Explainable machine learning for clinical phenotyping and mortality prediction in critically ill patients with cancer
इस बहुकेंद्रित पूर्वव्यापी अध्ययन ने MIMIC-IV और eICU डेटाबेस का उपयोग करके चार विशिष्ट नैदानिक फेनोटाइप की पहचान की और एक व्याख्यात्मक XGBoost मॉडल विकसित किया जो नियमित रूप से उपलब्ध नैदानिक डेटा के पहले 24 घंटों का उपयोग करके गंभीर रूप से बीमार कैंसर रोगियों में प्रारंभिक इन-हॉस्पिटल मृत्यु दर की प्रभावी ढंग से भविष्यवाणी 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
जब कैंसर से पीड़ित किसी व्यक्ति को गहन देखभाल इकाई (आईसीयू) में अचानक, जीवन के लिए खतरा पैदा करने वाले संकट का सामना करना पड़ता है, तो मेडिकल टीम के सामने एक कठिन पहेली खड़ी हो जाती है। ये मरीज एक ही समूह के नहीं होते; वे अलग-अलग प्रकार के ट्यूमर, शारीरिक शक्ति के विभिन्न स्तरों और उनके उपचारों के प्रति अद्वितीय प्रतिक्रियाओं के साथ आते हैं। इस विविधता के कारण, मरीज की गंभीरता को मापने के लिए उपयोग किए जाने वाले मानक उपकरण अक्सर यह अनुमान लगाने में विफल रहते हैं कि कौन जीवित बचेगा और कौन नहीं। ये पारंपरिक उपकरण यह मान लेते हैं कि शरीर बीमारी के प्रति एक सीधी, पूर्वानुमानित रेखा में प्रतिक्रिया करता है, लेकिन कैंसर रोगियों के लिए वास्तविकता कहीं अधिक उलझी हुई है। उनके शरीर एक साथ कैंसर, उपचार के दुष्प्रभावों और तीव्र संकट से लड़ रहे होते हैं। चिकित्सकों को इस जटिलता को समझने के लिए एक ऐसे तरीके की आवश्यकता है जिससे वे यह पहचान सकें कि कौन से मरीज गहन देखभाल के साथ ठीक होने की संभावना रखते हैं और कौन जीवन के अंतिम चरण के करीब हैं, ताकि संसाधनों का सही उपयोग सुनिश्चित किया जा सके और परिवारों को ईमानदार मार्गदर्शन मिल सके।
इसे हल करने के लिए, वीफ़ांग पीपल्स हॉस्पिटल के शोधकर्ताओं ने संयुक्त राज्य अमेरिका के 24,000 से अधिक गंभीर रूप से बीमार कैंसर रोगियों के वास्तविक दुनिया के चिकित्सा रिकॉर्ड के एक विशाल संग्रह की ओर रुख किया। उन्होंने डॉक्टरों से पैटर्न का अनुमान लगाने के लिए नहीं कहा; इसके बजाय, उन्होंने एक कंप्यूटर प्रोग्राम को डेटा के आधार पर मरीजों को समूहों में वर्गीकृत करने दिया। अनसुपरवाइज्ड क्लस्टरिंग (unsupervised clustering) नामक एक पद्धति का उपयोग करते हुए, कंप्यूटर ने मरीज के प्रवास के पहले 24 घंटों के दौरान लिए गए 28 नियमित मापों को देखा, जैसे कि हृदय गति, श्वसन गति और रक्त परीक्षण के परिणाम। बिना किसी मानवीय निर्देश के कि क्या देखना है, एल्गोरिदम ने चार अलग-अलग प्रकार के मरीजों की खोज की। पहला समूह बड़ा और अपेक्षाकृत स्थिर था, जिसमें तनाव के हल्के संकेत और अस्पताल में मरने का कम जोखिम था। अगले दो समूहों में अंगों के तनाव का बढ़ता स्तर और मृत्यु का मध्यम जोखिम दिखाई दिया। अंतिम समूह सबसे छोटा लेकिन सबसे खतरनाक था; ये मरीज गंभीर मल्टी-ऑर्गन फेल्योर (बहु-अंग विफलता) की स्थिति में थे, जो सांस लेने के लिए मशीनों और रक्तचाप बनाए रखने के लिए दवाओं पर अत्यधिक निर्भर थे, जिसमें मृत्यु दर 50 प्रतिशत के करीब थी। यह खोज बताती है कि कैंसर रोगियों के अराजक मिश्रण के भीतर भी, गिरावट के स्पष्ट पैटर्न देखे जा सकते हैं जिन्हें जल्दी पहचाना जा सकता है।
