Comparing the Predictive Value of Structured Digital Features and Clinical Text for Inpatient Liver Failure Prediction: A Large-Scale Real-World EHR Study
लगभग 90,000 इनपेशेंट प्रवेशों के एक बड़े पैमाने के अध्ययन में, लीवर फेलियर की भविष्यवाणी करने के लिए संरचित डिजिटल प्रयोगशाला संबंधी विशेषताओं ने क्लिनिकल फ्री टेक्स्ट (नैदानिक मुक्त पाठ) को काफी बेहतर प्रदर्शन किया, जो यह दर्शाता है कि वस्तुनिष्ठ संख्यात्मक डेटा इस स्थिति के नैदानिक मानदंडों को नैरेटिव क्लिनिकल नोट्स की तुलना में कहीं अधिक प्रभावी ढंग से कैप्चर करता है।
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 की देखभाल की उच्च-दांव वाली दुनिया में, यकृत (लीवर) एक शांत और अथक कार्यकर्ता है। यह विषाक्त पदार्थों को छानता है, रक्त के थक्के जमने का प्रबंधन करता है, और आवश्यक प्रोटीन का उत्पादन करता है, लेकिन जब यह विफल होता है, तो इसके परिणाम त्वरित और अक्सर घातक होते हैं। दशकों से, डॉक्टर लीवर की विफलता का निदान करने के लिए रक्त परीक्षणों से प्राप्त विशिष्ट संख्याओं पर भरोसा करते रहे हैं—यह माप कि लीवर रक्त को कितनी अच्छी तरह थक्का जमा रहा है या अपशिष्ट को साफ कर रहा है। ये वस्तुनिष्ठ सीमाएँ (thresholds) स्वर्ण मानक हैं; यदि संख्याएँ एक निश्चित रेखा को पार करती हैं, तो निदान कर दिया जाता है। हालाँकि, आधुनिक अस्पताल इन संख्याओं के साथ भारी मात्रा में असंरचित पाठ (unstructured text) भी उत्पन्न करते हैं। डॉक्टर विस्तृत नोट्स लिखते हैं, रेडियोलॉजिस्ट स्कैन का वर्णन करते हैं, और डिस्चार्ज सारांश रोगी के प्रवास की कहानी बताते हैं। जैसे-जैसे आर्टिफिशियल इंटेलिजेंस उन्नत हुआ है, एक नया प्रश्न उभरा है: क्या ये लिखित शब्द, शक्तिशाली कंप्यूटर प्रोग्रामों द्वारा विश्लेषण किए जाने पर, रक्त परीक्षणों के कठोर आंकड़ों की तरह ही, या शायद उनसे भी बेहतर तरीके से, लीवर फेलियर की भविष्यवाणी कर सकते हैं?
इस प्रश्न ने लगभग नब्बे हजार अस्पताल में भर्ती होने वाले मामलों वाले एक बड़े पैमाने के अध्ययन को प्रेरित किया। शोधकर्ताओं ने यह तुलना करने के लिए प्रयास किया कि अस्पताल के डेटा का उपयोग करने के दो अलग-अलग तरीकों से कौन लीवर फेलियर विकसित करेगा, इसकी भविष्यवाणी कैसे की जा सकती है। एक ओर थे "संरचित डिजिटल फीचर्स" (structured digital features), जो केवल रक्त कार्य और महत्वपूर्ण संकेतों से प्राप्त सटीक, वस्तुनिष्ठ संख्याएँ हैं। दूसरी ओर था "क्लिनिकल टेक्स्ट" (clinical text), जो डॉक्टरों और रेडियोलॉजिस्टों द्वारा लिखे गए मुक्त-प्रवाह वाले पैराग्राफ हैं। लक्ष्य यह देखना था कि क्या रोगी की स्थिति के लिखित विवरण, लीवर फेलियर के चेतावनी संकेतों को कच्चे आंकड़ों की तरह ही प्रभावी ढंग से पकड़ सकते हैं। अध्ययन को एक निष्पक्ष मुकाबले के रूप में डिजाइन किया गया था, जिसमें रोगियों का बिल्कुल वही समूह और लीवर फेलियर की बिल्कुल वही परिभाषा उपयोग की गई थी, जिससे यह सुनिश्चित हो सके कि परिणाम डेटा एकत्र करने के तरीकों के बजाय डेटा के वास्तविक मूल्य को दर्शाते हैं।
शोधकर्ताओं ने अस्पताल के रिकॉर्ड के एक विशाल, सार्वजनिक डेटाबेस से रोगियों का एक एकीकृत समूह बनाया। उन्होंने एक सख्त तीन-भाग वाले नियम का उपयोग करके लीवर फेलियर के मामले को परिभाषित किया: मेडिकल रिकॉर्ड में एक विशिष्ट डायग्नोसिस कोड, रक्त परीक्षण के परिणाम जो ज्ञात खतरे की सीमाओं को पार कर गए हों, या यदि रोगी अस्पताल में मृत्यु को प्राप्त हुआ हो। इसने सुनिश्चित किया कि प्रत्येक रोगी के लिए "सत्य" स्पष्ट हो। इसके बाद उन्होंने इस परिणाम की भविष्यवाणी करने के लिए कृत्रिम बुद्धिमत्ता के कई विभिन्न प्रकार के मॉडल प्रशिक्षित किए। कुछ मॉडलों ने केवल संख्याओं को देखा, जो रोगी के आने के बाद विभिन्न समयों पर रक्त कार्य के स्नैपशॉट लेते थे। अन्य मॉडलों ने केवल टेक्स्ट को देखा, रेडियोलॉजी रिपोर्ट और डिस्चार्ज सारांश को पढ़ा। कुछ मॉडलों ने दोनों को मिलाने का प्रयास किया। कंप्यूटर प्रोग्रामों का परीक्षण रोगियों के एक अलग समूह पर किया गया जिन्हें उन्होंने पहले कभी नहीं देखा था, ताकि यह देखा जा सके कि वे कैसा प्रदर्शन करते हैं।
