📄 medicine

From Disease Classification to Whole-Patient State Regulation: A Longitudinal Clinical Computation Framework for Whole-Patient State Trajectories

यह शोध पत्र एक अनुदैर्ध्य नैदानिक गणना ढांचे (longitudinal clinical computation framework) का प्रस्ताव और सत्यापन करता है जो नैदानिक अवलोकनों को व्यवस्थित करने, पदानुक्रमित गुप्त अवस्थाओं (hierarchical latent states) का अनुमान लगाने और फीडबैक-आधारित हस्तक्षेपों को संचालित करने के लिए उन्हें मुख्य कम्प्यूटेशनल वस्तु के रूप में स्थापित करके, ध्यान स्थिर रोग वर्गीकरण से हटाकर संपूर्ण-रोगी अवस्था प्रक्षेप पथों (whole-patient state trajectories) के गतिशील विनियमन पर केंद्रित करता है।

मूल लेखक: Bing Yuan, Gang Fan, Qifan

प्रकाशित 2026-08-06

📖 10 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Bing Yuan, Gang Fan, Qifan

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

डॉक्टर का डैशबोर्ड: स्नैपशॉट से फिल्मों तक

कल्पना कीजिए कि आप एक जटिल कहानी को समझने की कोशिश कर रहे हैं, जैसे कि आपका कोई पसंदीदा टीवी शो। आज के अधिकांश मेडिकल कंप्यूटर एक फोटोग्राफर की तरह काम करते हैं जो किसी पात्र का एक विशिष्ट क्षण में एक उच्च-गुणवत्ता वाला स्नैपशॉट (एक स्थिर फोटो) लेता है। वे यह पहचानने में उत्कृष्ट हैं कि वह पात्र अभी कौन है: "वह एक नायक है," या "वह एक खलनायक है," या "वह टूटी हुई टांग वाला व्यक्ति है।" यह रोग वर्गीकरण (disease classification) की दुनिया है, जहाँ लक्ष्य रोगियों को इस आधार पर श्रेणियों में बांटना है कि एक निश्चित समय पर उन्हें क्या समस्या है। यह एक कार दुर्घटना की स्थिर तस्वीर देखने और यह कहने जैसा है कि, "यह एक दुर्घटना है।"

हालाँकि, वास्तविक जीवन स्थिर तस्वीरों की एक श्रृंखला नहीं है; यह एक फिल्म है। एक रोगी केवल "टूटी हुई टांग" नहीं है; वह एक पूरा इंसान है जिसका शरीर लगातार बदल रहा है, दवा के प्रति प्रतिक्रिया दे रहा है, कीटाणुओं से लड़ रहा है, और तनाव से जूझ रहा है। यह संपूर्ण-रोगी अवस्था (whole-patient state) की अवधारणा है—यह विचार कि एक व्यक्ति एक गतिशील, चलती हुई प्रणाली है जहाँ सब कुछ आपस में जुड़ा हुआ है। हालाँकि डॉक्टरों ने हमेशा इस "फिल्म" को अपने दिमाग में रखने की कोशिश की है, वर्तमान कंप्यूटर प्रणालियाँ ऐसा करने में संघर्ष करती हैं। वे फ्रेमों को लेबल करने में तो बहुत अच्छी हैं लेकिन कहानी (प्लॉट) को समझने में कमजोर हैं। यह शोध पत्र एक बड़ा सवाल पूछता है: क्या होगा यदि हम केवल स्नैपशॉट लेने की कोशिश करना बंद कर दें और एक ऐसा सिस्टम बनाने लगें जो पूरी फिल्म देख सके, जिससे यह ट्रैक किया जा सके कि एक रोगी की स्थिति समय के साथ कैसे बदलती है ताकि उनकी रिकवरी में मदद मिल सके?

स्नैपशॉट से स्ट्रीमिंग मूवी तक: स्वास्थ्य को ट्रैक करने का एक नया तरीका

यह शोध पत्र डॉक्टरों की मदद करने के लिए कंप्यूटर के एक नए तरीके का प्रस्ताव देता है, जो चिकित्सा के पुराने "स्नैपशॉट" वाले अंदाज से हटकर "मूवी" वाले अंदाज की ओर बढ़ता है। लेखक, बिंग युआन, गैंग फैन और क्यूफान युआन, सुझाव देते हैं कि केवल यह पूछने के बजाय कि, "इस रोगी को अभी कौन सी बीमारी है?", हमें यह पूछना चाहिए, "इस रोगी की संपूर्ण अवस्था कैसे बदल रही है, और हम उस परिवर्तन को सही दिशा में कैसे मोड़ सकते हैं?"

