An Interpretable Machine Learning Framework for Predicting In-Hospital Mortality in Patients with Heart Failure and Concurrent Infection: Development Using MIMIC-IV and External Validation in eICU-CRD
इस अध्ययन ने हार्ट फेलियर और सहवर्ती संक्रमण वाले रोगियों में इन-हॉस्पिटल मृत्यु दर की भविष्यवाणी करने के लिए MIMIC-IV और eICU-CRD डेटा का उपयोग करके व्याख्या योग्य मशीन लर्निंग मॉडल विकसित और बाह्य रूप से मान्य किए, जो विभिन्न डेटाबेस और संक्रमण उपसमूहों में परिवर्तनशील मॉडल प्रदर्शन को प्रकट करते हुए SHAP विश्लेषण के माध्यम से प्रमुख नैदानिक भविष्यवक्ताओं की पहचान 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
जब हृदय रक्त को प्रभावी ढंग से पंप करने के लिए संघर्ष करता है, तो पूरा शरीर उस तनाव को महसूस करता है। यह स्थिति, जिसे हार्ट फेलियर (हृदय विफलता) कहा जाता है, रोगियों को अतिरिक्त तनाव को संभालने के लिए बहुत कम क्षमता छोड़ देती है। यदि ऐसे रोगी को संक्रमण हो जाए, तो स्थिति तेजी से बिगड़ सकती है। शरीर की प्रतिरक्षा प्रणाली कीटाणुओं से लड़ने के लिए एक व्यापक सूजन संबंधी प्रतिक्रिया (इन्फ्लेमेटरी रिस्पॉन्स) शुरू करती है, लेकिन यही प्रतिक्रिया एक पहले से ही कमजोर हृदय को अभिभूत कर सकती है, जिससे अंग विफलता का एक खतरनाक चक्र बन जाता है। गहन देखभाल इकाइयों (आईसीयू) में डॉक्टरों के लिए, यह अनुमान लगाना कि हार्ट फेलियर और संक्रमण दोनों से जूझ रहे रोगी के अस्पताल में रहने के दौरान जीवित रहने की कितनी संभावना है, एक महत्वपूर्ण चुनौती है। जोखिम का अनुमान लगाने के लिए उपयोग किए जाने वाले पारंपरिक उपकरण अक्सर सरल चेकलिस्ट पर निर्भर करते हैं जो प्रत्येक लक्षण को एक अलग आइटम के रूप में देखते हैं, जिससे इन विभिन्न समस्याओं के बीच जटिल अंतःक्रियाओं को समझने में चूक हो जाती है। इसे संबोधित करने के लिए, शोधकर्ताओं ने यह पता लगाने के लिए अन्वेषण करना शुरू किया है कि क्या डेटा की विशाल मात्रा में छिपे हुए पैटर्न खोजने में सक्षम कंप्यूटर सिस्टम यह स्पष्ट चित्र प्रदान कर सकते हैं कि कौन सबसे अधिक खतरे में है।
वुहान यूनियन अस्पताल के शोधकर्ताओं की एक टीम ने ऐसा सिस्टम बनाने और परीक्षण करने का लक्ष्य रखा। वे एक ऐसा टूल बनाना चाहते थे जो रोगी के आगमन पर दिखने वाले कई विभिन्न संकेतों—जैसे कि उनकी आयु, महत्वपूर्ण संकेत (वाइटल साइन्स), और रक्त परीक्षण के परिणाम—को देख सके और उन्हें जोड़कर उनके अस्पताल में रहने के दौरान मृत्यु की संभावना का अनुमान लगा सके। ऐसा करने के लिए, उन्होंने संयुक्त राज्य अमेरिका के गहन देखभाल इकाइयों के दो विशाल, सार्वजनिक रूपally उपलब्ध मेडिकल रिकॉर्ड संग्रहों का उपयोग किया। पहला संग्रह, जिसे MIMIC-IV के रूप में जाना जाता है, एक बड़े एकल अस्पताल के डेटा से युक्त था, जबकि दूसरे, eICU-CRD ने देश भर के सैकड़ों अस्पतालों से जानकारी एकत्र की थी। शोधकर्ताओं ने विशेष रूप से उन वयस्कों पर ध्यान केंद्रित किया जिन्हें हार्ट फेलियर और संक्रमण दोनों का निदान किया गया था। उन्होंने मॉडल बनाने के लिए पहले डेटाबेस से 1,415 रोगियों की पहचान की और फिर उन मॉडलों का परीक्षण दूसरे डेटाबेस के 2,826 अलग-अलग रोगियों पर किया ताकि यह देखा जा सके कि क्या परिणाम विभिन्न सेटिंग्स में भी सटीक रहते हैं।
टीम ने भविष्यवाणियां करने के लिए चार अलग-अलग प्रकार के कंप्यूटर लर्निंग एल्गोरिदम को प्रशिक्षित किया। एक विधि एक मानक सांख्यिकीय दृष्टिकोण थी, जबकि अन्य तीन उन्नत प्रणालियाँ थीं जो चरों (वैरिएबल्स) के बीच जटिल संबंधों को खोजने के लिए निर्णय लेने वाले 'डिसीजन ट्री' बनाती हैं। शोधकर्ताओं ने रोगियों को इस आधार पर समूहों में विभाजित किया कि उनका संक्रमण बैक्टीरिया के कारण था या अन्य जीवों जैसे वायरस या कवक (फंगस) के कारण, क्योंकि शरीर प्रत्येक के प्रति अलग तरह से प्रतिक्रिया करता है। इसके बाद उन्होंने कंप्यूटर मॉडल से अनुमान लगाने को कहा कि कौन से रोगी जीवित रहेंगे और कौन से नहीं, और फिर परिणामों की तुलना अस्पताल में दर्ज वास्तविक परिणामों से की।
