A Clinically Grounded Rule-Based Phenotyping Framework for Identifying Immune-Related Adverse Events in Structured Electronic Health Record Data: A Retrospective EHR Study

कल्पना कीजिए कि आप एक विशाल, अराजक पुस्तकालय के भीतर एक रहस्य सुलझाने की कोशिश कर रहे एक जासूस हैं। यह पुस्तकालय उपन्यासों से नहीं, बल्कि लाखों रोगियों के डिजिटल रिकॉर्ड से भरा है—उनके लक्षण, उनकी दवाएं और उनके परीक्षण के परिणाम। आधुनिक चिकित्सा की दुनिया में, "इम्यून चेकपॉइंट इनहिबिटर्स" नामक एक विशेष प्रकार का कैंसर उपचार एक सुपरहीरो बन गया है। यह शरीर की अपनी रक्षा प्रणाली को कैंसर से लड़ने के लिए जगा देता है। लेकिन कभी-कभी, यह अति-जागृत प्रतिरक्षा प्रणाली थोड़ी अधिक उत्साहित हो जाती है और शरीर के स्वस्थ हिस्सों, जैसे कि आंत या त्वचा पर हमला करने लगती है। इन हमलों को "इम्यून-रिलेटेड एडवर्स इवेंट्स" (irAEs) कहा जाता है।

समस्या यह है कि पुस्तकालय की फाइलिंग प्रणाली अव्यवस्थित है। वहां कोई एकल, स्पष्ट टैग नहीं है जो यह कहता हो कि "यह रोगी एक प्रतिरक्षा हमले का सामना कर रहा है।" रिकॉर्ड बिखरे हुए हैं, अलग-अलग डॉक्टरों द्वारा अलग-अलग तरीकों से लिखे गए हैं, और अक्सर महत्वपूर्ण विवरणों की कमी है। यदि आप यह अध्ययन करना चाहते हैं कि ये हमले कितनी बार होते हैं या कौन इसके जोखिम में है, तो आप केवल पुस्तकालय से सूची नहीं मांग सकते; आपको बिखराव के बीच सही सुराग खोजने के लिए एक चतुर खोज रणनीति बनानी होगी। यहीं से इस शोध की कहानी शुरू होती है: हम बिना किसी सुपरकंप्यूटर या भविष्यवाण करने वाले क्रिस्टल बॉल के, संरचित डेटा के समुद्र में इन छिपे हुए चिकित्सा पैटर्न को कैसे खोज सकते हैं?

---

जासूस की नई नियम पुस्तिका

इस अध्ययन में, यूटा विश्वविद्यालय और हंट्समैन कैंसर संस्थान के शोधकर्ताओं की एक टीम ने एक नए प्रकार का जासूसी उपकरण बनाने का निर्णय लिया। जटिल आर्टिफिशियल इंटेलिजेंस या मशीन लर्निंग का उपयोग करने के बजाय—जो कि एक रोबोट को बिखरे हुए हाथ से लिखे नोट पढ़ने के लिए सिखाने जैसा हो सकता है—उन्होंने एक "रूल-बेस्ड" (नियम-आधारित) फ्रेमवर्क बनाया। इसे एक बहुत ही सख्त, चरण-दर-चरण चेकलिस्ट के रूप में समझें जिसका पालन एक मानव जासूस एक विशिष्ट प्रकार की समस्या को पहचानने के लिए कर सकता है: इम्यून-रिलेटेड डायरिया और कोलाइटिस (IMDC)।

शोधकर्ताओं ने चिकित्सा के आधिकारिक "नियमों" से शुरुआत की, जिन्हें क्लिनिकल गाइडलाइन्स (नैदानिक दिशानिर्देश) कहा जाता है। ये दिशानिर्देश डॉक्टरों को बताते हैं कि जब किसी रोगी को मध्यम-से-गंभीर प्रतिरक्षा प्रतिक्रिया होती है, तो उन्हें वास्तव में क्या करना चाहिए। नियम कहते हैं: "यदि किसी रोगी को यह उपचार मिलता है, और फिर वे बीमार होते हैं, तो डॉक्टर संभवतः उपचार रोक देंगे और प्रतिरक्षा प्रणाली को शांत करने के लिए उन्हें मजबूत सूजन-रोधी दवाएं (स्टेरॉयड) देंगे।"

टीम ने इन चिकित्सा नियमों को एक डिजिटल खोज एल्गोरिदम में बदल दिया। उनके "डिटेक्टिव किट" में खोजने के लिए तीन मुख्य सुराग थे:

1. ट्रिगर (उत्तेजक): रोगी को कम से कम एक खुराक इम्यून-एक्टिवेटिंग कैंसर ड्रग की मिली होनी चाहिए।
2. प्रतिक्रिया: रोगी को दवा के एक विशिष्ट समय अंतराल के भीतर इम्यूनोसप्रेसिव थेरेपी (जैसे स्टेरॉयड) प्राप्त हुई होनी चाहिए। शोधकर्ताओं ने इस विंडो को अंतिम खुराक के 30 दिनों के भीतर, या उपचार के 30-से-90 दिनों के ब्रेक के दौरान सेट किया, क्योंकि शरीर आमतौर पर इसी समय प्रतिक्रिया करता है।
3. साक्ष्य: रोगी के मेडिकल रिकॉर्ड में विशिष्ट "डायग्नोस्टिक कोड्स" (डिजिटल टैग की तरह) होने चाहिए, जैसे कि डायरिया, कोलाइटिस, या आंत की सूजन।

