Explainable Artificial Intelligence for Prehospital Identification of Stroke Patients Likely to Receive Endovascular Thrombectomy: A Retrospective Real-World Study
यह रेट्रोस्पेक्टिव रियल-वर्ल्ड अध्ययन दर्शाता है कि हालांकि एक रैंडम फॉरेस्ट मशीन लर्निंग मॉडल ने उन स्ट्रोक रोगियों की प्रीहॉस्पिटल पहचान के लिए उच्च संवेदनशीलता (0.92) और 0.85 का AUROC प्राप्त किया जो एंडोवैस्कुलर थ्रोम्बेक्टोमी प्राप्त करने की संभावना रखते हैं, लेकिन इसका प्रदर्शन स्थापित 4I-SS क्लिनिकल स्केल की तुलना में सांख्यिकीय रूप से श्रेष्ठ नहीं था।
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
हर साल, दुनिया भर में लाखों लोग स्ट्रोक से पीड़ित होते हैं, जो मस्तिष्क में रक्त के प्रवाह में अचानक रुकावट है जिससे स्थायी क्षति हो सकती है या जान जा सकती है। जब मस्तिष्क की एक बड़ी धमनी अवरुद्ध हो जाती है, तो सबसे प्रभावी उपचार 'एंडोवैस्कुलर थ्रोम्बेक्टोमी' नामक प्रक्रिया है, जिसमें डॉक्टर शारीरिक रूप से क्लॉट (थक्के) को बाहर निकाल देते हैं। यह उपचार तब सबसे अच्छा काम करता है जब इसे पहले लक्षणों के कुछ घंटों के भीतर किया जाए। चुनौती सही मरीजों को सही अस्पताल तक तेजी से पहुँचाने में है। एम्बुलेंस कर्मियों को अक्सर यह निर्णय लेना पड़ता है कि क्या उन्हें मरीज को सीधे उस विशेष केंद्र पर ले जाना चाहिए जो यह प्रक्रिया करने में सक्षम है या पहले पास के स्थानीय अस्पताल में ले जाना चाहिए। सभी को विशेष केंद्र पर भेजने से वे सुविधाएँ अत्यधिक बोझिल हो सकती हैं, जबकि गलत मरीजों को पहले स्थानीय अस्पतालों में भेजने से खतरनाक देरी हो सकती है। लक्ष्य उन विशिष्ट मरीजों की पहचान करना है जिन्हें उन्नत प्रक्रिया की आवश्यकता है, लेकिन यह काम एम्बुलेंस के भीतर ही होना चाहिए, जबकि पैरामेडिक्स द्वारा उपयोग किए जाने वाले वर्तमान उपकरण इस अंतर को स्पष्ट करने में पूर्ण नहीं हैं।
जर्मनी में शोधकर्ताओं की एक टीम ने यह देखने के लिए यह प्रयास किया कि क्या आधुनिक कंप्यूटर लर्निंग इस निर्णय लेने की प्रक्रिया में सुधार कर सकती है। उन्होंने 2015 और 2021 के बीच एक ग्रामीण क्षेत्र में एम्बुलेंस द्वारा ले जाए गए 1,400 से अधिक संदिग्ध स्ट्रोक वाले मरीजों के वास्तविक डेटा का अध्ययन किया। शोधकर्ताओं ने एक डिजिटल टूल बनाने का लक्ष्य रखा जो घटनास्थल पर पैरामेडिक्स द्वारा एकत्र की गई जानकारी—जैसे कि मरीज की उम्र, रक्तचाप, और मस्तिष्क संबंधी विशिष्ट लक्षण जैसे शरीर के एक तरफ कमजोरी या बोलने में कठिनाई—को देख सके और यह भविष्यवाणी कर सके कि उस मरीज को अंततः उन्नत क्लॉट-रिमूवल प्रक्रिया की आवश्यकता होगी या नहीं। उन्होंने कई अलग-अलग कंप्यूटर मॉडलों का परीक्षण किया ताकि यह देखा जा सके कि क्या वे मौजूदा मानव-निर्मित चेकलिस्ट की तुलना में इन मरीजों को बेहतर तरीके से पहचान सकते हैं।
