An Interpretable Machine Learning Framework for Predicting Disease Progression in Early-Stage Cardiovascular-Kidney-Metabolic(CKM) Syndrome: A Prospective Cohort Study

शरीर का उलझा हुआ जाल: क्यों एक समस्या अक्सर दूसरी समस्या को जन्म देती है

कल्पना कीजिए कि आपका शरीर एक हलचल भरे शहर की तरह है। इस शहर में, हृदय एक पावर प्लांट है, किडनी जल उपचार सुविधा (वॉटर ट्रीटमेंट फैसिलिटी) है, और आपका मेटाबॉलिज्म एक ट्रैफिक कंट्रोल सिस्टम है जो ऊर्जा के प्रवाह को सुचारू रूप से बनाए रखता है। लंबे समय तक, डॉक्टरों ने इन क्षेत्रों की समस्याओं को अलग-अलग आपात स्थितियों के रूप में देखा: यहाँ एक पाइप जाम है, वहाँ एक जनरेटर खराब है। लेकिन हाल ही में, वैज्ञानिकों ने महसूस किया कि ये प्रणालियाँ इतनी गहराई से जुड़ी हुई हैं कि एक में आई खराबी लगभग हमेशा दूसरों में डोमिनो प्रभाव (एक के बाद एक प्रभाव) पैदा करती है। इस उलझे हुए जाल को कार्डियोवैस्कुलर-किडनी-मेटाबॉलिक (CKM) सिंड्रोम कहा जाता है। इसे एक शहर-व्यापी ट्रैफिक जाम की तरह समझें जहाँ एक रुकी हुई कार अंततः पावर प्लांट को ठप कर सकती है और वॉटर ट्रीटमेंट प्लांट में बाढ़ ला सकती है।

बड़ा सवाल जिसका उत्तर शोधकर्ता खोजने की कोशिश कर रहे हैं, वह है: "हम यह भविष्यवाणी कैसे कर सकते हैं कि शहर के कौन से हिस्से अगले क्रम में क्रैश होने वाले हैं?" डॉक्टरों के पास उन लोगों को पहचानने के उपकरण हैं जो पहले से ही बड़ी मुसीबत में हैं, लेकिन वे उन लोगों में चेतावनी के संकेतों को देखने में संघर्ष करते हैं जो अभी-अभी थोड़ा "अस्वस्थ" महसूस करना शुरू कर रहे हैं। यह विशेष रूप से कठिन है क्योंकि इस सिंड्रोम के शुरुआती चरण एक टिक-टिक करते टाइम बम की तरह हैं जो अलग-अलग लोगों के लिए अलग-अलग गति से चलते हैं। यदि हम एक ऐसा 'क्रिस्टल बॉल' (भविष्य बताने वाला यंत्र) बना सकें जो हमें बता सके कि किसकी स्थिति तेजी से बिगड़ने वाली है, तो हम हस्तक्षेप कर सकते हैं और पूरे शहर के बंद होने से पहले ही ट्रैफिक को ठीक कर सकते हैं। यही वह काम है जिसे करने के लिए इस अध्ययन ने शुरुआत की: शरीर के स्वास्थ्य के भविष्य की भविष्यवाणी करने के लिए एक स्मार्ट, कंप्यूटर-आधारित क्रिस्टल बॉल बनाना।

---

वह क्रिस्टल बॉल जो वास्तव में सच बताती है

शोधकर्ताओं की एक टीम ने 'चाइना हेल्थ एंड रिटायरमेंट लॉन्गीटुडिनल स्टडी' (CHARLS) के एक विशाल डेटासेट का उपयोग करके एक "स्मार्ट क्रिस्टल बॉल" बनाने का निर्णय लिया। उन्होंने 45 वर्ष और उससे अधिक आयु के 3,773 वयस्कों का अध्ययन किया जो CKM सिंड्रोम के शुरुआती, प्रतिवर्ती (reversible) चरणों में थे। वे यह देखना चाहते थे कि अगले चार वर्षों में कौन बदतर स्थिति में जाएगा। परिणाम चौंकाने वाले थे: उस चार साल की अवधि में, 1,560 लोग (यानी समूह के 41.3%) वास्तव में एक अधिक गंभीर चरण में पहुँच गए। यह एक बहुत बड़ी उछाल है, जो पश्चिमी अध्ययनों में देखी गई तुलना में बहुत तेज़ है, जिससे पता चलता है कि चीन के मध्यम आयु वर्ग और वृद्ध वयस्कों के लिए, यह स्थिति अविश्वसनीय रूप से अस्थिर है और बहुत तेज़ी से बढ़ती है।

