Development and Validation of a Predictive Model of Major Adverse Kidney Events within 30 Days in Patients with Sepsis-Associated Acute Kidney Injury： Retrospective Cohort Study

इंटेंसिव केयर यूनिट (ICU) में, शरीर अक्सर दो मोर्चों पर युद्ध लड़ रहा होता है। एक दुश्मन सेप्सिस (sepsis) है, जो संक्रमण के प्रति एक जीवन-घातक प्रतिक्रिया है जो प्रतिरक्षा प्रणाली को अत्यधिक सक्रिय कर देती है, जिससे अंगों और ऊतकों को नुकसान पहुँचता है। दूसरा है एक्यूट किडनी इंजरी (acute kidney injury), जो रक्त से अपशिष्ट को छानने में गुर्दों की अचानक विफलता है। जब ये दोनों स्थितियाँ एक साथ आती हैं, तो स्थिति विशेष रूप से खतरनाक हो जाती है। जब शरीर सेप्सिस से अभिभूत होता है, तो गुर्दे उन पहले अंगों में से होते हैं जो प्रभावित होते हैं, और जब वे विफल हो जाते हैं, तो मृत्यु या दीर्घकालिक विकलांगता का जोखिम तेजी से बढ़ जाता है। दशकों से, डॉक्टर इन स्थितियों के निदान और प्रबंधन के लिए सामान्य दिशानिर्देशों पर भरोसा करते आए हैं, लेकिन ये नियम व्यापक आबादी के लिए डिज़ाइन किए गए हैं, न कि अस्पताल के बिस्तर पर लेटे एक व्यक्तिगत रोगी की अनूठी, जटिल वास्तविकता के लिए। चुनौती सामान्य नियमों से सटीक भविष्यवाणियों की ओर बढ़ने की रही है: यह जानने की कि कौन से विशिष्ट रोगी एक महीने के भीतर गंभीर किडनी परिणामों का सामना करने की सबसे अधिक संभावना रखते हैं, ताकि उन्हें बचाने के लिए देखभाल को अनुकूलित किया जा सके।

शोधकर्ताओं की एक टीम ने एक ऐसा उपकरण बनाने का लक्ष्य रखा जो इस भविष्यवाणी को अधिक सटीकता के साथ कर सके। उन्होंने संयुक्त राज्य अमेरिका में गहन देखभाल इकाइयों (ICUs) में भर्ती हुए हजारों रोगियों के डिजिटल मेडिकल रिकॉर्ड के एक विशाल संग्रह का उपयोग किया। विशेष रूप से, उन्होंने 10,906 वयस्कों के एक समूह पर ध्यान केंद्रित किया जिन्होंने सेप्सिस के निदान के दो दिनों के भीतर एक्यूट किडनी इंजरी विकसित की थी। शोधकर्ता यह देखना चाहते थे कि क्या वे डेटा में एक ऐसा पैटर्न पहचान सकते हैं जो 30 दिनों के भीतर "प्रमुख प्रतिकूल किडनी घटनाओं" (major adverse kidney events) के उच्च जोखिम का संकेत दे सके। यह परिणाम तीन चीजों का एक गंभीर संयोजन है: अस्पताल में मृत्यु, रक्त को छानने के लिए मशीन (डायलिसिस) की आवश्यकता, या अस्पताल से छुट्टी के बाद किडनी की कार्यक्षमता का स्थायी रूप से क्षतिग्रस्त रहना। उत्तर खोजने के लिए, टीम ने किसी एकल सूत्र या सरल चेकलिस्ट पर भरोसा नहीं किया। इसके बजाय, उन्होंने कंप्यूटर लर्निंग का एक परिष्कृत प्रकार उपयोग किया, जिसे अक्सर मशीन लर्निंग कहा जाता है, जो कंप्यूटर को डेटा की विशाल मात्रा में जटिल, छिपे हुए संबंधों को खोजने की अनुमति देता है जिन्हें मानवीय आँखें शायद छोड़ दें।

शोधकर्ताओं ने प्रत्येक रोगी के बारे में जानकारी कंप्यूटर में डाली, जो उनके ICU प्रवास के पहले 24 घंटों के दौरान एकत्र की गई थी। इसमें आयु और लिंग जैसे बुनियादी विवरण, हृदय रोग या मधुमेह जैसी अन्य बीमारियों का इतिहास, और उनकी वर्तमान शारीरिक स्थिति का एक स्नैपशॉट शामिल था। कंप्यूटर ने हृदय गति और श्वसन गति जैसे महत्वपूर्ण संकेतों (vital signs), साथ ही लिवर और किडनी कितनी अच्छी तरह काम कर रहे हैं, रक्त में ऑक्सीजन कितनी है, और शरीर संक्रमण को कैसे संभाल रहा है, इसका विस्तृत रक्त परीक्षण परिणाम देखा। उन्होंने यह भी नोट किया कि क्या रोगियों को ऐसी दवाएं दी गई थीं जो किडनी के लिए कठिन हो सकती हैं या रक्तचाप को सहारा देने वाली दवाएं। टीम ने आठ अलग-अलग प्रकार के मशीन लर्निंग एल्गोरिदम का परीक्षण किया, जिनमें से प्रत्येक डेटा से सीखने के लिए एक अलग गणितीय दृष्टिकोण का उपयोग करता है। उन्होंने इन मॉडलों को रोगियों के एक बड़े समूह पर प्रशिक्षित किया और फिर उन्हें एक अलग समूह पर परीक्षण किया यह देखने के लिए कि क्या मॉडल उन लोगों के लिए परिणाम का सही ढंग से पूर्वानुमान लगा सकते हैं जिन्हें उन्होंने पहले कभी नहीं देखा था।

