Development of a Predictive Model for Lymph Node Metastasis in Endometrial Cancer Based on Integrated Clinical Characteristics, Serum Tumor Biomarkers, and Related Factors

एंडोमेट्रियल कैंसर एक ऐसी बीमारी है जो गर्भाशय की परत में शुरू होती है, वह गर्भ जहाँ बच्चा बढ़ता है। यह महिला प्रजनन प्रणाली को प्रभावित करने वाले सबसे सामान्य कैंसरों में से एक है, और दुनिया के कई हिस्सों में इसकी संख्या बढ़ रही है। जब यह कैंसर फैलता है, तो यह अक्सर सबसे पहले लिम्फ नोड्स (lymph nodes) तक पहुँचता है, जो शरीर में बिखरी हुई छोटी, बीन के आकार की संरचनाएं हैं जो प्रतिरक्षा प्रणाली के लिए फिल्टर के रूप में कार्य करती हैं। सर्जरी से पहले यह जानना महत्वपूर्ण है कि क्या कैंसर इन नोड्स तक पहुँच गया है। यदि नोड्स साफ हैं, तो एक सर्जन कम आक्रामक ऑपरेशन कर सकता है। यदि वे प्रभावित हैं, तो उपचार योजना अधिक व्यापक प्रक्रिया की ओर बदल जाती है ताकि यह सुनिश्चित किया जा सके कि सभी कैंसरयुक्त ऊतकों को निकाल दिया गया है। हालाँकि, ऑपरेशन से पहले इस प्रसार का अनुमान लगाना कठिन है। डॉक्टर वर्तमान में इमेजिंग स्कैन और शारीरिक परीक्षणों पर भरोसा करते हैं, लेकिन ये उपकरण हमेशा पूर्ण नहीं होते हैं। उन्हें गहराई से देखने की आवश्यकता है, जिसमें रोगी के अपने रक्त और चिकित्सा इतिहास के भीतर छिपे संकेतों का उपयोग करके अधिक सटीक अनुमान लगाया जा सके।

हाल ही में किए गए एक अध्ययन में, शिनजियांग मेडिकल यूनिवर्सिटी के एफ़िलिएटेड कैंसर अस्पताल के शोधकर्ताओं ने ठीक इसी उद्देश्य के लिए एक बेहतर उपकरण बनाने का लक्ष्य रखा। उन्होंने उन 1,099 महिलाओं से जानकारी एकत्र की जिन्हें एंडोमेट्रियल कैंसर का निदान हुआ था और जिन्होंने 2021 से 2026 के बीच सर्जरी करवाई थी। टीम यह देखना चाहती थी कि क्या वे मानक चिकित्सा विवरणों, जैसे कि रोगी की आयु और कैंसर के चरण को, रक्त में पाए जाने वाले विशिष्ट पदार्थों के साथ जोड़कर लिम्फ नोड प्रसार की भविष्यवाणी कर सकते हैं। इन पदार्थों को ट्यूमर बायोमार्कर (tumor biomarkers) के रूप में जाना जाता है। शोधकर्ताओं ने तीन विशिष्ट बायोमार्कर पर ध्यान केंद्रित किया: CA125, HE4, और CA199। ये प्रोटीन या शर्करा हैं जिन्हें कैंसर कोशिकाएं कभी-कभी रक्तप्रवाह में छोड़ देती हैं, जो शरीर के भीतर कुछ गलत होने के धुंधले संकेतों की तरह कार्य करते हैं। रोगी के क्लिनिकल इतिहास के साथ इन संकेतों के व्यवहार को देखकर, टीम एक विश्वसनीय मार्गदर्शिका बनाने की उम्मीद कर रही थी।

इस डेटा को एक भविष्यवाणी उपकरण में बदलने के लिए, शोधकर्ताओं ने मशीन लर्निंग नामक एक प्रकार की कंप्यूटर बुद्धिमत्ता का उपयोग किया। उन्होंने 1,099 रोगियों की जानकारी को तीन अलग-अलग कंप्यूटर मॉडलों में डाला ताकि यह देखा जा सके कि कौन सा मॉडल कैंसर के प्रसार के पैटर्न को सबसे प्रभावी ढंग से सीख सकता है। एक मॉडल पारंपरिक सांख्यिकीय कैलकुलेटर की तरह काम करता था, जबकि अन्य अधिक जटिल प्रणालियाँ थीं जो एक साथ कई विभिन्न कारकों के बीच सूक्ष्म संबंधों को खोजने में सक्षम थीं। टीम ने डेटा को दो समूहों में विभाजित किया, जिसमें अधिकांश का उपयोग मॉडलों को सिखाने के लिए और शेष का उपयोग उनका परीक्षण करने के लिए किया गया। परिणामों ने दिखाया कि एक विशिष्ट मॉडल, जिसे XGBoost के रूप में जाना जाता है, सबसे सटीक था। इसने उच्च सफलता के साथ लिम्फ नोड प्रसार के जोखिम की सही पहचान की, और अन्य दो दृष्टिकोणों से बेहतर प्रदर्शन किया। इस मॉडल ने सीखा कि सबसे शक्तिशाली एकल संकेत कैंसर का क्लिनिकल स्टेज (clinical stage) था, जो यह बताता है कि ट्यूमर गर्भाशय के भीतर और आसपास के ऊतकों में कितनी दूर तक बढ़ गया है।