यह भविष्यवाणी करने के लिए कि कौन बदतर होगा, टीम ने केवल अनुमान नहीं लगाया; उन्होंने डेटा पर छह अलग-अलग प्रकार के कंप्यूटर "मस्तिष्क" (मशीन लर्निंग मॉडल) को प्रशिक्षित किया। उन्होंने इन मॉडलों को कुछ सुराग दिए, जैसे आयु, बॉडी मास इंडेक्स (BMI), रक्तचाप, ब्लड शुगर (HbA1c), और किडनी की कार्यक्षमता। शुरू में, 'कैटबूट' (CatBoost) नामक एक मॉडल सुपरस्टार लगा क्योंकि यह लोगों को "बदतर होगा" और "बदतर नहीं होगा" समूहों में वर्गीकृत करने में सबसे अच्छा था। इसका सटीकता स्कोर, जिसे AUC (0.772) कहा जाता है, सबसे अधिक था।

लेकिन यहाँ एक मोड़ है: शोधकर्ताओं ने महसूस किया कि केवल लोगों को छाँटने में अच्छा होना पर्याप्त नहीं है यदि मॉडल इस बारे में झूठ बोल रहा हो कि कोई चीज़ होने की संभावना कितनी है। कल्पना कीजिए कि एक मौसम ऐप कहता है कि बारिश की 90% संभावना है, लेकिन वास्तव में केवल 10% समय ही बारिश होती है। वह ऐप अच्छी तरह से "भेदभाव" (distinguish) कर रहा है (वह जानता है कि बारिश हो सकती है), लेकिन वह "कैलिब्रेशन" (सटीक अनुमान) में बहुत खराब है (वह संभावनाओं के बारे में गलत है)। कैटबूट मॉडल अत्यधिक आत्मविश्वासी था, जो ऐसे चरम जोखिमों की भविष्यवाणी कर रहा था जो वास्तविकता से मेल नहीं खाते थे।

इसलिए, टीम ने एक अलग मॉडल चुना: रैंडम फॉरेस्ट (Random Forest)। हालांकि यह लोगों को छाँटने में थोड़ा कम "तेज़" था (AUC 0.761), लेकिन यह संभावनाओं के बारे में सच बताने में बहुत बेहतर था। इसकी भविष्यवाणियाँ स्थिर और विश्वसनीय थीं, जैसे एक मौसम ऐप जो कहता है "50% बारिश की संभावना है" और वास्तव में आधे समय बारिश होती है। शोधकर्ताओं ने इस मॉडल को इसलिए चुना क्योंकि चिकित्सा में, चमक-धमक वाले और गलत होने के बजाय विश्वसनीय रूप से सटीक होना बेहतर होता है।

"सीलिंग" (छत) की समस्या और विपरीत आश्चर्य

जब टीम ने अपने नए, विश्वसनीय क्रिस्टल बॉल का उपयोग विशिष्ट समूहों को देखने के लिए किया, तो उन्हें कुछ अजीब और महत्वपूर्ण पता चला। बहुत शुरुआती चरणों (चरण 0 और चरण 1) के लोगों के लिए, मॉडल एक "प्रेडिक्टिव सीलिंग" (भविdtive ceiling) से टकरा गया। यह उन लोगों के बीच अंतर नहीं कर सका जो बदतर होंगे और जो नहीं होंगे। क्यों? क्योंकि इन शुरुआती चरणों में, लगभग सभी की स्थिति बदतर हो ही रही थी (इन समूहों के 70% से अधिक लोग आगे बढ़ गए)। यह एक दौड़ में भाग लेने वाले 100 लोगों में से यह अनुमान लगाने जैसा है कि कौन लड़खड़ाएगा, जबकि 75 लोग पहले से ही लड़खड़ा रहे हैं। मॉडल उन भाग्यशाली लोगों को नहीं ढूंढ सका जो स्थिर रहे क्योंकि जोखिम सभी के लिए बहुत अधिक था।

