Clinical characteristics and machine learning-based prediction of postoperative enterocolitis in intestinal neuronal dysplasia: A 20-year retrospective study

कल्पना कीजिए कि आपका शरीर एक हलचल भरा शहर है, और आपकी आंत इसका मुख्य परिवहन केंद्र (ट्रांसपोर्टेशन हब) है। आमतौर पर, ट्रेनें (भोजन) एक परिष्कृत ट्रैफिक लाइट और सिग्नल नेटवर्क के माध्यम से सुचारू रूप से सुरंगों से गुजरती हैं, जिसे एंटरिक नर्वस सिस्टम (enteric nervous system) कहा जाता है। लेकिन कभी-कभी, 'इंटेस्टाइनल न्यूरोनल डिसप्लेसिया' (IND) नामक स्थिति में, ये संकेत गड़बड़ा जाते हैं। सुचारू प्रवाह के बजाय, ट्रैफिक जाम हो जाता है, जिससे ट्रेनें रुक जाती हैं। यह कोई टूटी हुई पटरी नहीं है, बल्कि कंट्रोल सेंटर में एक खराबी है: आंत की दीवार में मौजूद तंत्रिका कोशिकाएं (nerve cells) बहुत अधिक बढ़ जाती हैं, भ्रमित समूहों में बदल जाती हैं, और मांसपेशियों को यह बताने में विफल रहती हैं कि कब सिकुड़ना है और चीजों को आगे बढ़ाना है। परिणाम क्या है? एक शहर जो जाम में फंसा हुआ है, जिससे गंभीर कब्ज, सूजन और कभी-कभी खतरनाक रुकावटें पैदा होती हैं।

डॉक्टरों को इसे ठीक करने के लिए अक्सर एक "पुल-थ्रू" (pull-through) सर्जरी करनी पड़ती है, जो मूल रूप से जाम वाले हिस्से को बायपास करने के लिए ट्रैफिक को नया रास्ता देने जैसा है। हालांकि, सर्जरी के बाद भी, शहर हमेशा सुरक्षित नहीं रहता है। पोस्टऑपरेटिव एंटरोकोलाइटिस (POEC) नामक एक सामान्य और कष्टदायक जटिलता हमला कर सकती है, जहाँ आंत में सूजन और संक्रमण हो जाता है, जिससे एक सफल मरम्मत एक नए संकट में बदल जाती है। वर्षों से, डॉक्टर यह पता लगाने की कोशिश कर रहे हैं कि किन मरीजों को इस जटिलता का सामना करना पड़ सकता है। उन्होंने उम्र, लिंग और तंत्रिका की विशिष्ट खराबी के प्रकार को देखा है, लेकिन उत्तर अस्पष्ट रहे हैं। यहीं से इस अध्ययन की कहानी शुरू होती है: शोधकर्ताओं की एक टीम ने "मशीन लर्निंग" नामक एक आधुनिक उपकरण का उपयोग करने का निर्णय लिया—इसे एक सुपर-स्मार्ट जासूस की तरह समझें जो डेटा के पहाड़ में छिपे पैटर्न को पहचान सकता है जिसे मानवीय आँखें मिस कर सकती हैं—यह देखने के लिए कि क्या वे भविष्यवाणी कर सकते हैं कि कौन से मरीज इस परेशानी का सामना करेंगे और क्यों।

जासूसी कहानी: 20 साल का पीछे मुड़कर देखना

चीन के टोंगजी अस्पताल के शोधकर्ताओं ने जासूस की भूमिका निभाने का निर्णय लिया, और 20 साल की एक विशाल अवधि (2005 से 2025 तक) के दौरान उन 84 बच्चों का अध्ययन किया जिन्होंने IND के लिए सर्जरी करवाई थी। वे एक स्पष्ट तस्वीर बनाना चाहते थे कि ये बच्चे कौन थे, सूक्ष्मदर्शी (माइक्रोस्कोप) के नीचे उनकी आंतें कैसी दिखती थीं, और ऑपरेशन के बाद उनके साथ क्या हुआ।

