Machine learning approach to evaluate the significance of clinical factors and laboratory markers in predicting postpartum hemorrhage

हर साल, लाखों महिलाएं बच्चे को जन्म देती हैं, और अधिकांश के लिए, यह प्रक्रिया रक्तस्राव की एक प्रबंधनीय मात्रा के साथ समाप्त होती है। हालांकि, एक महत्वपूर्ण संख्या के लिए, यह रक्तस्राव अत्यधिक और जीवन के लिए खतरा बन जाता है, जिसे प्रसवोत्तर रक्तस्राव (पोस्टपार्टम हेमरेज) के रूप में जाना जाता है। यह दुनिया भर में मातृ मृत्यु का प्रमुख कारण बना हुआ है, जो सालाना हजारों जानें ले लेता है। चिकित्सा चुनौती इस घटना की अनिश्चितता में निहित है; जबकि डॉक्टर व्यापक जोखिम समूहों की पहचान कर सकते हैं, वे ठीक से यह नहीं बता पाते कि किस महिला को रक्तस्राव होने वाला है। इस अंतर को पाटने के लिए, शोधकर्ताओं ने मशीन लर्निंग की ओर रुख किया है, जो आर्टिफिशियल इंटेलिजेंस की एक शाखा है जहाँ कंप्यूटर डेटा की विशाल मात्रा में पैटर्न खोजने के लिए सीखते हैं। उम्मीद यह है कि एक कंप्यूटर को एक माँ के स्वास्थ्य, उसकी गर्भावस्था और उसके रक्त परीक्षण के बारे में हजारों विवरण देकर, मशीन उन सूक्ष्म चेतावनी संकेतों को पकड़ सकती है जिन्हें मानव डॉक्टर चूक जाते हैं, जिससे समय रहते और अधिक सटीक हस्तक्षेप संभव हो सके।

ईरान में शोधकर्ताओं की एक टीम ने यह परीक्षण करने के लिए हाथ आजमाया कि क्या ये कंप्यूटर मॉडल तेहरान के दो प्रमुख अस्पतालों के वास्तविक डेटा का उपयोग करके प्रसवोत्तर रक्तस्राव की सफलतापूर्वक भविष्यवाणी कर सकते हैं। उन्होंने 604 महिलाओं से जानकारी एकत्र की जिन्होंने बच्चे को जन्म दिया था, जिसमें उनकी आयु, चिकित्सा इतिहास, प्रसव की विधि और जन्म के तुरंत बाद लिए गए विशिष्ट प्रयोगशाला परिणामों सहित विस्तृत जानकारी शामिल थी। शोधकर्ता विशेष रूप से सीरम लैक्टेट जैसे मार्करों में रुचि रखते थे, जो रक्त में मौजूद एक पदार्थ है जो तब बढ़ता है जब शरीर तनाव में होता है या पर्याप्त ऑक्सीजन नहीं मिल रही होती है, साथ ही फाइब्रिनोजेन के स्तर में भी, जो रक्त का थक्का जमाने के लिए आवश्यक प्रोटीन है। उन्होंने प्रतिभागियों को दो समूहों में विभाजित किया: वे जिन्हें रक्तस्राव हुआ और वे जिन्हें नहीं हुआ, और फिर यह देखने के लिए विभिन्न मशीन लर्निंग एल्गोरिदम का उपयोग किया कि क्या डेटा रक्तस्राव होने से पहले दोनों समूहों के बीच विश्वसनीय रूप से अंतर कर सकता है।

