Predicting Cycloplegic Spherical Equivalent in Children and Adolescents: A Comparative Machine Learning Approach with SHAP-Based Model Interpretation
यह अध्ययन प्रदर्शित करता है कि मशीन लर्निंग मॉडल, विशेष रूप से XGBoost और LightGBM, गैर-साइक्लोप्लेजिक क्लिनिकल मापदंडों का उपयोग करके साइक्लोप्लेजिक रिफ्रैक्टिव परिणामों की सटीक भविष्यवाणी कर सकते हैं और पुतली विस्तार (डायलेशन) की आवश्यकता वाले बच्चों की पहचान कर सकते हैं, जो बाल चिकित्सा रिफ्रैक्टिव स्क्रीनिंग के लिए एक स्केलेबल और संसाधन-कुशल विकल्प प्रदान करता है।
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
हर साल, दुनिया भर में लाखों बच्चों को निकट दृष्टि दोष (नियर्ससाइटेडनेस) हो जाता है, एक ऐसी स्थिति जिसमें दूर की वस्तुएं धुंधली दिखाई देती हैं। हालांकि यह एक मामूली असुविधा लग सकती है, लेकिन अनियंत्रित निकट दृष्टि दोष भविष्य में गंभीर आंखों की समस्याओं, जिसमें अंधापन भी शामिल है, का कारण बन सकता है। बच्चे की दृष्टि को सटीक रूप से समझने के लिए, नेत्र विशेषज्ञों ने लंबे समय से 'साइक्लोप्लेजिक रिफ्रैक्शन' नामक प्रक्रिया पर भरोसा किया है। इसमें आंखों में विशेष बूंदें डाली जाती हैं ताकि फोकस करने वाली मांसपेशियों को अस्थायी रूप से आराम दिया जा सके, जिससे आंख के वास्तविक आकार और शक्ति का पता चल सके। इन बूंदों के बिना, बच्चे की आंखों की मांसपेशियां स्पष्ट देखने के लिए कड़ी मेहनत कर रही हो सकती हैं, जिससे उनकी दृष्टि संबंधी समस्या की वास्तविक सीमा छिप सकती है। हालांकि, यह स्वर्ण-मानक (गोल्ड-स्टैंडर्ड) परीक्षण समय लेता है, इसके लिए विशेषज्ञ की आवश्यकता होती है, और यह बच्चों की दृष्टि को घंटों तक धुंधला और प्रकाश के प्रति संवेदनशील बना सकता है। इन बाधाओं के कारण, इसे अक्सर बड़े स्कूल स्क्रीनिंग या त्वरित जांचों में छोड़ दिया जाता है, जिससे डॉक्टर एक त्वरित, गैर-रिलैक्स्ड परीक्षा के आधार पर बच्चे की दृष्टि की वास्तविक गंभीरता का केवल अनुमान लगाते हैं।
चीन के अस्पतालों के शोधकर्ताओं की एक टीम ने अब इस अंतर को पाटने का एक नया तरीका विकसित किया है। उन्होंने एक सरल लेकिन कठिन प्रश्न पूछा: क्या एक कंप्यूटर यह सीख सकता है कि आंखों को रिलैक्स करने वाली बूंदों के उपयोग के बाद आंख कैसी दिखेगी, केवल एक मानक विज़िट के दौरान लिए गए त्वरित, गैर-रिलैक्स्ड मापों के आधार पर? 600 से अधिक बच्चों के डेटा पर उन्नत कंप्यूटर प्रोग्रामों को प्रशिक्षित करके, उन्होंने एक ऐसी प्रणाली बनाई जो वास्तविक दृष्टि का अनुमान लगा सकती है, यह तय कर सकती है कि क्या वास्तव में किसी बच्चे को बूंदों की आवश्यकता है, और यहाँ तक कि यह भी पहचान सकती है कि किसे निकट दृष्टि दोष है, और वह भी समय लेने वाली प्रक्रिया के बिना।
शोधकर्ताओं ने चार से सत्रह वर्ष की आयु के बच्चों की 1,224 आंखोंों की विस्तृत जानकारी एकत्र की। प्रत्येक बच्चे के लिए, उन्होंने दृश्य तीक्ष्णता (विजुअल एक्युइटी), आंखों का दबाव और आंख के आकार जैसे मानक माप दर्ज किए, जिसमें नेत्रगोलक की लंबाई और लेंस की मोटाई शामिल थी। उन्होंने बूंदों के उपयोग से पहले और बाद में आंख की शक्ति को भी मापा। इस डेटा का उपयोग करके, उन्होंने कई अलग-अलग प्रकार के कंप्यूटर मॉडल को पैटर्न खोजने के लिए सिखाया। लक्ष्य यह देखना था कि क्या कंप्यूटर त्वरित मापों और वास्तविक, रिलैक्स्ड मापों के बीच संबंध सीख सकता है। उन्होंने मॉडलों का परीक्षण तीन विशिष्ट कार्यों के लिए किया: पहला, यह भविष्यवाणी करना कि क्या बूंदों के उपयोग के बाद बच्चे की दृष्टि में इतना बदलाव आएगा कि प्रक्रिया की आवश्यकता हो; दूसरा, यह निर्धारित करना कि क्या बच्चा निकट दृष्टि दोष से ग्रस्त है; और तीसरा, बूंदों के बाद उनकी दृष्टि शक्ति का सटीक अंक ज्ञात करना।
