Hiding in plain sight: finding undiagnosed chronic kidney disease without kidney function data through a machine learning model
यह अध्ययन प्रदर्शित करता है कि मूल रूप से लैटिन अमेरिका में विकसित एक फ्रोजन, किडनी-फंक्शन-मुक्त मशीन लर्निंग मॉडल, विभिन्न जनसांख्यिकीय उपसमूहों में सटीक संभाव्यता अनुमान सुनिश्चित करने के लिए पुन: अंशांकन (recalibration) की आवश्यकता के बावजूद, मजबूत जोखिम भेदभाव बनाए रखते हुए एक विविध अमेरिकी आबादी में अनिDiagnosed क्रोनिक किडनी रोग के परीक्षण को प्राथमिकता देने में प्रभावी रूप से सक्षम 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
दुनिया भर में लाखों लोग अपने स्वास्थ्य के लिए एक शांत खतरे के साथ जी रहे हैं: क्रोनिक किडनी डिजीज (गुर्दे की पुरानी बीमारी)। यह स्थिति रक्त से अपशिष्ट को छानने वाले अंगों को धीरे-धीरे नुकसान पहुँचाती है, फिर भी यह अक्सर तब तक कोई लक्षण नहीं दिखाती जब तक कि यह बहुत उन्नत अवस्था में न पहुँच जाए। क्योंकि यह बीमारी इतनी शांत है, इसलिए इसमें पीड़ित अधिकांश लोगों को पता ही नहीं होता कि उन्हें यह बीमारी है। यह एक गंभीर समस्या है क्योंकि आधुनिक चिकित्सा अब प्रभावी, कम लागत वाले उपचार प्रदान करती है जो नुकसान को धीमा या रोक सकते हैं, लेकिन ये उपचार तभी काम करते हैं जब डॉक्टर मरीजों को जल्दी पहचान सकें। चुनौती यह है कि हर किसी की किडनी की कार्यक्षमता की जांच करना महंगा और अक्षम है। डॉक्टरों को यह जानने के तरीके की आवश्यकता है कि भीड़ भरे वेटिंग रूम में कौन से लोग इस छिपी हुई बीमारी के प्रति सबसे अधिक संवेदनशील हैं ताकि वे प्राथमिकता के आधार पर किसे पहले परीक्षण के लिए चुना जाए। यहीं पर कंप्यूटर मॉडल काम आते हैं, जो बड़ी मात्रा में नियमित स्वास्थ्य जानकारी को छानने के लिए एक फिल्टर के रूप में कार्य करते हैं ताकि उन लोगों को पहचाना जा सके जिन्हें मदद की जरूरत है।
शोधकर्ताओं के एक दल ने यह परीक्षण करने के लिए हाथ आजमाया कि क्या एक विशिष्ट कंप्यूटर मॉडल, जिसे मूल रूप से लैटिन अमेरिका के डेटा का उपयोग करके बनाया गया था, एक पूरी तरह से अलग आबादी: संयुक्त राज्य अमेरिका के वयस्कों में इन छिपे हुए मामलों को सफलतापूर्वक खोज सकता है। मॉडल को एक व्यक्ति के बुनियादी स्वास्थ्य विवरणों को देखने के लिए डिज़ाइन किया गया था—जैसे कि उनकी आयु, रक्तचाप, वजन, और क्या उन्हें मधुमेह या उच्च रक्तचाप है—बिना कभी किडनी फंक्शन टेस्ट के परिणाम देखे। लक्ष्य यह देखना था कि क्या मॉडल जोखिम के आधार पर लोगों को रैंक कर सकता है, जिससे उन लोगों को सूची में सबसे ऊपर रखा जा सके जिनके होने की संभावना सबसे अधिक है, भले ही मॉडल को अमेरिकी रोगियों पर प्रशिक्षित न किया गया हो। शोधकर्ताओं ने इस उपकरण को 2,28,000 से अधिक अमेरिकी वयस्कों के एक विशाल, विविध समूह पर लागू किया, जिनमें किडनी रोग का कोई पिछला निदान नहीं था लेकिन रिकॉर्ड में एक नियमित रक्त परीक्षण मौजूद था। वे यह देखना चाहते थे कि क्या यह मॉडल इन लोगों के उस छोटे से हिस्से की पहचान कर सकता है जिन्हें वास्तव में मध्यम से गंभीर रूप से कम किडनी फंक्शन था जो अब तक अनसुना रह गया था।
परिणामों से पता चला कि मॉडल अपने प्राथमिक कार्य में उल्लेखनीय रूप से सफल रहा: लोगों को जोखिम के आधार पर छाँटना। जब शोधकर्ताओं ने उन शीर्ष 5% लोगों को देखा जिन्हें मॉडल ने उच्चतम जोखिम वाला बताया था, तो इसने समूह के सभी छिपे हुए किडनी रोग के मामलों में से लगभग एक चौथाई को पकड़ लिया। यदि उन्होंने शीर्ष 10% को देखा, तो इसे 40% से अधिक मामले मिले। शीर्ष 20% में, मॉडल ने सभी अनडिग्नोज्ड (बिना निदान वाले) मामलों में से 60% से अधिक की पहचान की। इसका मतलब है कि मॉडल ने सफलतापूर्वक छिपे हुए रोगियों को एक छोटे समूह में केंद्रित किया, जिससे डॉक्टरों के लिए अपने सीमित परीक्षण संसाधनों को वहां केंद्रित करना बहुत आसान हो गया जहाँ उनकी सबसे अधिक आवश्यकता थी। मॉडल ने इस कार्य को उच्च स्तर की सटीकता के साथ पूरा किया, जो बीमारी वाले और बिना बीमारी वाले लोगों के बीच अंतर करने में यादृच्छिक संयोग (रैंडम चांस) से कहीं बेहतर था। यह उन लोगों के उच्च-जोखक समूह में और भी अधिक प्रभावी था जिन्हें पहले से ही मधुमेह या उच्च रक्तचाप था, जो कि वह सटीक आबादी है जहाँ स्क्रीनिंग की सबसे अधिक आवश्यकता होती है।
