Machine learning models for predicting multidrug-resistant organism infections after invasive procedures in intensive care unit patients: a retrospective study based on the MIMIC-IV database
MIMIC-IV डेटाबेस का उपयोग करने वाले इस रेट्रोस्पेक्टिव अध्ययन ने आईसीयू में इनवेसिव प्रक्रियाओं से गुजर रहे रोगियों में मल्टीड्रग-रेसिस्टेंट ऑर्गेनिज्म संक्रमणों की भविष्यवाणी करने के लिए पांच मशीन लर्निंग मॉडल विकसित और तुलना की, जिसमें एक्सट्रीम ग्रेडिएंट बूस्टिंग (XGB) मॉडल को आईसीयू में रहने की अवधि और एंटीबायोटिक उपयोग जैसे प्रमुख कारकों के आधार पर प्रारंभिक जोखिम स्तरीकरण के लिए 0.751 के AUC के साथ इष्टतम उपकरण के रूप में पहचाना गया।
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 विशाल, उच्च-तकनीकी अस्पताल के माध्यम से टहल रहे हैं, लेकिन वहां आपको केवल डॉक्टरों और नर्सों को ही नहीं, बल्कि अदृश्य हमलावरों के एक हलचल भरे शहर को भी देखते हैं। इनमें से कुछ हमलावर आम चोरों की तरह हैं, लेकिन कुछ "सुपर-चोर" ऐसे कवच पहने हुए हैं जो उन्हें अस्पताल के पास मौजूद लगभग हर हथियार (एंटीबायोटिक) से सुरक्षित बनाता है। इन्हें मल्टीड्रग-रेसिस्टेंट ऑर्गेनिज्म (MDROs) कहा जाता है। ये गहन देखभाल इकाई (ICU), जो अस्पताल का सबसे महत्वपूर्ण पड़ोस है, के मरीजों के लिए एक बुरा सपना हैं। बीमारतम मरीजों की मदद करने के लिए, डॉक्टरों को अक्सर "इनवेसिव प्रक्रियाओं" (invasive procedures) का उपयोग करना पड़ता है—इन्हें विशेष उपकरणों के रूप में सोचें जैसे कि ब्रीदिंग ट्यूब, IV लाइन, या कैथेटर जो शरीर के अंदर जाते हैं। हालांकि ये उपकरण जीवन बचाते हैं, लेकिन वे अनजाने में सुपर-चोरों के लिए अंदर घुसने के लिए सामने का दरवाजा भी खोल देते हैं।
बड़ा सवाल जो वैज्ञानिक पूछ रहे हैं, वह है: "हम यह कैसे अनुमान लगा सकते हैं कि हमला होने से पहले किन मरीजों पर इन सुपर-चोरों द्वारा हमला किया जाने वाला है?" लंबे समय तक, डॉक्टरों ने सरल चेकलिस्ट का उपयोग किया, जैसे कि खतरे का अनुमान लगाने के लिए कुछ बुनियादी संकेतों को देखना। लेकिन मानव शरीर एक जटिल मशीन है, और एक मरीज के इतिहास, उनके रक्त परीक्षण और उनके द्वारा उपयोग किए जाने वाले उपकरणों के बीच का संबंध स्पैगेटी की एक उलझी हुई गांठ की तरह है जिसे सरल चेकलिस्ट सुलझा नहीं सकती। यहीं पर एक नया प्रकार का जासूस आता है: मशीन लर्निंग। मशीन लर्निंग को एक सुपर-स्मार्ट कंप्यूटर मस्तिष्क के रूप में समझें जो लाखों मेडिकल रिकॉर्ड पढ़ सकता है, उन छिपे हुए पैटर्न को पहचान सकता है जिन्हें इंसान मिस कर देते हैं, और भविष्य का अनुमान लगाने में बेहतर होने के लिए अपनी गलतियों से सीख सकता है। यदि हम एक बहुत अच्छा "सुपर-डिटेक्टिव" बना सकें, तो हम डॉक्टरों को जल्दी चेतावनी दे सकते हैं, जिससे वे दरवाजे बंद कर सकें और सबसे कमजोर मरीजों की रक्षा कर सकें।
यह अध्ययन इसी सुपर-डिटेक्टिव को बनाने के बारे में है। शोधकर्ता, MIMIC-IV नामक एक विशाल डिजिटल लाइब्रेरी (जिसमें पिछले 60,000 से अधिक ICU मरीजों का डेटा शामिल है) के साथ काम करते हुए, पांच अलग-अलग प्रकार के मशीन लर्निंग मॉडल का परीक्षण करने का निर्णय लेते हैं। वे देखना चाहते थे कि कौन सा मॉडल यह भविष्यवाणी करने में सबसे अच्छा है कि क्या एक इनवेसिव टूल्स (invasive tools) वाले मरीज को MDRO संक्रमण होगा। उन्होंने कंप्यूटर को मरीज की उम्र और रक्तचाप से लेकर उनके ICU में रहने की अवधि और एंटीबायोटिक्स पर बिताए गए घंटों तक की हर चीज़ का डेटा खिलाया।
