Development and internal validation of a pre-operative machine-learning model for prolonged postoperative stay in older adults undergoing colorectal cancer surgery
इस अध्ययन ने कोलोरेक्टल कैंसर सर्जरी से गुजरने वाले वृद्ध वयस्कों में लंबे अस्पताल प्रवास की मध्यम रूप से भविष्यवाणी करने के लिए नियमित नैदानिक डेटा का उपयोग करते हुए एक प्री-ऑपरेटिव मशीन-लर्निंग मॉडल विकसित और आंतरिक रूप से मान्य किया है, जिसमें कमजोरी (फ्रैलिटी) और सहरुग्ता (कोमोरबिडिटी) को प्रमुख भविष्यवक्ताओं के रूप में पहचाना गया है और नैदानिक कार्यान्वयन से पहले बाहरी सत्यापन की आवश्यकता पर प्रकाश डाला गया 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
अस्पताल उपचार के स्थान हैं, लेकिन बुजुर्गों के लिए, लंबा प्रवास नए नुकसान का स्रोत बन सकता है। जब किसी वृद्ध व्यक्ति को बड़ी सर्जरी के लिए भर्ती किया जाता है, तो अस्पताल का वातावरण स्वयं उनकी शारीरिक और मानसिक क्षमताओं में गिरावट को प्रेरित कर सकता है। यह घटना, जिसे 'हॉस्पिटल-एसोसिएटेड डिसेबिलिटी' (अस्पताल से जुड़ी अक्षमता) कहा जाता है, इसमें मांसपेशियों की ताकत का कम होना, भ्रम और स्वयं की देखभाल करने की क्षमता में कमी शामिल है, जो केवल इसलिए हो सकती है क्योंकि एक मरीज बहुत लंबे समय तक बिस्तर या कमरे में सीमित रहता है। कोलोरेक्टल कैंसर सर्जरी का सामना कर रहे मरीजों के लिए, चुनौती इस तथ्य से और बढ़ जाती है कि वे अक्सर अन्य स्वास्थ्य समस्याओं, कम शारीरिक क्षमता और जटिल सामाजिक जरूरतों के मिश्रण के साथ आते हैं, जो घर वापस जाने को कठिन बना देते हैं। डॉक्टर लंबे समय से जानते हैं कि 'फ्रैलिटी' (कमजोरी)—तनाव के प्रति बढ़ती संवेदनशीलता की स्थिति—केवल उम्र की तुलना में खराब परिणामों का बेहतर संकेतक है, फिर भी यह अनुमान लगाना कि किसे लंबे अस्पताल प्रवास की आवश्यकता होगी, अभी भी कठिन बना हुआ है। पारंपरिक उपकरण अक्सर मृत्यु या बड़ी जटिलताओं के जोखिम पर ध्यान केंद्रित करते हैं, जिससे उस सूक्ष्म लेकिन समान रूप से हानिकारक जोखिम को अनदेखा कर दिया जाता है जो एक लंबे प्रवेश के कारण होता है और मरीज को आने से पहले की तुलना में अधिक कमजोर छोड़ देता है।
हाल ही में किए गए एक अध्ययन में, साउथेंड यूनिवर्सिटी अस्पताल और साउथमीड अस्पताल के शोधकर्ताओं ने इस विशिष्ट समस्या को हल करने के लिए एक डिजिटल टूल बनाने का लक्ष्य रखा। वे जानना चाहते थे कि क्या वे सर्जरी से पहले एक मरीज के स्वास्थ्य डेटा को देखकर यह अनुमान लगा सकते हैं कि वह मरीज दस दिनों से अधिक समय तक अस्पताल में रहेगा या नहीं। टीम ने 197 वृद्ध वयस्कों पर ध्यान केंद्रित किया, जो सभी 65 वर्ष या उससे अधिक आयु के थे और कोलोरेक्टल कैंसर सर्जरी के लिए मूल्यांकन के दौर से गुजर रहे थे। इस समूह में