परिणामों ने दिखाया कि कोई भी एकल कंप्यूटर प्रोग्राम हर स्थिति के लिए पूर्ण नहीं था। रोगियों के प्रारंभिक समूह में, जो एक एकल अस्पताल से था, LightGBM नामक एक उन्नत मॉडल समग्र रूप से सर्वश्रेष्ठ प्रदर्शन करने वाला था और विशेष रूप से बैक्टीरियल संक्रमण वाले रोगियों के परिणामों की भविष्यवाणी करने में अच्छा था। हालांकि, गैर-बैक्टीरियल संक्रमण वाले रोगियों के लिए, XGBoost नामक एक अलग मॉडल अधिक सटीक था। जब शोधकर्ताओं ने इन मॉडलों का परीक्षण दूसरे, बड़े समूह (कई अस्पतालों के रोगियों) पर किया, तो रैंकिंग फिर से बदल गई। इस व्यापक समूह में, AdaBoost नामक तीसरा मॉडल बैक्टीरियल संक्रमणों के लिए शीर्ष प्रदर्शन करने वाला बना, जबकि गैर-बैक्टीरियल संक्रमणों के लिए XGBoost सबसे मजबूत बना रहा। यह भिन्नता बताती है कि जोखिम की भविष्यवाणी करने वाला सबसे अच्छा टूल अत्यधिक रूप से रोगियों के विशिष्ट समूह और उनके संक्रमण के प्रकार पर निर्भर करता है, न कि किसी एक सार्वभौमिक एल्गोरिदम पर जो हर जगह सबसे अच्छा काम करता हो।
इन कंप्यूटर मॉडलों द्वारा अपने निर्णय कैसे लिए जा रहे थे, इसे समझने के लिए, शोधकर्ताओं ने SHAP विश्लेषण नामक एक तकनीक का उपयोग किया, जो एक स्पॉटलाइट की तरह कार्य करता है और यह दिखाता है कि प्रत्येक भविष्यवाणी के लिए कौन से कारक सबसे महत्वपूर्ण थे। उन्होंने पाया कि मॉडल कुछ प्रमुख संकेतकों पर बहुत अधिक निर्भर थे। चेतना के स्तर को मापने वाला स्कोर, जिसे ग्लासगो कोमा स्केल कहा जाता है, एक प्रमुख कारक था। अन्य महत्वपूर्ण इनपुट में श्वेत रक्त कोशिकाओं (व्हाइट ब्लड सेल्स) की संख्या, रक्त यूरिया नाइट्रोजन नामक अपशिष्ट उत्पाद का स्तर, रोगी का वजन, और मूत्र उत्पादन की मात्रा शामिल थी। विश्लेषण ने दिखाया कि श्वेत रक्त कोशिकाओं और रक्त यूरिया नाइट्रोजन के उच्च स्तर ने मृत्यु के उच्च जोखिम की ओर संकेत किया, जबकि मूत्र उत्पादन और शरीर के वजन की अधिक मात्रा को कम जोखिम से जोड़ा गया था।
इन निष्कर्षों के बावजूद, शोधकर्ता सावधानीपूर्वक यह स्पष्ट करते हैं कि उनका कार्य अभी तक अस्पताल में एक मानक उपकरण के रूप में उपयोग के लिए तैयार नहीं है। यह अध्ययन पिछले डेटा का एक 'रिट्रोस्पेक्टिव' (पूर्वव्यापी) अवलोकन था, जिसका अर्थ है कि कंप्यूटर ने उन रोगियों के रिकॉर्ड से सीखा जो पहले ही उपचारित किए जा चुके थे, न कि वास्तविक समय में एक नए उपचार का परीक्षण किया। दोनों डेटाबेस के बीच प्रदर्शन में अंतर इस बात को रेखांकित करता है कि चिकित्सा डेटा संग्रह के स्थान के आधार पर काफी भिन्न हो सकता है, और एक मॉडल जो एक अस्पताल में अच्छा काम करता है, बिना समायोजन के दूसरे अस्पताल में उतना अच्छा काम नहीं कर सकता है। इसके अलावा, अध्ययन स्पष्ट रूप से नोट करता है कि कंप्यूटर द्वारा पहचाने गए कारक मृत्यु के सिद्ध कारण नहीं हैं; वे केवल वे संकेत हैं जिनका उपयोग मॉडल ने अपने अनुमान लगाने के लिए किया था। शोधकर्ता निष्कर्ष निकालते हैं कि हालांकि ये व्याख्या योग्य मशीन लर्निंग सिस्टम जटिल रोगियों में जोखिम पैटर्न का पता लगाने का एक आशाजनक तरीका प्रदान करते हैं, लेकिन जीवन-मृत्यु के निर्णयों का मार्गदर्शन करने के लिए उन पर भरोसा करने से पहले उन्हें भविष्य के वास्तविक नैмिकल परीक्षणों में और अधिक परीक्षण 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।