Nursing Assessment–Derived Risk Profiles and VALENF Instrument–Based Classification in Adult Inpatients: A Two-Stage Machine Learning Study

अस्पताल ऐसी जगह हैं जहाँ मानवीय बीमारी की जटिलता अक्सर सरल लेबल के पीछे छिपी रहती है। एक मरीज एक निदान (डायग्नोसिस) के साथ आता है, लेकिन वह एकल चिकित्सा शब्द शायद ही कभी उनकी जरूरतों की पूरी कहानी बताता है। दो व्यक्तियों को एक ही बीमारी हो सकती है, फिर भी एक स्वतंत्र रूप से चलने और खाने में सक्षम और मजबूत हो सकता है, जबकि दूसरा कमजोर, भ्रमित और गिरने या बेडसोर्स (बिस्तर के घाव) विकसित होने के उच्च जोखिम में हो सकता है। दशकों से, अस्पताल के रिकॉर्ड मुख्य रूप से चिकित्सा निदान और प्रशासनिक कोडों पर केंद्रित रहे हैं, जो बिलिंग और बीमारियों को ट्रैक करने के लिए उपयोगी हैं लेकिन अक्सर रोगी की शारीरिक स्थिति और सुरक्षा आवश्यकताओं की दैनिक वास्तविकता को छोड़ देते हैं। हालाँकि, नर्सों को इस लुप्त चित्र को देखने के लिए प्रशिक्षित किया जाता है। हर दिन, वे इस बात का आकलन करती हैं कि एक मरीज कितनी अच्छी तरह हिल-डुल सकता है, उसके फिसलने की कितनी संभावना है, और क्या उसकी त्वचा खराब होने के जोखिम में है। ये अवलोकन रोगी की भेद्यता (vulnerability) का एक समृद्ध, विस्तृत मानचित्र बनाते हैं जिसे मानक चिकित्सा रिकॉर्ड अक्सर अनदेखा कर देते हैं।

चुनौती हमेशा यह रही है कि इन विस्तृत, मानवीय अवलोकनों को एक ऐसी प्रणाली में कैसे बदला जाए जो डॉक्टरों और नर्सों को हजारों मरीजों के लिए तेजी से, बेहतर निर्णय लेने में मदद कर सके। यदि एक नर्स एक मरीज में जोखिम का पैटर्न देख सकती है, तो क्या एक कंप्यूटर अगले मरीज में भी वही पैटर्न पहचानना सीख सकता है? यह प्रश्न स्पेन के शोधकर्ताओं की एक टीम ने हल करने के लिए उठाया था। वे देखना चाहते थे कि क्या वे नर्सों द्वारा मरीज के आगमन पर लिखे जाने वाले विशिष्ट, संरचित नोट्स का उपयोग करके मरीजों को स्पष्ट जोखिम श्रेणियों में वर्गीकृत कर सकते हैं। उनका लक्ष्य केवल मरीजों को छाँटना नहीं था, बल्कि एक डिजिटल टूल बनाना था जो एक छोटी, नियमित नर्सिंग जांच के आधार पर नए मरीज को सही जोखिम समूह में स्वचालित रूप से असाइन कर सके, जिससे यह सुनिश्चित हो सके कि सबसे संवेदनशील लोगों को बिना किसी देरी के आवश्यक ध्यान मिले।

शोधकर्ताओं ने स्पेन के एक अस्पताल के डेटा पर काम किया, जिसमें हजारों अस्पताल के प्रवासों (hospital stays) का अध्ययन किया गया। उन्होंने शुरुआत में 2,600 से अधिक मरीजों के रिकॉर्ड का एक विशाल संग्रह एकत्र किया। इन प्रत्येक मरीजों के लिए, उनके पास प्रवेश के समय लिए गए पूर्ण, विस्तृत नर्सिंग मूल्यांकन तक पहुंच थी। इन मूल्यांकनों में स्कोर शामिल थे कि एक मरीज खाने और चलने जैसे दैनिक कार्यों को कितनी अच्छी तरह कर सकता है, दबाव के घावों (pressure sores) के विकसित होने की कितनी संभावना है, और गिरने का जोखिम क्या है। इसमें मरीज की आयु, लिंग और एक स्कोर भी शामिल था जो यह गिनता था कि उन्हें कितनी अन्य स्वास्थ्य समस्याएं थीं। एक कंप्यूटर पद्धति का उपयोग करते हुए जो बिना बताए छिपे हुए पैटर्नों को खोजती है, टीम ने डेटा को स्वयं बोलने दिया। उन्होंने कंप्यूटर से पूछा कि क्या वह इन संयुक्त कारकों के आधार पर मरीजों के बीच प्राकृतिक समूहों को खोज सकता है।