यह कैसे काम करता है, इसे समझाने के लिए, कल्पना करें कि एक डॉक्टर एक बहुत ही जटिल, पुराने जमाने की घड़ी को ठीक करने की कोशिश कर रहा है।

पुराना तरीका (रोग वर्गीकरण): कंप्यूटर घड़ी को देखता है, एक टूटा हुआ स्प्रिंग देखता है, और कहता है, "ब्रोकन स्प्रिंग सिंड्रोम।" फिर वह टूटे हुए स्प्रिंग्स के लिए एक सामान्य समाधान सुझाता है। उसे इस बात से फर्क नहीं पड़ता कि गियर जंग खा चुके हैं या घड़ी बहुत तेज़ चल रही है; वह बस उस एक टूटे हुए हिस्से को देखता है और वहीं रुक जाता है।
नया तरीका (संपूर्ण-रोगी अवस्था नियमन): कंप्यूटर महसूस करता है कि घड़ी एक संपूर्ण प्रणाली है। वह केवल एक टूटा हुआ स्प्रिंग ही नहीं देखता; वह घड़ी के टिक-टिक करने के दौरान उसके पूरे तंत्र को देखता है। वह देखता है कि स्प्रिंग टूटा हुआ है, लेकिन साथ ही यह भी कि गियर बहुत धीरे चल रहे हैं, और पेंडुलम बहुत चौड़ा झूल रहा है। वह इन्हें घड़ी की एक जुड़ी हुई "अवस्था" (state) के रूप में देखता है।

लेखक इस नए दृष्टिकोण को लॉन्जिट्यूडिनल क्लिनिकल कम्प्यूटेशन फ्रेमवर्क (Longitudinal Clinical Computation Framework) कहते हैं। "लॉन्जिट्यूडिनल" का अर्थ है चीजों को लंबे समय तक देखना, जैसे कि एक पौधे को बीज से फूल बनने तक बढ़ते हुए देखना, न कि केवल उसे एक बार मापना।

मुख्य विचार: रोगी एक "स्टेट स्पेस" के रूप में

यह शोध पत्र सुझाव देता है कि हमें रोगी को बीमारियों की सूची के रूप में नहीं, बल्कि एक पदानुक्रमित गुप्त-अवस्था स्थान (hierarchical latent-state space) के रूप में सोचना चाहिए। यह सुनने में जटिल लग सकता है, लेकिन इसे एक वीडियो गेम के चरित्र के डैशबोर्ड की तरह समझें।

डैशबोर्ड: केवल "स्वास्थ्य: 50%" दिखाने के बजाय, डैशबोर्ड में कई अलग-अलग स्लाइडर्स और गेज होते हैं। कुछ बड़े, वैश्विक गेज (जैसे "कुल ऊर्जा" या "तनाव का स्तर"), और कुछ छोटे, स्थानीय गेज (जैसे "फेफड़ों की कार्यक्षमता" या "पाचन")।
स्लाइडर्स: इन्हें स्टेट वेरिएबल्स (state variables) कहा जाता है। पुराने सिस्टम में, एक वेरिएबल या तो "ऑन" (आपके पास बीमारी है) था या "ऑफ" (आपके पास बीमारी नहीं है)। इस नए सिस्टम में, स्लाइडर्स कहीं भी हो सकते हैं। वे "हल्के रूप से बिगड़े हुए," "मध्यम रूप से बिगड़े हुए," या "गंभीर रूप से बिगड़े हुए" हो सकते हैं।
मूवी: जैसे-जैसे रोगी नए उपचार प्राप्त करता है या उसका शरीर प्रतिक्रिया करता है, ये स्लाइडर्स चलते हैं। कंप्यूटर केवल यह नहीं कहता कि "आपको जुकाम है।" यह कहता है, "फेफड़ों की गर्मी (Lung Heat) का स्लाइडर ऊपर जा रहा है, लेकिन ऊर्जा का स्लाइडर नीचे गिर रहा है। हमें उपचार को इस तरह समायोजित करने की आवश्यकता है कि ऊर्जा को कम किए बिना फेफड़ों को ठंडा किया जा सके।"