अध्ययन ने एक भ्रमित करने वाला पैटर्न भी उजागर किया जो केवल तभी समझ में आया जब कंप्यूटर ने भारी काम किया। पहली नज़र में, डेटा ने दिखाया कि जो लोग बदतर हुए वास्तव में उनके मुकाबले कम रक्तचाप और कम ब्लड शुगर रखते थे जो स्वस्थ रहे। यह उल्टा लग रहा था! लेकिन कंप्यूटर ने इसे स्पष्ट किया: जो लोग बदतर हुए वे सबसे "स्वस्थ" शुरुआती चरणों (चरण 0 या 1) से शुरू हुए थे, जबकि जो लोग स्वस्थ रहे वे ज्यादातर पहले से ही चरण 2 में थे। एक बार जब कंप्यूटर ने इस शुरुआती बिंदु के लिए समायोजन किया, तो असली कहानी सामने आई: उच्च रक्तचाप और उच्च ब्लड शुगर ने वास्तव में बदतर होने के जोखिम को बढ़ाया, जैसा कि अपेक्षित था।

कंप्यूटर ने यह भी खुलासा किया कि शुरुआती चरण स्वयं सबसे बड़ा सुराग था। दिलचस्प बात यह है कि चरण 2 में होना चरण 0 या 1 की तुलना में और भी बदतर होने के अनुमानित जोखिम को कम कर देता था। शोधकर्ता सुझाव देते हैं कि ऐसा इसलिए है क्योंकि चरण 0 और 1 में लोगों के पास बदतर होने के बहुत सारे तरीके हैं (वे वजन बढ़ा सकते हैं, उच्च रक्तचाप प्राप्त कर सकते हैं, आदि), जबकि चरण 2 वाले लोगों के पास ऊपर जाने के लिए कम रास्ते बचे हैं।

यह आपके लिए क्या मायने रखता है

इस अध्ययन का मुख्य निष्कर्ष यह है कि इस सिंड्रोम के बहुत शुरुआती चरणों में लोगों के लिए, सामान्य जोखिम स्कोर बहुत उपयोगी नहीं हो सकते हैं। चूंकि चरण 0 और 1 के बहुत से लोग वैसे भी बदतर होने की संभावना रखते हैं, इसलिए यह अनुमान लगाने की कोशिश करना कि कौन बदतर होगा, एक ऐसी रेत की घड़ी में पहले गिरने वाले रेत के कण का अनुमान लगाने जैसा है जो पहले से ही झुक रही है।

इन उच्च-जोखिम वाले समूहों को "सुरक्षित" और "असुरक्षित" में बांटने में ऊर्जा लगाने के बजाय, शोधकर्ता सुझाव देते हैं कि इन शुरुआती चरणों में किसी को भी तुरंत मदद लेनी चाहिए। चाहे कंप्यूटर कहे कि आपके बदतर होने की संभावना 60% है या 80%, उत्तर एक ही है: आपको अभी अपनी जीवनशैली को ठीक करने, वजन प्रबंधित करने और अपने रक्तचाप पर नज़र रखने की आवश्यकता है। मॉडल चरण 2 के बड़े समूह के लिए सबसे अच्छा काम करता है, जहाँ जोखिम मिश्रित है, लेकिन वहां भी, सबसे महत्वपूर्ण सबक यह है कि इन समस्याओं को ठीक करने की "शुरुआती खिड़की" तेजी से बंद हो रही है, और हमें कार्रवाई करने की आवश्यकता है इससे पहले कि शहर का यह जाम स्थायी हो जाए।