Artificial intelligence-assisted prediction of Xpert-confirmed pulmonary tuberculosis using routine clinical and laboratory data in Southern Zambia: a retrospective pilot study
दक्षिणी ज़ाम्बिया में किए गए इस रेट्रोस्पेक्टिव पायलट अध्ययन में पाया गया कि नियमित नैदानिक और प्रयोगशाला डेटा का उपयोग करने वाले सरल मशीन-लर्निंग मॉडल की एक्सपर्ट-पुष्टि (Xpert-confirmed) वाले पल्मोनरी ट्यूबरकुलोसिस के लिए सीमित भविष्य कहने की क्षमता थी, जो यह दर्शाता है कि ऐसे एआई (AI) उपकरण अभी भी नैदानिक तैनाती के लिए उपयुक्त नहीं हैं और बड़े, संभावित रूप से क्यूरेट किए गए डेटासेट की आवश्यकता को रेखांकित करते हैं।
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
तपेदिक (टीबी) दुनिया के सबसे निरंतर संक्रमणकारी रोगों में से एक बना हुआ है, जो एक जीवाणु संक्रमण है जो मुख्य रूप से फेफड़ों पर हमला करता है और सालाना लाखों लोगों की जान लेता है। अफ्रीका के कई हिस्सों में, जिसमें जाम्बिया भी शामिल है, चुनौती केवल बीमारों का इलाज करने की नहीं है, बल्कि बीमारी को रोकने के लिए उन्हें जल्दी से खोजने की है। डॉक्टर बीमारी की पुष्टि करने के लिए 'जीनएक्सपर्ट' (GeneXpert) नामक एक तीव्र आणविक परीक्षण (molecular test) पर भरोसा करते हैं, जो रोगी के नमूने से सीधे बैक्टीरिया के आनुवंशिक पदार्थ का पता लगाता है। हालांकि यह परीक्षण अत्यधिक सटीक है, लेकिन इसके लिए महंगे उपकरणों और कार्ट्रिज की आवश्यकता होती है, और दूरदराज के जिलों में, रोगियों की भारी संख्या व्यवस्था को थका सकती है। इस वास्तविकता ने शोधकर्ताओं को एक व्यावहारिक प्रश्न पूछने पर मजबूर किया है: क्या एक कंप्यूटर प्रोग्राम उपलब्ध साधारण, नियमित जानकारी को देखकर यह अनुमान लगा सकता है कि किनमें तपेदिक होने की सबसे अधिक संभावना है? ये विवरण रोगी की आयु, क्या वे वर्तमान में अस्पताल में भर्ती हैं, उनका बॉडी मास इंडेक्स (BMI), या उनके द्वारा दिए गए नमूने का प्रकार (जैसे लार या बलगम) हो सकते हैं। यदि कोई आर्टिफिशियल इंटेलिजेंस (AI) इस डेटा का विश्लेषण करके उच्चतम जोखिम वाले व्यक्तियों की पहचान कर सके, तो यह क्लीनिकों को अपने सीमित परीक्षण संसाधनों का अधिक प्रभावी ढंग से उपयोग करने में मदद कर सकता है।
दक्षिणी जाम्बिया के एक जिला अस्पताल में, शोधकर्ताओं की एक टीम ने अपने स्वयं के प्रयोगशाला से प्राप्त वास्तविक दुनिया के डेटा का उपयोग करके इस विचार का परीक्षण करने का निर्णय लिया। उन्होंने 2020 के अंत से 2021 की शुरुआत के बीच तपेदिक के लिए परीक्षण किए गए 129 रोगियों के रिकॉर्ड एकत्र किए। लक्ष्य यह देखना था कि क्या एक कंप्यूटर मॉडल परीक्षण चलाने से पहले दर्ज किए गए बुनियादी विवरणों—जैसे कि रोगी इनपेशेंट (अस्पताल में भर्ती) था या नहीं, उनके रक्त गणना (blood counts), और एकत्र किए गए नमूने का प्रकार—को देखकर सही ढंग से अनुमान लगा सकता है कि जीनएक्सपर्ट परीक्षण का परिणाम बाद में पॉजिटिव आएगा या नहीं। उन्होंने इसे एक पायलट अध्ययन के रूप में माना, जो एक छोटा-स्तर का परीक्षण था ताकि यह देखा जा सके कि बड़े और अधिक जटिल सिस्टम में निवेश करने से पहले यह दृष्टिकोण कितना व्यवहार्य है। उन्होंने डेटा को सावधानीपूर्वक साफ किया, डुप्लिकेट प्रविष्टियों और उन रिकॉर्ड्स को हटा दिया जिनमें अंतिम परीक्षण परिणाम नहीं था, जिससे उनके पास विश्लेषण के लिए 118 अद्वितीय रोगी प्रकरण (episodes) बचे।