इन डिजिटल दिमागों को प्रशिक्षित करने के बाद, शोधकर्ताओं ने पाया कि एक मॉडल, जिसे "XGB" (एक्सट्रीम ग्रेडिएंट बूस्टिंग के लिए संक्षिप्त) कहा जाता है, स्पष्ट विजेता था। यह एक स्पोर्ट्स टीम के स्टार खिलाड़ी की तरह था, जिसने अन्य चार मॉडलों को पछाड़ दिया। इस XGB मॉडल ने 0.75 के पैमाने पर 0.751 का स्कोर प्राप्त किया, जहाँ उच्च स्कोर बेहतर होता है, जिसका अर्थ है कि यह खतरे को पहचानने में काफी अच्छा था। इसने केवल रैंडम अनुमान नहीं लगाया; इसने विशिष्ट सुरागों पर ध्यान देना सीखा। मॉडल ने खोजा कि संक्रमण के सबसे बड़े रेड फ्लैग्स (चेतावनी संकेत) थे: मरीज कितने समय तक ICU में रहा, एंटीबायोटिक्स पर बिताए गए कुल घंटे, क्या उसके पास एक सेंट्रल लाइन (गर्दन में डाली गई एक विशेष IV लाइन) लगी थी, उसका गंभीरता स्कोर (एक संख्या जो बताती है कि वह कितना बीमार है), और उसकी उम्र।
शोधकर्ता केवल इस बात पर नहीं रुके कि "कंप्यूटर ने सही अनुमान लगाया।" वे जानना चाहते थे कि कंप्यूटर ने ऐसा क्यों सोचा। SHAP नामक एक विशेष उपकरण का उपयोग करके, उन्होंने मॉडल की परतों को हटाया ताकि उसकी सोचने की प्रक्रिया को देखा जा सके। उन्होंने पाया कि मरीज जितना लंबे समय तक ICU में रहता है और एंटीबायोटिक्स पर जितने अधिक घंटे बिताता है, संक्रमण का जोखिम उतना ही बढ़ जाता है। यह ऐसा है जैसे मॉडल ने सीखा कि अस्पताल में बहुत लंबे समय तक रहना और बहुत अधिक एंटीबायोटिक्स लेना शरीर की प्राकृतिक रक्षा प्रणाली को कमजोर कर देता है, जिससे सुपर-चोरों के लिए अंदर आना आसान हो जाता है। दिलचस्प बात यह है कि मॉडल ने देखा कि हीमोग्लोबिन (रक्त में एक प्रोटीन जो ऑक्सीजन ले जाता है) का उच्च स्तर वास्तव में जोखिम को कम करता है, जो एक ढाल की तरह कार्य करता है।
हालांकि, लेखक हमें सावधान भी करते हैं कि यह अभी तक सब कुछ हल करने वाली कोई जादुई छड़ी नहीं है। वे स्वीकार करते हैं कि उनका "सुपर-डिटेक्टिव" केवल एक अस्पताल प्रणाली के डेटा पर प्रशिक्षित था, इसलिए दुनिया के विभिन्न हिस्सों या विभिन्न समूहों के लोगों के लिए पूरी तरह से काम करने के लिए इसे और अधिक प्रशिक्षण की आवश्यकता हो सकती है। इसके अलावा, चूंकि संक्रमण, गैर-संक्रमण की तुलना में अपेक्षाकृत दुर्लभ होते हैं, इसलिए मॉडल कभी-कभी कुछ मामलों को मिस कर देता है, हालांकि यह अपने काम में बहुत अच्छा है। अध्ययन सुझाव देता है कि यह XGB मॉडल एक शक्तिशाली नया उपकरण हो सकता है जो डॉक्टरों को यह तय करने में मदद कर सकता है कि किसे अतिरिक्त सुरक्षा की आवश्यकता है, लेकिन इसे दैनिक देखभाल का हिस्सा बनने से पहले कई अस्पतालों में वास्तविक दुनिया के परिदृश्यों में परीक्षण करने की आवश्यकता है। फिलहाल, यह हमारे सबसे बीमार मरीजों को अदृश्य सुपर-चोरों से सुरक्षित रखने के लिए स्मार्ट कंप्यूटरों का उपयोग करने की दिशा में एक आशाजनक कदम 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।