Predicting Positive Blood Cultures Early in Hospitalization Using Time Locked Electronic Health Record Data
यह अध्ययन प्रदर्शित करता है कि इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड डेटा का उपयोग करने वाला एक टाइम-लॉक्ड मशीन लर्निंग मॉडल अस्पताल में भर्ती होने के 24 घंटों के भीतर पॉजिटिव ब्लड कल्चर के जोखिम की प्रभावी ढंग से भविष्यवाणी कर सकता है, जिससे अंतिम परिणाम उपलब्ध होने से पहले प्रारंभिक हस्तक्षेप के लिए रोगियों को प्राथमिकता देना सक्षम होता 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
अस्पताल ऐसी जगह हैं जहाँ शरीर की रक्षा प्रणाली अक्सर पहले से ही कमजोर होती है, और जब किसी मरीज में एक गंभीर संक्रमण विकसित होता है जो रक्तप्रवाह में फैल जाता है, तो दांव बहुत ऊंचे होते हैं। बीमारी का कारण बनने वाले विशिष्ट कीटाणु को खोजने के लिए, डॉक्टर रक्त निकालते हैं और उसे बैक्टीरिया या कवक (फंगस) को उगाने के लिए प्रयोगशाला में भेजते हैं, जिसे ब्लड कल्चर की प्रक्रिया कहा जाता है। यह परीक्षण जीवनthreatening (जानलेवा) संक्रमणों के निदान के लिए स्वर्ण मानक (गोल्ड स्टैंडर्ड) है, फिर भी इसमें एक निराशाजनक खामी है: इनमें से अधिकांश परीक्षण नकारात्मक आते हैं, जिनमें कोई वृद्धि नहीं दिखाई देती। कभी-कभी रक्त वास्तव में साफ होता है, लेकिन अक्सर परीक्षण कीटाणु को पकड़ने में विफल रहता है, या रक्त निकालते समय नमूना गलती से त्वचा के बैक्टीरिया से दूषित हो जाता है। जब कल्चर सकारात्मक (पॉजिटिव) निकलता है, तो यह एक महत्वपूर्ण क्षण होता है जिसमें तत्काल ध्यान देने की आवश्यकता होती है, लेकिन चूंकि अधिकांश परिणाम नकारात्मक होते हैं, इसलिए मेडिकल टीमों को प्रत्येक नमूने को समान स्तर की सावधानी के साथ देखना पड़ता है, जो संसाधनों पर दबाव डाल सकता है और उन कुछ मरीजों के इलाज में देरी कर सकता जिन्हें वास्तव में इसकी आवश्यकता है। चुनौती, फिर, यह तय करने में नहीं है कि किसे परीक्षण मिलना चाहिए, बल्कि यह पता लगाने में है कि रक्त निकालने के तुरंत बाद, कौन से नमूने किसी खतरनाक रोगजनक (पैथोजन) को प्रकट करने की सबसे अधिक संभावना रखते हैं, ताकि सही लोगों को तेज़ परिणामों और उपचार के लिए प्राथमिकता दी जा सके।
ब्राउन यूनिवर्सिटी हेल्थ के शोधकर्ताओं ने एक कंप्यूटर मॉडल बनाकर इस विशिष्ट समस्या को हल करने का प्रयास किया जो ब्लड कल्चर परिणामों के लिए एक स्मार्ट फिल्टर की तरह कार्य करता है। उन्होंने 51,000 से अधिक अस्पताल प्रवेशों के डेटा का विश्लेषण किया जहाँ मरीज के प्रवास के पहले दिन ब्लड कल्चर लिए गए थे। शोधकर्ताओं ने एक मशीन लर्निंग सिस्टम को प्रशिक्षित किया ताकि वह मरीज के इलेक्ट्रॉनिक हेल्थ रिकॉर्ड में उपलब्ध जानकारी को ठीक उसी समय देख सके जब रक्त निकाला गया था। इस जानकारी में मरीज की उम्र, उनका चिकित्सा इतिहास, क्या वे गहन देखभाल इकाई (ICU) में थे, उन्हें हाल ही में कौन सी दवाएं दी गई थीं, और उनके वर्तमान महत्वपूर्ण संकेत (वाइटल साइन्स) और रक्त परीक्षण के परिणाम शामिल थे। महत्वपूर्ण रूप से, मॉडल को "टाइम-लॉक्ड" (समय-बद्ध) बनाया गया था, जिसका अर्थ है कि यह केवल उन तथ्यों का उपयोग कर सकता था जो सुई नस में डालने से पहले मौजूद थे, यह सुनिश्चित करने के लिए कि यह उन लैब परिणामों का उपयोग न करे जो अभी तैयार नहीं हुए हैं। लक्ष्य यह देखना था कि क्या कंप्यूटर उन पैटर्न को पहचान सकता है जिन्हें मानव डॉक्टर शायद मिस कर दें, और यह भविष्यवाणी कर सके कि किन मरीजों में वास्तविक संक्रमण होने का उच्चतम जोखिम है।
