Construction of a machine learning-based prediction model for intraoperative acquired pressure injury in children undergoing neurosurgery

तकनीकी सारांश: न्यूरोसर्जरी से गुजरने वाले बच्चों में इंट्राऑपरेटिव एक्वायर्ड प्रेशर इंजरी के लिए मशीन लर्निंग-आधारित भविष्यवाणी मॉडल का निर्माण

समस्या विवरण
इंट्राऑपरेटिव एक्वायर्ड प्रेशर इंजरी (IAPI) न्यूरोसर्जरी से गुजरने वाले बच्चों में एक सामान्य और गंभीर जटिलता है। इन प्रक्रियाओं की नाजुक प्रकृति के कारण, मजबूर स्थिति (forced positioning) की आवश्यकता, स्थानीय ऊतक संपीड़न (tissue compression) करने वाले उपकरणों का उपयोग, और लंबे समय तक पोस्टऑपरेटिव बेड रेस्ट की अनिवार्यता के चलते बाल रोगी उच्च जोखिम का सामना करते हैं। जबकि पिछले अध्ययनों ने न्यूरोसर्जिकल बच्चों में लगभग 11.5% की घटना दर की पहचान की है, इस विशिष्ट जनसंख्या के लिए विशिष्ट जोखिम कारक अभी भी पूरी तरह से समझ में नहीं आए हैं। इसके अलावा, मौजूदा भविष्यवाणी उपकरण, जैसे कि पहले विकसित किया गया नोमोग्राम, केवल मध्यम भविष्यवाणात्मक प्रभावकारिता (c-index = 0.79) प्रदर्शित करते हैं। आज तक, किसी भी अध्ययन ने न्यूरोसर्जिकल बच्चों में IAPI के लिए भविष्यवाणी मॉडल बनाने के लिए मशीन लर्निंग (ML) तकनीकों के उपयोग की रिपोर्ट नहीं दी है।

कार्यप्रणाली
इस रेट्रोस्पेक्टिव अध्ययन में जनवरी से जून 2023 के बीच चोंगकिंग के एक तृतीयक बाल अस्पताल में न्यूरोसर्जरी कराने वाले 776 बच्चों (आयु ≤18 वर्ष) के नैदानिक डेटा का उपयोग किया गया। अध्ययन ने नमूना आकार गणना के लिए 10 इवेंट्स प्रति वेरिएबल (EPV) सिद्धांत का पालन किया, जिसमें अंततः 14 संभावित जोखिम कारकों को शामिल किया गया।

• डेटा संग्रह और प्रीप्रोसेसिंग: डेटा में जनसांख्यिकीय जानकारी, प्रीऑपरेटिव प्रयोगशाला मान (हीमोग्लोबिन, हेमेटोक्रिट, BMI, ब्रैडेन Q स्कोर) और इंट्राऑपरेटिव चर (ASA वर्गीकरण, सर्जिकल स्थिति, ऑपरेशन/एनेस्थीसिया अवधि, रक्त हानि, पावर टूल्स का उपयोग, और हाइपोथर्मिया) शामिल थे। IAPI का निदान 2019 NPUAP मानकों के अनुसार किया गया था।
• विशेषता चयन (Feature Selection): वेरिएबल्स की स्क्रीनिंग और डाइमेंशनलिटी को कम करने के लिए लीस्ट एब्सोल्यूट श्रिंकेज एंड सिलेक्शन ऑपरेटर (LASSO) रिग्रेशन का उपयोग किया गया, जिससे गैर-शून्य गुणांक (non-zero coefficients) वाले 13 फीचर्स चुने गए।
• मॉडल निर्माण: डेटासेट को एक ट्रेनिंग सेट (70%) और एक वैलिडेशन सेट (30%) में विभाजित किया गया। नौ मशीन लर्निंग एल्गोरिदम लागू किए गए: लॉजिस्टिक रिग्रेशन (LR), रैंडम फॉरेस्ट (RF), न्यूरल नेटवर्क (NNET), एक्सट्रीम ग्रेडिएंट बूस्टिंग (XGBoost), ग्रेडिएंट बूस्टिंग मशीन (GBM), सपोर्ट वेक्टर मशीन (SVM), नाइव बेयस (NB), K-नियरस्ट नेबर्स (KNN), और डिसीजन ट्री (DT)।
• अनुकूलन और सत्यापन: मॉडल को ट्रेनिंग सेट पर टेन-फोल्ड क्रॉस-वैलिडेशन और ग्रिड सर्च का उपयोग करके ट्यून किया गया। प्रदर्शन का मूल्यांकन एरिया अंडर द रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक कर्व (AUC), संवेदनशीलता (sensitivity), विशिष्टता (specificity), प्रिसिजन (precision), F1 स्कोर और डिसीजन कर्व एनालिसिस (DCA) का उपयोग करके किया गया।
• व्याख्यात्मकता (Interpretability): इष्टतम मॉडल का विश्लेषण फीचर महत्व को विज़ुअलाइज़ करने और निर्णय लेने की प्रक्रिया को समझाने के लिए SHAP (SHapley Additive exPlanations) का उपयोग करके किया गया।

