Normative modeling in neuroimaging across psychiatric and neurological disorders: a systematic review and the NORMA reporting checklist
122 न्यूरोइमेजिंग अध्ययनों का यह व्यवस्थित समीक्षा मनोरोग विज्ञान और तंत्रिका विज्ञान में व्यक्तिगत सामान्य मॉडलिंग (individualized normative modeling) की ओर बदलाव को रेखांकित करती है, अनुभवजन्य आधारों और रिपोर्टिंग पारदर्शिता में महत्वपूर्ण अंतरालों की पहचान करती है, और मॉडल निर्माण, सत्यापन एवं नैदानिक अनुप्रयोग को मानकीकृत करने के लिए 18-आइटम वाले NORMA चेकलिस्ट को प्रस्तुत करती है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक डॉक्टर हैं जो यह पता लगाने की कोशिश कर रहे हैं कि क्या एक बच्चा स्वस्थ रूप से बढ़ रहा है। एक सदी से भी अधिक समय से, आपने केवल यह नहीं पूछा है, "क्या बच्चों का यह समूह उस समूह से लंबा है?" इसके बजाय, आप एक ग्रोथ चार्ट (वृद्धि चार्ट) निकालते हैं। यह चार्ट हर उम्र और लिंग के लिए ऊंचाई की सामान्य सीमा दिखाता है। आप केवल औसत को नहीं देखते; आप यह देखते हैं कि यह विशिष्ट बच्चा उस वक्र (curve) पर कहाँ आता है। यदि वे चार्ट से बहुत दूर हैं, तो यह एक संकेत है कि कुछ गलत हो सकता है। यही "नॉर्मेटिव मॉडलिंग" (normative modeling) की शक्ति है।
दशकों से, मस्तिष्क वैज्ञानिकों ने मानसिक और तंत्रिका संबंधी विकारों (जैसे सिज़ोफ्रेनिया या ऑटिज्म) को स्वस्थ लोगों के औसत मस्तिष्क के विरुद्ध रोगियों के एक समूह के औसत मस्तिष्क की तुलना करके समझने की कोशिश की है। यह एक बास्केटबॉल टीम की औसत ऊंचाई की तुलना एक सॉकर टीम की औसत ऊंचाई से करने जैसा है। लेकिन इस दृष्टिकोण में एक बड़ी खामी है: यह समूह के हर व्यक्ति के साथ ऐसा व्यवहार करता है जैसे वे सभी एक समान हों। वास्तव में, मस्तिष्क जटिल होते हैं। एक ही निदान (diagnosis) वाले दो व्यक्तियों में पूरी तरह से अलग मस्तिष्क संबंधी समस्याएं हो सकती हैं, और अलग-अलग निदान वाले दो व्यक्तियों में एक ही तरह की मस्तिष्क संबंधी विचित्रताएं हो सकती हैं। "औसत" मस्तिष्क अक्सर सामने बैठे व्यक्ति की अनूठी, व्यक्तिगत कहानी को छिपा देता है। यह शोध पत्र एक महत्वपूर्ण प्रश्न पूछता है: क्या हम अंततः समूहों की तुलना करने से निकलकर व्यक्तियों को समझने की ओर बढ़ सकते हैं, और क्या हम इसे सही तरीके से कर रहे हैं?
बड़ी तस्वीर: एक व्यवस्थित समीक्षा (A Systematic Review)
यह शोध पत्र एक विशाल "व्यवस्थित समीक्षा" (systematic review) है, जो मूल रूप से एक अत्यंत विस्तृत खजाने की खोज की तरह है। शिनिचिरो ल्यूक नाकाजिमा और शोधकर्ताओं की एक टीम के नेतृत्व में लेखकों ने वैज्ञानिक साहित्य को बारीकी से खंगाला ताकि वे हर उस अध्ययन को खोज सकें जिसने मस्तिष्क के लिए इस "ग्रोथ चार्ट" दृष्टिकोण का उपयोग करने का प्रयास किया। उन्हें 2018 और 2025 की शुरुआत के बीच प्रकाशित 122 अध्ययन मिले जो इस श्रेणी में आते हैं।
उन्होंने इस क्षेत्र की वर्तमान स्थिति के बारे में जो पाया, वह यहाँ दिया गया है:
1. उपकरण अधिक उन्नत हो रहे हैं
वैज्ञानिक अपने गणितीय उपकरणों को अपग्रेड कर रहे हैं। अतीत में, अधिकांश अध्ययनों ने गॉसियन प्रोसेस रिग्रेशन (GPR) नामक विधि का उपयोग किया था। लेकिन हाल ही में, क्षेत्र अधिक जटिल और लचीली विधियों की ओर स्थानांतरित हो गया है, विशेष रूप से बेयसियन रिग्रेशन (Bayesian regression) और डिस्ट्रीब्यूशनल रिग्रेशन (distributional regression)। इसे एक साधारण रूलर से अपग्रेड करने जैसा समझें जो न केवल औसत ऊंचाई को मापता है, बल्कि एक 3D स्कैनर की तरह यह भी मापता है कि लोगों की ऊंचाई और आकार में कितना अंतर है। 2024 तक, इन नए तरीकों का उपयोग लगभग 60% अध्ययनों में किया जा रहा था।
2. "रेफरेंस ग्रुप" (संदर्भ समूह) की समस्या