परीक्षण चलाने के बाद, एक मॉडल सबसे विश्वसनीय पाया गया। यह एक सिस्टम था जिसे कैटबूस्ट (CatBoost) के रूप में जाना जाता है, जिसने सिद्ध किया कि यह अन्य सात मॉडलों की तुलना में उन रोगियों के बीच अंतर करने में बेहतर था जो अच्छे परिणाम प्राप्त करेंगे और वे जो एक प्रमुख किडनी घटना का सामना करेंगे। जब शोधकर्ताओं ने इस सर्वश्रेष्ठ प्रदर्शन करने वाले मॉडल को दूसरे डेटाबेस से रोगियों के पूरी तरह से अलग सेट पर लागू किया, तो इसने अपनी सटीकता बनाए रखी, जिससे पता चलता कि जो पैटर्न इसने सीखे थे वे वास्तविक थे और केवल पहले डेटा समूह का कोई संयोग नहीं थे। मॉडल ने सटीकता का एक स्तर प्राप्त किया जिसे चिकित्सा भविष्यवाणी में मजबूत माना जाता है, जो अधिकांश रोगियों के लिए जोखिम की सही पहचान करता है। इसका अर्थ यह है कि सेप्सिस और किडनी इंजरी वाले एक नए रोगी के लिए, मॉडल उनके प्रारंभिक डेटा को देखकर एक महीने के भीतर एक प्रमुख किडनी घटना झेलने के जोखिम का स्पष्ट अनुमान प्रदान कर सकता है।

यह सुनिश्चित करने के लिए कि डॉक्टर मॉडल के निर्णयों पर भरोसा और समझ सकें, शोधकर्ताओं ने इसे एक "ब्लैक बॉक्स" के रूप में नहीं छोड़ा जो बिना किसी स्पष्टीकरण के केवल उत्तर देता है। उन्होंने भविष्यवाणी को तोड़ने और यह दिखाने के लिए एक विधि का उपयोग किया कि कौन से कारक प्रत्येक व्यक्ति के लिए जोखिम को ऊपर या नीचे धकेल रहे हैं। विश्लेषण से पता चला कि खराब परिणाम का सबसे शक्तिशाली भविष्यवक्ता प्रवेश के समय किडनी की चोट की गंभीरता स्वयं थी। जिन रोगियों में किडनी की क्षति के अधिक उन्नत चरण थे, उनके खराब परिणाम की संभावना बहुत अधिक थी। किडनी के अलावा, मॉडल ने रोगी के समग्र स्वास्थ्य इतिहास, अंग विफलता की गंभीरता और श्वसन दर के महत्व को रेखांकित किया। इसने यह भी दिखाया कि कुछ दवाओं का संपर्क जो किडनी को नुकसान पहुँचा सकते हैं, जोखिम को बढ़ा देता है। प्रत्येक व्यक्ति के लिए एक विशिष्ट जोखिम प्रोफाइल बनाने में इन कारकों के संयोजन को दिखाकर, मॉडल एक सामान्य सांख्यिकी से आगे बढ़कर रोगी की स्थिति का एक व्यक्तिगत दृष्टिकोण प्रदान करता है।

यह अध्ययन पुष्टि करता है कि सेपसिस वाले रोगियों में गंभीर किडनी जटिलताओं का पूर्वानुमान लगाने के लिए ICU प्रवास के पहले दिन के डेटा का उपयोग करना संभव है। निष्कर्ष बताते हैं कि रोगी के तत्काल महत्वपूर्ण संकेतों, उनके रक्त परीक्षण और उनके चिकित्सा इतिहास को जोड़कर, एक कंप्यूटर मॉडल भविष्य के जोखिम का पारदर्शी और सटीक मूल्यांकन प्रदान कर सकता है। यह दृष्टिकोण डॉक्टर के निर्णय का स्थान नहीं लेता है बल्कि उसका समर्थन करने के लिए एक शक्तिशाली उपकरण प्रदान करता है। यह चिकित्सा टीमों को उन रोगियों की पहचान करने में सक्षम बनाता है जो सबसे अधिक संवेदनशील हैं, जिससे संभावित रूप से उन्हें जल्दी हस्तक्षेप करने या बारीकी से निगरानी करने में मदद मिलती है। जबकि मॉडल का परीक्षण अमेरिकी अस्पतालों के डेटा पर किया गया था और इसे दुनिया के अन्य हिस्सों में और अधिक सत्यापन की आवश्यकता हो सकती है, मूल खोज यह है कि एक खराब किडनी परिणाम के संकेत गंभीर बीमारी की शुरुआत से ही मौजूद और मापने योग्य होते हैं। यह कार्य एक ऐसे भविष्य की ओर एक कदम है जहाँ गहन देखभाल इकाई में देखभाल व्यापक औसत के बजाय सटीक, व्यक्तिगत भविष्यवाणियों द्वारा निर्देशित होती है, जिससे यह सुनिश्चित करने में मदद मिलती है कि सबसे अधिक जोखिम वाले रोगियों को आवश्यक ध्यान मिले।