Developing a Machine Learning-Based Predictive Model for Postoperative Delirium Risk in Elderly Patients with Cervical Spine Conditions
इस अध्ययन ने पांच प्रमुख कारकों: दुर्बलता (frailty), पोषण संबंधी स्थिति, एनेस्थीसिया का समय, यूरिया सांद्रता और सार्कोपेनिया का उपयोग करके, सर्वाइकल स्पाइन की स्थितियों वाले बुजुर्ग रोगियों में पोस्टऑपरेटिव डेलिरियम के जोखिम की सटीक पहचान करने के लिए SHAP व्याख्या और एक वेब-सुलभ डायनेमिक नोमोग्राम द्वारा संवर्धित एक उच्च-प्रदर्शन वाला XGBoost-आधारित भविष्य कहनेवाला मॉडल विकसित और मान्य किया 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
बड़ी सर्जरी के बाद के दिनों में, मानव मस्तिष्क कभी-कभी एक ऐसे कोहरे में खो सकता है जो केवल दर्द या नींद की कमी का दुष्प्रभाव नहीं होता है। यह स्थिति, जिसे पोस्टऑपरेटिव डेलिरियम (postoperative delirium) कहा जाता है, भ्रम की एक अचानक अवस्था है जहाँ एक रोगी समय का बोध खो सकता है, ध्यान केंद्रित करने में संघर्ष कर सकता है, या इस बारे में दिशाहीन महसूस कर सकता है कि वह कहाँ है। यह एक सामान्य जटिलता है, विशेष रूप से जटिल प्रक्रियाओं से गुजरने वाले वृद्ध वयस्कों के लिए, और इसके गंभीर परिणाम होते हैं। जब यह भ्रम उत्पन्न होता है, तो मरीज अक्सर अस्पताल में अधिक समय तक रहते हैं, उन्हें चिकित्सा लागत का अधिक सामना करना पड़ता है, और उनकी सोचने की क्षमताओं में स्थायी परिवर्तन आ सकते हैं। दशकों से, डॉक्टर जानते हैं कि कुछ कारक, जैसे कि उन्नत आयु या सर्जरी की अवधि, इसके होने की संभावना को बढ़ाते हैं, लेकिन ठीक से भविष्यवाणी करना कि किसे यह समस्या होगी, कठिन बना हुआ है। पारंपरिक चेकलिस्ट अक्सर रोगी की शारीरिक स्थिति, उनके रक्त रसायन और उनकी सर्जरी के विशिष्ट विवरणों के बीच के सूक्ष्म अंतर्संबंधों को पकड़ने में विफल रहती हैं।
मियांयांग सेंट्रल अस्पताल, चीन के शोधकर्ताओं की एक टीम ने मशीन लर्निंग की ओर मुड़कर इस समस्या के प्रति एक नया दृष्टिकोण अपनाया है, जो कंप्यूटर विज्ञान का एक प्रकार है जो सॉफ्टवेयर को कठोर नियमों के साथ स्पष्ट रूप से प्रोग्राम किए बिना डेटा की विशाल मात्रा से पैटर्न सीखने की अनुमति देता है। एक एकल सूत्र पर निर्भर रहने के बजाय, उन्होंने सर्वाइकल स्पाइन (गर्दन की हड्डियों और डिस्क) की स्थितियों के लिए सर्जरी कराने वाले लगभग पांच सौ बुजुर्ग रोगियों के विस्तृत रिकॉर्ड एकत्र किए। ये सभी रोगी साठ वर्ष से अधिक आयु के थे और उन्हें जनरल एनेस्थीसिया दिया गया था। शोधकर्ताओं ने सावधानीपूर्वक इस बात को ट्रैक किया कि ऑपरेशन के पहले तीन दिनों के भीतर किन रोगियों में डेलिरियम विकसित हुआ और किनमें नहीं। फिर उन्होंने इस जानकारी को कई अलग-अलग कंप्यूटर मॉडलों में डाला, और सॉफ्टवेयर से उन छिपे हुए संबंधों को खोजने के लिए कहा जो रोगियों के सर्जरी-पूर्व स्वास्थ्य, उनके रक्त परीक्षण के परिणामों और उनकी सर्जरी के उन विवरणों से जुड़े थे जिनके कारण भ्रम पैदा हुआ।
