← नवीनतम पेपर
📄 medicine

External validation and comparison of PREVENT and SCORE2 atherosclerotic cardiovascular risk scores in the MASHAD cohort study

इस अध्ययन ने ईरानी MASHAD कोहॉर्ट में PREVENT और SCORE2 हृदय रोग जोखिम मॉडलों को बाह्य रूप से मान्य किया, जिसमें पाया गया कि हालांकि दोनों मॉडलों ने स्वीकार्य विभेदन प्रदर्शित किया, लेकिन उन्होंने पूर्ण जोखिम का काफी कम आकलन किया और इस मध्य पूर्वी आबादी के लिए सटीक भविष्यवाणियां प्रदान करने हेतु स्थानीय पुन: अंशांकन (recalibration) की आवश्यकता थी।

मूल लेखक: Ali Tajik, Hamidreza Rahimi, Sara Saffar Soflaei, Mohsen Moohebati, Ashkan Bahrami, Gordon A. Ferns, Habibollah Esmaily, Majid Ghayour-Mobarhan, Hedieh Alimi

प्रकाशित 2026-06-28
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Ali Tajik, Hamidreza Rahimi, Sara Saffar Soflaei, Mohsen Moohebati, Ashkan Bahrami, Gordon A. Ferns, Habibollah Esmaily, Majid Ghayour-Mobarhan, Hedieh Alimi

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास दो बहुत लोकप्रिय मौसम पूर्वानुमानकर्ता (weather forecasters) हैं, PREVENT और SCORE2। ये पूर्वानुमानकर्ता यूरोप और संयुक्त राज्य अमेरिका में प्रसिद्ध हैं क्योंकि वे अगले 10 वर्षों में किसी व्यक्ति पर "तूफान" (दिल का दौरा या स्ट्रोक) आने की संभावना की भविष्यवाणी करते हैं। वे एक मानक रेसिपी का उपयोग करते हैं: वे आपकी उम्र, रक्तचाप, कोलेस्ट्रॉल और क्या आप धूम्रपान करते हैं, यह देखते हैं ताकि आपको एक प्रतिशत संभावना दी जा सके कि आपको तूफान की चपेट में आने का कितना खतरा है।

इस अध्ययन में शोधकर्ताओं ने देखा कि क्या ये प्रसिद्ध पूर्वानुमानकर्ता मशहद, ईरान में सही ढंग से काम करेंगे। उन्होंने स्थानीय आबादी को एक नए, अनटेस्टेड मौसम क्षेत्र की तरह माना।

यहाँ उन्होंने जो पाया, उसे सरल रूप में समझाया गया है:

1. समस्या: "विदेशी" पूर्वानुमानकर्ता बहुत आशावादी थे

जब शोधकर्ताओं ने मूल यूरोपीय और अमेरिकी फॉर्मूलों का ईरानी लोगों पर उपयोग किया, तो पूर्वानुमानकर्ताओं ने एक बड़ी गलती की: वे बहुत आशावादी थे।

  • उपमा: कल्पना कीजिए कि लंदन का एक मौसम विज्ञान रेगिस्तान में एक किसान को बता रहा है, "आज बारिश होने की 1% संभावना है।" लेकिन रेगिस्तान में, वास्तव में 30% समय बारिश होती है। किसान भीग जाएगा क्योंकि पूर्वानुमान गलत था।
  • वास्तविकता: PREVENT और SCORE2 दोनों ने ईरानी लोगों को बताया कि उनके हृदय संबंधी घटना का जोखिम बहुत कम है। हालाँकि, जब शोधकर्ताओं ने 10 वर्षों के वास्तविक डेटा को देखा, तो कई अधिक लोगों को हृदय संबंधी घटनाओं का सामना करना पड़ा जितना कि मॉडलों ने अनुमान लगाया था। मॉडल खतरे को "कम आंक" (underestimating) रहे थे।

2. समाधान: "स्थानीय ट्यूनिंग" (Recalibration)

शोधकर्ताओं ने मॉडलों को फेंका नहीं। इसके बजाय, उन्होंने एक "स्थानीय ट्यून-अप" किया।

  • उपमा: मॉडलों को एक रेडियो स्टेशन के रूप में सोचें। संगीत (लोगों को कम जोखिम से उच्च जोखिम में रैंक करने का तरीका) अच्छा था, लेकिन आवाज़ बहुत धीमी थी। उन्हें गाना बदलने की ज़रूरत नहीं थी; उन्हें बस स्थानीय दर्शकों के अनुरूप आवाज़ का वॉल्यूम बढ़ाने की ज़रूरत थी।
  • कार्यवाही: उन्होंने गणित को थोड़ा समायोजित किया ताकि यह मशहद में होने वाली हृदय संबंधी घटनाओं की वास्तविक संख्या से मेल खा सके। उन्होंने "रैंकिंग" प्रणाली को समान रखा लेकिन संख्याओं को इस तरह से बदला ताकि प्रतिशत वास्तविकता को दर्शा सकें।

3. परिणाम: कौन बेहतर था?