इसके बाद शोधकर्ताओं ने जीवित रहने की भविष्यवाणी करने के लिए एक नए प्रकार का प्रेडिक्शन टूल बनाया। उन्होंने XGBoost नामक मशीन लर्निंग के एक शक्तिशाली प्रकार का उपयोग किया, जिसे सरल, सीधी-रेखा गणित पर आधारित पुराने स्कोरिंग सिस्टम के विपरीत, डेटा में जटिल, गैर-रेखीय संबंधों को संभालने के लिए डिज़ाइन किया गया है। कंप्यूटर ने पहले समूह के मरीजों से सीखा और फिर इसे अलग-अलग अस्पतालों के एक पूरी तरह से अलग समूह पर परखा ताकि देखा जा सके कि क्या यह वास्तविक दुनिया में टिक सकता है। परिणाम एक ऐसा मॉडल था जिसने अस्पतालों में वर्तमान में उपयोग किए जाने वाले मानक गंभीरता स्कोर की तुलना में काफी बेहतर प्रदर्शन किया। इसने जीवित बचे लोगों और न बचने वालों के बीच उच्च सटीकता के साथ सही अंतर किया, जिससे यह सिद्ध हुआ कि यह मरीजों के शरीर के विफल होने के सूक्ष्म और जटिल तरीकों को सीख सकता है।
महत्वपूर्ण रूप से, टीम केवल एक "ब्लैक बॉक्स" भविष्यवाणी तक नहीं रुकी जिसने केवल एक संख्या दी हो। उन्होंने यह समझने के लिए कि कंप्यूटर ने अपने निर्णय क्यों लिए, SHAP नामक तकनीक का उपयोग किया। इस विश्लेषण से पता चला कि मृत्यु की भविष्यवाणी करने वाले सबसे महत्वपूर्ण कारक केवल कैंसर ही नहीं थे, बल्कि शरीर के संघर्ष के विशिष्ट संकेत भी थे: रक्त यूरिया नाइट्रोजन का उच्च स्तर, तेज़ श्वसन, मैकेनिकल वेंटिलेशन की आवश्यकता और रक्तचाप को सहारा देने वाली दवाओं का उपयोग। इस स्पष्टीकरण ने यह भी दिखाया कि ये जोखिम एक सीधी रेखा में नहीं बढ़ते हैं। उदाहरण के लिए, एक मरीज की श्वसन दर थोड़ी बढ़ सकती है बिना तत्काल खतरे के, लेकिन एक बार जब यह एक निश्चित सीमा को पार कर जाती है, तो मृत्यु का जोखिम तेजी से बढ़ जाता है। इसी तरह, रक्त यूरिया नाइट्रोजन का स्तर शुरू में प्रबंधनीय हो सकता है, लेकिन एक उच्च श्रेणी में प्रवेश करने पर यह एक बहुत अधिक गंभीर संकट का संकेत देता है। ये निष्कर्ष डॉक्टरों को उन 'टिपिंग पॉइंट्स' (निर्णायक बिंदुओं) की एक स्पष्ट तस्वीर प्रदान करते हैं जहाँ एक मरीज की स्थिति प्रबंधनीय से गंभीर में बदल जाती है।
हालांकि यह अध्ययन इन संवेदनशील रोगियों के लिए परिणामों को समझने और भविष्यवाणी करने का एक आशाजनक नया तरीका प्रदान करता है, लेखक सावधानीपूर्वक नोट करते हैं कि यह एक शुरुआती बिंदु है, अंतिम समाधान नहीं। मॉडल उत्तरी अमेरिकी अस्पतालों के डेटा पर बनाया गया था और यह प्रवेश के पहले दिन उपलब्ध जानकारी पर निर्भर करता है। यह अभी तक ट्यूमर के विशिष्ट आनुवंशिक विवरणों या रोगी के कैंसर उपचार के पूर्ण इतिहास को ध्यान में नहीं रखता है। शोधकर्ता सुझाव देते हैं कि यह उपकरण अंततः नैदानिक टीमों को उपचार के लक्ष्यों के बारे में परिवारों के साथ अधिक सूचित बातचीत करने में मदद कर सकता है, जिससे उन लोगों के लिए निरर्थक देखभाल से बचने में मदद मिलेगी जो बहुत बीमार हैं, जबकि उन्हें सुनिश्चित करना मिलेगा जो लाभ प्राप्त कर सकते हैं। यह कार्य प्रदर्शित करता है कि डेटा को सुनने के बजाय उसे पुराने श्रेणियों में जबरन फिट करने के बजाय, चिकित्सा इन रोगियों के गंभीर स्वास्थ्य की वास्तविक, जटिल प्रकृति को देखना शुरू कर सकती 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।