परिणाम निर्णायक और स्पष्ट थे। जो मॉडल रक्त परीक्षणों से प्राप्त संरचित संख्याओं पर निर्भर थे, वे क्लिनिकल टेक्स्ट पर निर्भर मॉडलों की तुलना में काफी बेहतर प्रदर्शन करते थे। सबसे अच्छे संख्या-आधारित मॉडल ने, जिसने 48 घंटे की अवधि में एकत्र किए गए डेटा को देखा, उच्च स्तर की सटीकता हासिल की जिसे कोई भी टेक्स्ट-आधारित मॉडल नहीं छू सका। यहाँ तक कि टेक्स्ट मॉडल, जिन्हें पूर्ण रेडियोलॉजी रिपोर्ट और विस्तृत डिस्चार्ज सारांश तक पहुंच दी गई थी, एक सीमा पर आकर रुक गए। शोधकर्ताओं ने सिस्टम में कितना भी टेक्स्ट क्यों न डाला हो, टेक्स्ट-आधारित मॉडलों का प्रदर्शन एक निश्चित स्तर पर पहुँचते ही रुक गया। ऐसा लग रहा था मानो लिखित शब्दों में वह सारा उपयोगी जानकारी समाहित थी जो वे रख सकते थे, और वह जानकारी कच्चे आंकड़ों की सटीकता तक पहुँचने के लिए पर्याप्त नहीं थी।
अध्ययन में पाया गया कि संख्या-आधारित मॉडलों में टेक्स्ट जोड़ने से लगभग कोई अतिरिक्त लाभ नहीं हुआ। जब शोधकर्ताओं ने संख्या मॉडलों और टेक्स्ट मॉडलों की भविष्यवाणियों को मिलाया, तो परिणाम संख्या मॉडलों के उपयोग से मुश्किल से थोड़ा बेहतर था। ऐसा इसलिए हुआ क्योंकि डॉक्टरों के लिखित विवरण और रक्त परीक्षण की संख्याएँ एक ही कहानी बता रही थीं। टेक्स्ट अनिवार्य रूप से संख्याओं का एक मानवीय पुनर्कथन था, लेकिन ऐसा करने में, इसने छोटी त्रुटियाँ पेश कीं और सटीकता खो दी। उदाहरण के लिए, एक डॉक्टर मरीज के बिलीरुबिन स्तर को "उच्च" लिख सकता है, लेकिन संख्याओं को देखने वाला कंप्यूटर मॉडल ठीक जानता था कि वह कितना उच्च था। अध्ययन ने दिखाया कि एक ऐसी स्थिति के लिए जिसे विशिष्ट संख्यात्मक सीमाओं द्वारा परिभाषित किया गया है, लिखित शब्द एक अप्रत्यक्ष और कम सटीक मार्ग है।
सबसे आश्चर्यजनक निष्कर्षों में से एक यह था कि संख्या-आधारित मॉडल कितनी तेज़ी से खतरे को पहचान सकते थे। यहाँ तक कि जब केवल पहले छह घंटों का डेटा देखा गया, जब रक्त परीक्षण बहुत कम उपलब्ध थे, तब भी संख्या-आधारित मॉडल टेक्स्ट-आधारित मॉडलों की तुलना में अधिक सटीक थे। यह सुझाव देता है कि लीवर फेलियर के शुरुआती चेतावनी संकेत वस्तुनिष्ठ मापों में ही निहित होते हैं। मॉडलों ने संख्याओं में पैटर्न पहचानना सीखा, जैसे कि लीवर रोग का इतिहास या विशिष्ट रसायनों के स्तर में वृद्धि, जो डॉक्टरों के इस स्थिति का निदान करने के तरीके के साथ पूरी तरह से मेल खाते थे। लिखित टेक्स्ट, विवरणों से समृद्ध होने के बावजूद, एक स्वतंत्र संकेत प्रदान नहीं कर सका जो संख्याओं ने मिस किया हो।
शोधकर्ताओं ने निष्कर्ष निकाला कि लीवर फेलियर की भविष्यवाणी करने के लिए, संरचित डिजिटल फीचर्स कहीं अधिक श्रेष्ठ हैं। अस्पताल के प्रवास के लिखित रिकॉर्ड, हालांकि मानवीय समझ के लिए मूल्यवान हैं, इस विशिष्ट प्रकार की भविष्यवाणी के लिए कोई छिपा हुआ लाभ नहीं देते हैं। अध्ययन ने प्रदर्शित किया कि संख्या-आधारित मॉडलों को बदलने या यहाँ तक कि महत्वपूर्ण रूप से बढ़ाने के लिए टेक्स्ट का उपयोग करना इस चिकित्सा समस्या के लिए एक उत्पादक रणनीति नहीं है। सबसे प्रभावी प्रारंभिक चेतावनी प्रणालियाँ रक्त परीक्षणों से प्राप्त सटीक, वस्तुनिष्ठ डेटा पर निर्भर रहना जारी रखेंगी, जो लीवर के विफल होते कार्य का एक सीधा और स्पष्ट दृश्य प्रदान करते हैं।
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।