कंप्यूटर ने पांच अलग-अलग समूह या प्रोफाइल पाए जो मानव विशेषज्ञों के लिए तर्कसंगत थे। पहला समूह युवा मरीजों का था जो बहुत स्वस्थ और स्वतंत्र थे, जिनमें गिरने या बेडसोर्स होने का लगभग कोई जोखिम नहीं था। दूसरा समूह शारीरिक स्वतंत्रता के मामले में समान था लेकिन इसमें अधिक पुरानी (chronic) स्वास्थ्य समस्याओं वाले वृद्ध मरीज शामिल थे। तीसरा समूह मध्यम कठिनाइयों वाले मरीजों का प्रतिनिधित्व करता था; वे अभी भी कुछ चीजें खुद कर सकते थे लेकिन स्पष्ट रूप से संघर्ष कर रहे थे। चौथे समूह में वे मरीज शामिल थे जो देखभाल के लिए दूसरों पर काफी निर्भर थे और उच्च जोखिम का सामना कर रहे थे। अंत में, पांचवां समूह सबसे संवेदनशील था: बहुत वृद्ध मरीज जिनमें कई स्वास्थ्य समस्याएं थीं, जो गति के लिए पूरी तरह से दूसरों पर निर्भर थे और जिनमें गिरने या त्वचा के नुकसान का उच्चतम जोखिम था। इन पांच श्रेणियों ने जोखिम की एक स्पष्ट सीढ़ी बनाई, जो कम मदद चाहने वालों से लेकर निरंतर, गहन देखभाल चाहने वालों तक जाती है।

एक बार जब ये पांच समूह स्थापित हो गए, तो शोधकर्ताओंों के सामने एक नया कार्य था। उन्हें हर बार पूर्ण, समय लेने वाले विस्तृत मूल्यांकन किए बिना नए मरीजों को इन समूहों में असाइन करने का एक तरीका खोजने की आवश्यकता थी। वे VALENF इंस्ट्रूमेंट नामक एक छोटे उपकरण की ओर मुड़े, जो सात-आइटम वाली एक चेकलिस्ट है जिसका उपयोग नर्सें नियमित रूप से करती हैं। यह चेकलिस्ट सरल प्रश्न पूछती है जो उन्हीं जोखिमों का अनुमान लगाती है जिनका आकलन लंबे, अधिक विस्तृत परीक्षणों द्वारा किया जाता है। टीम ने एक कंप्यूटर प्रोग्राम को प्रशिक्षित किया ताकि वह इन सात प्रश्नों के उत्तरों को देख सके और भविष्यवाणी कर सके कि मरीज किस पांच जोखिम समूहों में से किसमें आता है। उन्होंने कई अलग-अलग प्रकार के कंप्यूटर लर्निंग एल्गोरिदम का परीक्षण किया, यह पता लगाने के लिए कि कौन सा सबसे सटीक है और, सबसे महत्वपूर्ण बात यह है कि कौन सा सबसे सुरक्षित गलतियाँ करता है।

जोखिम मूल्यांकन की दुनिया में, एक गलती दो तरह से हो सकती है: कंप्यूटर सोच सकता है कि एक मरीज सुरक्षित है जबकि वह वास्तव में जोखिम में है, या यह सोच सकता है कि एक मरीज जोखिम में है जबकि वह वास्तव में सुरक्षित है। शोधकर्ताओं ने पाया कि एक विशिष्ट प्रकार का एल्गोरिदम, जिसे 'रैंडम फॉरेस्ट' (random forest) कहा जाता है, सबसे अच्छा विकल्प था। जबकि एक अन्य विधि समग्र रूप से थोड़ी अधिक सटीक थी, रैंडम फॉरेस्ट अधिक सतर्क होने में बेहतर था। यदि कोई संदेह था, तो यह किसी मरीज को निम्न-जोखिम श्रेणी में गलती से डालने के बजाय उसे उच्च-जोखकिंग समूह में असाइन करने की अधिक संभावना रखता था। यह "सुरक्षा-प्रथम" दृष्टिकोण अस्पताल के माहौल में अत्यंत महत्वपूर्ण है, जहाँ किसी जोखिम को चूकना गंभीर परिणाम दे सकता है। चुना गया कंप्यूटर मॉडल परीक्षण के दौरान लगभग 82 प्रतिशत बार मरीजों को उनके जोखिम समूहों में सही ढंग से असाइन करता था, जो प्रदर्शन का एक ऐसा स्तर था जिसे शोधकर्ताओं ने आगे बढ़ने के लिए पर्याप्त मजबूत माना।

