शी और विश्वसनीय आधार प्रदान करता है। स्थापित विधियों को व्यक्तिगत अनुमानों में परिष्कृत करके, शोधकर्ताओं ने डॉक्टरों को अपने रोगियों के साथ जोखिम के बारे में बात करने का एक स्पष्ट तरीका दिया है। अध्ययन पुष्टि करता है कि हालांकि कैंसर की पुनरावृत्ति एक जटिल चुनौती है, लेकिन अस्पष्ट श्रेणियों से आगे बढ़कर रोगियों को उनके सामने की यात्रा की एक ठोस समझ प्रदान करना संभव है। उपकरणों और डेटा की खुली उपलब्धता यह सुनिश्चित करती है कि यह प्रगति जारी रह सके, जिससे चिकित्सा समुदाय को नए उपचारों और तकनीकों के उभरने के साथ अपने परिणामों पर निर्माण करने की अनुमति मिलती 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।

Digest आज़माएँ →