An explainable machine learning model integrating multidimensional clinical information for early identification and probability stratification of Non-ST-Segment Elevation Myocardial Infarction

हर साल, लाखों लोग सीने में दर्द के साथ आपातकालीन कक्षों (इमरजेंसी रूम) में पहुँचते हैं, जो एक संभावित दिल के दौरे का संकेत है। डॉक्टरों के सामने एक कठिन पहेली होती है: यह अंतर करना कि क्या यह दिल का दौरा है जहाँ हृदय की मांसपेशियाँ सक्रिय रूप से मर रही हैं, या यह 'अनस्टेबल एंजाइना' (unstable angina) नामक स्थिति है, जहाँ हृदय ऑक्सीजन के लिए तरस रहा है लेकिन मांसपेशियों को अभी तक स्थायी नुकसान नहीं पहुँचा है। इस काम के लिए मानक उपकरण एक रक्त परीक्षण है जो 'हाई-सेंसिटिविटी कार्डिएक ट्रोपोनिन I' नामक प्रोटीन को मापता है। जब हृदय की कोशिकाएं क्षतिग्रस्त होती हैं, तो वे इस प्रोटीन को रक्तप्रवाह में छोड़ देती हैं। हालांकि यह परीक्षण गंभीर क्षति का पता लगाने में उत्कृष्ट है, लेकिन जब स्तर केवल थोड़ा ही बढ़ा हुआ होता है, तो यह अक्सर डॉक्टरों को एक अनिश्चित क्षेत्र में छोड़ देता है। इन अनिश्चित क्षणों में, केवल प्रोटीन हमेशा यह नहीं बता पाता कि रोगी को पूर्ण रूप से दिल का दौरा पड़ा है या केवल गंभीर सीने में दर्द है, जिससे यह तय करना कठिन हो जाता है कि किसे तत्काल, आक्रामक उपचार की आवश्यकता है और किसे अधिक बारीकी से निगरानी की आवश्यकता है।

बीजिंग जिशुतान अस्पताल के शोधकर्ताओं की एक टीम ने इस अनिश्चितता से निपटने का एक नया तरीका विकसित किया है। उन्होंने एक कंप्यूटर मॉडल बनाया है जो एक अत्यधिक प्रशिक्षित सहायक की तरह कार्य करता है, जो न केवल एकल प्रोटीन परीक्षण को देखता है, बल्कि एक साथ कई सामान्य रक्त परीक्षणों और रोगी के इतिहास का विश्लेषण करता है। कंप्यूटर को सूजन (inflammation), रक्त के थक्के जमने, गुर्दे की कार्यक्षमता और लक्षणों के समय के बारे में जानकारी के साथ-साथ मानक प्रोटीन परीक्षण के बारे में डेटा फीड करके, यह मॉडल उन सूक्ष्म पैटर्न को पहचानने में सक्षम है जिन्हें मानवीय आँखें शायद अनदेखा कर दें। इसका लक्ष्य डॉक्टर की जगह लेना नहीं था, बल्कि दिल के दौरे की एक स्पष्ट, अधिक व्यक्तिगत संभावना प्रदान करना था, जिससे एक अस्पष्ट अनुमान को एक गणनात्मक जोखिम में बदला जा सके जो जीवन रक्षक निर्णयों का मार्गदर्शन कर सके।

शोधकर्ताओं ने डेटा एकत्र करने के लिए 2021 और 2025 के बीच अपने अस्पताल में संदिग्ध हृदय संबंधी समस्याओं के साथ भर्ती किए गए लगभग 3,700 रोगियों के डेटा का उपयोग किया। उन्होंने प्रत्येक व्यक्ति के मेडिकल रिकॉर्ड की सावधानीपूर्वक समीक्षा की, और उन्हें दो समूहों में विभाजित किया: वे जिन्हें अंततः 'नॉन-एसटी-सेगमेंट एलीवेशन मायोकार्डियल इन्फार्क्शन' (non-ST-segment elevation myocardial infarction) का निदान किया गया था—जो दिल के दौरे का वह विशिष्ट प्रकार है जिसे वे पहचानना चाहते थे—और वे जिन्हें 'अनस्टेबल एंजाइना' था। रोगियों के रिकॉर्ड में पाए गए 124 संभावित संकेतों की एक विशाल सूची में से, टीम ने सबसे उपयोगी 16 सूचनाओं को खोजने के लिए एक परिष्कृत चयन प्रक्रिया का उपयोग किया। इनमें मानक प्रोटीन परीक्षण के साथ-साथ सूजन, रक्त शर्करा, गुर्दे के स्वास्थ्य और अस्पताल पहुँचने से पहले रोगी को दर्द कितने समय से महसूस हो रहा था, जैसे मार्कर शामिल थे।