से, उन्होंने उन 149 मरीजों के रिकॉर्ड का विश्लेषण किया जिन्होंने वास्तव में ऑपरेशन करवाया था। शोधकर्ताओं ने सर्जरी शुरू होने से पहले उपलब्ध व्यापक जानकारी एकत्र की, जिसमें मरीज की उम्र, 'क्लिनिकल फ्रैलिटी स्केल' नामक उनकी कमजोरी का एक माप, उनकी अन्य चिकित्सा स्थितियों की संख्या, वे कितनी दवाएं लेते थे, और उनकी सामाजिक स्थिति, जैसे कि वे कहाँ रहते हैं और घर पर उन्हें क्या सहायता प्राप्त है, शामिल थी। उन्होंने मानक सर्जिकल जोखिम स्कोर को भी शामिल किया जो ऑपरेशन की कठिनाई का अनुमान लगाते हैं।
इस जटिल डेटा के अर्थ को समझने के लिए, टीम ने 'ग्रेडिएंट-बूस्टेड क्लासिफायर' नामक एक मशीन-लर्निंग पद्धति का उपयोग किया। आप इसे एक कंप्यूटर प्रोग्राम के रूप में समझ सकते हैं जो निर्णय वृक्षों (डिसीजन ट्रीज़) की एक श्रृंखला बनाकर सीखता है, जहाँ प्रत्येक नया वृक्ष पिछले वाले की गलतियों को सुधारता है, और अंततः पैटर्न पहचानने के लिए एक अत्यधिक सटीक मॉडल बनाता है। शोधकर्ताओं ने इस मॉडल को उन मरीजों के बीच अंतर करने के लिए प्रशिक्षित किया जो कम या मध्यम प्रवास वाले थे और वे जो दस दिनों से अधिक के लंबे प्रवास वाले थे। उन्होंने डेटा को विभिन्न समूहों में बार-बार विभाजित करके मॉडल का कड़ाई से परीक्षण किया ताकि यह सुनिश्चित हो सके कि परिणाम केवल एक भाग्यशाली अनुमान नहीं हैं। मॉडल अपने कार्य में मध्यम रूप से सफल रहा। इसने लगभग 75% बार उन मरीजों की सही पहचान की जो लंबे प्रवास के जोखिम में थे, जिसकी संवेदनशीलता (सेंसिटिविटी) 66% थी, जिसका अर्थ है कि इसने उन दो-तिहाई लोगों को पकड़ा जो वास्तव में बहुत लंबे समय तक रुक गए थे। यह उन लोगों को बाहर करने में भी काफी अच्छा था जिनका प्रवास छोटा रहने वाला था, जिसकी विशिष्टता (स्पेसिफिसिटी) 75% थी।
अध्ययन से पता चला कि लंबे प्रवास की भविष्यवाणी करने के लिए सबसे शक्तिशाली सुराग केवल मरीज की उम्र या सर्जरी का प्रकार नहीं थे, बल्कि उनकी कमजोरी (फ्रैलिटी) का स्तर और उनका समग्र सर्जिकल जोखिम स्कोर था। अन्य स्वास्थ्य स्थितियों की संख्या और मरीज की गतिशीलता ने भी महत्वपूर्ण भूमिका निभाई। दिलचस्प बात यह है कि शोधकर्ताओं ने पाया कि जबकि मॉडल एक बाइनरी परिणाम (यानी, प्रवास लंबा होगा या नहीं) की भविष्यवाणी करने में ठीक था, लेकिन यह मरीज के अस्पताल में बिताए जाने वाले दिनों की सटीक संख्या बताने में बहुत कम विश्वसनीय था। जब उन्होंने विशिष्ट अवधि का पूर्वानुमान लगाने के लिए कंप्यूटर का उपयोग करने की कोशिश की, तो भविष्यवाणियां अक्सर कई दिनों से गलत थीं, जो यह सुझाव देती हैं कि अस्पताल में बिताए जाने वाले समय की सटीक अवधि बहुत सारे अप्रत्याशित कारकों से प्रभावित होती है जिसे पहले से सटीक रूप से नहीं निकाला जा सकता। यह अंतर महत्वपूर्ण है: यह टूल एक उच्च-जोखिम वाले मरीज को चिह्नित करने के लिए बेहतर है जिसे अतिरिक्त योजना की आवश्यकता है, बजाय इसके कि वह डॉक्टर को ठीक-ठीक बता सके कि मरीज को कब छुट्टी दी जाएगी।
