Predicting malnutrition in colorectal cancer: a systematic review of risk prediction models

कोलोरेक्टल कैंसर, एक ऐसी बीमारी जो बड़ी आंत और मलाशय को प्रभावित करती है, दुनिया भर में सबसे आम और गंभीर स्वास्थ्य चुनौतियों में से एक बनी हुई है। इस बीमारी से जूझ रहे रोगियों के लिए, एक छिपा हुआ लेकिन महत्वपूर्ण साथी अक्सर उभर कर आता है: कुपोषण। यह स्थिति केवल वजन कम होने के बारे में नहीं है; यह एक जटिल अवस्था है जहाँ शरीर में ऊतकों की मरम्मत करने, संक्रमण से लड़ने और उपचार की कठिनाइयों को सहने के लिए आवश्यक पोषक तत्वों की कमी होती है। जब कोलोरेक्टल कैंसर का रोगी कुपोषित हो जाता है, तो इसके परिणाम गंभीर होते हैं। उन्हें सर्जरी के बाद संक्रमण का उच्च जोखिम, अस्पताल में लंबे समय तक रुकना, और कीमोथेरेपी को सहन करने की कम क्षमता का सामना करना पड़ता है। इसी कारण से, मेडिकल टीमों, विशेष रूप से नर्सों को, जो अक्सर रोगी की गिरावट को सबसे पहले नोटिस करती हैं, एक विश्वसनीय तरीके की आवश्यकता है जिससे वे समय रहते जोखिम वाले रोगियों की पहचान कर सकें। लक्ष्य कमजोर रोगियों की जल्दी पहचान करना है, ताकि शरीर के भंडार समाप्त होने से पहले मदद दी जा सके।

वर्षों से, शोधकर्ता यह अनुमान लगाने के लिए गणितीय उपकरण बनाने की कोशिश कर रहे हैं कि कौन से रोगी इस खतरनाक स्थिति में जा सकते हैं। ये उपकरण, जिन्हें प्रेडिक्शन मॉडल (prediction models) कहा जाता है, चेकलिस्ट की तरह होते हैं जो विभिन्न कारकों—जैसे आयु, ट्यूमर का आकार, रक्त परीक्षण के परिणाम और शारीरिक शक्ति—को तौलते हैं ताकि एक जोखिम स्कोर की गणना की जा सके। उम्मीद यह रही है कि एक नर्स ऐसे उपकरण का उपयोग करके तुरंत उस रोगी को चिह्नित कर सके जिसे तत्काल पोषण संबंधी सहायता की आवश्यकता है। हालाँकि, इन उपकरणों का परिदृश्य काफी अव्यवस्थित रहा है। कुछ मॉडलों ने अलग-अलग चीजों की भविष्यवाणी की, जैसे जीवित रहने की दर या विशिष्ट रक्त मार्कर, न कि वास्तविक कुपोषण की स्थिति। अन्य ने इस बात पर अलग-अलग परिभाषाएँ दीं कि क्या "कुपोषित" माना जाए, जिससे उनकी निष्पक्ष तुलना करना असंभव हो गया। इस भ्रम को दूर करने के लिए, चीन और संयुक्त राज्य अमेरिका के विश्वविद्यालयों और अस्पतालों के शोधकर्ताओं की एक टीम ने इस विषय पर उपलब्ध हर अध्ययन को इकट्ठा करने और सूक्ष्म दृष्टि से उनकी जांच करने का निर्णय लिया।