सबसे पहले, उन्होंने अपने "संदिग्धों" की जनगणना की। उन्होंने पाया कि यह समूह ज्यादातर लड़कों का था (लगभग 57%), जो औसत शिशु आबादी से थोड़ा अधिक है। तुरंत एक बड़ा रेड फ्लैग सामने आया: इन बच्चों में से लगभग आधे (44%) कम वजन के थे। यह सच है कि ठीक से काम न करने वाली आंत के साथ रहना शरीर के लिए थका देने वाला होता है; यह एक भारी बैकपैक लेकर मैराथन दौड़ने जैसा है। बच्चे केवल कब्ज से ही नहीं जूझ रहे थे; वे अक्सर पोषण प्राप्त करने के लिए भी संघर्ष कर रहे थे क्योंकि उनके शरीर ट्रैफिक जाम की स्थिति में फंसे हुए थे।

जब पैथोलॉजिस्ट्स (सूक्ष्मदर्शी जासूसों) ने ऊतक के नमूनों (tissue samples) को देखा, तो उन्होंने पाया कि "शुद्ध" IND—जहाँ तंत्रिका की समस्या अकेले मौजूद होती है—वास्तव में अल्पसंख्यक थी। केवल लगभग 36% बच्चों में शुद्ध IND था। बाकी (64%) "मिश्रित" (mixed) IND वाले थे, जिसका अर्थ है कि उनकी तंत्रिका संबंधी गड़बड़ी के साथ अन्य चीजें भी जुड़ी थीं, जैसे अपरिपक्व तंत्रिका कोशिकाएं या तंत्रिका कोशिकाओं की कमी। इसने पुष्टि की कि IND शायद ही कभी अकेला होता है; यह आमतौर पर अन्य आंत संबंधी समस्याओं के साथ आता है।

सुरागों की मशीन लर्निंग खोज

असली जादू तब हुआ जब टीम ने पूछा: "क्या हम उस भयानक सर्जरी के बाद होने वाले संक्रमण (POEC) की भविष्यवाणी कर सकते हैं?" 84 बच्चों में से, 10 में यह जटिलता विकसित हुई। शोधकर्ताओं ने पहले पुराने गणितीय तरीकों का उपयोग करके अपराधी को खोजने की कोशिश की, यह जांचने के लिए कि क्या लड़का होना, एक विशिष्ट रक्त समूह होना, या सर्जरी के लिए लंबा इंतजार करना कोई अंतर पैदा करता है। लेकिन गणित शांत रहा; वह कोई स्पष्ट सबूत नहीं ढूंढ सका।

इसलिए, उन्होंने भारी भरकम उपकरणों को बुलाया: मशीन लर्निंग एल्गोरिदम। उन्होंने कंप्यूटर को पांच अलग-अलग प्रकार के जासूसी उपकरणों में फीड किया, जिसमें "XGBoost" (एक शक्तिशाली पैटर्न-फाइंडर) और "रैंडम सर्वाइवल फॉरेस्ट" (एक विधि जो यह देखती है कि मरीज किसी घटना के बिना कितने समय तक जीवित रहते हैं) शामिल थे। उन्होंने इन उपकरणों के 101 विभिन्न संयोजनों का परीक्षण किया ताकि यह देखा जा सके कि कौन सा भविष्य का सबसे अच्छा अनुमान लगा सकता है।

परिणाम दिलचस्प थे। जबकि लिंग या सर्जरी के प्रकार जैसा कोई भी एकल कारक एक गारंटीकृत भविष्यवक्ता के रूप में सामने नहीं आया, एक चीज लगभग हर मॉडल में सबसे महत्वपूर्ण सुराग के रूप में बार-बार सामने आई: पोषण की स्थिति (Nutritional Status), जिसे विशेष रूप से BMI Z-स्कोर (BMIZ) द्वारा मापा गया था।

