Development and external validation of a prediction model for acute kidney injury after coronary artery bypass grafting
इस अध्ययन ने कोरोनरी आर्टरी बाईपास ग्राफ्टिंग के बाद तीव्र किडनी की चोट (एक्यूट किडनी इंजरी) का पूर्वानुमान लगाने के लिए नौ भविष्यवक्ताओं (प्रेडिक्टर्स) का उपयोग करके एक मशीन लर्निंग मॉडल विकसित और बाह्य रूप से मान्य किया, जिसने मध्यम विभेदन प्रदर्शित किया लेकिन नैदानिक कार्यान्वयन से पहले पुन: अंशांकन (रिकैलिब्रेशन) की आवश्यकता थी क्योंकि यह पारंपरिक मॉडलों की तुलना में सीमित सुधार और जोखिम की अति-अनुमानित स्थिति दर्शाता था।
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
कोरोनरी आर्टरी बाईपास ग्राफ्टिंग नामक एक प्रमुख हृदय सर्जरी के बाद, जहाँ सर्जन अवरुद्ध धमनियों के चारों ओर रक्त प्रवाह को फिर से निर्देशित करते हैं, गुर्दे अक्सर अचानक और खतरनाक संघर्ष का सामना करते हैं। यह स्थिति, जिसे एक्यूट किडनी इंजरी (तीव्र गुर्दे की चोट) कहा जाता है, एक सामान्य जटिलता है जो रोगी के गहन देखभाल इकाई (आईसीयू) में रहने के समय को बढ़ा सकती है, मृत्यु के जोखिम को बढ़ा सकती है, और लंबे समय तक गुर्दे की समस्याओं का कारण बन सकती है। डॉक्टरों के लिए चुनौती यह है कि गुर्दे हमेशा तुरंत यह संकेत नहीं देते कि वे संकट में हैं; क्षति का पता लगाने के लिए उपयोग किया जाने वाला मानक रक्त परीक्षण, जो क्रिएटिनिन नामक अपशिष्ट उत्पाद को मापता है, अक्सर वास्तविक चोट से पीछे रह जाता है। जब तक ये संख्याएँ बढ़ती हैं, तब तक प्रारंभिक हस्तक्षेप के लिए उपलब्ध समय की खिड़की पहले ही बंद हो सकती है। हालांकि डॉक्टरों के पास उन लोगों की भविष्यवाणी करने के उपकरण हैं जिन्हें डायलिसिस की आवश्यकता हो सकती है, लेकिन उनके पास गुर्दे के तनाव के अधिक सामान्य, हल्के रूपों को पहचानने के विश्वसनीय तरीके नहीं हैं जिन्हें ध्यान देने की आवश्यकता होती है।
इस अंतर को दूर करने के लिए, शोधकर्ताओं की एक टीम ने एक नया प्रकार का प्रारंभिक चेतावनी तंत्र बनाने का लक्ष्य रखा। वे एक ऐसा उपकरण बनाना चाहते थे जो सर्जरी के बाद आईसीयू में आने के ठीक छह घंटे बाद एक रोगी का आकलन कर सके और यह भविष्यवाणी कर सके कि क्या उसे अगले एक सप्ताह के भीतर किडनी की चोट विकसित होगी। लक्ष्य यह नहीं था कि नुकसान के स्पष्ट होने तक प्रतीक्षा की जाए, बल्कि जोखिम को तब पहचानना था जब वह अभी भी प्रबंधनीय अवस्था में हो। शोधकर्ताओं ने कंप्यूटर को सूक्ष्म संकेतों को पहचानने के लिए सिखाने हेतु हजारों पिछले रोगियों के विशाल डिजिटल रिकॉर्ड का सहारा लिया, इससे पहले कि वे गंभीर हो जाएं।
टीम ने संयुक्त राज्य अमेरिका के अस्पतालों से प्राप्त दो विशाल चिकित्सा डेटा संग्रहों का उपयोग किया। एक सेट बोस्टन के एक एकल अस्पताल से आया था, जिसमें बाईपास सर्जरी कराने वाले छह हजार से अधिक वयस्कों के रिकॉर्ड शामिल थे। दूसरा सेट देश भर के दर्जनों अस्पतालों से आया था, जिसमें चार हजार समान रोगियों के रिकॉर्ड मौजूद थे। उन्होंने विशेष रूप से उन वयस्स्कों पर ध्यान केंद्रित किया जिनमें सर्जरी के पहले छह घंटों में पहले से किडनी की समस्या विकसित नहीं हुई थी, ताकि वे पुरानी चोटों पर प्रतिक्रिया देने के बजाय नई चोटों की भविष्यवाणी कर सकें। शोधकर्ताओं ने कंप्यूटर को बाईपास सर्जरी के बाद के पहले छह घंटों के भीतर उपलब्ध बीस-दो (22) अलग-अलग जानकारियाँ प्रदान कीं। इनमें रोगी की आयु, उनका रक्तचाप, ऑक्सीजन स्तर, रक्त शर्करा (ब्लड शुगर), और उनके रक्त में विभिन्न रासायनिक मार्कर शामिल थे जो यह दर्शाते हैं कि उनके गुर्दे और अन्य अंग कितनी अच्छी तरह कार्य कर रहे हैं।