यह देखने के लिए कि क्या यह प्रणाली वास्तविक दुनिया में काम करेगी, टीम ने एक पूरी तरह से नए मरीजों के सेट पर इसका परीक्षण किया, जिसमें कुछ साल बाद दर्ज किए गए 8,000 से अधिक अस्पताल प्रवास शामिल थे। उन्होंने कंप्यूटर प्रोग्राम में कोई बदलाव नहीं किया; उन्होंने बस यह देखने के लिए नया डेटा डाला कि क्या होता है। परिणाम उत्साहजनक थे। सिस्टम ने सफलतापूर्वक नए मरीजों को पांच जोखिम समूहों में वर्गीकृत किया, और जोखिम का समग्र पैटर्न सुसंगत बना रहा। उच्च-जोखिम समूहों के मरीज वास्तव में अधिक उम्र के थे, उनमें अधिक स्वास्थ्य समस्याएं थीं, और वे निम्न-जोखिम समूहों की तुलना में कम गतिशील थे। कंप्यूटर के असाइनमेंट अधिकांश मामलों में मरीजों की स्थिति की नैदानिक वास्तविकता से मेल खाते थे।

हालाँकि, अध्ययन ने कुछ महत्वपूर्ण बारीकियों का भी खुलासा किया। यह प्रणाली मध्यम और उच्च-जोखिम श्रेणियों वाले मरीजों के लिए सबसे अच्छा काम करती थी। उन दो समूहों के लिए जो सामान्यतः स्वस्थ थे, कंप्यूटर कभी-कभी उन्हें "निम्न जोखिम" और "स्वास्थ्य समस्याओं के साथ निम्न जोखिम" श्रेणियों के बीच स्थानांतरित कर देता था। ऐसा इसलिए हुआ क्योंकि नए मरीज का समूह मूल समूह की तुलना में थोड़ा अधिक उम्रदराज था और उनमें पुरानी स्वास्थ्य समस्याएं थोड़ी अधिक थीं जिस पर कंप्यूटर को प्रशिक्षित किया गया था। जबकि कंप्यूटर ने जटिल, उच्च-जोखिम वाले मामलों को बहुत स्थिरता के साथ संभाला, स्वस्थ आबादी के सूक्ष्म अंतरों ने दिखाया कि सिस्टम मरीजों के मिश्रण के प्रति संवेदनशील है। शोधकर्ताओं ने उल्लेख किया कि हालांकि यह उपकरण तकनीकी रूप से सुदृढ़ और नैदानिक रूप से तार्किक है, लेकिन यह अभी तक हर अस्पताल के लिए तैयार एक अंतिम उत्पाद नहीं है।

अध्ययन निष्कर्ष निकालता है कि यह संभव है कि मरीज के स्वास्थ्य की जटिल, बहुआयामी तस्वीर को नियमित नर्सिंग डेटा का उपयोग करके एक सरल, स्वचालित जोखिम प्रोफाइल में बदला जा सके। पहचाने गए पांच समूह मरीज की भेद्यता को समझने का एक स्पष्ट, क्रमबद्ध तरीका प्रदान करते हैं, जो साधारण चिकित्सा निदान से आगे बढ़कर दैनिक कार्यक्षमता और सुरक्षा की वास्तविकता को पकड़ते हैं। इन प्रोफाइल्स को असाइन करने के लिए विकसित कंप्यूटर टूल अच्छी तरह से काम करता है, विशेष रूप से उन लोगों की पहचान करने में जिन्हें सबसे अधिक देखभाल की आवश्यकता है। फिर भी, शोधकर्ता सावधानी बरतते हुए कहते हैं कि यह एक शुरुआती बिंदु है, न कि अंतिम समाधान। इससे पहले कि ऐसे सिस्टम का उपयोग अस्पतालों में रोगी देखभाल के निर्णय लेने के लिए किया जा सके, इसे कई अलग-अलग अस्पतालों में परीक्षण करने और समय के साथ निगरानी करने की आवश्यकता है ताकि यह सुनिश्चित हो सके कि यह परिणामों में सुधार करता है और नई समस्याएँ पैदा नहीं करता है। यह कार्य सिद्ध करता है कि विचार व्यवहार्य है और डेटा उपलब्ध है, लेकिन एक सफल कंप्यूटर प्रयोग से दैनिक नर्सिंग देखभाल के विश्वसनीय हिस्से तक की यात्रा के लिए और अधिक प्रमाण और सावधानीपूर्वक योजना की आवश्यकता है।