"ट्यून-अप" के बाद, दोनों मॉडल बहुत बेहतर काम कर रहे थे, लेकिन एक का थोड़ा बढ़त थी।

  • रैंकिंग क्षमता (Discrimination): दोनों मॉडल लोगों को छाँटने में अच्छे थे। वे बता सकते थे कि कौन व्यक्ति दूसरे की तुलना में घटना के प्रति अधिक संभावित है। PREVENT, SORTING (छाँटने) के मामले में SCORE2 की तुलना में थोड़ा बेहतर था, जैसे कि चश्मे का थोड़ा अधिक स्पष्ट लेंस।
  • सटीकता (Calibration): ट्यून-अप से पहले, मॉडल जोखिम की मात्रा के बारे में गलत थे। ट्यून-अप के बाद, अनुमानित जोखिम वास्तविक जोखिम से लगभग पूरी तरह मेल खा गया।
    • PREVENT समग्र रूप से थोड़ा अधिक सटीक था। ऐसा संभवतः इसलिए है क्योंकि PREVENT अधिक विवरण देखता है, जैसे किडनी की कार्यक्षमता और मधुमेह, जो इस विशिष्ट समूह के लोगों में बहुत आम हैं।
    • SCORE2 एक सरल मॉडल है (यह मधुमेह को नहीं देखता), लेकिन ट्यून किए जाने के बाद यह भी अच्छी तरह से काम करता रहा।

4. यह क्यों महत्वपूर्ण है ("नेट बेनिफिट")

अध्ययन ने यह देखने के लिए "नेट बेनिफिट" की अवधारणा का उपयोग किया कि क्या ट्यून किए गए मॉडलों ने डॉक्टरों को बेहतर निर्णय लेने में मदद की।

  • उपमा: एक सुरक्षा गार्ड की कल्पना करें जो बैगों की जाँच कर रहा है।
    • मूल मॉडल: गार्ड बहुत लापरवाह था, जिससे कई खतरनाक बैग निकल गए (उच्च जोखिम वाले लोगों को मिस कर दिया)।
    • ट्यून्ड मॉडल: गार्ड अधिक सतर्क हो गया। उसने अधिक खतरनाक बैग रोके (अधिक उच्च जोखिम वाले लोगों को पकड़ा), लेकिन गलती से कुछ हानिरहित बैग भी रोक दिए (जिससे "स्पेसिफिसिटी" कम हो गई)।
  • निष्कर्ष: शोधकर्ताओं ने पाया कि "ट्यून्ड" मॉडल सार्थक थे। भले ही उन्होंने कुछ अतिरिक्त लोगों को चिह्नित किया जो सुरक्षित निकले, लेकिन उन्होंने वास्तव में जोखिम में रहने वाले कई लोगों को सफलतापूर्वक पकड़ा। स्वास्थ्य के संदर्भ में, किसी संभावित दिल के दौरे को पकड़ना उसे मिस करने की तुलना में बेहतर है।

सारांश

अध्ययन यह निष्कर्ष निकालता है कि आप केवल यूरोप या अमेरिका के रिस्क कैलकुलेटर को कॉपी-पेस्ट नहीं कर सकते हैं और उम्मीद नहीं कर सकते कि यह ईरान में पूरी तरह से काम करेगा। जोखिम की "रेसिपी" अलग-अलग स्थानों पर अलग होती है।

हालाँकि, अच्छी खबर यह है कि ये उपकरण काम कर सकते हैं यदि आप उन्हें स्थानीय आबादी के लिए "कैलिब्रेट" (अनुकूलित) करते हैं। एक बार जब शोधकर्ताओं ने मशहद की वास्तविकता के अनुरूप संख्याओं को समायोजित किया, तो PREVENT और SCORE2 दोनों हृदय जोखिमों की भविष्यवाणी करने के लिए विश्वसनीय उपकरण बन गए, जिसमें PREVENT को थोड़ा लाभ मिला क्योंकि यह अधिक स्वास्थ्य कारकों पर विचार करता 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 →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 📄 medicine →