Artificial Intelligence for ICU Mortality Prediction:Comparative Machine Learning Models and the Role of Surgical Patients
769 ICU प्रवेशों का यह रेट्रोस्पेक्टिव सिंगल-सेंटर अध्ययन प्रदर्शित करता है कि रैंडम फॉरेस्ट मॉडल अन्य मशीन लर्निंग दृष्टिकोणों की तुलना में बेहतर मृत्यु दर भविष्यवाणी (AUC 0.91) प्राप्त करते हैं, जबकि सर्जिकल स्थिति, सेप्सिस और तीव्र गंभीरता के संकेतकों को प्रमुख नैदानिक रूप से सूचनात्मक भविष्यवक्ताओं के रूप में पहचानते हैं।
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
एक बड़ी तस्वीर: ICU में तूफान की भविष्यवाणी करना
इन्टेन्सिव केयर यूनिट (ICU) की कल्पना एक अराजक, उच्च-दांव वाले मौसम केंद्र के रूप में करें। मरीज शरीर के अंदर हर तरह के "तूफान" के साथ आते हैं—कुछ संक्रमणों से, कुछ दुर्घटनाओं से, और कुछ जटिल सर्जरी से। डॉक्टरों के लिए सबसे बड़ी चुनौती यह समझना है कि कौन से तूफान शांत होने वाले हैं और कौन से ऐसे तूफान बन सकते हैं जो मरीज के बचने की संभावना को खत्म कर देंगे।
यह अध्ययन इन मरीजों के लिए सबसे अच्छा संभव मौसम पूर्वानुमान (weather forecast) बनाने की कोशिश करने वाली मौसम विज्ञानियों की एक टीम की तरह है। केवल आसमान को देखने के बजाय, उन्होंने यह अनुमान लगाने के लिए कि कौन अस्पताल से जीवित बाहर नहीं निकल पाएगा, भारी मात्रा में डेटा का विश्लेषण करने के लिए आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग किया।
प्रयोग: पांच "मौसम पूर्वानुमानकर्ताओं" के बीच एक दौड़
शोधकर्ताओं ने मार्च 2023 और दिसंबर 2025 के बीच ICU में रहे 769 मरीजों का डेटा एकत्र किया। वे यह देखना चाहते थे कि मृत्यु की भविष्यवाणी करने में पांच अलग-अलग AI "पूर्वानुमानकर्ता" (मशीन लर्निंग मॉडल) में से कौन सा सबसे अच्छा है।
इन पांच मॉडलों को विभिन्न प्रकार के मौसम विशेषज्ञों के रूप में सोचें:
- डिसीजन ट्री (Decision Tree): एक सरल विशेषज्ञ जो हाँ/ना वाले सवाल पूछता है (जैसे, "क्या मरीज संक्रमित है? हाँ/नहीं")।
- लॉजिस्टिक रिग्रेशन (Logistic Regression): एक क्लासिक, सीधा-सादा विशेषज्ञ जो "सुरक्षित" और "जोखिम भरे" को अलग करने के लिए एक सीधी रेखा खींचता है।
- रैंडम फॉरेस्ट (Random Forest): विशेषज्ञों की एक टीम जो वोट देती है। एक व्यक्ति के निर्णय लेने के बजाय, वे कई अलग-अलग "पेड़ों" (trees) से डेटा देखने और बहुमत से निर्णय लेने के लिए कहते हैं।
- ट्यून्ड रैंडम फॉरेस्ट (Tuned Random Forest): वही टीम, लेकिन उन्होंने उन्हें और भी सटीक और तेज बनाने के लिए अतिरिक्त प्रशिक्षण पर समय बिताया।
- मल्टीलेयर परसेप्ट्रॉन (MLP): एक डीप-लर्निंग विशेषज्ञ जो मानव मस्तिष्क की नकल करने की कोशिश करता है, और बहुत जटिल, छिपे हुए पैटर्न की तलाश करता है।
परिणाम:
जब उन्होंने इन विशेषज्ञों का परीक्षण 231 मरीजों के एक नए समूह पर किया, तो रैंडम फॉरेस्ट की टीम दौड़ जीत गई। यह जीवित रहने वाले और न बचने वाले मरीजों के बीच अंतर करने में सबसे सटीक था (1.0 में से 0.91 का स्कोर)। "ट्यून्ड" संस्करण दूसरे स्थान पर रहा। साधारण "डिसीजन ट्री" सबसे कमजोर था, जिसे पूरी तस्वीर देखने में संघर्ष करना पड़ा।
दिलचस्प बात यह है कि क्लासिक "लॉजिस्टिक रिग्रेशन" (पुराने स्कूल का विशेषज्ञ) ने भी बहुत अच्छा प्रदर्शन किया, जिससे यह साबित हुआ कि कभी-कभी एक सरल, स्पष्ट तरीका भी बहुत शक्तिशाली होता है।
"गुप्त सामग्री": सर्जरी और ट्रॉमा
सबसे दिलचस्प बात जो AI ने खोजी, वह थी सर्जरी की भूमिका।
कल्पना करें कि ICU एक व्यस्त हवाई अड्डे की तरह है। कुछ यात्री (मरीज) इसलिए आते हैं क्योंकि वे स्वाभाविक रूप से बीमार (मेडिकल पेशेंट) होते हैं, जबकि अन्य इसलिए आते हैं क्योंकि वे किसी कार दुर्घटना का शिकार हुए थे या अभी-अभी किसी बड़ी ऑपरेशन से गुजरे हैं (सर्जिकल पेशेंट)।
AI ने पाया कि सर्जिकल पेशेंट होना एक बहुत बड़ा सुराग था। यह केवल एक मामूली विवरण नहीं था; यह एक प्रमुख संकेत था। AI ने सीखा कि सर्जरी या ट्रॉमा से आने वाले मरीजों के जोखिम के पैटर्न बहुत विशिष्ट और अनुमानित होते हैं। यह ऐसा है जैसे AI को एहसास हुआ हो, "जब कोई मरीज बड़ी सर्जरी के बाद आता है, तो खेल के नियम बदल जाते हैं, और हमें उन पर अतिरिक्त ध्यान देने की आवश्यकता होती है।"
सुराग: AI ने किन चीजों को देखा?