यह सिस्टम कैसे काम करता है: एक गतिशील लूप

शोध पत्र एक ऐसे सिस्टम का वर्णन करता है जो एक निरंतर लूप में चलता है, बिल्कुल एक वीडियो गेम की तरह जो आपके कार्यों के आधार पर वास्तविक समय में अपडेट होता है।

सुराग इकट्ठा करना (संरचित अवलोकन): केवल एक बॉक्स में नोट्स टाइप करने के बजाय, सिस्टम लक्षणों, लैब परिणामों और यहाँ तक कि रोगी के सोने या खाने के तरीके को एक संरचित मानचित्र में व्यवस्थित करता है। यह एक जासूस की तरह है जो केवल सुराग लिखता नहीं है बल्कि उन्हें जोड़ता भी है: "रोगी को खांसी है और बुखार है और पसीना भी आ रहा है, जो एक विशिष्ट पैटर्न का सुझाव देता है।"
अवस्था का अनुमान लगाना (निदान): सिस्टम इन सभी सुरागों को देखता है ताकि यह पता लगाया जा सके कि स्लाइडर्स कहाँ हैं। यह केवल एक लेबल नहीं चुनता। यह कह सकता है, "रोगी मुख्य रूप से 'विंड-हीट' (एक प्रकार का असंतुलन) से ग्रस्त है, लेकिन साथ ही उसमें थोड़ा 'फलेम' (कफ/बलगम) भी है।" यह समझता है कि एक रोगी में एक साथ कई चीजें हो सकती हैं।
लक्ष्य चुनना (नियमन उद्देश्य): यह सबसे स्मार्ट हिस्सा है। सिस्टम उन सभी "खराब" स्लाइडर्स को देखता है और पूछता है, "अभी सबसे ज्यादा किसकी आवश्यकता है?" हो सकता है कि आज बुखार सबसे बड़ी समस्या हो, भले ही पेट दर्द भी मौजूद हो। सिस्टम एक टारगेट स्टेट-वेरिएबल सेट (target state-variable set) चुनता है—उन विशिष्ट स्लाइडर्स का समूह जिन्हें उसे सबसे पहले ठीक करने की आवश्यकता है।
सफेद रंग में, यह एक उपचार योजना का सुझाव देता है। यह केवल "यह गोली लें" नहीं है। यह है "बुखार को कम करने के लिए यह करें, लेकिन सावधान रहें कि पेट दर्द और खराब न हो जाए।"
योजना बनाना (हस्तक्षेप): उस लक्ष्य के आधार पर, यह एक उपचार योजना का सुझाव देता है। यह केवल "यह गोली लें" नहीं है। यह है "बुखार को कम करने के लिए यह करें, लेकिन सावधान रहें कि पेट दर्द और खराब न हो जाए।"
मूवी देखना (लॉन्जिट्यूडिनल अपडेटिंग): यह सबसे महत्वपूर्ण हिस्सा है। सिस्टम वहीं नहीं रुकता। जब रोगी एक सप्ताह बाद वापस आता है, तो सिस्टम फिर से शुरू नहीं होता। यह नए सुरागों (क्या बुखार कम हुआ? क्या पेट में अधिक दर्द हुआ?) को लेता है और मूवी को अपडेट करता है। स्लाइडर्स फिर से चलते हैं। "विंड-हीट" खत्म हो गया होगा, लेकिन अब "यिन की कमी" (तरल पदार्थों की कमी) दिखाई दे सकती है। सिस्टम अपना लक्ष्य "गर्मी को ठंडा करने" से बदलकर "तरल पदार्थ की पूर्ति करने" में स्थानांतरित कर देता है।

इस शोध पत्र ने वास्तव में क्या पाया

लेखकों ने इस विचार का परीक्षण करने के लिए एक कार्यात्मक प्रोटोटाइप सिस्टम बनाया। उन्होंने केवल एक सिद्धांत नहीं लिखा; उन्होंने एक काम करने वाला मॉडल बनाया।