शोधकर्ताओं ने एक व्यापक खोज की, जिसमें 1 मई, 2026 तक प्रकाशित अध्ययनों को खोजने के लिए आठ प्रमुख वैज्ञानिक डेटाबेस को खंगाला गया। उन्होंने एक विस्तृत दायरा बनाया, जिसमें कोलोरेक्टल कैंसर वाले वयस्कों में विशेष रूप से कुपोषण या पोषण संबंधी जोखिम की भविष्यवाणी करने वाले मॉडल बनाने वाले किसी भी अध्ययन को खोजा गया। वे अपने चयन को लेकर सख्त थे: मॉडलों को चिकित्सा मानकों द्वारा परिभाषित कुपोषण की नैदानिक वास्तविकता पर ध्यान केंद्रित करना था, न कि केवल एक एकल रक्त परीक्षण परिणाम या इस अनुमान पर कि कोई रोगी कितने समय तक जीवित रह सकता है। हजारों रिकॉर्डों को छानने और डुप्लिकेट या अप्रासंगिक कागजात को हटाने के बाद, उन्हें तेरह अध्ययन मिले जो उनके मानदंडों को पूरा करते थे। इन अध्ययनों में हजारों मरीज शामिल थे, जो निदान के शुरुआती चरण से लेकर सर्जरी से उबरने या कीमोथेरेपी लेने वाले रोगियों तक फैले हुए थे।

जब टीम ने इन तेरह मॉडलों का विश्लेषण किया, तो उन्होंने पाया कि कागज़ पर वे काफी आशाजनक दिख रहे थे। मॉडल जोखिम वाले रोगियों और जोखिम रहित रोगियों के बीच उच्च सटीकता के साथ अंतर करने में सक्षम थे। सांख्यिकी की भाषा में, दोनों समूहों को अलग करने की उनकी क्षमता अच्छी से उत्कृष्ट के बीच थी। शोधकर्ताओं ने नोट किया कि कुछ मॉडलों ने 0.88 के AUC के साथ जोखिम वाले रोगियों की सही पहचान की, जबकि अन्य अपने प्रारंभिक परीक्षणों में और भी सटीक थे। इन भविष्यवाणियों को करने के लिए उपकरणों ने सरल समीकरणों से लेकर जटिल कंप्यूटर एल्गोरिदम तक विभिन्न तरीकों का उपयोग किया। वे सामान्य संकेतों पर निर्भर थे, जैसे कि रोगी की आयु, उनका बॉडी मास इंडेक्स (BMI), कैंसर का चरण, हीमोग्लोबिन का स्तर और दैनिक गतिविधियों को करने की उनकी क्षमता। कुछ मॉडलों ने विशिष्ट पोषण संबंधी स्क्रीनिंग स्कोर या आय और प्रोटीन सेवन जैसे कारकों को भी देखा।

हालाँकि, कहानी तब बदल जाती है जब शोधकर्ताओं ने गहराई से देखा कि इन मॉडलों को कैसे बनाया और परखा गया था। सतह पर प्रभावशाली आंकड़ों के बावजूद, टीम ने पाया कि तेरह में से प्रत्येक मॉडल अपने डिजाइन और रिपोर्टिंग में महत्वपूर्ण दोषों से ग्रस्त था। प्राथमिक मुद्दा यह था कि मॉडल्स का परीक्षण नए, अलग समूहों के लोगों पर नहीं किया गया था। अधिकांश को उन्हीं रोगियों के समूह पर बनाया और परखा गया था, जो बिल्कुल वैसा ही है जैसे एक छात्र अभ्यास परीक्षा देता है और फिर तुरंत वही परीक्षा दोबारा दे देता है। इस दृष्टिकोण से अक्सर उपकरण की प्रभावशीलता का अत्यधिक आशावादी दृश्य मिलता है। शोधकर्ताओं ने पाया कि अध्ययन अक्सर यह समझाने में विफल रहे कि उन्होंने लुप्त डेटा (missing data) को कैसे संभाला, उन्होंने किन कारकों को शामिल करने का निर्णय लिया, या क्या मॉडल 'ओवरफिटिंग' (overfitting) के प्रति संवेदनशील था—जो एक तकनीकी शब्द है जिसका अर्थ है प्रशिक्षण डेटा के विशिष्ट विवरणों को सीखने के बजाय उन्हें रट लेना। इन समस्याओं के कारण, टीम ने निष्कर्ष निकाला कि ये मॉडल वास्तविक दुनिया के अस्पतालों में रोगी की देखभाल के बारे में निर्णय लेने के लिए अभी तैयार नहीं हैं।