हालाँकि, अध्ययन में एक विशिष्ट सीमा भी पाई गई जो चिकित्सा उपकरणों को एक देश से दूसरे देश में ले जाने के दौरान आम है। जबकि मॉडल लोगों को उच्चतम से निम्नतम जोखिम के आधार पर रैंक करने में उत्कृष्ट था, यह बीमारी की सटीक संभावना की भविष्यवाणी करने में पूर्ण नहीं था। अमेरिकी समूह में, मॉडल का रुझान जोखिम को वास्तविक से अधिक बताने का था। उदाहरण के लिए, यदि मॉडल भविष्यवाणी करता था कि कितने लोग बीमारी से ग्रस्त होंगे, तो वास्तविक संख्या कम थी। यह मॉडल के तर्क की विफलता नहीं है, बल्कि यह दो आबादी के बीच बीमारी के प्रसार के अंतर के कारण है। शोधकर्ताओं ने पाया कि इस त्रुटि को एक सरल गणितीय समायोजन द्वारा पूरी तरह से ठीक किया जा सकता है, जिसे 'रीकैलिब्रेशन' (पुनः अंशांकन) कहा जाता है, जो मॉडल की रैंकिंग क्षमता को बदले बिना इसकी भविष्यवाणियों को स्थानीय वास्तविकता के अनुरूप ट्यून करता है। यह समायोजन महत्वपूर्ण था क्योंकि इसका अर्थ था कि मॉडल का उपयोग संयुक्त राज्य अमेरिका में उसी उच्च प्रदर्शन के साथ किया जा सकता है जैसा कि लैटिन अमेरिका में था, बशर्ते कि स्थानीय आंकड़ों को अपडेट किया जाए।
अध्ययन ने यह भी बारीकी से देखा कि क्या मॉडल विभिन्न समूहों के साथ निष्पक्ष व्यवहार करता है। उन्होंने परीक्षण किया कि क्या मॉडल पुरुषों और महिलाओं, विभिन्न आयु वर्ग के लोगों, और विभिन्न नस्लीय एवं जातीय पृष्ठभूमि के लोगों के लिए समान रूप से काम करता है। रैंकिंग क्षमता इन सभी समूहों में मजबूत बनी रही, जिसका अर्थ है कि मॉडल ने किसी विशिष्ट जनसांख्यिकीय को अनुचित रूप से नजरअंदाज नहीं किया। हालांकि, जोखिम की भविष्यवाणियों की सटीकता समूहों के बीच भिन्न थी। उदाहरण के लिए, मॉडल की भविष्यवाणियाँ अश्वेत या अफ्रीकी अमेरिकी प्रतिभागियों के लिए बहुत सटीक थीं, लेकिन श्वेत और हिस्पैनिक/लैटिनो प्रतिभागियों के लिए इसने जोखिम को बढ़ाकर बताया। यह भिन्नता इसलिए हुई क्योंकि इन समूहों में अनडिग्नोज्ड किडनी रोग की वास्तविक दर अलग थी। शोधकर्ताओं ने निष्कर्ष निकाला कि इस उपकरण को विविध आबादी में निष्पक्ष और प्रभावी ढंग से उपयोग करने के लिए, डॉक्टरों को एक ही 'वन-साइज़-फिट्स-ऑल' सेटिंग के बजाय विभिन्न समूहों के लिए विशिष्ट समायोजन लागू करने की आवश्यकता होगी।
अंततः, यह शोध प्रदर्शित करता है कि दुनिया के एक हिस्से में निर्मित उपकरण को दूसरे हिस्से में छिपी हुई बीमारी खोजने के लिए सफलतापूर्वक अनुकूलित किया जा सकता है, बशर्ते उसे स्थानीय स्थितियों के अनुरूप ट्यून किया जाए। यह मॉडल उन लोगों की पहचान करने के लिए एक व्यावहारिक, कम लागत वाला तरीका प्रदान करता है जिन्हें पुष्टिकारक किडनी परीक्षण की आवश्यकता है, विशेष रूप से उन सेटिंग्स में जहाँ संसाधन कम हैं या जहाँ कई लोगों की कभी स्क्रीनिंग नहीं हुई है। पहले से मौजूद नियमित डॉक्टर विज़िट के दौरान एकत्र किए गए स्वास्थ्य डेटा का उपयोग करके, मॉडल चिकित्सा ध्यान उन लोगों की ओर निर्देशित कर सकता है जिन्हें इसकी सबसे अधिक आवश्यकता है, जिससे संभावित रूप से हजारों किडनी फेलियर के मामलों को अनसुना होने से बचाया जा सकता है। अध्ययन पुष्टि करता है कि भले ही सटीक संख्याओं के लिए स्थानीय समायोजन की आवश्यकता हो, लेकिन 'घास के ढेर में सुई' खोजने की मूल क्षमता सीमाओं के पार भी प्रभावी रूप से चलती है, जो किडनी रोग की देखभाल के अंतर को पाटने के लिए एक नया मार्ग प्रदान करती 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।