सिमुलेशन: उन्होंने यह देखने के लिए कि क्या यह जटिलता को संभाल सकता है, सिस्टम को एक प्रतिनिधि मामले (एक काल्पनिक रोगी परिदृश्य) के माध्यम से चलाया।
परिणाम: सिस्टम ने सफलतापूर्वक रोगी की स्थिति को लिया, उसे इन "स्टेट वेरिएबल्स" में व्यवस्थित किया, और फिर ट्रैक किया कि स्थिति कई दौरों के दौरान कैसे बदली।
- शुरुआत में, सिस्टम ने एक प्रमुख समस्या (जैसे "विंड-हीट") की पहचान की।
- जैसे-जैसे रोगी का इलाज किया गया, सिस्टम ने उस समस्या को कम होते देखा।
- महत्वपूर्ण रूप से, सिस्टम ने एक नई समस्या (जैसे "लंग हीट" या "यिन की कमी") को उभरते हुए देखा और स्वचालित रूप से उस नई समस्या को ठीक करने के लिए अपना ध्यान केंद्रित किया।
- इसने रोगी की अवस्था विकसित होने के साथ उपचार योजना को "गर्मी को साफ करने" से "तरल पदार्थ को पोषण देने" में सफलतापूर्वक अपडेट किया।

शोध पत्र सुझाव देता है कि यह दृष्टिकोण गतिशील नियमन (dynamic regulation) की अनुमति देता है। इसका मतलब है कि कंप्यूटर केवल एक लेबल लगाने वाला उपकरण नहीं है; यह एक को-पायलट है जो डॉक्टर को समय के साथ रोगी के स्वास्थ्य की यात्रा को निर्देशित करने में मदद करता है।

यह क्या नहीं है

यह जानना महत्वपूर्ण है कि यह शोध पत्र क्या नहीं दावा कर रहा है।

यह कोई जादुई इलाज नहीं है: लेखक बहुत स्पष्ट हैं कि यह एक फ्रेमवर्क और एक प्रोटोटाइप है। उन्होंने इसे जीवन बचाने के लिए सिद्ध करने के लिए अस्पताल में हजारों वास्तविक रोगियों पर टेस्ट नहीं किया है। उन्होंने दिखाया है कि इसकी संरचना काम करती है और गणनात्मक रूप से तर्कसंगत है।
यह डॉक्टरों को प्रतिस्थापित नहीं कर रहा है: इस सिस्टम को डॉक्टर द्वारा संभाली जाने वाली सूचनाओं की विशाल मात्रा को व्यवस्थित करने में मदद करने के लिए डिज़ाइन किया गया है, न कि मानवीय निर्णय को बदलने के लिए।
यह केवल पारंपरिक चीनी चिकित्सा (TCM) के बारे में नहीं है: यह शोध पत्र TCM अवधारणाओं (जैसे "क्यूई की कमी" या "फलेम-हीट") का उपयोग एक आदर्श उदाहरण के रूप में करता है कि कैसे "संपूर्ण-रोगी अवस्था" का नियमन सदियों से काम कर रहा है। हालाँकि, लेखक यह नहीं कह रहे हैं कि हमें TCM पर स्विच करना चाहिए। वे कह रहे हैं, "देखो, TCM लंबे समय से इस प्रकार की 'संपूर्ण-रोगी अवस्था' ट्रैकिंग कर रहा है। आइए एक आधुनिक कंप्यूटर सिस्टम बनाएं जो वही काम करे, लेकिन हमारे वर्तमान चिकित्सा डेटा का भी उपयोग करे।"

यह क्यों महत्वपूर्ण है

लेखकों का तर्क है कि आधुनिक चिकित्सा रोगों की पहचान करने (स्नैपशॉट) में बहुत अच्छी हो गई है, लेकिन उन जटिल, दीर्घकालिक बीमारियों को प्रबंधित करना कठिन होता जा रहा है जहाँ सब कुछ आपस में जुड़ा हुआ है। अपना ध्यान "आपको कौन सी बीमारी है?" से हटाकर "आपकी संपूर्ण अवस्था कैसे बदल रही है?" पर केंद्रित करके, यह फ्रेमवर्क स्वास्थ्य देखभाल के बारे में सोचने का एक नया तरीका प्रदान करता है।