अध्ययन में पाया गया कि कंप्यूटर मॉडल अपने कार्य में काफी अच्छे थे, लेकिन वे मौजूदा मानव-निर्मित चेकलिस्ट से नाटकीय रूप से बेहतर प्रदर्शन नहीं कर सके। सबसे अच्छे कंप्यूटर मॉडल ने 0.92 का AUC प्राप्त किया, हालांकि इसने कुछ ऐसे मरीजों को भी चिह्नित किया जिन्हें इसकी आवश्यकता नहीं थी। यह एक महत्वपूर्ण संतुलन है जिसे बनाए रखना होता है: आपातकालीन चिकित्सा में, प्रक्रिया की आवश्यकता वाले मरीज को चूक जाना, गलती से किसी अतिरिक्त मरीज को विशेष केंद्र पर भेजने की तुलना में कहीं अधिक बुरा है। शोधकर्ताओं ने पाया कि कंप्यूटर मॉडल उन्हीं संकेतों पर बहुत अधिक निर्भर थे जिन्हें अनुभवी डॉक्टर देखते हैं, जैसे कि शरीर के एक तरफ पक्षाघात (पैरालिसिस), बोलने में परेशानी, और सतर्कता में परिवर्तन। कंप्यूटर ने नए नियम नहीं बनाए; इसने केवल इस बात की पुष्टि की कि ये विशिष्ट शारीरिक लक्षण एक गंभीर रुकावट के सबसे मजबूत संकेतक हैं।
इस कार्य के सबसे महत्वपूर्ण हिस्सों में से एक कंप्यूटर की सोच को दृश्यमान बनाना था। शोधकर्ताओं ने एक ऐसी विधि का उपयोग किया जो उन्हें यह देखने की अनुमति देती है कि किस कारक ने प्रत्येक मरीज के लिए कंप्यूटर को एक विशिष्ट भविष्यवाणी की ओर धकेला। यह पारदर्शिता अत्यंत आवश्यक है क्योंकि एम्बुलेंस कर्मियों और डॉक्टरों को इस टूल पर भरोसा करने की आवश्यकता होती है। उन्हें यह जानने की आवश्यकता है कि कंप्यूटर बेतरतीब ढंग से अनुमान नहीं लगा रहा है, बल्कि वह उसी नैदानिक साक्ष्य को तौल रहा है जिसे एक मानव विशेषज्ञ भी देखेगा। अध्ययन ने दिखाया कि कंप्यूटर का तर्क चिकित्सा अंतर्ज्ञान के साथ अच्छी तरह से मेल खाता है, जो न्यूरोलॉजिकल कमियों की गंभीरता और लक्षणों की शुरुआत से बीते समय पर ध्यान केंद्रित करता है।
मॉडलों की सफलता के बावजूद, शोधकर्ताओं ने उल्लेख किया कि यह तकनीक कोई जादुई समाधान नहीं है जो समस्या को पूरी तरह से हल कर दे। डेटा से पता चला कि सबसे अच्छे मॉडल भी कुछ गलत अलार्म उत्पन्न करते हैं, और उन्नत प्रक्रिया की वास्तव में आवश्यकता वाले मरीजों की संख्या कुल स्ट्रोक रोगियों की तुलना में अपेक्षाकृत कम है। इसका अर्थ है कि जबकि कंप्यूटर मदद कर सकता है, यह मानवीय निर्णय और मौजूदा प्रोटोकॉलों का स्थान नहीं ले सकता। अध्ययन सुझाव देता है कि ये उपकरण एक सहायक मार्गदर्शक के रूप में सबसे उपयोगी हैं, जो मरीजों को प्राथमिकता देने में मदद करते हैं और यह सुनिश्चित करते हैं कि जिन्हें विशेष उपचार की आवश्यकता है, वे यथाशीघ्र वहां पहुँच सकें। यह कार्य एक 'प्रूफ ऑफ कॉन्सेप्ट' के रूप में कार्य करता है, जो यह प्रदर्शित करता है कि वास्तविक दुनिया के आपातकालीन डेटा का उपयोग विश्वसनीय, समझने योग्य उपकरण बनाने के लिए किया जा सकता है, जिन्हें एक दिन एम्बुलेंस कर्मियों के दैनिक कार्यप्रवाह में शामिल किया जा सकता है ताकि अधिक जीवन बचाए जा सकें।
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।