Prediction at Hospital Admission of In-Hospital Mortality and High-Cost Hospitalization Using Machine Learning in Patients With Severe Community-Acquired Pneumonia: An Exploratory Dual-Risk Stratification Study
इस अध्ययन ने गंभीर कम्युनिटी-अक्वायर्ड निमोनिया वाले रोगियों में अस्पताल में मृत्यु दर और उच्च-लागत वाले अस्पताल में भर्ती होने, दोनों की भविष्यवाणी करने के लिए प्रवेश डेटा का उपयोग करके अलग-अलग मशीन लर्निंग मॉडल विकसित और टेम्पोरली वैलिडेट किए, जो पारंपरिक स्कोर की तुलना में बेहतर प्रदर्शन प्रदर्शित करते हैं और संयुक्त जोखिम स्तरों के बीच विशिष्ट नैदानिक और संसाधन-उपयोग पैटर्न को प्रकट 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
हर साल, लाखों वयस्क गंभीर निमोनिया के कारण अस्पताल में भर्ती होते हैं, जो फेफड़ों पर हमला करने वाला एक जानलेवा संक्रमण है। डॉक्टरों के लिए, तत्काल चुनौती दोहरी है: उन्हें यह तय करना होगा कि कौन से मरीज मृत्यु के सबसे अधिक खतरे में हैं और किन मरीजों को सबसे महंगे, संसाधन-गहन देखभाल की आवश्यकता होगी। पारंपरिक रूप से, अस्पताल मरीज की गंभीरता का आकलन करने के लिए सरल चेकलिस्ट पर भरोसा करते रहे हैं। ये उपकरण मृत्यु के जोखिम का अनुमान लगाने के लिए उम्र, भ्रम (कन्फ्यूजन), श्वसन दर और रक्तचाप जैसे बुनियादी संकेतों को देखते हैं। हालांकि, ये चेकलिस्ट वित्तीय लागतों की भविष्यवाणी करने के लिए नहीं बनाई गई हैं, और अक्सर उन जटिल जैविक संकेतों को पकड़ने में विफल रहती हैं जो यह संकेत देते हैं कि किसी मरीज को लंबे, महंगे अस्पताल प्रवास की आवश्यकता होगी। जैसे-जैसे स्वास्थ्य प्रणालियों पर संसाधनों का बुद्धिमानी से प्रबंधन करने का दबाव बढ़ रहा है, यह समझना महत्वपूर्ण हो गया है कि न केवल कौन मर सकता है, बल्कि कौन सबसे अधिक चिकित्सा आपूर्ति और स्टाफ के समय का उपभोग करेगा, और यह सब उस जानकारी के आधार पर होना चाहिए जो मरीज के प्रवेश करते ही उपलब्ध होती है।
नांजिंग फर्स्ट हॉस्पिटल और चाइना फार्मास्युटिकल यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने एक नए प्रकार की भविष्यवाणी प्रणाली बनाने के उद्देश्य से इस समस्या को हल करने का प्रयास किया। उन्होंने 2020 से 2025 के बीच कम्युनिटी-एक्वायर्ड गंभीर निमोनिया के साथ भर्ती हुए 1,543 वयस्कों का डेटा एकत्र किया। एक एकल चेकलिस्ट पर निर्भर रहने के बजाय, उन्होंने मशीन लर्निंग का उपयोग किया, जो कंप्यूटर प्रोग्राम का एक प्रकार है जो डेटा की विशाल मात्रा से पैटर्न सीखता है, ताकि दो अलग-अलग भविष्यवाणी मॉडल बनाए जा सकें। पहले मॉडल को मरीज के अस्पताल प्रवास के दौरान मृत्यु की संभावना की भविष्यवाणी करने के लिए प्रशिक्षित किया गया था। दूसरे मॉडल को यह भविष्यवाणी करने के लिए प्रशिक्षित किया गया था कि क्या मरीज का कुल अस्पताल बिल असाधारण रूप से अधिक होगा, जिसे इस अध्ययन में 38,969 चीनी युआन से अधिक माना गया है। महत्वपूर्ण रूप से, दोनों मॉडल केवल उस जानकारी का उपयोग करके बनाए गए थे जो डॉक्टरों के पास प्रवेश के समय उपलब्ध होती है, जैसे कि महत्वपूर्ण संकेत (वाइटल साइन्स), रक्त परीक्षण के परिणाम और मरीज का मेडिकल इतिहास, और इसमें किसी भी ऐसे डेटा को छोड़ दिया गया जो उपचार शुरू होने के बाद उपलब्ध होता है।