मस्तिष्क का ग्रोथ चार्ट बनाने के लिए, आपको एक विशाल, स्वस्थ संदर्भ समूह की आवश्यकता होती है जो यह परिभाषित कर सके कि "सामान्य" क्या है। लेखकों ने पाया कि जबकि कुछ अध्ययनों ने विशाल डेटासेट (77,157 लोगों तक!) का उपयोग किया, औसत अध्ययन में केवल 642 लोग थे। चरम सीमाओं (extremes) का सटीक मानचित्र प्राप्त करने के लिए यह थोड़ा छोटा है।
इससे भी महत्वपूर्ण बात यह है कि यह "मानचित्र" अक्सर पक्षपाती होता है। सबसे बड़े डेटासेट, जिन पर कई शोधकर्ता भरोसा करते हैं, वे मुख्य रूप से यूके और यूएस से आते हैं और अत्यधिक श्वेत (White) हैं। शोध पत्र बताता है कि यदि आपका संदर्भ मानचित्र मुख्य रूप से एक प्रकार के व्यक्ति के लिए बनाया गया है, तो "डेविएशन स्कोर" (विचलन स्कोर - कि रोगी मानचित्र से कितना दूर है) अन्य पृष्ठभूमि के लोगों के लिए गलत हो सकते हैं। यह एक वयस्क के लिए बने ग्रोथ चार्ट का उपयोग करके एक छोटे बच्चे को मापने जैसा है; संख्याएँ "असामान्य" लग सकती हैं, लेकिन ऐसा इसलिए है क्योंकि चार्ट गलत समूह के लिए बनाया गया था।
3. "ब्लैक बॉक्स" का सत्यापन (Validation)
यह इस शोध पत्र की सबसे बड़ी चिंता है। सिर्फ इसलिए कि आपने एक शानदार मॉडल बनाया है, इसका मतलब यह नहीं है कि यह नए लोगों पर काम करेगा। लेखों ने पाया कि एक्सटर्नल वैलिडेशन (बाहरी सत्यापन)—एक अलग स्थान से पूरी तरह से नए स्वस्थ लोगों के समूह पर मॉडल का परीक्षण करना—केवल 8% अध्ययनों में दर्ज किया गया था।
एक मौसम ऐप की कल्पना करें जो आपके शहर में बारिश की सटीक भविष्यवाणी करता है लेकिन उसने कभी पड़ोसी शहर में परीक्षण नहीं किया है। यदि आप उस ऐप को अगले शहर में ले जाते हैं, तो आपको पता नहीं होता कि वह काम करेगा या नहीं। शोध पत्र सुझाव देता है कि इस चरण के बिना, हम सुनिश्चित नहीं हो सकते कि हमारे द्वारा पाए गए "असामान्य" मस्तिष्क स्कोर वास्तविक हैं या केवल मॉडल की कोई त्रुटि (glitch) हैं।
4. विवरणों की कमी
शोधकर्ताओं ने यह भी देखा कि कई अध्ययनों ने पूरी कहानी नहीं बताई। जबकि लगभग सभी ने यह बताया कि वे क्या अध्ययन कर रहे थे, आधे से भी कम ने पूरी तरह से समझाया कि उन्होंने अपने मॉडल को कैसे बनाया या उनके रोगी समूह में वास्तव में कौन शामिल था। क्या उन्होंने दवा (medication) को ध्यान में रखा? क्या उन्होंने अन्य स्वास्थ्य समस्याओं की जांच की? इन विवरणों के बिना, अध्ययनों की तुलना करना या परिणामों पर भरोसा करना कठिन है।
समाधान: NORMA चेकलिस्ट
चूंकि यह क्षेत्र बहुत तेजी से बढ़ रहा है लेकिन इसकी रिपोर्टिंग बहुत असंगत है, इसलिए लेखकों ने NORMA (NORmative Modeling Assessment) नामक एक नया उपकरण बनाया है। यह 18-आइटम वाली एक चेकलिस्ट है, जो पायलट की प्री-फ्लाइट सुरक्षा सूची की तरह है। यह शोधकर्ताओं को पारदर्शी होने के लिए मजबूर करती है कि:
- उन्होंने अपने संदर्भ समूह को कैसे बनाया।
- उन्होंने विभिन्न स्कैनर या अस्पतालों के बीच के अंतर को कैसे संभाला।
- उन्होंने अपने मॉडल को कैसे सत्यापित किया।
- उन्होंने रोगियों के लिए परिणामों की व्याख्या कैसे की।
निष्कर्ष
शोध पत्र निष्कर्ष निकालता है कि हालांकि व्यक्तिगत मस्तिष्क मानचित्र बनाने के लिए हमारे तरीके बेहतर और अधिक परिष्कृत हो रहे हैं, लेकिन इसकी नींव अभी भी डगमगा रही है। तकनीक व्यक्तिगत उपचार के लिए मदद करने हेतु तैयार है, लेकिन डेटा और रिपोर्टिंग मानक अभी वहां तक नहीं पहुंचे हैं।
लेखक सुझाव देते हैं कि जब तक हमारे पास बड़े, अधिक विविध संदर्भ समूह नहीं होते और जब तक शोधकर्ता नए आबादी पर अपने मॉडल का कड़ाई से परीक्षण करना शुरू नहीं करते (एक्सटर्नल वैलिडेशन), तब तक इन व्यक्तिगत "डेविएशन स्कोर" को केवल शक्तिशाली अनुसंधान उपकरण माना जाना चाहिए, न कि नैदानिक निर्णय लेने के लिए स्टैंडअलोन टूल। हम इंजन बना रहे हैं, लेकिन सड़क पर उतरने से पहले हमें यह सुनिश्चित करना होगा कि मानचित्र सभी के लिए सटीक है।
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।