जब शोधकर्ताओं ने व्यक्तिगत रूप से रक्त मार्करों को देखा, तो उन्होंने पाया कि CA125 तीनों में सबसे मजबूत भविष्यवक्ता था, जिसके बाद HE4 और फिर CA199 का स्थान था। हालाँकि, अध्ययन से पता चला कि पूरी तस्वीर पाने के लिए केवल एक मार्कर पर निर्भर रहना पर्याप्त नहीं था। जब कंप्यूटर मॉडल ने तीनों बायोमार्कर के स्तरों को संयोजित किया, तो इसकी लिम्फ नोड मेटास्टेसिस (lymph node metastasis) की भविष्यवाणी करने की क्षमता में काफी सुधार हुआ। संयुक्त दृष्टिकोण अकेले किसी भी एकल परीक्षण की तुलना में जोखिम वाली महिलाओं को पहचानने में बेहतर था। टीम ने प्रत्येक मार्कर के लिए विशिष्ट थ्रेशोल्ड मान (threshold values) भी निर्धारित किए। उदाहरण के लिए, यदि किसी रोगी का CA125 स्तर 24.8 यूनिट प्रति मिलीलीटर से ऊपर था, तो यह उच्च जोखिम का संकेत देता था। इसी तरह, HE4 और CA199 के लिए भी विशिष्ट कट-ऑफ बिंदु पाए गए। ये संख्याएँ डॉक्टरों को रोगी के ऑपरेशन कक्ष में प्रवेश करने से पहले ही जोखिम को वर्गीकृत करने में मदद करने के लिए ठोस संदर्भ बिंदु प्रदान करती हैं।

अध्ययन ने यह भी स्पष्ट किया कि इस विशिष्ट भविष्यवाणी में किन चीजों का महत्व कम है। शोधकर्ताओं ने विश्लेषण किया कि क्या किसी महिला ने बच्चे को जन्म दिया था, उसका बॉडी मास इंडेक्स (BMI) क्या था, और क्या उसे मधुमेह या उच्च रक्तचाप का इतिहास था। हालांकि ये समग्र स्वास्थ्य के लिए महत्वपूर्ण हैं, लेकिन डेटा ने दिखाया कि इन्होंने इस रोगियों के समूह में लिम्फ नोड प्रसार की संभावना को महत्वपूर्ण रूप से नहीं बदला। सबसे स्पष्ट संकेत ट्यूमर का चरण और तीन विशिष्ट रक्त मार्करों के स्तर ही रहे। शोधकर्ताओं ने नोट किया कि हालांकि उनका मॉडल बहुत अच्छा प्रदर्शन कर रहा था, लेकिन यह एक एकल अस्पताल के डेटा पर आधारित था, और लिम्फ नोड प्रसार की पुष्टि करने वाली महिलाओं की संख्या बिना प्रसार वाली महिलाओं की तुलना में अपेक्षाकृत कम थी। इसका अर्थ है कि यह उपकरण आशाजनक है लेकिन इसकी विश्वसनीयता की पुष्टि करने के लिए भविष्य में विभिन्न आबादी के बड़े समूहों पर परीक्षण करने से इसे लाभ होगा।

अंततः, यह कार्य नैदानिक निर्णयों का समर्थन करने के लिए एक नया, डेटा-संचालित तरीका प्रदान करता है। कैंसर के चरण को तीन विशिष्ट मार्करों को मापने वाले एक सरल रक्त परीक्षण के साथ एकीकृत करके, डॉक्टर अब सर्जरी शुरू होने से पहले जोखिमों का अधिक सूचित दृष्टिकोण रख सकते हैं। यह दृष्टिकोण सर्जन के निर्णय को प्रतिस्थापित नहीं करता है बल्कि सटीकता की एक परत जोड़ता है जो उपचार को व्यक्ति के अनुकूल बनाने में मदद कर सकती है। इस निदान का सामना कर रही एक महिला के लिए, यह स्पष्ट तस्वीर होना कि क्या कैंसर लिम्फ नोड्स में फैल गया है, इसका मतलब है कि सर्जिकल योजना को शुरुआत से ही अनुकूलित किया जा सकता है, जिससे संभावित रूप से अनावश्यक प्रक्रियाओं से बचा जा सकता है या यह सुनिश्चित किया जा सकता है कि उपचार का सही विस्तार तुरंत लागू किया जाए। अध्ययन बताता है कि कैंसर देखभाल का भविष्य मानव विशेषज्ञता को इन बुद्धिमान, डेटा-समृद्ध उपकरणों के साथ जोड़ने में निहित है ताकि सबसे सटीक भविष्यवाणियां संभव हो सकें।