इसके बाद उन्होंने एक कंप्यूटर एल्गोरिदम को प्रशिक्षित किया, जो 'ग्रेडिएंट बूस्टिंग डिसीजन ट्री' (gradient boosting decision tree) नामक एक प्रकार का मशीन लर्निंग सिस्टम है, ताकि वह दोनों समूहों के बीच अंतर को सीख सके। यह प्रणाली सरल निर्णय नियमों की एक श्रृंखला बनाकर काम करती है, जो आपस में मिलकर एक शक्तिशाली भविष्यवक्ता (predictor) बनाती है। कंप्यूटर का परीक्षण उन रोगियों के समूह पर किया गया जिन्हें उसने पहले कभी नहीं देखा था, ताकि यह सुनिश्चित हो सके कि वह वास्तविक दुनिया की स्थितियों को संभाल सके। परिणाम दर्शाते हैं कि मॉडल उल्लेखनीय रूप से सटीक था, जिसने दिल के दौरे के अधिकांश मामलों की सही पहचान की। महत्वपूर्ण बात यह है कि जब शोधकर्ताओं ने केवल प्रोटीन परीक्षण का उपयोग करने वाले मानक तरीके की तुलना अपने नए मॉडल से की, तो उन्होंने पाया कि नया दृष्टिकोण प्रत्येक व्यक्तिगत रोगी के लिए वास्तविक जोखिम का आकलन करने में काफी बेहतर था। इसने भविष्यवाणी में त्रुटियों की संख्या को कम किया और रोगियों को सही जोखिम समूहों में पुनर्वर्गीकृत करने में बहुत बेहतर प्रदर्शन किया, जिससे यह सुनिश्चित हुआ कि दिल के दौरे वाले कम से कम लोग छूट न जाएँ।

इस कार्य का एक सबसे मूल्यवान पहलू यह है कि यह 'व्याख्या योग्य' (explainable) है। कई कंप्यूटर प्रणालियों के विपरीत जो बिना कारण बताए उत्तर देती हैं (जिसे "ब्लैक बॉक्स" कहा जाता है), यह मॉडल स्पष्ट रूप से दिखा सकता है कि किन कारकों ने भविष्यवाणी को किस दिशा में धकेला। शोधकर्ताओं ने यह देखने के लिए एक विधि का उपयोग किया कि कंप्यूटर प्रत्येक जानकारी को कैसे तौलता है। उन्होंने पाया कि हालांकि प्रोटीन परीक्षण सबसे महत्वपूर्ण संकेत बना हुआ था, लेकिन अन्य कारकों ने उत्तर को परिष्कृत करने में महत्वपूर्ण भूमिका निभाई। उदाहरण के लिए, यदि किसी रोगी में प्रोटीन का स्तर थोड़ा बढ़ा हुआ है, तो कंप्यूटर यह तय करने के लिए कि क्या यह मामूली समस्या है या गंभीर दिल का दौरा, उनके सूजन के मार्कर और गुर्दे की कार्यक्षमता को देखेगा। मॉडल ने सीखा कि इन अतिरिक्त संकेतों का महत्व प्रोटीन के स्तर के आधार पर बदल जाता है। ऐसे मामलों में जहाँ प्रोटीन केवल थोड़ा सा बढ़ा हुआ था, सही निर्णय लेने के लिए अन्य रक्त परीक्षण बहुत अधिक महत्वपूर्ण हो गए।

इस उपकरण को डॉक्टरों के लिए उपयोगी बनाने के लिए, टीम ने एक सरल ऑनलाइन कैलकुलेटर बनाया है। एक चिकित्सक रोगी के रक्त परीक्षण और इतिहास से प्राप्त 16 सामान्य नंबर दर्ज कर सकता है, और सिस्टम तुरंत एक संभाव्यता स्कोर (probability score) उत्पन्न करता है। इसके बाद यह स्कोर को तीन स्पष्ट श्रेणियों में विभाजित करता है: निम्न जोखिम (low risk), मध्यम जोखिम (intermediate risk), और उच्च जोखिम (high risk)। निम्न-जोखिम वाले रोगियों के लिए, मॉडल दिल के दौरे की बहुत कम संभावना बताता है, जिससे संभावित रूप से जल्दी छुट्टी या कम गहन निगरानी की अनुमति मिलती है। उच्च-जोखिम वाले रोगियों के लिए, संभावना इतनी अधिक है कि यह तत्काल, आक्रामक उपचार का समर्थन करती है। मध्य समूह, जो रोगियों के एक महत्वपूर्ण हिस्से का प्रतिनिधित्व करता है, को करीबी निगरानी और आगे के परीक्षणों के लिए चिह्नित किया जाता है, जो इस बात को स्वीकार करता है कि उत्तर अभी स्पष्ट नहीं है। यह दृष्टिकोण डॉक्टरों को केवल 'हाँ या ना' के निदान से आगे बढ़ने में मदद करता है और इसके बजाय जोखिम का एक सूक्ष्म दृष्टिकोण प्रदान करता है जो मानव शरीर की जटिलता के अनुरूप है।

अध्ययन सुझाव देता है कि मानक प्रोटीन परीक्षण को रोगी के समग्र स्वास्थ्य के व्यापक दृष्टिकोण के साथ जोड़कर, डॉक्टर आपातकालीन कक्ष में जल्दी और अधिक सटीक निर्णय ले सकते हैं। मॉडल यह दावा नहीं करता है कि यह एक पूर्ण 'क्रिस्टल बॉल' (भविभविष्य बताने वाला यंत्र) है; यह नैदानिक निर्णय का समर्थन करने के लिए डिज़ाइन किया गया एक उपकरण है, न कि उसकी जगह लेने के लिए। शोधकर्ता इस बात पर जोर देते हैं कि उनका कार्य एक एकल अस्पताल के डेटा पर आधारित है और मॉडल को विभिन्न आबादी में इसकी विश्वसनीयता की पुष्टि करने के लिए अन्य सेटिंग्स में परीक्षण करने की आवश्यकता है। हालाँकि, निष्कर्ष एक आशाजनक मार्ग प्रदान करते हैं, जो यह दिखाते हैं कि दिल के दौरे के निदान का भविष्य कई छोटे, सामान्य सूचनाओं को रोगी के जोखिम के एक एकल, स्पष्ट चित्र में संश्लेषित करने की क्षमता में निहित है।