Haemodynamic intolerance at the de-resuscitation decision in critically ill adults: development, temporal and external validation of a prediction model across two intensive care databases
इस अध्ययन ने गंभीर रूप से बीमार वयस्कों में तरल पदार्थ हटाने (फ्लुइड रिमूवल) शुरू करने के 24 घंटों के भीतर हीमोडायनामिक असहिष्णुता (हेमोडायनामिक इनटॉलरेंस) के जोखिम का अनुमान लगाने के लिए नियमित रूप से एकत्र किए गए डेटा का उपयोग करके एक पोर्टेबल प्रेडिक्शन मॉडल विकसित और मान्य किया है, जो विविध समूहों में स्थिर भेदभाव प्रदर्शित करता है लेकिन नैदानिक कार्यान्वयन से पहले विभिन्न घटनाओं की व्यापकता को समायोजित करने के लिए सरल पुन: अंशांकन (रीकैलिब्रेशन) की आवश्यकता रखता है।
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 आप एक अस्पताल की रसोई के लिए एक विशाल, जटिल स्टू (stew) बना रहे हैं। पहला कदम सामग्री को उबलने और स्वाद विकसित करने के लिए बड़ी मात्रा में पानी डालना है; यह मरीजों को सदमे (shock) से बचाने के लिए बहुत अधिक IV तरल पदार्थ देने जैसा है। लेकिन एक बार जब मरीज ठीक होने लगता है, तो वह अतिरिक्त पानी एक समस्या बन जाता है। यह फेफड़ों को भारी कर देता है और हृदय को बहुत अधिक काम करने पर मजबूर करता है, इसलिए शेफ को कुछ तरल पदार्थ बाहर निकालना पड़ता है। इसे "डी-रेसुसिटेशन" (de-resuscitation) कहा जाता है। पेचीदा हिस्सा यह जानना है कि कब बर्तन से तरल निकालें। यदि आप बहुत अधिक, बहुत जल्दी तरल निकालते हैं, तो मरीज बिगड़ सकता है—जैसे कि बहुत अधिक तेल निकालने से कार का इंजन बंद हो जाता है। डॉक्टरों के पास एक तरीका होना चाहिए जिससे वे भविष्यवाणी कर सकें कि क्या कोई विशिष्ट मरीज बिना खतरनाक रूप से रक्तचाप गिरे, तरल निकालने का भार झेल सकता है। लंबे समय तक, उन्हें केवल अनुमान लगाना पड़ता था, लेकिन यह नया अध्ययन इस निर्णय को सुरक्षित रूप से लेने में मदद करने के लिए एक "क्रिस्टल बॉल" (भविếtवाणी करने वाला गोला) बनाने की कोशिश करता है।
शोधकर्ताओं ने, जिनका नेतृत्व ल्यूजन शाओ और सहयोगियों ने किया, एक विशिष्ट खतरे की भविष्यवाणी करने के लिए एक डिजिटल क्रिस्टल बॉल बनाई: हेमोडायनामिक इनटॉलरेंस (haemodynamic intolerance)। सरल शब्दों में, इसका अर्थ है मरीज का रक्तचाप अचानक गिर जाना या तरल निकालने शुरू करने के 24 घंटों के भीतर नई आपातकालीन दवाओं (वासोप्रेसर्स) की आवश्यकता पड़ना। वे जानना चाहते थे: क्या हम मरीज के डेटा को देख सकते हैं, ठीक उस समय जब डॉक्टर डाययूरेटिक (एक पानी की गोली जिसे फुरोसेमाइड कहा जाता है) की पहली खुराक देते हैं, और कह सकते हैं, "हाँ, यह व्यक्ति सुरक्षित रूप से तरल निकाल सकता है" या "रुको, ठहर जाओ, यह व्यक्ति बिगड़ सकता है"?
