Transportable core mortality prediction from joint functional cognitive phenotypes in multinational harmonized ageing cohorts
छह बहुराष्ट्रीय आयु बढ़ने वाले समूहों (ageing cohorts) को सामंजस्यपूर्ण बनाकर, इस अध्ययन ने संयुक्त कार्यात्मक-संज्ञानात्मक फेनोटाइप्स का उपयोग करते हुए एक ट्रांसपोर्टेबल लाइटजीबीएम-आधारित कोर मॉडल विकसित किया है जो विविध परिवेशों में स्थिर 5-वर्षीय मृत्यु दर भविष्यवाणी प्राप्त करता है, और जो अंशांकन (calibration) तथा सामान्यीकरण (generalizability) में समृद्ध दुर्बलता प्रोटोटाइप्स से बेहतर प्रदर्शन करता 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
जैसे-जैसे वैश्विक जनसंख्या वृद्ध हो रही है, चिकित्सा का केंद्र बदल रहा है। अब केवल लोगों को जीवित रखना ही पर्याप्त नहीं है; लक्ष्य उन्हें अच्छी तरह से जीने में मदद करना है, जिससे उनकी चलने, सोचने और अपनी देखभाल करने की क्षमता बनी रहे। फिर भी, जैसे-जैसे लोग बूढ़े होते हैं, उनके शरीर और मस्तिष्क हमेशा एक ही तरह से कमजोर नहीं होते। कुछ पहले अपनी शारीरिक शक्ति खो देते हैं, जबकि अन्य अपनी मांसपेशियों के कमजोर होने से पहले याददाश्त के साथ संघर्ष करते हैं। यह विविधता डॉक्टरों के लिए यह अनुमान लगाना कठिन बना देती है कि अगले कुछ वर्षों में किसकी मृत्यु का सबसे अधिक जोखिम है। एक ऐसा उपकरण जो एक देश में पूरी तरह से काम करता है, वह दूसरे देश में विफल हो सकता है क्योंकि लोग अलग होते हैं, और उनके स्वास्थ्य को मापने के तरीके भी स्थान दर स्थान भिन्न होते हैं। चुनौती, फिर, एक ऐसे तरीके को खोजने की है जिससे किसी वृद्ध व्यक्ति के स्वास्थ्य को देखने का तरीका इतना सरल हो कि उसे हर जगह उपयोग किया जा सके, फिर भी इतना विस्तृत हो कि घातक होने से पहले संकट के सूक्ष्म संकेतों को पकड़ सके।
शोधकर्ताओं की एक टीम ने छह अलग-अलग देशों के 1,00,000 से अधिक वृद्ध वयस्कों के स्वास्थ्य रिकॉर्ड को देखकर इस समस्या को हल करने का प्रयास किया। वे यह देखना चाहते थे कि क्या वे लोगों को इस आधार पर समूहों में बांट सकते हैं कि उनकी शारीरिक क्षमताएं और मानसिक तीक्ष्णता समय के साथ कैसे बदलती हैं, और फिर उन समूहों का उपयोग यह अनुमान लगाने के लिए कर सकते हैं कि किसकी पांच वर्षों के भीतर मृत्यु हो जाएगी। जटिल चिकित्सा परीक्षणों पर निर्भर रहने के बजाय, जो हर क्लिनिक में उपलब्ध नहीं होते, उन्होंने बुनियादी, सामान्य प्रश्नों और मापों के एक सेट पर ध्यान केंद्रित किया जिन्हें कहीं भी पूछा या जांचा जा सकता था। उन्होंने देखा कि क्या कोई व्यक्ति चल सकता है, कपड़े पहन सकता है, या अपने दैनिक कार्यों को प्रबंधित कर सकता है, जिसे हृदय संबंधी समस्याओं या मधुमेह जैसी सामान्य बीमारियों की जानकारी के साथ जोड़ा गया। इन सरल तथ्यों को सामान्य रोगों की जानकारी के साथ जोड़कर, उन्होंने एक कंप्यूटर मॉडल बनाया जिसे बिना अपनी सटीकता खोए आसानी से एक देश से दूसरे देश में ले जाया जा सके।
शोधकर्ताओं ने पहले कई वर्षों तक इन वृद्ध वयस्कों के शारीरिक और मानसिक जीवन में आए बदलावों का अवलोकन किया। उन्होंने पाया कि सभी लोग एक ही मार्ग का अनुसरण नहीं करते हैं। कुछ स्थिर और मजबूत बने रहे, जबकि अन्य धीरे-धीरे अपनी शक्ति या अपनी याददाश्त खोने लगे। हालांकि, एक छोटा समूह था जिसे दोहरी चुनौती का सामना करना पड़ा: उनकी शारीरिक क्षमताएं और उनकी मानसिक तीक्ष्णता दोनों तेजी से गिरीं। यह विशिष्ट समूह, जहाँ शरीर और मस्तिष्क दोनों एक साथ विफल हो रहे थे, वहां मृत्यु का जोखिम सबसे अधिक था। इस "दोहरी गिरावट" (dual deterioration) वाले लोगों में से, तीन में से एक से अधिक की पांच वर्षों के भीतर मृत्यु हो गई। इसके विपरीत, जो दोनों क्षेत्रों में स्थिर रहे, उनमें मृत्यु का जोखिम बहुत कम था, जिसमें दस में से एक से भी कम की मृत्यु हुई। इससे पता चला कि शारीरिक और मानसिक गिरावट को एक साथ देखने से, अकेले किसी एक को देखने की तुलना में जोखिम की कहीं अधिक स्पष्ट तस्वीर मिलती है।
