Metadata-based Assessment of SNOMED CT and LOINC Adoption Across 800 000 Swiss Patients
यह अध्ययन 8,00,000 स्विस रोगियों में SNOMED CT और LOINC को अपनाए जाने का पहला राष्ट्रव्यापी अनुभवजन्य आधार प्रस्तुत करता है, जो यह प्रकट करता है कि हालांकि ये मानक व्यापक रूप से उपयोग किए जाते हैं, महत्वपूर्ण संस्थागत विषमता और कोड उपयोग में सीमित अंतर-संस्थागत ओवरलैप वर्तमान में पूर्ण सिमेंटिक सामंजस्य को बाधित करता 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
स्वास्थ्य सेवा की दुनिया की कल्पना एक विशाल, हलचल भरी लाइब्रेरी के रूप में करें जहाँ हर मरीज की कहानी लिखी जाती है। दशकों से, ये कहानियाँ हज़ारों अलग-अलग भाषाओं और बोलियों में रखी जाती थीं। एक डॉक्टर "हार्ट अटैक" लिख सकता है, जबकि दूसरा "मायोकार्डियल इन्फार्क्शन" लिखता है, और तीसरा एक स्थानीय संक्षिप्त रूप लिखता है जिसे केवल वे ही समझते हैं। यही इंटरऑपरेबिलिटी (interoperability) की समस्या है: यदि आप पैटर्न खोजने या बीमारियों को ठीक करने के लिए सभी कहानियों को एक साथ पढ़ना चाहते हैं, तो पहले आपको यह सुनिश्चित करना होगा कि हर कोई एक ही भाषा बोल रहा है। इसे हल करने के लिए, चिकित्सा जगत ने दो विशाल शब्दकोश बनाए। पहला, जिसे SNOMED CT कहा जाता है, एक विशाल विश्वकोश की तरह है जो उस सब कुछ के लिए है जो एक डॉक्टर देख सकता है, महसूस कर सकता है या कर सकता है—एक टूटी हुई हड्डी से लेकर एक विशिष्ट प्रकार की एलर्जी तक। दूसरा, LOINC है, जो विशेष रूप से लैब टेस्ट के लिए एक विशिष्ट शब्दकोश है, यह सुनिश्चित करता है कि एक अस्पताल में "शुगर" के लिए किया गया रक्त परीक्षण दूसरे अस्पताल में बिल्कुल उसी चीज़ के रूप में पहचाना जाए। बड़ा सवाल शोधकर्ताओं के लिए यह है: क्या अस्पताल वास्तव में इन शब्दकोशों का उपयोग कर रहे हैं, या वे अभी भी अपने स्वयं के गुप्त कोड लिख रहे हैं?
यह शोध पत्र इस प्रश्न का उत्तर देने के लिए स्विस स्वास्थ्य सेवा प्रणाली की एक विशाल, राष्ट्रव्यापी झलक लेता है। व्यक्तिगत रोगी फाइलों के लाखों पन्नों को पढ़ने के बजाय—जो गोपनीयता का दुस्वप्न हो सकता था—शोधकर्ताओं ने "मेटाडेटा" को देखा, जो लाइब्रेरी के कार्ड कैटलॉग को बिना किताबें खोले चेक करने जैसा है। उन्होंने छह प्रमुख स्विस यूनिवर्सिटी अस्पतालों में 817,856 रोगियों के डिजिटल पदचिह्नों का विश्लेषण किया। उनका लक्ष्य यह देखना था कि क्या ये अस्पताल अपने डेटा को लेबल करने के लिए वास्तव में SNOMED CT और LOINC शब्दकोशों का उपयोग कर रहे थे, या वे केवल ऐसा दिखावा कर रहे थे जबकि गुप्त रूप से अपने पुराने, स्थानीय तरीकों पर ही टिके हुए थे।
यहाँ उन्हें क्या मिला: अस्पताल निश्चित रूप से इन शब्दकोशों का उपयोग कर रहे हैं। वास्तव में, SNOMED CT और LOINC मुख्य आकर्षण हैं, जो सभी कोडेड डेटा उदाहरणों का 87% (विशेष रूप से SNOMED CT के लिए 60% और LOINC के लिए 32%) हिस्सा रखते हैं। यह बहुत सारा डेटा है—लगभग 717 मिलियन व्यक्तिगत सूचना के टुकड़े! हालाँकि, जब आप करीब से देखते हैं तो कहानी थोड़ी उलझ जाती है। जबकि सभी एक ही शब्दकोशों का उपयोग कर रहे हैं, वे ज़रूरी नहीं कि उनमें से एक ही शब्दों का उपयोग कर रहे हों।