शोधकर्ताओं ने पाया कि उनके मशीन लर्निंग मॉडल वर्तमान में उपयोग किए जाने वाले मानक उपकरणों की तुलना में ये भविष्यवाणियां करने में काफी बेहतर थे। मृत्यु की भविष्यवाणी करने के लिए, उनके सर्वश्रेष्ठ मॉडल ने 0.73 का AUC प्राप्त किया, जो मानक स्कोरिंग सिस्टम की तुलना में एक उल्लेखनीय सुधार है, जो केवल लगभग 54 प्रतिशत बार सही था। उच्च लागत की भविष्यवाणी करने के लिए, उनके मॉडल ने एक सरल बेसलाइन से भी बेहतर प्रदर्शन किया जो केवल आयु और मौजूदा स्वास्थ्य स्थितियों की संख्या को देखता था। अध्ययन से पता चला कि मृत्यु के उच्च जोखिम को चलाने वाले कारक उच्च लागत को चलाने वाले कारकों से बिल्कुल अलग नहीं थे। जबकि दोनों मॉडल ऑक्सीजन स्तर और हृदय कार्य जैसे समान डेटा बिंदुओं को देखते थे, कंप्यूटर ने सीखा कि संकेतों के विभिन्न संयोजन अलग-अलग परिणामों की ओर इशारा करते हैं।
इन निष्कर्षों को समझने के लिए, शोधकर्ताओं ने उनके मॉडल द्वारा अनुमानित जोखिमों के संयोजन के आधार पर मरीजों को चार श्रेणियों में विभाजित किया। उन्होंने दो विशेष रूप से विशिष्ट समूहों की खोज की जिन्हें पारंपरिक तरीके अक्सर मिस कर देते हैं। एक समूह उन मरीजों का था जिन्हें मृत्यु के बहुत उच्च जोखिम की भविष्यवाणी की गई थी लेकिन उच्च लागत उत्पन्न करने के निम्न जोखिम की भविष्यवाणी की गई थी। ये मरीज आमतौर पर वृद्ध थे और शारीरिक संकट के गंभीर लक्षण दिखा रहे थे, जैसे कि बहुत उच्च श्वसन दर और लैक्टेट नामक प्रोटीन का उच्च स्तर, जो यह दर्शाता है कि शरीर पर्याप्त ऑक्सीजन प्राप्त करने के लिए संघर्ष कर रहा है। उनकी स्थिति इतनी गंभीर होने के कारण, उन्हें अक्सर गहन देखभाल और मैकेनिकल वेंटिलेशन की आवश्यकता होती थी, लेकिन उनका अस्पताल प्रवास अक्सर मृत्यु के कारण छोटा हो जाता था, जिससे कुल लागत कम रहती थी।
इसके विपरीत, एक दूसरा समूह था जिसकी मृत्यु के कम जोखिम लेकिन उच्च लागत उत्पन्न करने के बहुत उच्च जोखिम की भविष्यवाणी की गई थी। ये मरीज शारीरिक रूप से सामान्य रूप से स्थिर थे लेकिन उन्हें विविध प्रकार के महंगे संसाधनों की आवश्यकता थी। उनकी उच्च लागत लंबे समय तक चिकित्सा आपूर्ति, नर्सिंग देखभाल, प्रयोगशाला परीक्षणों और दवाओं के संचयी उपयोग से आई थी। अध्ययन ने दिखाया कि इन दो समूहों के क्लिनिकल प्रोफाइल बहुत अलग थे, जो यह सुझाव देते हैं कि अस्पताल प्रबंधन के मार्गदर्शन के लिए एक एकल जोखिम स्कोर पर्याप्त नहीं है। इन दोनों जोखिमों को एक साथ देखकर, डॉक्टर संभावित रूप से पहचान सकते हैं कि किसे तत्काल जीवन रक्षक हस्तक्षेप की आवश्यकता है बनाम किसे जटिलताओं को रोकने के लिए सावधानीपूर्वक, संसाधन-गहन प्रबंधन की आवश्यकता है।
शोधकर्ताओं ने इस बात पर जोर दिया कि हालांकि उनके मॉडल परीक्षण में अच्छा प्रदर्शन करते हैं, वे अभी भी एक खोजपूर्ण चरण में हैं। यह अध्ययन एक एकल अस्पताल में किया गया था, और अनुमानित विशिष्ट लागत स्थानीय कीमतों और स्वास्थ्य नीतियों से जुड़ी हुई है। टीम ने उल्लेख किया कि उनका काम यह सिद्ध नहीं करता है कि इन भविष्यवाणियों के आधार पर उपचार बदलने से परिणामों में सुधार होगा, लेकिन यह रोगी की जरूरतों को देखने का एक नया तरीका प्रदान करता है। वे सुझाव देते हैं कि भविष्य में, इस तरह के दोहरे जोखिम मूल्यांकन से अस्पतालों को अपने सीमित संसाधनों को अधिक प्रभावी ढंग से आवंटित करने में मदद मिल सकती है, जिससे यह सुनिश्चित हो सके कि सबसे बीमार मरीजों को तत्काल देखभाल मिले जबकि लंबे, जटिल प्रवास की संभावना वाले लोगों को सिस्टम को अभिभूत किए बिना आवश्यक ध्यान मिले। अध्ययन का निष्कर्ष है कि मृत्यु और लागत दोनों की भविष्यवाणी करने के लिए एक ही प्रवेश डेटा का उपयोग करना, वर्तमान विधियों की तुलना में गंभीर निमोनिया के रोगियों की चुनौतियों की अधिक पूर्ण तस्वीर प्रदान करता 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।