मुख्य परिणाम

• घटना दर: कोहॉर्ट में IAPI की देखी गई घटना दर 7.9% (62/776) थी। अधिकांश चोटें स्टेज I (95.16%) थीं, जिसमें गाल (cheek), माथा (forehead) और कनपटी (temple) सबसे सामान्य स्थान थे।
• विशेषता चयन: LASSO रिग्रेशन ने 13 प्रमुख भविष्यवक्ताओं की पहचान की, जिनमें आयु, लिंग, ब्रैडेन Q स्कोर, प्रीऑपरेटिव हेमेटोक्रिट, इंट्राऑपरेटिव रक्त हानि, ऑपरेशन का समय, एनेस्थीसिया का समय, सर्जिकल स्थिति, पावर टूल्स का उपयोग, ASA वर्गीकरण, सर्जिकल प्रकार और BMI शामिल हैं।
• मॉडल प्रदर्शन: नौ एल्गोरिदम में से, XGBoost मॉडल ने सबसे स्थिर और इष्टतम प्रदर्शन प्रदर्शित किया।
  • वैलिडेशन सेट मेट्रिक्स: XGBoost ने 0.7325 का AUC प्राप्त किया, जिसकी संवेदनशीलता 0.8889, विशिष्टता 0.4813, प्रिसिजन 0.126, और F1 स्कोर 0.2207 थी।
  • तुलना: हालांकि XGBoost मॉडल ने लेखकों के पिछले नोमोग्राम मॉडल (0.79) की तुलना में थोड़ा कम AUC दिखाया, लेकिन इसने उच्च संवेदनशीलता प्रदर्शित की। डिसीजन कर्व एनालिसिस ने संकेत दिया कि XGBoost ने वैलिडेशन सेट में सबसे अधिक नेट क्लिनिकल बेनिफिट प्रदान किया।
• जोखिम कारक विश्लेषण: SHAP विज़ुअलाइज़ेशन ने मॉडल की भविष्यवाणियों को संचालित करने वाले शीर्ष छह जोखिम कारकों की पहचान की: इंट्राऑपरेटिव रक्त हानि, सर्जिकल स्थिति, रोगी की आयु, ऑपरेशन की अवधि, एनेस्थीसिया की अवधि, और बाहरी बल का उपयोग (जैसे ड्रिल/मिलिंग कटर)।

मुख्य योगदान

1. नवीन ML अनुप्रयोग: यह अध्ययन न्यूरोसर्जरी से गुजरने वाले बच्चों में IAPI के लिए एक मशीन लर्निंग-आधारित भविष्यवाणी मॉडल का निर्माण करता है, जो उस कमी को पूरा करता है जहाँ ऐसा कोई मॉडल पहले रिपोर्ट नहीं किया गया था।
2. एल्गोरिदम तुलना: यह व्यवस्थित रूप से नौ अलग-अलग मशीन लर्निंग एल्गोरिदम की तुलना करता है, जिससे XGBoost को इस विशिष्ट नैदानिक संदर्भ के लिए श्रेष्ठ मॉडल के रूप में पहचाना गया।
3. व्याख्यात्मकता: SHAP विश्लेषण को एकीकृत करके, यह अध्ययन "ब्लैक बॉक्स" भविष्यवाणियों से आगे बढ़कर, यह पारदर्शी विज़ुअलाइज़ेशन प्रदान करता है कि कैसे विशिष्ट नैदानिक संकेतक (जैसे रक्त हानि और सर्जिकल स्थिति) चोट के जोखिम को प्रभावित करते हैं।
4. परिष्कृत जोखिम कारक: यह अध्ययन जोखिम कारकों का पुनर्मूल्यांकन करता है, जो इंट्राऑपरेटिव रक्त हानि और पावर टूल्स के उपयोग के महत्व की पुष्टि करता है, जिन्हें पिछले गैर-ML मॉडलों में उतना प्रमुखता से उजागर नहीं किया गया था।

महत्व और दावे
लेखक दावा करते हैं कि निर्मित XGBoost-आधारित भविष्यवाणी मॉडल में "निश्चित भविष्यवाणात्मक प्रभावकारिता" है। इस कार्य का प्राथमिक महत्व उच्च-जोखिम वाले बाल न्यूरोसर्जिकल रोगियों की शीघ्र पहचान करने में नैदानिक नर्सों की सहायता करने की इसकी क्षमता में निहित है। इस मॉडल का लाभ उठाकर, स्वास्थ्य सेवा प्रदाता देखभाल के क्रम में जल्दी व्यक्तिगत निवारक उपाय कर सकते हैं। अध्ययन इस बात पर जोर देता है कि हालांकि यह मॉडल नैदानिक निर्णय का पूर्ण विकल्प नहीं है, फिर भी यह स्क्रीनिंग के लिए एक वैज्ञानिक आधार प्रदान करता है और सबसे महत्वपूर्ण जोखिम कारकों को उजागर करके मूल्यांकन प्रक्रिया को सुव्यवस्थित करने में मदद करता है, जिससे संभावित रूप से मूल्यांकन समय को कम करने और IAPI रोकथाम रणनीतियों की सटीकता में सुधार करने में मदद मिलती है। लेखक मॉडल की सामान्यीकरण क्षमता (generalizability) के संबंध में विनम्र रहे हैं, जिसमें डेटा की रेट्रोस्पेक्टिव प्रकृति, बाहरी सत्यापन की कमी और भविष्य के अध्ययनों में जोखिम कारकों के बीच इंटरैक्शन को खोजने की आवश्यकता जैसी सीमाएं बताई गई हैं।