इसे BMIZ के रूप में समझें जो बच्चे की उम्र और लिंग के अनुसार समायोजित होता है। कंप्यूटर मॉडल लगातार फुसफुसाते रहे कि कम BMIZ स्कोर वाले बच्चों (यानी जो कम वजन के या कुपोषित थे) में POEC विकसित होने का जोखिम अधिक था। यह कोई इत्तेफाक नहीं था; मॉडल बार-बार पोषण को मुख्य चर (variable) के रूप में दिखाते रहे। दिलचस्प बात यह है कि मॉडलों ने यह भी सुझाव दिया कि लड़कियां और "मिश्रित" IND वाले बच्चे (वे जिनके पास अतिरिक्त तंत्रिका समस्याएं थीं) कम BMIZ स्कोर रखते थे, जो संकेत देता है कि उनका शरीर अधिक तनाव में था।

जो मॉडल नहीं ढूंढ पाए

यह ध्यान रखना महत्वपूर्ण है कि अध्ययन ने क्या नहीं पाया। उच्च-तकनीकी जासूसी के बावजूद, शोधकर्ता यह साबित नहीं कर सके कि सर्जरी के लिए लंबा इंतजार करना, एक निश्चित रक्त समूह होना, या तंत्रिका समस्याओं का एक विशिष्ट मिश्रण होना बुरे परिणाम की गारंटी देता है। मशीन लर्निंग मॉडल पोषण के संबंध को पहचानने में अच्छे थे, लेकिन वे पूर्ण भविष्यवक्ता नहीं थे। उनके द्वारा बनाए गए सर्वश्रेष्ठ मॉडल ने केवल 63.5% भविष्यवाणियों को सही ढंग से पहचाना (एक AUC 0.635 के साथ)। चिकित्सा भविष्यवाणी की दुनिया में, यह अनुमान लगाने से बेहतर है, लेकिन यह अभी तक एक "हल किया हुआ" मामला नहीं है। लेखक सावधानी बरतते हुए कहते हैं कि ये "अन्वेषणात्मक" (exploratory) निष्कर्ष हैं, जिसका अर्थ है कि ये मजबूत संकेत हैं, न कि प्रकृति के अंतिम नियम।

निष्कर्ष: भविष्य को पोषण देना

तो, वास्तविक दुनिया के लिए इसका क्या अर्थ है? अध्ययन बताता है कि IND वाले बच्चों के लिए, कहानी सर्जरी के साथ समाप्त नहीं होती है। उनकी आंतों में "ट्रैफिक जाम" ने उन्हें भूखा और कम वजन का छोड़ दिया होगा, और यह पोषण संबंधी अंतर वह कमजोर कड़ी हो सकती है जो मरम्मत के बाद संक्रमण को अंदर आने देती है।

शोधकर्ता यह नहीं कह रहे हैं कि, "यदि आप कम वजन के हैं, तो आप निश्चित रूप से बीमार हो जाएंगे।" इसके बजाय, वे सुझाव दे रहे हैं कि डॉक्टरों को इन बच्चों के ग्रोथ चार्ट पर विशेष ध्यान देना चाहिए। यदि कोई बच्चा वजन बढ़ाने के लिए संघर्ष कर रहा है या उसका BMIZ कम है, तो यह एक संकेत हो सकता है कि उसे सर्जरी से पहले या बाद में जटिलताओं के जोखिम को कम करने के लिए पोषण संबंधी बढ़ावा देने की आवश्यकता है। यह एक याद दिलाता है कि प्लंबिंग (सर्जरी) को ठीक करना केवल आधी लड़ाई है; घर को पर्याप्त ईंधन (पोषण) सुनिश्चित करना भी शहर को सुचारू रूप से चलाने के लिए उतना ही महत्वपूर्ण हो सकता है।

अंत में, इस 20 साल के पीछे मुड़कर देखने वाले अध्ययन ने कोई जादुई समाधान तो नहीं पाया, लेकिन इसने एक बहुत ही मजबूत सुराग ढूंढ लिया: पोषण मायने रखता है। दशकों के डेटा को छानने के लिए स्मार्ट कंप्यूटर टूल्स का उपयोग करके, टीम ने इस बात पर प्रकाश डाला कि इन बच्चों को अच्छी तरह से खिलाना उन्हें उनके बड़े ऑपरेशन के बाद स्वस्थ रहने में मदद करने का एक सरल और शक्तिशाली तरीका हो सकता है।