AI ने केवल अनुमान नहीं लगाया; इसने मरीज के डेटा में विशिष्ट "सुरागों" को देखा, ठीक वैसे ही जैसे एक जासूस उंगलियों के निशान ढूंढता है। सबसे महत्वपूर्ण सुराग थे:
- सेप्सिस/संक्रमण (Sepsis/Infection): शरीर भर में फैला संक्रमण।
- सर्जरी/ट्रॉमा (Surgery/Trauma): क्या मरीज का ऑपरेशन हुआ था या दुर्घटना हुई थी।
- APACHE II स्कोर: एक मानक मेडिकल स्कोर जो यह मापता है कि मरीज के आने पर वह कितना बीमार है।
- ट्रोपोनिन और डी-डाइमर (Troponin & D-dimer): रक्त के मार्कर जो हृदय क्षति और रक्त के थक्के के लिए "धुआं अलार्म" की तरह काम करते हैं।
AI ने यह भी गौर किया कि कई पुरानी बीमारियों (जैसे हृदय रोग या फेफड़ों की बीमारी) वाले मरीज अधिक जोखिम में थे। यह एक पुराने और कमजोर घर की तरह है; यदि तूफान आता है, तो एक नए घर की तुलना में इसके ढहने की संभावना अधिक होती है।
"ब्लैक बॉक्स" समस्या: AI को समझना
AI कभी-कभी एक "ब्लैक बॉक्स" हो सकता है—यह एक उत्तर देता है, लेकिन आपको पता नहीं होता कि क्यों। इसे ठीक करने के लिए, शोधकर्ताओं ने SHAP नामक उपकरण का उपयोग किया।
SHAP को एक अनुवादक के रूप में सोचें। यह AI के जटिल गणित को लेता है और उसे सरल भाषा में समझाता है: "AI ने भविष्यवाणी की कि यह मरीज उच्च जोखिम पर है क्योंकि उसे सेप्सिस था और उसकी उम्र 70 से अधिक थी, लेकिन जोखिम थोड़ा कम हुआ क्योंकि उसे किडनी फेलियर नहीं था।" यह डॉक्टरों को AI पर भरोसा करने में मदद करता है क्योंकि वे भविष्यवाणी के पीछे के तर्क को देख सकते हैं।
कमी: जो इस अध्ययन ने नहीं किया
यह शोध पत्र अपनी सीमाओं के बारे में बहुत ईमानदार है।
- यह एक 'लुक बैक' है: उन्होंने पिछले रिकॉर्डों का विश्लेषण किया, भविष्य के मरीजों का नहीं।
- यह एक ही अस्पताल है: उन्होंने केवल तुर्की के एक स्थान के डेटा को देखा, इसलिए यह हर जगह बिल्कुल एक ही तरह से काम नहीं कर सकता है।
- "ठहराव की अवधि" (Length of Stay) का जाल: AI ने गौर किया कि मरीज ने ICU में कितना समय बिताया, यह एक सुराग था। हालांकि, लेखक चेतावनी देते हैं कि यह पेचीदा है। यदि आप मरीज के आने पर ही उसके परिणाम की भविष्यवाणी करने की कोशिश कर रहे हैं, तो आप अभी तक यह नहीं जान सकते कि वह वहां कितने समय तक रहेगा। इस जानकारी का उपयोग करना दौड़ के विजेता की भविष्यवाणी करने जैसा है, जबकि धावक अभी शुरुआती रेखा पर ही हैं, लेकिन आप पहले से ही जानते हैं कि कौन प्रथम आया।
मुख्य निष्कर्ष
यह अध्ययन दिखाता है कि AI, विशेष रूप से रैंडम फॉरेस्ट मॉडल, यह अनुमान लगाने में बहुत अच्छा हो सकता है कि ICU में किसकी मृत्यु हो सकती है। इसने पाया कि सर्जिकल पेशेंट एक अलग समूह हैं जिन्हें AI अलग तरह से संभालता है, और संक्रमण, ट्रॉमा और मौजूदा स्वास्थ्य समस्याओं का मिश्रण एक जटिल जोखिम प्रोफाइल बनाता है।
हालांकि, लेखकों का कहना है कि यह तो बस शुरुआत है। इससे पहले कि इन AI उपकरणों का उपयोग बेडसाइड पर जीवन-मरण के निर्णय लेने के लिए किया जा सके, उन्हें कई अस्पतालों में टेस्ट करने और यह सुनिश्चित करने के लिए सावधानी से जांचने की आवश्यकता है कि वे गलतियां न करें। फिलहाल, वे पैटर्न को समझने के लिए शक्तिशाली उपकरण हैं, डॉक्टर के निर्णय का विकल्प नहीं।
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।