इस क्रिस्टल बॉल को बनाने के लिए, टीम ने केवल एक अस्पताल को नहीं देखा; उन्होंने संयुक्त राज्य अमेरिका के दो विशाल, सार्वजनिक मेडिकल डेटा पुस्तकालयों का उपयोग किया। पहला पुस्तकालय, जिसे MIMIC-IV कहा जाता है, बोस्टन के एक बड़े अस्पताल की विस्तृत डायरी की तरह है। दूसरा eICU-CRD है, जो देश भर के सैकड़ों अलग-अलग अस्पतालों की डायरियों का संग्रह है। उन्होंने अपने कंप्यूटर मॉडल को बोस्टन के डेटा पर प्रशिक्षित किया और फिर अन्य अस्पतालों पर इसका परीक्षण किया ताकि यह देखा जा सके कि क्या यह तब भी काम करेगा जब मरीजों का "स्वाद" बदल जाए। उन्होंने 20 अलग-अलग सुरागों का उपयोग किया, जैसे मरीज की उम्र, उनकी हृदय गति, उनके रक्तचाप का इतिहास, और उनके रक्त में रसायनों के स्तर (जैसे लैक्टेट और क्रिएटिनिन)।
परिणाम "काफी अच्छे" और "थोड़े सुधार की आवश्यकता वाले" का मिश्रण थे। मॉडल मरीजों को "उच्च जोखिम" और "कम जोखिम" समूहों में वर्गीकृत करने में आश्चर्यजनक रूप से अच्छा था। इसे एक मौसम ऐप की तरह समझें जो बिल्कुल सटीक रूप से यह बताने में सक्षम नहीं है कि बारिश कब होगी, लेकिन यह बताने में बहुत अच्छा है कि कौन से दिन तूफानी होने की संभावना है बनाम धूप वाले। परीक्षण में, मॉडल ने लगभग 76% बार मरीजों को सही ढंग से रैंक किया (1.0 में से 0.76 का स्कोर)। यह स्कोर स्थिर रहा, चाहे उन्होंने भविष्य के मरीजों पर परीक्षण किया हो जो उसी बोस्टन अस्पताल के थे या अमेरिका के विभिन्न अस्पतालों के पूरी तरह से अलग मरीजों पर। इसका मतलब है कि जोखिम के पैटर्न को पहचानने की मॉडल की क्षमता व्यापक रूप से काम करती है।
हालाँकि, मॉडल में एक अजीब बात थी: यह समूह में वास्तव में कितने लोग बिगड़ रहे थे, इसके आधार पर सटीक संख्या गलत बताता था। यदि समूह में उम्मीद से कम लोग बिगड़ रहे थे, तो मॉडल खतरे की अधिक भविष्यवाणी करता था (यह कहना कि "यह एक आपदा होने वाली है!" जबकि वह केवल हल्की फुल्की बारिश थी)। यदि समूह में अधिक लोग बिगड़ रहे थे, तो यह कम भविष्यवाणी करता था (यह कहना कि "सब ठीक है!" जबकि तूफान आ रहा था)। लेखकों ने पाया कि यह कोई टूटा हुआ इंजन नहीं था; यह केवल एक अंशांकन (calibration) की समस्या थी। "रीकैलिब्रेशन" (recalibration) नामक एक सरल गणितीय बदलाव करके—जो मूल रूप से मॉडल के वॉल्यूम नॉब को स्थानीय अस्पताल की वास्तविकता के अनुरूप समायोजित करना है—वे भविष्यवाणियों को लगभग पूरी तरह से ठीक कर सकते थे।
अध्ययन ने मॉडल के दो प्रकार के "मस्तिष्क" की भी तुलना की: एक सरल, समझने में आसान गणितीय सूत्र (रिज लॉजिस्टिक रिग्रेशन) और एक जटिल, 'ब्लैक-बॉक्स' मशीन लर्निंग एल्गोरिदम (ग्रेडिएंट बूस्टिंग)। आश्चर्यजनक रूप से, जटिल मस्तिष्क केवल एक बहुत ही मामूली अंतर से जीता। सरल मस्तिष्क भी उतना ही अच्छा प्रदर्शन करता था, जो एक अच्छी खबर है क्योंकि डॉक्टर वास्तव में समझ सकते हैं कि सरल मॉडल ने अपना निर्णय क्यों लिया, जबकि जटिल मॉडल को समझाना कठिन है।
तो, मुख्य निष्कर्ष क्या है? लेखकों ने एक ऐसा उपकरण बनाया है जो सुझाव देता है कि कौन से मरीज संघर्ष कर सकते हैं जब डॉक्टर तरल पदार्थ निकालना शुरू करते हैं। यह कोई जादू की छड़ी नहीं है जो समस्या को हल कर दे, और न ही यह अभी डॉक्टर के निर्णय को बदलने के लिए तैयार है। शोध पत्र स्पष्ट रूप से कहता है कि यह एक "निर्णय सहायता" (decision support) उपकरण है, जिसका अर्थ है कि यह डॉक्टर को सोचने में मदद करने के लिए है, न कि उनके लिए निर्णय लेने के लिए। मॉडल को उपयोग करने से पहले हर विशिष्ट अस्पताल के लिए "रीकैलिब्रेट" (ट्यून) करने की आवश्यकता है, और सबसे महत्वपूर्ण अगला कदम इसे वास्तविक जीवन में परीक्षण करना है ताकि यह देखा जा सके कि क्या इसके उपयोग से वास्तव में मरीजों को जीवित रहने में मदद मिलती है। तब तक, यह एक बहुत ही आशाजनक, लेकिन अभी भी प्रयोगात्मक सहायक बना हुआ 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।