पुस्तकालय में उन्हें क्या मिला

टीम ने इस नई नियम पुस्तिका का परीक्षण लगभग 1,00,000 उन्नत नॉन-स्मॉल सेल लंग कैंसर वाले रोगियों के एक विशाल डेटासेट पर किया। उन सभी को फ़िल्टर करने के बाद जो मानदंडों में फिट नहीं बैठते थे, वे 14,659 रोगियों के एक समूह के साथ रह गए जिन्होंने इम्यून थेरेपी प्राप्त की थी।

जब उन्होंने इस समूह पर अपनी चेकलिस्ट चलाई, तो परिणाम दिलचस्प लेकिन सतर्क करने वाले थे:

• उन्होंने 576 रोगियों (3.93%) की पहचान की जो मध्यम-से-गंभीर प्रतिरक्षा प्रतिक्रिया के मानदंडों को पूरा करते थे।
• जब उन्होंने अंतिम सुराग जोड़ा—विशेष रूप से आंत से संबंधित डायग्नोस्टिक कोड्स की तलाश करना—तो उन्होंने 58 रोगियों (कुल समूह का 0.40%) तक अपनी खोज को सीमित कर दिया, जो संभवतः विशिष्ट स्थिति यानी इम्यून-मीडिएटेड डायरिया और कोलाइटिस से पीड़ित थे।

संख्याएं उम्मीद से कम क्यों हो सकती हैं

शोधकर्ता अपने निष्कर्षों के प्रति ईमानदार थे। उन्होंने उल्लेख किया कि उनके द्वारा पाए गए रोगियों की संख्या अन्य अध्ययनों द्वारा रिपोर्ट किए गए आंकड़ों से कम है। उन्होंने अपने उपकरण की विफलता के लिए उसे दोष नहीं दिया; इसके बजाय, उन्होंने समझाया कि उनका उपकरण बहुत विशिष्ट (specific) होने के लिए डिज़ाइन किया गया था। यह उन "मुखर" (loud) मामलों की तलाश कर रहा था जहाँ डॉक्टर को हस्तक्षेप करने के लिए मजबूत दवा की आवश्यकता पड़ी। इसने संभवतः उन "शांत" (quiet) मामलों को छोड़ दिया जहाँ एक हल्का रिएक्शन हुआ था जिसके लिए उपचार रोकने या स्टेरॉयड लेने की आवश्यकता नहीं थी।

उन्होंने यह भी बताया कि जिस डिजिटल लाइब्रेरी की वे तलाश कर रहे थे, उसमें कमियां हैं। कभी-कभी डॉक्टर यह लिखना भूल जाते हैं कि रोगी ने घर पर दवा की कितनी सटीक खुराक ली थी, या वे एक ही समस्या के लिए अलग-अलग कोड का उपयोग करते हैं। क्योंकि उनका टूल इन संरचित रिकॉर्डों पर निर्भर था, इसलिए यह हर एक मामले को नहीं पकड़ सका, लेकिन इसने उन मामलों को पकड़ लिया जो स्पष्ट रूप से प्रलेखित (documented) थे।

निष्कर्ष

यह अध्ययन बताता है कि बड़े डेटा में चिकित्सा पैटर्न खोजने के लिए आपको हमेशा फैंसी, महंगे AI की आवश्यकता नहीं होती है। क्लिनिकल गाइडलाइन्स के सामान्य ज्ञान को तर्कसंगत नियमों के एक सेट में बदलकर, शोधकर्ता एक ऐसा उपकरण बना सकते हैं जिसे समझना आसान है, जिसे दूसरे अस्पतालों में कॉपी करना आसान है, और जो गंभीर दुष्प्रभावों को खोजने में प्रभावी है।

लेखक निष्कर्ष निकालते हैं कि हालांकि उनकी विधि पूर्ण नहीं है और कुछ सूक्ष्म मामलों को छोड़ सकती है, लेकिन यह इन खतरनाक प्रतिक्रियाओं की पहचान करने का एक व्यावहारिक, "ग्राउंडेड" तरीका प्रदान करती है। यह एक याद दिलाता है कि कभी-कभी, एक जटिल पहेली को सुलझाने का सबसे अच्छा तरीका आपके लिए रोबोट बनाना नहीं है, बल्कि वास्तव में एक अच्छा, स्पष्ट सेट के निर्देश बनाना है जिसका पालन कोई भी कर सके। शोधकर्ता इस पद्धति का आगे परीक्षण करने और यह देखने की योजना बना रहे हैं कि क्या लैब परिणामों या डॉक्टर के हस्तलिखित नोट्स जैसे अधिक प्रकार के डेटा को जोड़ने से उन्हें भविष्य में और भी अधिक मामले खोजने में मदद मिल सकती है।