Application Study of Interpretable Machine Learning Models for Predicting Postoperative Refracture After Vertebral Augmentation in Osteoporotic Vertebral Compression Fractures

मानव रीढ़ एक अद्भुत संरचना है, हड्डियों का एक लचीला स्तंभ जो हमारे वजन को सहारा देता है और इसके केंद्र से गुजरने वाली नाजुक नसों की रक्षा करता है। हालाँकि, जब ऑस्टियोपोरोसिस नामक स्थिति के कारण हड्डियाँ छिद्रपूर्ण और भंगुर हो जाती हैं, तो एक मामूली ठोकर या एक साधारण खांसी भी कशेरुका (vertebra) को ढहने का कारण बन सकती है। इस प्रकार की चोट, जिसे ऑस्टियोपोरोटिक वर्टेब्रल कम्प्रेशन फ्रैक्चर कहा जाता है, वृद्ध वयस्कों के लिए एक सामान्य और दर्दनाक जटिलता है। इन टूटी हुई हड्डियों को ठीक करने के लिए, डॉक्टर अक्सर 'वर्टेब्रल ऑगमेंटेशन' नामक एक न्यूनतम आक्रामक प्रक्रिया करते हैं। इस सर्जरी में, कुचली हुई हड्डी को सख्त करने और स्थिर करने के लिए एक विशेष तरल सीमेंट इंजेक्ट किया जाता है, ठीक वैसे ही जैसे किसी नींव में दरार को भरने के लिए किया जाता है ताकि वह आगे और न टूट सके। हालांकि यह उपचार दर्द से राहत देने और गतिशीलता बहाल करने में अत्यधिक प्रभावी है, लेकिन यह गारंटी नहीं देता कि रोगी का भविष्य में कभी फिर से फ्रैक्चर नहीं होगा। वास्तव में, उपचारित कशेरुका के बगल वाली या स्वयं उसी कशेरुका में सर्जरी के बाद फिर से फ्रैक्चर हो सकता है। यह पुनरावृत्ति डॉक्टरों के लिए एक बड़ी चुनौती है, क्योंकि वे वर्तमान में यह अनुमान लगाने में संघर्ष कर रहे हैं कि किन रोगियों को दोबारा फ्रैक्चर होने की सबसे अधिक संभावना है, जिससे प्रत्येक व्यक्ति के लिए रोकथाम की रणनीतियों को तैयार करना कठिन हो जाता है।

जियांगसू, चीन के अस्पतालों के शोधकर्ताओं की एक टीम ने एक शक्तिशाली नए उपकरण की ओर रुख करके इस पहेली को सुलझाने का निर्णय लिया: मशीन लर्निंग। पारंपरिक सांख्यिकीय तरीकों पर निर्भर रहने के बजाय, जो अक्सर जटिल पैटर्न को छोड़ देते हैं, शोधकर्ताओं ने इन फ्रैक्चरों के लिए वर्टेब्रल ऑगमेंटेशन कराने वाले 1,502 रोगियों का एक विशाल डेटा एकत्र किया। उन्होंने रोगी की आयु और चिकित्सा इतिहास से लेकर उनकी सर्जरी के विशिष्ट विवरणों और उनके स्पाइन (रीढ़) के चित्रों तक सब कुछ देखा। इस जानकारी को एक परिष्कृत कंप्यूटर एल्गोरिदम में फीड करके, टीम ने सिस्टम को विभिन्न कारकों और भविष्य के फ्रैक्चर के जोखिम के बीच सूक्ष्म संबंधों को पहचानने के लिए प्रशिक्षित किया। लक्ष्य एक ऐसा मॉडल बनाना था जो न केवल यह अनुमान लगा सके कि किसे जोखिम है, बल्कि यह भी समझा सके कि जोखिम का कारण वास्तव में क्या है, जिससे डॉक्टरों को केवल एक संख्या के बजाय एक स्पष्ट, समझने योग्य कारण मिल सके।

