Development and External Validation of a Transparent Regression-Based In-Hospital Mortality Prediction Model for Critically Ill Patients With Liver Cancer Using MIMIC-IV and eICU-CRD

हर साल, लिवर कैंसर दुनिया भर में लाखों लोगों की जान ले लेता है, लेकिन मरीजों के एक छोटे समूह के लिए, तत्काल खतरा स्वयं ट्यूमर से नहीं, बल्कि अचानक होने वाली उन जीवन-घातक जटिलताओं से आता है जो उन्हें गहन चिकित्सा इकाई (ICU) में जाने पर मजबूर कर देती हैं। जब लिवर कैंसर का कोई मरीज ICU में पहुँचता है, तो डॉक्टरों को एक कठिन वास्तविकता का सामना करना पड़ता है: शरीर अक्सर एक साथ कई प्रणालियों में विफल हो रहा होता है, और सही निर्णय लेने के लिए उपलब्ध समय बहुत ही कम होता है। मदद के लिए, मेडिकल टीमें लंबे समय से सामान्य स्कोरिंग सिस्टम पर भरोसा करती रही हैं जो महत्वपूर्ण संकेतों (vital signs) और अंग कार्यों के आधार पर यह मापती हैं कि मरीज कितना बीमार है। हालाँकि, ये व्यापक उपकरण विशेष रूप से लिवर कैंसर की अनूठी जीव विज्ञान के लिए नहीं बनाए गए थे, और वे अक्सर उन विशिष्ट चेतावनी संकेतों को नहीं पकड़ पाते जो इस समूह के लिए सबसे महत्वपूर्ण होते हैं। सवाल यह था कि क्या एक सरल, स्पष्ट तरीका बनाया जा सकता है—एक ऐसा तरीका जो केवल देखभाल के पहले दिन उपलब्ध जानकारी का उपयोग करके यह अनुमान लगा सके कि अस्पताल में रहने के दौरान किसके जीवित रहने की संभावना सबसे अधिक है।

शोधकर्ताओं की एक टीम ने ठीक इसी तरह का उपकरण बनाने के लिए काम किया, जिसका ध्यान पारदर्शिता और शीघ्र पहचान पर था। वे जटिल, छिपे हुए एल्गोरिदम पर निर्भर नहीं रहे जो एक 'ब्लैक बॉक्स' की तरह कार्य करते हैं, जहाँ भविष्यवाणी के पीछे के तर्क को देखना असंभव होता है। इसके बजाय, उन्होंने अस्पतालों के दो विशाल, सार्वजनिक रूप से उपलब्ध रिकॉर्ड संग्रहों से डेटा का उपयोग करके एक सीधा गणितीय मॉडल तैयार किया। एक संग्रह संयुक्त राज्य अमेरिका के एक बड़े अस्पताल से आया था, जबकि दूसरे ने देश भर के दो सौ से अधिक अस्पतालों से डेटा एकत्र किया था। इन स्रोतों को मिलाकर, टीम पहले मरीजों के एक सेट पर एक मॉडल बना सकी और फिर यह देखने के लिए कि क्या यह वास्तविक दुनिया में टिक पाता है, इसे पूरी तरह से अलग सेट पर तुरंत परखा। उनका लक्ष्य एक ऐसी प्रणाली बनाना था जिसे कोई भी चिकित्सक समझ सके, जहाँ भविष्यवाणी करने के लिए उपयोग किया जाने वाला प्रत्येक कारक ICU में रहने के पहले चौबीस घंटों के भीतर लिया गया एक नियमित माप हो।

शोधकर्ताओं ने उन हजारों वयस्क रोगियों की जांच से शुरुआत की जो कम से कम एक दिन के लिए ICU में रहे थे। उन्होंने संभावित सुरागों की एक विस्तृत श्रृंखला को छानकर देखा, जिसमें आयु, शरीर के अन्य अंगों में फैले कैंसर की उपस्थिति, और हृदय गति, रक्तचाप और ऑक्सीजन स्तर जैसे शारीरिक मापों की एक विस्तृत श्रृंखला शामिल थी। उन्होंने रक्त परीक्षण के परिणामों की भी जांच की जिससे यह पता चलता था कि लिवर और किडनी कितनी अच्छी तरह काम कर रहे हैं। एक कठोर सांख्यिकीय प्रक्रिया का उपयोग करते हुए, उन्होंने उन बारह सबसे महत्वपूर्ण कारकों की सूची को सीमित कर दिया जो लगातार मृत्यु के उच्च जोखिम का संकेत देते थे। इन कारकों में रक्त में बिलीरुबिन का स्तर शामिल था, जो लिवာ के तनाव को दर्शाता है; क्रिएटिनिन, जो किडनी के कार्य का एक संकेतक है; और रोगी का तापमान, हृदय गति और श्वसन दर। उन्होंने इसमें रोगी के चेतना के स्तर को भी शामिल किया, जिसे एक मानक पैमाने द्वारा मापा जाता है, और यह भी कि क्या कैंसर लीवर से आगे फैल चुका था।