अध्ययन से पता चला कि मॉडल संभावित संक्रमणों को नकारात्मक परिणामों से अलग करने में अच्छा काम करता है। उन मरीजों के समूह में जिन्हें मॉडल ने पहले कभी नहीं देखा था, इसने सफलतापूर्वक उच्च जोखिम वाले व्यक्तियों की एक छोटी सी पहचान की। जबकि अध्ययन के सभी ब्लड कल्चरों में से केवल लगभग चार प्रतिशत ही सकारात्मक निकले, मॉडल की भविष्यवाणियां अपने शीर्ष चयन पर केंद्रित होने पर कहीं अधिक सटीक थीं। उन एक प्रतिशत मरीजों में जिन्हें मॉडल ने उच्चतम जोखिम के रूप में चिह्नित किया था, लगभग तीस प्रतिशत में वास्तव में पॉजिटिव कल्चर पाया गया। यहाँ तक कि मॉडल द्वारा चुने गए शीर्ष पांच प्रतिशत जोखिमों में भी, पॉजिटिव परिणामों की दर बढ़कर लगभग बीस प्रतिशत हो गई। इसका अर्थ है कि यदि मेडिकल टीमें इन विशिष्ट मरीजों पर अपना तत्काल ध्यान केंद्रित करती हैं, तो यह टूल वास्तविक संक्रमण खोजने की संभावना को प्रभावी ढंग से तीन या चार गुना बढ़ा सकता है। मॉडल द्वारा उपयोग किया गया सबसे शक्तिशाली सुराग एक सरल इतिहास था: क्या मरीज का अतीत में पॉजिटिव ब्लड कल्चर रहा है। रक्तप्रवाह संक्रमणों के इतिहास वाले मरीजों में दोबारा संक्रमण होने की संभावना बहुत अधिक होती है। हालांकि, भले ही शोधकर्ताओं ने इस इतिहास को मॉडल से हटा दिया, फिर भी सिस्टम अच्छा प्रदर्शन करता रहा, और अन्य संकेतों जैसे कि हाल के अस्पताल प्रवास, प्रवेश के प्रकार, और रक्त रसायन में विशिष्ट असामान्यताओं जैसे कि कम प्लेटलेट काउंट या रक्त में अपशिष्ट उत्पादों के उच्च स्तर पर निर्भर रहा।
शोधकर्ताओं ने यह भी परीक्षण किया कि उनके निष्कर्ष कितने मजबूत हैं, इसके लिए उन्होंने खेल के नियमों को बदला। उन्होंने यह जांचा कि क्या मॉडल केवल यह गिन रहा था कि डॉक्टर कितनी बार परीक्षण का आदेश देते हैं, या क्या यह वास्तव में मरीज की स्थिति के बारे में सीख रहा था। उन्होंने पाया कि मॉडल की सफलता इस बात पर निर्भर नहीं थी कि कितने परीक्षणों का आदेश दिया गया था, बल्कि वास्तविक नैदानिक स्थिति पर आधारित थी। उन्होंने यह भी पुष्टि की कि मॉडल तब भी सटीक बना रहा जब उन्होंने केवल एक मरीज की पहली अस्पताल यात्रा को देखा या उन मरीजों को बाहर कर दिया जिनकी बहुत जल्दी मृत्यु हो गई, जो यह दर्शाता है कि टूल विभिन्न परिदृश्यों में स्थिर और विश्वसनीय है। अध्ययन ने यह दावा नहीं किया कि यह मॉडल डॉक्टरों की जगह लेगा या यह उन मरीजों में संक्रमण की भविष्यवाणी कर सकता है जिनका कभी ब्लड टेस्ट नहीं हुआ है। इसके बजाय, लेखक इसे "डायग्नोस्टिक स्टेवर्डशिप" (नैदानिक प्रबंधन) के एक व्यावहारिक उपकरण के रूप में प्रस्तुत करते हैं, जिसका अर्थ है संसाधनों का बुद्धिमानी से उपयोग करना। इस कंप्यूटर स्कोर का उपयोग करके कि प्रयोगशाला द्वारा देखे जाने वाले या संक्रामक रोग विशेषज्ञों द्वारा तुरंत समीक्षा किए जाने वाले रक्त नमूनों को प्राथमिकता दी जाए, अस्पताल संभावित रूप से उन मरीजों के लिए उपचार की गति बढ़ा सकते हैं जो सबसे अधिक बीमार हैं, बिना उन कई नमूनों पर समय बर्बाद किए जो नकारात्मक निकलेंगे।
यह कार्य इस दिशा में एक बदलाव है कि अस्पताल हर दिन उत्पन्न होने वाले डेटा के प्रवाह को कैसे प्रबंधित कर सकते हैं। हर ब्लड कल्चर को एक समान रहस्य के रूप में हल करने के बजाय, अध्ययन सुझाव देता है कि एक डिजिटल सहायक कार्यभार को वर्गीकृत करने में मदद कर सकता है, उन मामलों को उजागर कर सकता है जहाँ गंभीर संक्रमण की संभावना सबसे अधिक है। यह मॉडल कोई भविष्य बताने वाला यंत्र (क्रिस्टल बॉल) नहीं है, और शोधकर्ता इस बात पर जोर देते हैं कि इसे विभिन्न सेटिंग्स और विभिन्न रोगी आबादी वाले अन्य अस्पतालों में परीक्षण करने की आवश्यकता है। लेकिन मुख्य निष्कर्ष स्पष्ट है: मरीज के रक्त का नमूना लेने के क्षण में उपलब्ध जानकारी का सावधानीपूर्वक विश्लेषण करके, यह पहचानना संभव है कि मरीजों का एक छोटा समूह औसत व्यक्ति की तुलना में खतरनाक संक्रमण होने की बहुत अधिक संभावना रखता है, जिससे चिकित्सा प्रणाली अपने सबसे जरूरी प्रयासों को वहां केंद्रित कर सकती है जहां उनकी सबसे अधिक आवश्यकता 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।