समीक्षा ने अनुसंधान में विविधता की कमी को भी उजागर किया। लगभग सभी अध्ययन चीन में किए गए थे, जबकि केवल एक संयुक्त राज्य अमेरिका से था। इसका अर्थ यह है कि इन उपकरणों को विशिष्ट आबादी के डेटा का उपयोग करके बनाया गया था जिनके आहार संबंधी आदतें, स्वास्थ्य सेवा प्रणाली और आनुवंशिक पृष्ठभूमि विशिष्ट है। एक मॉडल जो एक क्षेत्र में अच्छा काम करता है, वह दूसरे क्षेत्र में बिल्कुल भी काम नहीं कर सकता है। इसके अलावा, कुपोषण की परिभाषाओं में अध्ययनों के बीच थोड़ा अंतर था, जिनमें से कुछ एक सेट मानदंडों का उपयोग कर रहे थे और अन्य दूसरे का। हालांकि शोधकर्ताओं ने अपना ध्यान चिकित्सकीय रूप से परिभाषित कुपोषण पर केंद्रित करने में सफलता प्राप्त की, फिर भी इस भिन्नता ने परिणामों को एक एकल, एकीकृत चित्र में संयोजित करना कठिन बना दिया। टीम ने उल्लेख किया कि हालांकि नए मॉडलों में मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस का उपयोग किया जा रहा था, फिर भी इन उन्नत तकनीकों ने खराब अध्ययन डिजाइन या बाहरी परीक्षण की मौलिक समस्याओं को ठीक नहीं किया।

इस समीक्षा का अंतिम संदेश सतर्क आशावाद के साथ कठोरता का आह्वान है। मौजूदा मॉडल दिखाते हैं कि कोलोरेक्टल कैंसर के रोगियों में पोषण संबंधी जोखिम की भविष्यवाणी करना संभव है, और प्रारंभिक परिणाम उत्साहजनक हैं। फिर भी, एक ऐसे उपकरण का मार्ग जो एक नर्स द्वारा रोगी के बिस्तर के पास आत्मविश्वास से उपयोग किया जा सके, अभी पूरा नहीं हुआ है। शोधकर्ता इस बात पर जोर देते हैं कि इन मॉडलों को पूर्ण उत्पाद के बजाय प्रारंभिक विचारों के रूप में देखा जाना चाहिए। इससे पहले कि वे नैदानिक निर्णयों का मार्गदर्शन करने के लिए भरोसेमंद बन सकें, उन्हें विभिन्न अस्पतालों और देशों में रोगियों के बड़े, विविध समूहों पर परखा जाना चाहिए। भविष्य के अध्ययन अधिक सावधानी के साथ डिजाइन किए जाने चाहिए, यह सुनिश्चित करते हुए कि मॉडलों का परीक्षण नए लोगों पर किया जाए ताकि यह सिद्ध हो सके कि वे वास्तविक दुनिया में काम करते हैं। जब तक ऐसा नहीं होता, सर्वोत्तम दृष्टिकोण यह है कि स्वास्थ्य दल अपने पेशेवर निर्णय और स्थापित स्क्रीनिंग विधियों का उपयोग करें, और इन नए उपकरणों को भविष्य के संभावित सहायक के रूप में ध्यान में रखें न कि तत्काल समाधान के रूप में। काम अभी खत्म नहीं हुआ है, लेकिन इस व्यवस्थित समीक्षा ने एक स्पष्ट मानचित्र प्रदान किया है कि यह क्षेत्र कहाँ खड़ा है और इन आशाजनक गणनाओं को जीवन रक्षक देखभाल में बदलने के लिए अगले कदम क्या होने चाहिए।