इस अध्ययन के परिणाम आश्चर्यजनक थे। कंप्यूटर मॉडल ने, जिसने 'एक्सट्रीम ग्रेडिएंट बूस्टिंग' नामक तकनीक का उपयोग किया था, सर्जरी के दो वर्षों के भीतर दोबारा फ्रैक्चर होने वाले रोगियों की पहचान करने में असाधारण रूपता से सटीक प्रदर्शन किया। परीक्षण चरण में, मॉडल ने पुनरावृत्ति फ्रैक्चर के लगभग हर एक मामले की सही पहचान की, और अन्य मानक भविष्यवाणी विधियों से कहीं बेहतर प्रदर्शन किया। लेकिन वास्तविक सफलता केवल सटीकता नहीं थी; बल्कि कंप्यूटर के निर्णय लेने की प्रक्रिया के भीतर देखने की क्षमता थी। 'SHAP' नामक पद्धति का उपयोग करके, शोधकर्ता मानचित्रित कर सके कि कौन से कारक जोखिम को ऊपर या नीचे ले जा रहे थे। उन्होंने पाया कि सबसे महत्वपूर्ण भविष्यवक्ता हमेशा वे नहीं थे जिनका अनुमान डॉक्टर सबसे पहले लगाते। मॉडल ने उजागर किया कि एक रोगी की आयु, विशेष रूप से 70 वर्ष से अधिक होना, एक प्रमुख कारक था, साथ ही पिछले फ्रैक्चर का इतिहास और ऑस्टियोपोरोसिस की उपस्थिति भी महत्वपूर्ण थी।

शायद सबसे ठोस निष्कर्ष सर्जरी के विवरण और रोगी की शारीरिक स्थिति से आए। मॉडल ने पहचान की कि यदि प्रारंभिक प्रक्रिया के दौरान कशेरुका से बोन सीमेंट बाहर निकल गया (लीक हो गया), तो नए फ्रैक्चर का जोखिम नाटकीय रूप से बढ़ जाता है। इसने यह भी पाया कि पहले फ्रैक्चर का कारण बनने वाले आघात (trauma) का प्रकार मायने रखता था; जो रोगी बहुत कम ऊर्जा वाली घटनाओं, जैसे कि मामूली फिसलने से टूटे थे, वे उच्च-ऊर्जा वाली चोटों वाले लोगों की तुलना में अधिक जोखिम में थे, जो यह सुझाव देता है कि उनकी अंतर्निहित हड्डी की गुणवत्ता अधिक नाजुक थी। अन्य महत्वपूर्ण कारकों में सर्जरी की अवधि, रोगी का बोन मिनरल डेंसिटी (हड्डी का घनत्व), और बेडसोर्स (बिस्तर के घाव) के जोखिम का आकलन करने के लिए उपयोग किया जाने वाला एक स्कोर भी शामिल था, जिसे शोधकर्ताओं ने रोगी की समग्र पोषण और शारीरिक स्थिति को अप्रत्यक्ष रूप से दर्शाने वाला माना। पीठ के निचले हिस्से की मांसपेशियों में सूजन की उपस्थिति भी एक प्रमुख चेतावनी संकेत के रूप में उभरी।

इन विविध डेटा बिंदुओं को जोड़कर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो पहले की तुलना में व्यक्तिगत जोखिम की कहीं अधिक स्पष्ट तस्वीर पेश करता है। अध्ययन का सुझाव है कि इस मॉडल का उपयोग करके, डॉक्टर सर्जरी के बाद की देखभाल के लिए 'एक ही आकार सबके लिए उपयुक्त' (one-size-fits-all) वाले दृष्टिकोण से हट सकते हैं। इसके बजाय, वे उच्च-जोखिम वाले रोगियों की जल्दी पहचान कर सकते हैं और उनकी हड्डियों की रक्षा के लिए अनुकूलित पुनर्वास या गहन दवा जैसी अधिक आक्रामक रोकथाम रणनीतियां लागू कर सकते हैं। हालांकि यह अध्ययन एक एकल केंद्र में किया गया था और पिछले डेटा पर आधारित है, फिर भी इसके निष्कर्ष स्पाइन केयर (रीढ़ की देखभाल) में प्रिसिजन मेडिसिन (सटीक चिकित्सा) के एक नए युग के लिए एक मजबूत आधार प्रदान करते हैं। यह कार्य प्रदर्शित करता है कि जब जटिल चिकित्सा डेटा को व्याख्या योग्य कृत्रिम बुद्धिमत्ता (AI) के साथ जोड़ा जाता है, तो यह रोगी के परिणामों के पीछे के छिपे हुए तर्क को प्रकट कर सकता है, जो दोबारा फ्रैक्चर को कम करने और ऑस्टियोपोरोसिस के साथ जी रहे लोगों के जीवन को बेहतर बनाने की दिशा में एक मार्ग प्रशस्त करता है।