शोध पत्र निष्कर्ष निकालता है कि भविष्य के मेडिकल AI को केवल एक वर्गीकरण उपकरण नहीं होना चाहिए। इसके बजाय, इसे एक लॉन्जिट्यूडिनल रेगुलेशन सिस्टम होना चाहिए—एक ऐसा उपकरण जो डॉक्टरों को रोगी के जीवन की फिल्म देखने, कहानी कैसे बदल रही है इसे समझने और एक सुखद अंत सुनिश्चित करने के लिए कहानी को समायोजित करने में मदद करे। लेखक सुझाव देते हैं कि भले ही हम हमेशा यह नहीं जान सकते कि शरीर कैसे काम करता है इसके सूक्ष्म यांत्रिक विवरण (मैकेनिस्टिक इनकम्प्लीटनेस), फिर भी हम इन विचलनों को ट्रैक करके और कहानी के आगे बढ़ने के साथ उपचार को समायोजित करके रोगी की अवस्था का सफलतापूर्वक प्रबंधन कर सकते हैं।

संक्षेप में, यह शोध पत्र सुझाव देता है कि भविष्य के मेडिकल कंप्यूटरों का लक्ष्य केवल बेहतर फोटो लेना नहीं है; बल्कि फिल्म को निर्देशित करना सीखना है।

तकनीकी सारांश: रोग वर्गीकरण से संपूर्ण-रोगी अवस्था नियमन तक

समस्या विवरण
आधुनिक नैदानिक चिकित्सा और समकालीन स्वास्थ्य सेवा AI प्रणालियाँ मुख्य रूप से रोग संस्थाओं (disease entities) के इर्द-गिर्द संगठित हैं, जो एकल-समय बिंदु वर्गीकरण आर्किटेक्चर का उपयोग करती हैं। तीव्र, पृथक स्थितियों के लिए प्रभावी होने के बावजूद, यह प्रतिमान मल्टीमॉर्बिडिटी (बहु-रुग्णता), क्रोनिक प्रबंधन और गतिशील शारीरिक अंतःक्रियाओं वाले जटिल नैदानिक वातावरणों में महत्वपूर्ण सीमाओं का सामना करता है। वर्तमान प्रणालियों में "संपूर्ण-रोगी अवस्था" (whole-patient state) के लिए एक स्पष्ट संरचनात्मक प्रतिनिधित्व और औपचारिक कम्प्यूटेशनल ढांचा नहीं है। फलस्वरूप, नैदानिक नियमन की निरंतर, गतिशील प्रक्रिया—जो समग्र मूल्यांकन और अनुदैर्ध्य समायोजन पर निर्भर करती है—एक औपचारिक कम्प्यूटेशनल वस्तु के बजाय एक अंतर्निहित, असंरचित नैदानिक अंतर्ज्ञान बनी हुई है। मौजूदा AI मॉडल आमतौर पर इस प्रश्न को संबोधित करते हैं कि "रोगी किस श्रेणी से संबंधित है?" लेकिन इस प्रश्न का समर्थन करने में विफल रहते हैं कि "रोगी की अवस्था कैसे विकसित हो रही है, और नियमन को कैसे समायोजित किया जाना चाहिए?"

कार्यप्रणाली
यह अध्ययन एक अनुदैर्ध्य नैदानिक कम्प्यूटेशन फ्रेमवर्क (Longitudinal Clinical Computation Framework) प्रस्तावित करता है जो नैदानिक संगठन को रोग वर्गीकरण से हटाकर संपूर्ण-रोगी अवस्था के प्रक्षेपवक्र (trajectories) के नियमन की ओर पुनर्निर्देशित करता है। यह ढांचा निम्नलिखित मुख्य घटकों पर निर्मित है:

गतिशील संरचित अवलोकन स्थान (Dynamic Structured Observation Space): नैदानिक जानकारी (लक्षण, संकेत, निदान, कार्यात्मक स्थिति, जीवनशैली) को अलग-अलग क्षेत्रों के बजाय एक संरचित नेटवर्क के रूप में व्यवस्थित किया जाता है। यह स्थान अवस्था विभेदन (state discrimination) को परिष्कृत करने के लिए वर्तमान अवलोकनों के आधार पर गतिशील पूरक पूछताछ का समर्थन करता है।
पदानुक्रमित गुप्त-अवस्था प्रतिनिधित्व (Hierarchical Latent-State Representation): संपूर्ण-रोगी अवस्था को कई परस्पर क्रिया करने वाले अवस्था चरों (state variables) से बने एक पदानुक्रमित गुप्त-अवस्था स्थान ( $X = (X_G, X_1, ..., X_n)$ $X = (X_{G}, X_{1}, ..., X_{n})$ ) के रूप में मॉडल किया गया है।
- वैश्विक स्तर ( $X_G$ ): समग्र कार्यात्मक समन्वय, संसाधन स्थिति और अनुकूलन क्षमता का प्रतिनिधित्व करता है।
- उप-प्रणाली स्तर ( $X_i$ ): स्थानीय कार्यात्मक विचलन और नियामक असंतुलन का प्रतिनिधित्व करता है।
- चरों की प्रकृति: ये अवस्था विचलन (जैसे, "क्यूी की कमी" या "फ्लाग्म-हीट") के परिचालन अमूर्तन (operational abstractions) हैं, न कि स्थिर रोग लेबल। ये परस्पर अनन्य नहीं हैं और गतिशील रूप से सह-अस्तित्व, प्रतिस्पर्धा या युग्मित हो सकते हैं।
पदानुक्रमित अवस्था अनुमान (Hierarchical State Estimation): प्रत्यक्ष अवलोकन-से-लेबल वर्गीकरण के बजाय, प्रणाली एक बहु-स्तरीय सहायता संरचना (प्रकट अवलोकन $\to$ अवलोकन समूह $\to$ सब्सट्रेट परत $\to$ अवस्था चर) का उपयोग करती है। यह इस बात का पता लगाने की अनुमति देता है कि अवलोकन अवस्था निर्माण में कैसे योगदान करते हैं और सहसंबंधित इनपुट से रेडंडेंसी (अतिरेक) को कम करता है।
लक्ष्य अवस्था-चर सेट निर्माण (Target State-Variable Set Formation): यह पहचानते हुए कि सभी विचलनों के लिए एक साथ नियमन की आवश्यकता नहीं होती है, प्रणाली अवस्था चरों को उनके विचलन की डिग्री, स्थिरता पर प्रभाव और भविष्य के विकास की क्षमता के आधार पर प्राथमिकता देती है। यह एक "लक्ष्य अवस्था-चर सेट" बनाता है जो वर्तमान नियामक फोकस का मार्गदर्शन करता है।
नियमन-उन्मुख हस्तक्षेप (Regulation-Oriented Intervention): हस्तक्षेप एकल लक्षणों के बजाय लक्ष्य सेट के संयुक्त विचलन संरचना के आधार पर उत्पन्न किए जाते हैं। इसमें नियमन उद्देश्यों (जैसे, "हीट को साफ करना") को बनाना और हस्तक्षेप रणनीतियों को व्यवस्थित करना शामिल है।
अनुदैर्ध्य प्रक्षेपवक्र अपडेटिंग (Longitudinal Trajectory Updating): प्रणाली नैदानिक अभ्यास को एक निरंतर क्लोज्ड-लूप प्रक्रिया के रूप में मानती है। नए अवलोकन और उपचार फीडबैक गतिशील रूप से अवस्था-चर मूल्यों, अंतर-चर संबंधों, लक्ष्य सेट और नियमन उद्देश्यों को अपडेट करते हैं।