इसे ऐसे समझें जैसे दोस्तों का एक समूह मिलकर एक विशाल लेगो (Lego) किला बनाने की कोशिश कर रहा हो। उन सभी के पास ईंटों का एक ही बॉक्स (शब्दकोश) है, लेकिन अस्पताल A केवल लाल ईंटों का उपयोग करके एक मीनार बना रहा है, जबकि अस्पताल B उसी मीनार के लिए नीली ईंटों का उपयोग कर रहा है। शोधकर्ताओं ने पाया कि हालांकि कुल 6,557 अलग-अलग SNOMED CT कोड और 3,693 LOINC कोड थे, लेकिन उनमें से अधिकांश केवल एक या दो अस्पतालों के लिए अद्वितीय थे। उदाहरण के लिए, "पदार्थ" (जैसे दवाएं या रसायन) की श्रेणी में, हजारों विशिष्ट कोड थे, लेकिन उनमें से लगभग कोई भी सभी छह अस्पतालों द्वारा साझा नहीं किया गया था। यह ऐसा है जैसे हर अस्पताल ने एक ही लेगो पीस के लिए लाल रंग की अपनी विशिष्ट छाया का आविष्कार किया हो।
एकमात्र समय जब सभी एक ही सटीक कोड पर सहमत थे, वह सबसे बुनियादी, नियमित चीजों के लिए था। शीर्ष दस सबसे अधिक उपयोग किए जाने वाले SNOMX CT कोड "महिला", "पुरुष", "इंट्रावेनस रूट" और "स्वीकृत" (जिसका अर्थ है कि रोगी ने अध्ययन के लिए सहमति दी) जैसी चीजें थीं। इसी तरह, शीर्ष दस LOINC कोड सभी मानक रक्त परीक्षण जैसे कि "प्लेटलेट्स" या "पोटेशियम" थे। ऐसा लगता है कि उबाऊ, रोज़मर्रा की चीज़ों के लिए, हर कोई एक ही भाषा बोलता है। लेकिन जैसे ही चीजें विशिष्ट होती हैं—जैसे किसी जटिल चोट या दुर्लभ जीव का वर्णन करना—हर कोई फिर से अपनी अपनी बोली बोलने लगता है।
शोधकर्ताओं ने यह भी देखा कि अस्पताल शब्दकोशों में कितनी "गहराई" तक गए। कल्पना करें कि एक शब्दकोश है जहाँ आप "जानवर", फिर "स्तनधारी", फिर "कुत्ता", फिर "गोल्डन रिट्रीवर" खोज सकते हैं। कुछ अस्पतालों ने "कुत्ता" पर ही रुकना बेहतर समझा, जबकि अन्य "गोल्डन रिट्रीवर" तक गए। अध्ययन में पाया गया कि यह "गहराई" बहुत भिन्न थी। कुछ अस्पताल बहुत विशिष्ट थे, जबकि अन्य सामान्य रहे। यह आवश्यक रूप से कोई गलती नहीं है; कभी-कभी एक अस्पताल शरीर के एक विशिष्ट हिस्से के लिए बहुत विस्तृत कोड का उपयोग करता है, जबकि दूसरा अस्पताल एक सामान्य कोड के साथ "बायां" या "दायां" टैग जोड़कर उसी हिस्से का वर्णन करता है। दोनों तरीके काम करते हैं, लेकिन वे एक कंप्यूटर के लिए अलग दिखते हैं जो उनकी तुलना करने की कोशिश कर रहा है।
तो, निष्कर्ष क्या है? यह शोध पत्र सुझाव देता है कि हालांकि स्विट्जरलैंड ने इन अंतर्राष्ट्रीय मानकों को अपनाने में बड़ी प्रगति की है, लेकिन केवल शब्दकोशों का होना डेटा को पूरी तरह से विनिमेय (interchangeable) बनाने के लिए पर्याप्त नहीं है। "सिमेंटिक हारमोनाइजेशन" (semantic harmonization)—वह स्थिति जहाँ हर कोई ठीक उसी शब्द पर सहमत होता है जो किसी चीज़ के लिए उपयोग किया जाता है—अभी भी एक प्रगतिशील कार्य है। लेखक तर्क देते हैं कि हम यह मानकर नहीं चल सकते कि डेटा आपस में मिलाने और मिलान करने के लिए तैयार है; हमें यह सुनिश्चित करने के लिए काम करना जारी रखना होगा कि हर कोई उन्हीं विशिष्ट शब्दों का उपयोग करे, न कि केवल एक ही शब्दकोश का। यह एक याद दिलाता है कि भले ही हमारे पास एक ही नक्शा हो, फिर भी हमें बिल्कुल उसी पथ पर चलने के लिए सहमत होने की आवश्यकता है जिसे हम चुनते हैं।
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।