जब उन्होंने इस बारह-कारक वाले मॉडल का परीक्षण रोगियों के पहले समूह पर किया, तो इसने बहुत अच्छा प्रदर्शन किया, और अधिकांश मामलों में सफलतापूर्वक अंतर किया कि कौन जीवित बचा और कौन नहीं। मॉडल एक ऐसा जोखिम स्कोर देने में सक्षम था जो वास्तविक परिणामों के काफी करीब था। हालाँकि, किसी भी चिकित्सा भविष्यवाणी उपकरण की असली परीक्षा यह है कि क्या वह उन रोगियों पर काम करता है जिन्हें उसने पहले कभी नहीं देखा है। शोधकर्ताओं ने अपने मॉडल को दूसरे, स्वतंत्र समूह के रोगियों पर लागू किया जो अलग-अलग अस्पतालों से थे। यहाँ, परिणाम थोड़े मध्यम लेकिन सार्थक थे। मॉडल यादृच्छिक संयोग (random chance) से बेहतर तरीके से जीवित बचे लोगों और गैर-जीवित बचे लोगों के बीच अंतर करने में सक्षम था, हालांकि यह पहले समूह की तुलना में उतना सटीक नहीं था। एक अस्पताल प्रणाली से दूसरी में जाने पर प्रदर्शन में इस तरह की गिरावट सामान्य है, क्योंकि विभिन्न अस्पताल डेटा को थोड़े अलग तरीकों से रिकॉर्ड करते हैं और रोगियों का उपचार अलग-अलग तीव्रता के साथ करते हैं। मॉडल ने यह भी दिखाया कि यह इस नए समूह में जोखिम को थोड़ा कम आंकता है, जिससे पता चलता है कि हालांकि यह उपकरण उपयोगी है, लेकिन वास्तविक दुनिया के निर्णयों को निर्देशित करने से पहले इसे विशिष्ट स्थानीय स्थितियों के लिए समायोजित करने की आवश्यकता हो सकती है।

अध्ययन ने उनके नए, लिवर-विशिष्ट मॉडल की तुलना एक व्यापक रूप से उपयोग किए जाने वाले सामान्य ICU स्कोरिंग सिस्टम से भी की जो पहले से ही दूसरे डेटाबेस में उपलब्ध था। वह सामान्य प्रणाली, जिसे कैंसर रोगियों के लिए डिज़ाइन नहीं किया गया था, इस विशिष्ट समूह में खराब प्रदर्शन करती है, और लिवर कैंसर की जटिलताओं की बारीकियों को पकड़ने में विफल रहती है। इसके विपरीत, नए मॉडल ने, भले ही वह सरल था और केवल देखभाल के पहले दिन पर केंद्रित था, रोगी के भाग्य की एक स्पष्ट तस्वीर प्रदान की। शोधकर्ताओं ने पाया कि मॉडल की भविष्यवाणियाँ एक तार्किक मिश्रण से प्रेरित थीं: जितना अधिक लिवर और किडनी संघर्ष करते, और जितनी अधिक अस्थिर महत्वपूर्ण संकेत (vital signs) होते, और कैंसर जितना अधिक फैला होता, मृत्यु का जोखिम उतना ही अधिक होता। दिलचस्प बात यह है कि मॉडल ने नोट किया कि कम शारीरिक तापमान वाले रोगियों के लिए जोखिम अधिक था, जो एक संकेत है कि शरीर गंभीर बीमारी के सामने खुद को नियंत्रित करने की क्षमता खो रहा है।

इन उत्साहजनक परिणामों के बावजूद, लेखक सावधानीपूर्वक यह स्पष्ट करते हैं कि यह उपकरण डॉक्टर के निर्णय का स्थान लेने के लिए तैयार नहीं है। यह अध्ययन 'रिट्रोस्पेक्टिव' (retrospective) था, जिसका अर्थ है कि इसने जीवित रोगियों पर वास्तविक समय में परीक्षण करने के बजाय पिछले रिकॉर्डों को देखा। दूसरे परीक्षण के लिए उपयोग किया गया रोगियों का समूह अपेक्षाकृत छोटा था, जिससे यह सुनिश्चित करना कठिन हो गया कि मॉडल अपने भविष्यवाणियों को कितनी अच्छी तरह कैलिब्रेट करता है। शोधकर्ता इस बात पर जोर देते हैं कि उनका कार्य एक शुरुआती बिंदु है, एक पारदर्शी ढांचा है जो यह दिखाता है कि इस संवेदनशील आबादी के लिए एक विशिष्ट, समझने योग्य जोखिम कैलकुलेटर बनाना संभव है। इससे पहले कि ऐसे मॉडल का उपयोग किसी अस्पताल में किया जा सके, इसे बड़े समूहों में और अधिक परीक्षण करने और व्यक्तिगत चिकित्सा केंद्रों की विशिष्ट प्रथाओं के अनुरूप ढालने की आवश्यकता होगी। अंतिम लक्ष्य जीवन बचाने के निर्णय को स्वचालित करना नहीं है, बल्कि चिकित्सकों को एक स्पष्ट, प्रारंभिक चेतावनी प्रणाली देना है जो उन्हें परिवारों के साथ बेहतर संवाद करने और संसाधनों को वहां आवंटित करने में मदद करे जहां उनकी सबसे अधिक आवश्यकता है।