सबसे उपयोगी संकेतों को खोजने के लिए, शोधकर्ताओं ने एक सांख्यिकीय पद्धति का उपयोग किया जो एक छलनी की तरह काम करती है, जो शोर को छानकर केवल उन नौ कारकों को रखती है जो सबसे अधिक महत्वपूर्ण थे। इन नौ भविष्यवक्ताओं में रोगी की आयु, उनके द्वारा कराई गई सर्जरी का प्रकार, उनकी आधारभूत (बेसलाइन) किडनी फंक्शन, और रिकवरी के पहले कुछ घंटों के दौरान उनके रक्तचाप और ऑक्सीजन के स्तर का माप शामिल था। इसके बाद उन्होंने पांच अलग-अलग कंप्यूटर मॉडल को प्रशिक्षित किया ताकि वे इन नौ कारकों से सीख सकें, और यह परीक्षण कर सकें कि कौन सा मॉडल उन रोगियों के बीच अंतर करने में सबसे बेहतर है जिन्हें किडनी की चोट होगी और जिन्हें नहीं होगी। सबसे सफल मॉडल एक परिष्कृत एल्गोरिदम था जिसे 'एक्सजीबूस्ट' (XGBoost) कहा जाता है, जिसे डेटा में जटिल पैटर्न खोजने के लिए डिज़ाइन किया गया है।
जब शोधकर्ताओं ने इस मॉडल का परीक्षण रोगियों के पहले समूह पर किया, तो इसने काफी अच्छा प्रदर्शन किया, और लगभग बहत्तर प्रतिशत समय रोगियों को जोखिम के आधार पर सही ढंग से वर्गीकृत किया। इसका अर्थ यह है कि यदि आप यादृच्छिक रूप से दो रोगियों को चुनते हैं—एक जो बीमार होने वाला है और एक जो नहीं होने वाला—तो मॉडल आमतौर पर बता सकता था कि कौन सा कौन है। हालाँकि, किसी भी चिकित्सा भविष्यवाणी उपकरण की असली परीक्षा यह है कि क्या वह लोगों के पूरी तरह से अलग समूह पर काम करता है। जब टीम ने दूसरे समूह के रोगियों पर इस मॉडल को लागू किया, जो अन्य अस्पतालों से थे, तो इसका प्रदर्शन थोड़ा गिर गया, और इसने लगभग उन रोगियों को सही ढंग से वर्गीकृत किया जो लगभग उनसठ प्रतिशत बार सही था। हालांकि यह यादृच्छिक अनुमान से बेहतर है, लेकिन यह पूर्ण नहीं है। इससे भी महत्वपूर्ण बात यह है कि मॉडल अत्यधिक सतर्क रहने की प्रवृत्ति रखता था, यानी इसने उन रोगियों की संख्या अधिक बताई जिन्हें बीमारी होने वाली थी, जबकि वास्तव में ऐसा नहीं था। दूसरे समूह में, मॉडल ने अनुमान लगाया कि लगभग चौंतीस प्रतिशत रोगियों को किडनी की चोट विकसित होगी, जबकि वास्तविक संख्या केवल पच्चीस प्रतिशत थी।
शोधकर्ताओं ने यह भी देखा कि किन कारकों ने भविष्यवाणियों को संचालित किया। कंप्यूटर ने निर्धारित किया कि रोगी का आधारभूत (बेसलाइन) किडनी फंक्शन सबसे महत्वपूर्ण सुराग था, जिसके ठीक बाद उनकी आयु और उनके रक्त में हीमोग्लोबिन का स्तर आया। कम किडनी फंक्शन, अधिक आयु और कम ऑक्सीजन स्तर ने भविष्यवाणी को उच्च जोखिम की ओर धकेल दिया। मॉडल ने यह भी पहचाना कि जिन रोगियों की बाईपास सर्जरी वाल्व रिपेयर के साथ संयुक्त थी, उन्हें केवल बाईपास सर्जरी कराने वाले रोगियों की तुलना में अधिक जोखिम का सामना करना पड़ा। इन अंतर्दृष्टिों के बावजूद, शोधकर्ताओं ने पाया कि जटिल कंप्यूटर मॉडल ने एक सरल, पारंपरिक सांख्यिकीय पद्धति की तुलना में बहुत बड़ा लाभ नहीं दिया। सटीकता में सुधार बहुत मामूली था, जिससे पता चलता है कि डेटा की गुणवत्ता और भविष्यवाणी का समय, विश्लेषण के लिए उपयोग किए जाने वाले गणित की जटिलता से अधिक महत्वपूर्ण हैं।
अध्ययन यह निष्कर्ष निकालता है कि हालांकि यह नया उपकरण उन रोगियों को चिह्नित करने के एक तरीके के रूप में आशाजनक है जिन्हें करीबी निगरानी की आवश्यकता हो सकती है, लेकिन यह अभी अस्पताल में दैनिक उपयोग के लिए तैयार नहीं है। तथ्य यह है कि इसने दूसरे समूह के रोगियों में जोखिम का अधिक अनुमान लगाया, जिसका अर्थ है कि इसे एक नए अस्पताल की विशिष्ट आबादी के अनुरूप ढालने या 'रीकैलिब्रेट' करने की आवश्यकता है, इससे पहले कि इस पर भरोसा किया जा सके। शोधकर्ता इस बात पर जोर देते हैं कि इससे पहले कि ऐसा मॉडल डॉक्टरों के इलाज करने के तरीके को बदल सके, इसे एक वास्तविक दुनिया के परिवेश में परीक्षण किया जाना चाहिए जहाँ यह साबित किया जा सके कि यह वास्तव में परिणामों में सुधार करता है। फिलहाल, यह कार्य एक ठोस आधार के रूप में कार्य करता है, जो यह प्रदर्शित करता है कि सर्जरी के छह घंटे बाद उपलब्ध नियमित डेटा का उपयोग करके एक भविष्यवाणी प्रणाली बनाना संभव है, भले ही इस प्रणाली को वास्तव में विश्वसनीय होने के लिए अभी और सुधार की आवश्यकता 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।