इस प्रयोग के परिणाम निराशाजनक थे। जब शोधकर्ताओं ने इन भविष्यवाणियों को करने के लिए तीन अलग-अलग प्रकार के मशीन-लर्निंग मॉडल को प्रशिक्षित किया, तो कंप्यूटर का प्रदर्शन केवल यादृच्छिक अनुमान (random guessing) से थोड़ा ही बेहतर रहा। कंप्यूटर उन रोगियों के बीच अंतर करने में संघर्ष करते रहे जिन्हें तपेदिक था और जिन्हें नहीं था, और ऐसी सटीकता हासिल की जो एक वास्तविक क्लिनिक में बेकार होगी। टीम को उम्मीद थी कि जिन मानक संकेतों से काम बन सकता था—जैसे कि रोगी की आयु, लिंग, एचआईवी स्थिति, या श्वेत रक्त कोशिका गणना—उनमें से किसी ने भी इस विशिष्ट समूह में बीमारी के साथ कोई मजबूत या विश्वसनीय संबंध नहीं दिखाया। डेटा से पता चला कि इस जिला परिवेश में उपलब्ध नियमित जानकारी में इतना पर्याप्त संकेत (signal) नहीं था कि एक कंप्यूटर उपयोगी पैटर्न सीख सके। अध्ययन ने स्पष्ट रूप से इस विचार को खारिज कर दिया कि इन सरल मॉडलों का उपयोग यह तय करने के लिए किया जा सकता है कि किसे परीक्षण कराना चाहिए या कम जोखिम वाले रोगियों के लिए परीक्षण छोड़ देना चाहिए, क्योंकि ऐसा करने से कई मामले छूट सकते हैं।
हालाँकि, अध्ययन ने एक आश्चर्यजनक और विशिष्ट विवरण को शोर के बीच से खोज निकाला। शोधकर्ताओं ने देखा कि रोगी द्वारा दिया गया नमूने का प्रकार लगभग किसी भी अन्य चीज़ की तुलना में अधिक महत्वपूर्ण प्रतीत होता है। उन कुछ रोगियों में से जिन्होंने "लार" (saliva) के रूप में लेबल किया गया नमूना दिया था, लार के नमूनों में अन्य प्रकार के नमूनों की तुलना में तपेदिक के लिए पॉजिटिव आने का अनुपात बहुत अधिक था। विशेष रूप से, आधे से अधिक लार के नमूने पॉजिटिव थे, जबकि अन्य नमूनों में से केवल दस में से एक ही लगभग पॉजिटिव था। यह संबंध शरीर के वजन जैसे अन्य कारकों के लिए समायोजन करने के बाद भी मजबूत बना रहा। फिर भी, टीम ने इस बात पर जोर दिया कि यह निष्कर्ष सिद्ध नहीं है। यह कुल सात लार नमूनों पर आधारित था, जिनमें से केवल चार ही पॉजिटिव आए थे। चूंकि संख्या इतनी कम थी, इसलिए इस परिणाम को एक पुष्ट नियम के बजाय एक 'परिकल्पना-जनित संकेत' (hypothesis-generating signal) माना जाता है। यह सुझाव देता है कि भविष्य के अध्ययनों को इस बात पर अधिक बारीकी से नज़र रखनी चाहिए कि क्या लार इस परीक्षण के लिए एक बेहतर नमूना प्रकार है, लेकिन यह अभी तक कोई नया नैदानिक उपकरण प्रदान नहीं करता है।
अंततः, यह शोध कम संसाधन वाले क्षेत्रों में आर्टिफिशियल इंटेलिजेंस के अनुप्रयोग के लिए एक महत्वपूर्ण वास्तविकता की जांच के रूप में कार्य करता है। लेखकों ने निष्कर्ष निकाला कि हालांकि तपेदिक की भविष्यवाणी करने के लिए सरल डेटा का उपयोग करने का विचार आकर्षक है, लेकिन वर्तमान वास्तविकता यह है कि इस जिले में उपलब्ध डेटा बहुत विरल है और पैटर्न इतने कमजोर हैं कि एक कामकाजी कंप्यूटर मॉडल का समर्थन नहीं कर सकते। अध्ययन यह दर्शाता है कि केवल जटिल एल्गोरिदम में नियमित नंबर डालने से उच्च गुणवत्ता वाले, विस्तृत विवरण या मामलों की कम संख्या की भरपाई नहीं की जा सकती है। शोधकर्ताओं का तर्क है कि इससे पहले कि आर्टिफिशियल इंटेलिजेंस जाम्बिया में तपेदिक परीक्षण को प्राथमिकता देने में मदद कर सके, देश को कई केंद्रों से भविष्योन्मुखी (prospectively) रूप से एकत्र किए गए बड़े डेटासेट और मानकीकृत एवं सत्यापित जानकारी की आवश्यकता है। तब तक, तपेदिक को खोजने का सबसे विश्वसनीय तरीका सीमित नियमित रिकॉर्ड के आधार पर कंप्यूटर भविष्यवाणी के बजाय, सावधानीपूर्वक नैदानिक मूल्यांकन और प्रत्यक्ष आणविक परीक्षण का उपयोग करना 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।