Development and interpretation of an XGBoost-based model for predicting prolonged ICU stay in patients with acute exacerbation of chronic obstructive pulmonary disease

अस्पताल ऐसी जगह हैं जहाँ समय एक महत्वपूर्ण संसाधन है, और गंभीर श्वसन संबंधी कठिनाइयों वाले रोगियों के लिए, उनके अस्पताल में रहने की अवधि अक्सर यह संकेत देती है कि उनकी रिकवरी कितनी जटिल होगी। जब किसी व्यक्ति को क्रोनिक ऑब्स्ट्रक्टिव पल्मोनरी डिजीज (COPD) के तीव्र बिगड़ने (ए क्यूट एक्ससेर्बेशन) का सामना करना पड़ता है, जो एक ऐसी स्थिति है जो लंबे समय तक सांस लेने में कठिनाई पैदा करती है, तो उन्हें अक्सर गहन देखभाल इकाई (इंटेंसिव केयर यूनिट) में भर्ती किया जाता है। जबकि कई लोग ठीक होकर एक सप्ताह या उसके आसपास अस्पताल से छुट्टी पा लेते हैं, एक बड़ी संख्या काफी लंबे समय तक अस्पताल में रहती है। यह लंबा प्रवास केवल असुविधा की बात नहीं है; यह चिकित्सा संसाधनों की विशाल मात्रा को उपभोग करता है और स्वास्थ्य प्रणालियों पर भारी वित्तीय बोझ डालता है। डॉक्टरों के लिए चुनौती यह रही है कि जैसे ही कोई रोगी आए, वे यह अनुमान लगा सकें कि किसके लंबे समय तक ठीक होने की संभावना है। वर्षों से, चिकित्सा दल सामान्य अनुभव और मानक चेकलिस्ट पर भरोसा करते रहे हैं, लेकिन मानव शरीर बहुत जटिल है और सरल नियम हर जोखिम को पकड़ने के लिए पर्याप्त नहीं हैं।

हाल के वर्षों में, एक नया दृष्टिकोण उभरा है जो चिकित्सा डेटा को मानचित्रित किए जाने वाले एक विशाल परिदृश्य की तरह मानता है। एक समय में एक लक्षण को देखने के बजाय, शोधकर्ता ऐसे कंप्यूटर प्रोग्रामों का उपयोग करते हैं जो दर्जनों अलग-अलग स्वास्थ्य संकेतकों के बीच सूक्ष्म पैटर्न खोजने में सक्षम हैं। ये प्रोग्राम यह आकलन कर सकते हैं कि रोगी के रक्त रसायन, हृदय कार्य और श्वसन स्तर एक-दूसरे के साथ कैसे परस्पर क्रिया करते हैं ताकि भविष्य का पूर्वानुमान लगाया जा सके। लक्ष्य डॉक्टर को प्रतिस्थापित करना नहीं है, बल्कि भविष्य की एक स्पष्ट, डेटा-संचालित तस्वीर प्रदान करना है, जिससे जल्दी और अधिक लक्षित हस्तक्षेप संभव हो सके। यह समझने से कि कौन से विशिष्ट कारक रोगी को लंबे अस्पताल प्रवास की ओर धकेलते हैं, चिकित्सक उपचार योजनाओं को जल्दी से समायोजित कर सकते हैं, जिससे रोगियों को अनावश्यक समय अस्पताल में बिताने से बचाया जा सके और उन लोगों के लिए बेड खाली किए जा सकें जिन्हें उनकी सबसे अधिक आवश्यकता है।