कंप्यूटर मॉडलों ने दर्जनों संभावित सुरागों को छाना, जिनमें उच्च रक्तचाप के इतिहास से लेकर ऑपरेशन के दौरान दिए गए तरल पदार्थ की मात्रा तक शामिल थी। उन्मूलन की एक कठोर प्रक्रिया के माध्यम से, सॉफ्टवेयर ने पांच विशिष्ट कारकों की पहचान की जो डेलिरियम के सबसे मजबूत भविष्यवक्ता के रूप में उभरे। ये केवल यादृच्छिक अवलोकन नहीं थे बल्कि मापने योग्य स्थितियाँ थीं: रोगी की दुर्बलता (frailty) का स्तर, उनकी पोषण संबंधी स्थिति, एनेस्थीसिया कितनी देर तक चला, उनके रक्त में यूरिया की सांद्रता, और क्या उनमें सारकोपेनिया (sarcopenia) था, जो मांसपेशियों के द्रव्यमान और शक्ति के नुकसान की विशेषता वाली स्थिति है। यहाँ दुर्बलता का अर्थ शारीरिक लचीलेपन की कमी की स्थिति से है, जबकि पोषण संबंधी स्थिति यह मापती है कि शरीर को कितनी अच्छी तरह ईंधन मिलता है। यूरिया एक अपशिष्ट उत्पाद है जिसे गुर्दे फिल्टर करते हैं, और इसके स्तर यह संकेत दे सकते हैं कि शरीर प्रोटीन को कितनी अच्छी तरह संसाधित कर रहा है और तरल संतुलन बनाए रख रहा है। सारकोपेनिया मांसपेशियों की शक्ति में एक महत्वपूर्ण गिरावट का प्रतिनिधित्व करता है जो अक्सर बुढ़ापे के साथ आती है।
शोध टीम द्वारा परीक्षण किए गए विभिन्न कंप्यूटर एल्गोरिदम में से, एक मॉडल ने उन रोगियों के बीच अंतर करने में सबसे सटीक सिद्ध होकर खुद को साबित किया जो स्पष्ट दिमाग वाले रहेंगे और वे जो भ्रमित हो जाएंगे। इस मॉडल ने उन मामलों में सही पहचान की जिनका परीक्षण किया गया था, जिसमें सफलता दर अस्सी प्रतिशत से अधिक थी। यह उच्च संवेदनशीलता के साथ डेलिरियम के जोखिम को पहचानने में सक्षम था, जिसका अर्थ है कि इसने वास्तव में जोखिम वाले किसी भी मरीज को शायद ही कभी छोड़ा। शोधकर्ताओं ने SHAP नामक एक विधि का उपयोग किया, जो एक स्पॉटलाइट की तरह काम करती है और यह दिखाती है कि प्रत्येक पांच कारकों में से प्रत्येक ने किसी विशिष्ट रोगी के लिए अंतिम भविष्यवाणी में कितना योगदान दिया। यह कदम तकनीक को एक "ब्लैक बॉक्स" से आगे ले जाने के लिए महत्वपूर्ण था जो केवल उत्तर देता है; इसने डॉक्टरों को भविष्यवाणी के पीछे के तर्क को देखने की अनुमति दी, जैसे कि कैसे लंबे एनेस्थीसिया के समय और खराब पोषण के संयोजन ने एक विशिष्ट रोगी के जोखिम को बढ़ा दिया।
इस खोज को व्यस्त अस्पताल में डॉक्टरों के लिए उपयोगी बनाने के लिए, टीम ने एक वेब-आधारित टूल बनाया है जो एक गतिशील कैलकुलेटर की तरह कार्य करता है। एक चिकित्सक रोगी के विशिष्ट विवरण—जैसे कि उनकी दुर्बलता स्कोर, मांसपेशियों की ताकत और रक्त यूरिया स्तर—को सिस्टम में दर्ज कर सकता है, और यह तुरंत उस रोगी के डेलिरियम विकसित होने की संभावना की गणना करता है। यह उपकरण डॉक्टर के निर्णय का स्थान नहीं लेता है बल्कि एक प्रारंभिक चेतावनी प्रणाली के रूप में कार्य करता है, जो सर्जरी शुरू होने से पहले ही उच्च जोखिम वाले व्यक्तियों को चिह्नित करता है। शोधकर्ता इस बात पर जोर देते हैं कि हालांकि मॉडल ने उस डेटा पर असाधारण प्रदर्शन किया जिस पर इसे प्रशिक्षित किया गया था, फिर भी इसकी विश्वसनीयता की पुष्टि करने के लिए इसे अन्य अस्पतालों के रोगियों पर परीक्षण करने की आवश्यकता है। तब तक, यह इस बात का एक शक्तिशाली प्रदर्शन है कि कैसे आधुनिक कंप्यूटिंग उम्र बढ़ने वाले मस्तिष्क की जटिल जीव विज्ञान को समझने में मदद कर सकती है, जिससे एक ऐसी जटिलता को रोकने का स्पष्ट मार्ग मिलता है जिसे अनुमान लगाना लंबे समय से कठिन 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।