प्रमुख योगदान

संपूर्ण-रोगी अवस्था का औपचारिकीकरण: अध्ययन नैदानिक संगठन के प्राथमिक कम्प्यूटेशनल ऑब्जेक्ट के रूप में संपूर्ण-रोगी अवस्था प्रक्षेपवक्रम को स्थापित करता है, जो स्थिर रोग लेबल से आगे बढ़ता है।
परिचालन अवस्था अमूर्तन: यह अवस्था चरों को विचलन संरचनाओं के परिचालन प्रतिनिधित्व के रूप में पेश करता है जो अंतर्निहित जैविक तंत्रों के पूर्ण पुनर्निर्माण की आवश्यकता के बिना (मैकेनिस्टिक अपूर्णता को संबोधित करते हुए) गतिशील नियमन का समर्थन करते हैं।
दोहरी-परत युग्मन संरचना: ढांचा मैकेनिस्टिक बाधाओं (रोग तंत्र, सुरक्षा सीमाएं) और अवस्था नियमन (वैश्विक कार्यात्मक विचलन) के बीच एक युग्मन का प्रस्ताव करता है। तंत्र नियमन की सीमाओं को बाधित करते हैं, जबकि अवस्था चर हस्तक्षेपों के गतिशील समायोजन को संचालित करते हैं।
व्याख्या योग्य अनुदैर्ध्य AI: ब्लैक-बॉक्स वर्गीकरण मॉडल के विपरीत, यह ढांचा एक स्पष्ट अवस्था संरचना प्रदान करता है जहाँ पूरी प्रक्रिया—अवलोकन समर्थन से लेकर प्रक्षेपवक्र बदलाव तक—ट्रेसेबल और व्याख्या योग्य है।
TCM का पुनर्व्याख्या: यह शोध पत्र तर्क देता है कि पारंपरिक चीनी चिकित्सा (TCM) का पैटर्न विभेदन और उपचार इस गतिशील, अवस्था-चर-आधारित नियामक प्रणाली के लिए एक ऐतिहासिक प्रोटोटाइप के रूप में कार्य करता है, जो संपूर्ण-रोगी नियमन के लिए एक संरचनात्मक मॉडल प्रदान करता है।

परिणाम
एक कार्यात्मक सिस्टम प्रोटोटाइप विकसित किया गया और प्रतिनिधि अनुदैर्ध्य मामलों का उपयोग करके प्रदर्शित किया गया। परिणाम दर्शाते हैं कि प्रणाली में निम्नलिखित क्षमताएं हैं:

नए नैदानिक अवलोकनों और फीडबैक को निरंतर एकीकृत करना।
अवस्था-चर संरचनाओं, लक्ष्य सेट और नियमन उद्देश्यों को गतिशील रूप से अपडेट करना।
रोगी की अवस्था प्रक्षेपवक्रम के विकास को ट्रैक करना (उदाहरण के लिए, रिकवरी के दौरान "विंड-हीट एक्सटीरियर इनवेजन" अवस्था से "लंग-हीट/फ्लाग्म-हीट" और अंततः "यिन-फ्लुइड डेफिसिएंसी" में संक्रमण)।
यह प्रदर्शित करना कि नियमन का विषय एक एकल नैदानिक परिणाम नहीं बल्कि अवस्था विचलनों का विकसित होता प्रक्षेपवक्रम है।

महत्व और दावे
लेखक दावा करते हैं कि यह अध्ययन प्रक्षेपवक्रम-उन्मुख नैदानिक प्रबंधन के लिए एक कम्प्यूटेशनल आधार और व्याख्या योग्य अनुदैर्ध्य स्वास्थ्य सेवा AI प्रदान करता है। इसका महत्व एक विशिष्ट रोग-भविष्यवाणी मॉडल के विकास में नहीं, बल्कि नैदानिक कम्प्यूटेशनल प्रणालियों के मूल संगठनात्मक ऑब्जेक्ट्स के पुनर्परिभाषण में निहित है।

यह शोध पत्र तर्क देता है कि भविष्य की नैदानिक प्रणालियों को एकल-समय बिंदु वर्गीकरण आर्किटेक्चर से हटकर संपूर्ण-रोगी अवस्था प्रक्षेपवक्रम पर केंद्रित अनुदैर्ध्य नियमन की ओर विकसित होना चाहिए। यह बदलाव वर्तमान स्वास्थ्य सेवा AI के संरचनात्मक अंतराल को संबोधित करता है, जिसमें स्पष्ट अवस्था परतों और दीर्घकालिक गतिशील नियमन क्षमताओं का अभाव है। संपूर्ण-रोगी अवस्था को एक गणना योग्य, गतिशील इकाई के रूप में औपचारिक बनाकर, यह ढांचा जटिल, मल्टीमॉर्बिड और क्रोनिक नैदानिक वातावरण में गतिशील नियमन का समर्थन करने का लक्ष्य रखता है जहाँ पूर्ण मैकेनिस्टिक पुनर्निर्माण अक्सर असंभव होता है। अध्ययन इस बात पर जोर देता है कि यह एक संरचनात्मक और संगठनात्मक प्रस्ताव है, जो बड़े पैमाने पर सत्यापन के माध्यम से स्थापित नैदानिक प्रभावकारिता के दावे के बजाय एक प्रोटोटाइप के माध्यम से व्यवहार्यता प्रदर्शित करता है।