Failure of Cross-Procedure Transportability of Preoperative Prolonged Length-of-Stay Prediction From VATS to Esophagectomy: A Locked Model Evaluation Study
यह अध्ययन प्रदर्शित करता है कि वीडियो-असिस्टेड थोराकोस्कोपिक सर्जरी (VATS) के रोगियों के लिए विकसित लंबे स्टे (length of stay) के पूर्व-ऑपरेटिव भविष्यवाणी मॉडल, बिना किसी संशोधन के ईसोफेक्टोमी (esophagectomy) रोगियों में विश्वसनीय रूप से स्थानांतरित होने में विफल रहते हैं, जो लॉक पाइपलाइनों के रूप में लागू किए जाने पर खराब भेदभाव और महत्वपूर्ण अंशांकन त्रुटियों (calibration errors) को प्रदर्शित करते हैं।
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
अस्पताल अपने संसाधनों के प्रबंधन और मरीजों की प्रभावी देखभाल के लिए सटीक भविष्यवाणियों पर निर्भर करते हैं। इस योजना में सबसे महत्वपूर्ण मापदंडों में से एक अस्पताल में रहने की अवधि है, या सर्जरी के बाद मरीज कितने दिनों तक अस्पताल में रहता है। हालांकि तेजी से सुधार आदर्श है, लेकिन कई कारक यह प्रभावित करते हैं कि वास्तव में मरीज कितने समय तक रुकता है, जिनमें जटिलताएं, सर्जन के विशिष्ट अभ्यास और मरीज की समग्र शारीरिक स्थिति शामिल हैं। डॉक्टर अक्सर ऑपरेशन शुरू होने से पहले ही इन अवधियों का अनुमान लगाने के लिए कंप्यूटर मॉडल का उपयोग करते हैं। ये मॉडल मरीज की उम्र, फेफड़ों की कार्यक्षमता और अन्य स्वास्थ्य डेटा का विश्लेषण करके लंबे समय तक अस्पताल में रहने के जोखिम का अनुमान लगाते हैं। उम्मीद यह है कि यह जानकर कि किसे अधिक समय तक रुकना पड़ सकता है, चिकित्सा दल बेहतर तैयारी कर सकते हैं, बिस्तरों का अधिक कुशलता से आवंटन कर सकते हैं, और उन मरीजों को सहायता प्रदान कर सकते हैं जिन्हें अतिरिक्त देखभाल की आवश्यकता होती है। हालांकि, एक बड़ा प्रश्न बना हुआ है: क्या एक प्रकार की सर्जरी के लिए रिकवरी की भविष्यवाणी करने के लिए बनाया गया मॉडल दूसरे प्रकार की सर्जरी के लिए भी उतना ही अच्छा काम करता है, भले ही दोनों एक ही अस्पताल में की जा रही हों?
वुहान विश्वविद्यालय के रेनमिन अस्पताल के शोधकर्ताओं ने दो बहुत ही अलग सर्जिकल प्रक्रियाओं में एक प्रेडिक्शन सिस्टम का परीक्षण करके इस प्रश्न का उत्तर देने का प्रयास किया। उन्होंने एक मॉडल के साथ शुरुआत की जो वीडियो-असिस्टेड थोरैकोस्कोपिक सर्जरी (एक न्यूनतम आक्रामक प्रक्रिया) से गुजरने वाले रोगियों के लिए डिज़ाइन किया गया था। यह मॉडल 301 रोगियों के डेटा का उपयोग करके बनाया गया था और इसमें आयु और धूम्रपान के इतिहास जैसी मानक नैक्लिकल जानकारी के साथ-साथ छाती के रूटीन सीटी स्कैन से लिए गए माप भी शामिल थे, विशेष रूप से थोरैसिक क्षेत्र में मांसपेशियों और वसा की मोटाई को देखते हुए। फिर शोधकर्ताओं ने इसी सटीक मॉडल को, बिना किसी संख्या या नियम को बदले, 299 रोगियों के एक पूरी तरह से अलग समूह पर लागू किया, जो एसोफैजेक्टोमी (ग्रासनली के एक हिस्से को हटाने की एक बहुत जटिल सर्जरी) से गुजर रहे थे। लक्ष्य यह देखना था कि क्या संदर्भ फेफड़े की प्रक्रिया से बदलकर ग्रासनली की प्रक्रिया में बदलने पर भविष्यवाणियां कायम रहती हैं।