अध्ययन से पता चला कि कुछ कारक वास्तव में रक्तस्राव की घटना से जुड़े थे। शोधकर्ताओं ने पाया कि जिन महिलाओं को प्रसवोत्तर रक्तस्राव हुआ, उनमें उन महिलाओं की तुलना में सीरम लैक्टेट का स्तर काफी अधिक था जिन्हें नहीं हुआ था। उन्होंने यह भी देखा कि यह स्थिति प्री-एक्लेम्पसिया (एक गर्भावस्था संबंधी जटिलता जिसमें उच्च रक्तचाप शामिल है) वाली महिलाओं में अधिक आम थी, और समय से पूर्व जन्म देने वाली या पिछले सिजेरियन सेक्शन के इतिहास वाली महिलाओं में कम आम थी। ये निष्कर्ष इस विचार के अनुरूप हैं कि शरीर की तनाव के प्रति शारीरिक प्रतिक्रिया और रक्त का थक्का जमाने की क्षमता इस समस्या के केंद्र में हैं। डेटा ने इन विशिष्ट जैविक मार्करों और परिणाम के बीच एक स्पष्ट संबंध दिखाया, जो यह सुझाव देता है कि शरीर संकट की ओर बढ़ने पर मापने योग्य संकेत देता है।

हालांकि, जब शोधकर्ताओं ने मशीन लर्निंग मॉडल से इन संकेतों का उपयोग करके घटना की भविष्यवाणी करने के लिए कहा, तो परिणाम बहुत कम उत्साहजनक थे। कच्चे डेटा में पाए गए स्पष्ट संबंधों के बावजूद, कंप्यूटर मॉडल यह सटीक रूप से पहचानने में विफल रहे कि किन महिलाओं को रक्तस्राव होगा। सबसे अच्छा प्रदर्शन करने वाला मॉडल, एक सांख्यिकीय विधि जिसे लॉजिस्टिक रिग्रेशन कहा जाता है, संयोग (रैंडम चांस) से थोड़ा बेहतर रैंक बनाने में सफल रहा, लेकिन वह रक्तस्राव के लगभग हर मामले को पहचानने में विफल रहा। व्यावहारिक रूप से, मॉडल इतने सतर्क थे कि उन्होंने लगभग हर महिला को सुरक्षित घोषित कर दिया, जिससे प्रभावी रूप से उन कुछ महिलाओं की अनदेखी हुई जो वास्तव में जोखिम में थीं। अन्य जटिल एल्गोरिदम, जिनमें जटिल पैटर्न खोजने के लिए डिज़ाइन किए गए मॉडल भी शामिल थे, बेहतर प्रदर्शन नहीं कर सके, और अक्सर रक्तस्राव के एक भी मामले का पता लगाने में विफल रहे, जबकि उन्होंने स्वस्थ रहने वाली महिलाओं की विशाल संख्या की सही पहचान की।

शोधकर्ताओं ने निष्कर्ष निकाला कि हालांकि उनके द्वारा मापे गए जैविक मार्कर प्रसवोत्तर रक्तस्राव से मजबूती से जुड़े हुए हैं, लेकिन वे अकेले एक विश्वसनीय भविष्यवाणी उपकरण बनाने के लिए पर्याप्त नहीं हैं। कंप्यूटर मॉडल संख्याओं में संबंध देख सकते थे, लेकिन वे उस संबंध को व्यक्तिगत रोगियों के लिए एक उपयोगी चेतावनी प्रणाली में अनुवादित नहीं कर सके। यह चिकित्सा विज्ञान की एक कठिन वास्तविकता को उजागर करता है: किसी लक्षण और बीमारी के बीच सहसंबंध (कोरिलेशन) खोजने का मतलब यह स्वतः ही नहीं है कि कंप्यूटर घटना होने से पहले बीमारी की भविष्यवाणी कर सकता है। अध्ययन बताता है कि हालांकि ये प्रयोगशाला परीक्षण यह समझने के लिए मूल्यवान हैं कि रोगी के साथ या रक्तस्राव के दौरान क्या हो रहा है, लेकिन वे इसे शुरू होने से पहले रोकने की कुंजी नहीं हो सकते हैं। एक कार्यशील भविष्यवाणी प्रणाली का मार्ग संभवतः अधिक डेटा, विभिन्न प्रकार की जानकारी और शायद इस तथ्य को बेहतर ढंग से संभालने के तरीके की मांग करता है कि सामान्य जन्मों की तुलना में गंभीर रक्तस्राव दुर्लभ घटनाएं हैं।