शेडोंग मेडिकल यूनिवर्सिटी के संबद्ध अस्पताल के शोधकर्ताओं की एक टीम ने विशेष रूप से गंभीर श्वसन संकट वाले रोगियों के लिए ऐसा भविष्य बताने वाला उपकरण बनाने का लक्ष्य रखा। उन्होंने पांच साल की अवधि में गहन देखभाल इकाई में भर्ती हुए 520 वयस्कों के मेडिकल रिकॉर्ड एकत्र किए। टीम ने प्रवेश के पहले दिन उपलब्ध व्यापक जानकारी एकत्र की, जिसमें रोगी की आयु, चिकित्सा इतिहास, महत्वपूर्ण संकेत (वाइटल साइन्स) और प्रयोगशाला के परिणामों का एक विस्तृत सेट शामिल था। इसके बाद उन्होंने इन रोगियों को दो समूहों में विभाजित किया: वे जो मानक अवधि के लिए अस्पताल में रहे और वे जो लंबे समय तक रहे। कम प्रासंगिक जानकारी को छानने के लिए एक सांख्यिकीय पद्धति का उपयोग करते हुए, उन्होंने संभावित सुरागों की विशाल सूची को पांच सबसे शक्तिशाली संकेतकों तक सीमित कर दिया। इन पांच कारकों को फिर एक परिष्कृत कंप्यूटर मॉडल में डाला गया जिसे डेटा से सीखने और भविष्यवाणियां करने के लिए डिज़ाइन किया गया था।

उनके द्वारा बनाया गया मॉडल उल्लेखनीय रूप से सटीक साबित हुआ। जिस डेटा से उसने सीखा था, उस पर परीक्षण करते समय, इसने लगभग हर उस रोगी की सही पहचान की जो लंबे समय तक रुकने वाला था, और जब इसे रोगियों के एक नए सेट पर परखा गया जिसे इसने पहले कभी नहीं देखा था, तब भी इसने उच्च विश्वसनीयता के साथ प्रदर्शन किया। प्रणाली लंबे और छोटे प्रवास के बीच अंतर करने में इतनी सटीकता दिखाने में सक्षम थी जो पारंपरिक तरीकों से कहीं अधिक थी। इससे भी महत्वपूर्ण बात यह है कि शोधकर्ताओं ने केवल कंप्यूटर को अनुमान लगाने और उसका तर्क छिपाने के लिए नहीं छोड़ा। उन्होंने मॉडल के "ब्लैक बॉक्स" को खोलने के लिए एक तकनीक का उपयोग किया, जिससे यह स्पष्ट हुआ कि प्रत्येक व्यक्ति के लिए भविष्यवाणी करने में कौन से कारक मुख्य भूमिका निभा रहे थे। इस पारदर्शिता ने उन्हें यह देखने की अनुमति दी कि मॉडल केवल अनुमान नहीं लगा रहा था, बल्कि अपने निर्णय लेने के लिए विशिष्ट, मापने योग्य जैविक संकेतों पर निर्भर था।

मॉडल ने जिन पांच प्रमुख कारकों की पहचान की जो लंबे प्रवास के सबसे मजबूत भविष्यवक्ता थे, उनमें रक्त के थक्के जमने से जुड़ा एक प्रोटीन, हृदय की मांसपेशियों के तनाव का एक मार्कर, रक्त में कार्बन डाइऑक्साइड का एक माप, फेफड़ों से संबंधित हृदय रोग का इतिहास, और शरीर में सूजन (इन्फ्लेमेशन) का संकेत देने वाला एक प्रोटीन शामिल था। मॉडल ने निर्धारित किया कि क्लॉटिंग प्रोटीन का स्तर सबसे प्रभावशाली कारक था। जब यह प्रोटीन उच्च होता है, तो यह शरीर में अत्यधिक तनाव का संकेत देता है, जो अक्सर रक्त के थक्के जमने के उच्च जोखिम और खराब ऑक्सीजन विनिमय से जुड़ा होता है, जो स्वाभाविक रूप से रिकवरी के समय को बढ़ा देता है। इसी प्रकार, हृदय तनाव के मार्कर और हृदय-फेफड़े के रोग का इतिहास यह दर्शाता है कि रोगी का शरीर सांस लेने के संकट के अतिरिक्त बोझ को सहने के लिए संघर्ष कर रहा है। रक्त में कार्बन डाइऑक्साइड का उच्च स्तर यह दिखाता है कि फेफड़े अपशिष्ट गैस को प्रभावी ढंग से साफ करने में विफल हो रहे हैं, जबकि उच्च सूजन मार्कर संक्रमण या फ्लेयर-अप के प्रति एक गंभीर प्रणालीगत प्रतिक्रिया का संकेत देते हैं।