परिणामों से पता चला कि कंप्यूटर मॉडल इन कार्यों को उच्च स्तर की सटीकता के साथ कर सकते हैं। यह अनुमान लगाने में कि क्या किसी बच्चे को रिलैक्स करने वाली बूंदों की आवश्यकता थी, सबसे अच्छे मॉडल ने 0.82 का AUC प्राप्त किया। निकट दृष्टि दोष निर्धारित करने के मामले में, सिस्टम और भी प्रभावशाली रहा, जिसने 0.90 से अधिक का AUC प्राप्त किया और वास्तव में इस स्थिति वाले लगभग सभी बच्चों को पकड़ा। डॉक्टरों के लिए शायद सबसे उपयोगी बात यह है कि मॉडल बूंदों के बाद सटीक दृष्टि शक्ति की भविष्यवाणी भी कर सका, जिसमें औसत त्रुटि एक इकाई माप के आधे से भी कम थी, एक ऐसा अंतर जिसे नैदानिक निर्णय लेने के लिए स्वीकार्य माना जाता है। सरल शब्दों में, कंप्यूटर एक त्वरित परीक्षा देख सकता था और डॉक्टर को बता सकता था, "एक बार जब हम उनकी आंखों को आराम देंगे, तो इस बच्चे की दृष्टि संभवतः इस विशिष्ट संख्या के बराबर होगी," जो कई स्थितियों में वास्तविक परीक्षण के बराबर सटीकता रखता है।
कंप्यूटर ने ये निर्णय कैसे लिए, यह समझने के लिए शोधकर्ताओं ने एक ऐसे उपकरण का उपयोग किया जो एक स्पॉटलाइट की तरह काम करता है, और यह उजागर करता है कि प्रत्येक भविष्यवाणी के लिए कौन सी जानकारी सबसे महत्वपूर्ण थी। उन्होंने पाया कि जवाब देने के लिए कौन से कारक महत्वपूर्ण थे, यह पूछे गए प्रश्न के आधार पर बदल जाता था। यह तय करने के लिए कि क्या बच्चे को बूंदों की आवश्यकता है, नेत्रगोलक की लंबाई और पुतली का आकार सबसे महत्वपूर्ण सुराग थे। निकट दृष्टि दोष की पहचान करने के लिए, बिना बूंदों के ली गई प्रारंभिक दृष्टि माप प्रमुख कारक था। आश्चर्यजनक रूप से, बूंदों के बाद सटीक दृष्टि शक्ति की भविष्यवाणी करते समय, आंख के आंतरिक लेंस की मोटाई सबसे प्रभावशाली सुराग साबित हुई, जो प्रारंभिक दृष्टि माप से भी अधिक थी। यह खोज इस सामान्य धारणा को चुनौती देती है कि नेत्रगोलक की लंबाई और आंख के सामने के हिस्से का वक्र ही दृष्टि के लिए एकमात्र महत्वपूर्ण कारक हैं, जो यह सुझाव देती है कि दृष्टि की इन भविष्यवाणियों में लेंस की भूमिका पहले की तुलना में बहुत अधिक है।
अध्ययन सुझाव देता है कि यह दृष्टिकोण स्कूलों और बड़े स्वास्थ्य सर्वेक्षणों के लिए एक व्यावहारिक समाधान प्रदान कर सकता है जहाँ हर बच्चे पर रिलैक्स करने वाली बूंदों का उपयोग करना संभव नहीं है। इन कंप्यूटर मॉडलों का उपयोग करके, डॉक्टर हजारों बच्चों की तेजी से और सटीक रूप से स्क्रीनिंग कर सकते हैं, और समय लेने वाली बूंद प्रक्रिया को केवल उन बच्चों के लिए आरक्षित कर सकते हैं जिन्हें वास्तव में इसकी आवश्यकता है। जबकि शोधकर्ताओं ने उल्लेख किया है कि उनके निष्कर्ष बच्चों के एक विशिष्ट समूह पर आधारित हैं और निश्चित होने के लिए मॉडलों को अधिक विविध आबादी पर परीक्षण करने की आवश्यकता होगी, यह कार्य बच्चों की दृष्टि के प्रबंधन के लिए एक आशाजनक नया मार्ग प्रदान करता है। यह प्रदर्शित करता है कि सही डेटा के साथ, तकनीक डॉक्टरों को पारंपरिक तरीकों की देरी और असुविधा के बिना बच्चों की आंखों की वास्तविक स्थिति देखने में मदद कर सकती है, जिससे संभावित रूप से दृष्टि हानि के जोखिम वाले लाखों बच्चों के लिए शीघ्र और अधिक प्रभावी देखभाल संभव हो सकती 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।