नए लोगों के लिए इस जोखिम का अनुमान लगाने के लिए, टीम ने दो अलग-अलग संस्करणों वाला एक भविष्यवाणी उपकरण बनाया। पहला संस्करण एक "समृद्ध" (rich) मॉडल था जिसमें बहुत विस्तृत चिकित्सा डेटा शामिल था, जैसे कि एक व्यक्ति कितनी तेजी से चल सकता है या उसकी पकड़ कितनी मजबूत है। यह मॉडल उसी समूह के लोगों पर परीक्षण किए जाने पर बहुत अच्छा काम करता था, जिसने उच्च सटीकता के साथ जोखिमों की सही पहचान की। हालांकि, जब शोधकर्ताओं ने इस विस्तृत मॉडल को विभिन्न देशों के लोगों पर आजमाने की कोशिश की, तो यह विफल होने लगा। कुछ स्थानों पर, इसने अनुमान लगाया कि लगभग सभी की मृत्यु हो जाएगी, जबकि अन्य स्थानों पर, इसने खतरे को पूरी तरह से अनदेखा कर दिया। समस्या यह थी कि विस्तृत माप हमेशा उपलब्ध नहीं होते थे या विभिन्न देशों में उन्हें अलग तरह से मापा जाता था, जिससे मॉडल बहुत नाजुक हो गया जिसे एक स्थान से दूसरे स्थान पर ले जाना कठिन था।
दूसरा संस्करण एक "पोर्टेबल" (सुलभ) मॉडल था। इसमें केवल अठारह सरल चर (variables) थे जो अध्ययन किए गए प्रत्येक देश में उपलब्ध थे, जैसे आयु, शिक्षा, धूम्रपान की आदतें और दैनिक जीवन के बारे में बुनियादी प्रश्न। हालांकि यह सरल मॉडल मूल समूह पर परीक्षण किए जाने पर उतना प्रभावशाली नहीं दिखा, लेकिन यह नए स्थानों पर भेजने पर कहीं अधिक विश्वसनीय साबित हुआ। इसने सभी छह देशों में लगातार सटीक भविष्यवाणियां कीं, सही ढंग से पहचाना कि कौन उच्च जोखिम पर है और कौन सुरक्षित है। शोधकर्ताओं ने पाया कि यह सुव्यवस्थित, सरल दृष्टिकोण ही वह कुंजी थी जिससे एक ऐसा उपकरण बनाया जा सका जिसे वास्तव में वास्तविक दुनिया में उपयोग किया जा सके, जहाँ संसाधन और मापने के उपकरण व्यापक रूप से भिन्न होते हैं।
अध्ययन ने यह भी देखा कि क्या किसी व्यक्ति की गिरावट के इतिहास को जानना—पिछले कुछ वर्षों में वे कैसे बदले हैं—भविष्यवाणी में कोई अतिरिक्त मूल्य जोड़ता है। उन्होंने पाया कि हालांकि अतीत का प्रक्षेपवक्र (trajectory) डॉक्टरों को रोगी के स्वास्थ्य की कहानी समझने में मदद करता है, लेकिन इसने केवल वर्तमान स्वास्थ्य स्थिति को जानने की तुलना में कंप्यूटर की मृत्यु की भविष्यवाणी करने की क्षमता में महत्वपूर्ण रूप से सुधार नहीं किया। सबसे महत्वपूर्ण कारक व्यक्ति की आयु, उसकी संज्ञानात्मक कार्यक्षमता का वर्तमान स्तर और दैनिक कार्यों को करने की क्षमता बनी रही। यह सुझाव देता है कि एक त्वरित, विश्वसनीय जोखिम जांच के उद्देश्य से, व्यक्ति अभी कैसा है यह उसके अतीत की गिरावट के विशिष्ट आकार की तुलना में अधिक महत्वपूर्ण है, हालांकि इतिहास समग्र स्थिति को समझने के लिए उपयोगी रहता है।
अंतिम परिणाम एक ऐसा ढांचा (framework) है जो डॉक्टरों और स्वास्थ्य योजनाकारों को वृद्ध वयस्जनों को पांच स्पष्ट जोखिम समूहों में वर्गीकृत करने की अनुमति देता है, जो बहुत कम जोखिम से लेकर बहुत उच्च जोखिम तक विस्तृत हैं। इस उपकरण का उपयोग करके, एक स्वास्थ्य प्रणाली उन 15 प्रतिशत वृद्ध वयस्कों की पहचान कर सकती है जो पांच वर्षों के भीतर मृत्यु के उच्चतम जोखिम पर हैं और उन्हें अधिक गहन ध्यान और व्यापक देखभाल सुनिश्चित कर सकती है। इसके विपरीत, यह बहुमत को, जो कम जोखिम पर हैं, यह आश्वासन दे सकता है कि उन्हें गहन निगरानी की आवश्यकता नहीं है। शोधकर्ता इस बात पर जोर देते हैं कि यह उपकरण कोई भविष्य बताने वाला यंत्र (crystal ball) नहीं है और इसे डॉक्टर के निर्णय का स्थान नहीं लेना चाहिए। इसके बजाय, यह एक विश्वसनीय मार्गदर्शक के रूप में कार्य करता है जो सीमाओं के पार काम करता है, जिससे सीमित चिकित्सा संसाधनों को उन लोगों की ओर निर्देशित करने में मदद मिलती जिन्हें उनकी सबसे अधिक आवश्यकता है, चाहे वे कहीं भी रहते हों या उनके स्थानीय क्लिनिक में विशिष्ट परीक्षण उपलब्ध हों या 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।