इन उच्च-जोखिम वाले मरीजों की पहचान करने की क्षमता के निहितार्थ महत्वपूर्ण हैं। शोधकर्ताओं ने अनुमान लगाया कि यदि इस मॉडल को इंग्लैंड और वेल्स में सालाना होने वाली लगभग 21,000 प्रमुख बाउल कैंसर सर्जरी में लागू किया जाए, तो यह हजारों ऐसे मरीजों की पहचान करने में मदद कर सकता है जो लंबे प्रवास का सामना करने की संभावना रखते हैं। एक लंबा प्रवेश केवल अस्पताल के बेड की उपलब्धता का मामला नहीं है; यह मरीज की स्वतंत्रता के लिए एक सीधा खतरा है। अध्ययन ने इस बात पर प्रकाश डाला कि जो मरीज लंबे समय तक रुकते हैं, वे कार्यात्मक गिरावट (फंक्शनल डिक्लाइन), भ्रम (डेलीरियम) और अन्य अस्पताल-अर्जित जटिलताओं के उच्च जोखिम के संपर्क में आते हैं। इन मरीजों की जल्दी पहचान करके, मेडिकल टीमें संभावित रूप से उनके प्रवास को छोटा करने के लिए अधिक गहन पूर्व-ऑपरेटिव तैयारी या ऑपरेशन के बाद के समर्थन के साथ हस्तक्षेप कर सकती हैं। आर्थिक तर्क भी प्रभावशाली है; शोधकर्ताओं ने गणना की कि यदि इन राष्ट्रीय मामलों में से केवल 10% के लिए प्रवास की अवधि को एक दिन कम कर दिया जाए, तो केवल बेड की लागत में लगभग £2 मिलियन की बचत होगी, और यह आंकड़ा £5 मिलियन से अधिक हो जाएगा यदि यह कमी 20% मामलों में हासिल की जाती है।
इन उत्साहजनक परिणामों के बावजूद, लेखक सावधानी बरतते हुए कहते हैं कि यह टूल अभी हर अस्पताल में तत्काल उपयोग के लिए तैयार नहीं है। अध्ययन एक एकल केंद्र पर आयोजित किया गया था और यह 'रिट्रोस्पेक्टिव डेटा' (पूर्वव्यापी डेटा) पर आधारित था, जिसका अर्थ है कि मॉडल का परीक्षण भविष्य के मरीजों के बजाय पिछले रिकॉर्डों पर किया गया था। डेटा के परीक्षण के आधार पर मॉडल का प्रदर्शन भिन्न था, और शोधकर्ताओं ने जोर दिया कि इसे मरीजों के एक बड़े और विविध समूह में मान्य (वैलिडेट) करने की आवश्यकता है, इससे पहले कि इस पर नैदानिक निर्णयों के लिए भरोसा किया जा सके। अध्ययन निष्कर्ष निकालता है कि हालांकि मशीन लर्निंग वृद्ध वयस्कों के कोलोरेक्टल कैंसर सर्जरी के लिए डॉक्टरों को देखभाल की योजना बनाने में मदद करने के लिए बहुत आशाजनक है, अगला कदम मॉडल को वास्तविक समय के, प्रोस्पेक्टिव ट्रायल्स (भावी परीक्षणों) में परखना है ताकि यह देखा जा सके कि क्या इसकी भविष्यवाणियों पर अमल करने से वास्तव में अस्पताल में प्रवास छोटा और सुरक्षित होता है। तब तक, यह टूल जोखिम वर्गीकरण के लिए एक परिष्कृत सहायता के रूप में बना हुआ है, जो एक लंबे अस्पताल प्रवास के छिपे हुए खतरों के प्रति कौन सबसे अधिक संवेदनशील है, उसका एक स्पष्ट दृश्य 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।