इस परीक्षण के परिणाम स्पष्ट और निर्णायक थे: मॉडल दूसरे समूह के रोगियों के लिए काम करने में विफल रहा। जब शोधकर्ताओं ने फेफड़े की सर्जरी वाले मॉडल को ग्रासनली की सर्जरी वाले रोगियों पर लागू किया, तो इसने उन लोगों के बीच अंतर करने की लगभग पूरी क्षमता खो दी जो लंबे समय तक ठीक होने वाले थे और जो जल्दी ठीक होने वाले थे। सांख्यिकीय शब्दों में, मॉडल का प्रदर्शन रैंडम गेसिंग (यादृच्छिक अनुमान) से बेहतर नहीं रहा। इसके अलावा, मॉडल ने लगातार जोखिम को बढ़ाकर बताया; इसने भविष्यवाणी की कि ग्रासनली की सर्जरी वाले लगभग आधे रोगियों का प्रवास लंबा होगा, जबकि वास्तव में केवल एक चौथाई ही ऐसा था। सीटी स्कैन माप का समावेश, जिसका उद्देश्य शरीर की संरचना को देखकर अतिरिक्त सटीकता जोड़ना था, मददगार साबित नहीं हुआ। वास्तव में, ग्रासनली के रोगियों के लिए, सीटी डेटा वाला मॉडल इतना कठोर हो गया कि इसने प्रत्येक व्यक्ति के लिए लगभग एक ही भविष्यवाणी की, जिससे व्यक्तिगत मूल्यांकन के लिए यह बेकार हो गया।
अध्ययन ने यह भी पता लगाया कि क्या मॉडल को नए समूह से मेल खाने के लिए इसके बेसलाइन नंबरों को समायोजित करके सुधारा जा सकता था। हालांकि इस समायोजन ने औसत भविष्यवाणी को ठीक कर दिया, जिससे समग्र जोखिम अनुमान ग्रासनली की सर्जरी समूह की वास्तविकता से मेल खा गया, लेकिन इससे मॉडल की मरीजों के बीच अंतर करने की क्षमता बहाल नहीं हुई। मॉडल अभी भी यह पहचानने में असमर्थ था कि किन विशिष्ट व्यक्तियों को अधिक जोखिम है। शोधकर्ताओं ने पाया कि दोनों समूह मौलिक रूप से भिन्न थे जिन्हें मॉडल ने ध्यान में नहीं रखा था। ग्रासनली की सर्जरी कराने वाले रोगी अधिक उम्र के थे, अधिक संभावना थी कि वे पुरुष हों, और उनके फेफड़ों की कार्यक्षमता और शरीर की वसा के माप काफी अलग थे। चूंकि मॉडल पहले समूह की विशिष्ट विशेषताओं पर आधारित था, इसलिए यह अपने तर्क को दूसरे समूह में अनुवादित नहीं कर सका।
यह शोध चिकित्सा भविष्यवाणी उपकरणों के लिए एक महत्वपूर्ण सीमा को प्रदर्शित करता है। यह दिखाता है कि एक सर्जिकल प्रक्रिया के लिए विकसित मॉडल को दूसरी प्रक्रिया के लिए काम करने वाला नहीं माना जा सकता है, भले ही वह एक ही अस्पताल और एक ही डेटा स्रोतों का उपयोग कर रहा हो। विफलता डेटा की कमी या कंप्यूटर कोड की खामी के कारण नहीं थी, बल्कि इसलिए थी क्योंकि दोनों सर्जरी की जैविक और नैदानिक वास्तविकताएं बहुत अलग थीं। अध्ययन निष्कर्ष निकालता है कि किसी भी प्रेडिक्शन मॉडल का उपयोग रोगी देखभाल के मार्गदर्शन के लिए करने से पहले, इसका उस सटीक जनसंख्या और प्रक्रिया के लिए विशेष रूप से परीक्षण किया जाना चाहिए जिसके लिए इसे बनाया गया है। केवल एक काम के लिए उपयोगी उपकरण को दूसरे काम के लिए उपयोग करने का प्रयास करना, भले ही वह संबंधित हो, गलत और संभावित रूप से भ्रामक परिणामों की ओर ले जा सकता 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।