यह काम विशेष रूप से कैसे मूल्यवान है, यह इस बात पर निर्भर करता है कि यह इन जटिल जैविक संकेतों को डॉक्टर के लिए एक स्पष्ट तस्वीर में कैसे बदलता है। इन पांच कारकों में से प्रत्येक ने अंतिम भविष्यवाणी में कैसे योगदान दिया, इसे विज़ुअलाइज़ करके, शोधकर्ताओं ने दिखाया कि क्लॉटिंग प्रोटीन और हृदय तनाव के उच्च स्तर वाले रोगी, हृदय-फेफड़े के रोग के इतिहास के साथ, लगभग निश्चित रूप से लंबे प्रवास का सामना करेंगे। इसके विपरीत, इन मार्करों के निम्न स्तर वाले रोगी तेजी से ठीक होने की संभावना रखते हैं। यह दृष्टिकोण केवल एक "हाँ या ना" की भविष्यवाणी से आगे बढ़ता है; यह पूर्वानुमान के पीछे के "क्यों" को समझाता है। शोधकर्ताओं ने उल्लेख किया कि उनका मॉडल एक एकल अस्पताल के डेटा पर आधारित था और केवल प्रवेश के समय उपलब्ध जानकारी पर निर्भर था, जिसका अर्थ है कि इसने इस बात को ध्यान में नहीं रखा कि उपचार के दौरान रोगी की स्थिति कैसे बदल सकती है। हालांकि परिणाम मजबूत थे, टीम ने स्वीकार किया कि मॉडल को विभिन्न अस्पतालों और क्षेत्रों के रोगियों पर परीक्षण करने की आवश्यकता है ताकि यह सुनिश्चित हो सके कि यह सार्वभौमिक रूप से काम करता है।

अध्ययन निष्कर्ष निकालता है कि उन्नत कंप्यूटर लर्निंग को अंतर्निहित जीव विज्ञान की स्पष्ट समझ के साथ जोड़कर, अस्पताल में रहने के लिए एक विश्वसनीय प्रारंभिक चेतावनी प्रणाली बनाना संभव है। मॉडल बीमारी को ठीक करने या भविष्य की पूर्ण निश्चितता के साथ भविष्यवाणी करने का दावा नहीं करता है, बल्कि यह रोगी की यात्रा की शुरुआत में जोखिम का आकलन करने का एक वैज्ञानिक रूप से आधारित तरीका प्रदान करता है। शोधकर्ता सुझाव देते हैं कि भविष्य में, ऐसे उपकरण को सीधे अस्पताल प्रणालियों में एकीकृत किया जा सकता है, जो रोगियों के आगमन के क्षण में डॉक्टरों को वास्तविक समय में, व्यक्तिगत जोखिम मूल्यांकन प्रदान करेगा। इससे चिकित्सा टीमों को संसाधनों को अधिक कुशलता से आवंटित करने और प्रत्येक व्यक्ति की विशिष्ट आवश्यकताओं के अनुसार उपचार योजनाओं को तैयार करने में मदद मिलेगी, जिससे संभावित रूप से रोगियों के अस्पताल में बिताए जाने वाले समय को कम किया जा सकेगा और उनके समग्र परिणामों में सुधार होगा। यह कार्य इस बात का प्रमाण है कि कैसे आधुनिक डेटा विज्ञान का उपयोग गंभीर श्वसन रोगों की जटिल और अक्सर अप्रत्याशित प्रकृति में स्पष्टता लाने के लिए किया जा सकता है।