An interpretable machine learning model for early sepsis prediction in patients with heart failure and type 2 diabetes: a retrospective cohort study

इंटेंसिव केयर यूनिट (ICU) में, जहाँ दांव सबसे ऊँचे होते हैं और समय सबसे कीमती संसाधन होता है, डॉक्टर लगातार एक मरीज की पुरानी स्थितियों और नए, तीव्र खतरों के बीच एक नाजुक संतुलन को तौलते रहते हैं। दो सबसे आम और चुनौतीपूर्ण पुरानी स्थितियाँ हार्ट फेल्योर (हृदय विफलता) हैं, जहाँ हृदय रक्त को प्रभावी ढंग से पंप करने के लिए संघर्ष करता है, और टाइप 2 मधुमेह है, एक ऐसी स्थिति जहाँ शरीर शर्करा के स्तर को ठीक से प्रबंधित नहीं कर पाता है। जब ये दोनों स्थितियाँ एक साथ मौजूद होती हैं, तो वे भेद्यता का एक आदर्श तूफान पैदा करती हैं। हृदय पर दबाव और मधुमेह की चयापचय संबंधी उथल-पुथल के कारण शरीर की संक्रमण से लड़ने की क्षमता पहले से ही कमजोर हो जाती है, जिससे इन मरीजों में सेप्सिस (sepsis) विकसित होने की संभावना बहुत अधिक बढ़ जाती है। सेप्सिस संक्रमण के प्रति एक जीवन के लिए खतरा पैदा करने वाली प्रतिक्रिया है जो तेजी से अंगों को बंद कर सकती है और मृत्यु का कारण बन सकती है। क्योंकि सेप्सिस के इलाज के लिए समय की खिड़की बहुत कम होती है, इसलिए इसकी जल्दी पहचान करना महत्वपूर्ण है, फिर भी वर्तमान उपकरण अक्सर इस विशिष्ट समूह के मरीजों में बहुत देर होने से पहले चेतावनी के संकेतों को पकड़ने में विफल रहते हैं।

शोधकर्ताओं की एक टीम ने इन मरीजों के लिए एक नया सुरक्षा कवच बनाने का लक्ष्य रखा, जो मरीज के मेडिकल डेटा के भीतर छिपे सूक्ष्म संकेतों को सुन सके। उन्होंने मशीन लर्निंग की ओर रुख किया, जो आर्टिफिशियल इंटेलिजेंस की एक शाखा है जहाँ कंप्यूटर नियमों के एक कठोर सेट का पालन करने के बजाय, अतीत के विशाल उदाहरणों का अध्ययन करके पैटर्न पहचानना सीखते हैं। लक्ष्य एक ऐसी प्रणाली बनाना था जो यह देख सके कि जब हार्ट फेल्योर और मधुमेह वाला मरीज इंटेंसिव केयर यूनिट में आता है, तो वह कितनी सटीकता से भविष्यवाणी कर सकता है कि क्या वह सेप्सिस विकसित करने वाला है। कई जटिल कंप्यूटर मॉडलों के विपरीत जो बिना कारण बताए केवल उत्तर देते हैं (जिन्हें "ब्लैक बॉक्स" कहा जाता है), यह टीम एक ऐसा सिस्टम चाहती थी जो अपना काम भी दिखा सके, यानी यह बता सके कि किन कारकों ने खतरे की ओर झुकाव पैदा किया।

शोधकर्ताओं ने दो विशाल, सार्वजनिक रूप से उपलब्ध डेटाबेस से डेटा एकत्र करके शुरुआत की, जिनमें संयुक्त राज्य अमेरिका के हजारों आईसीयू मरीजों के रिकॉर्ड शामिल थे। उन्होंने विशेष रूप से उन वयस्कों पर ध्यान केंद्रित किया जिन्हें हार्ट फेल्योर और टाइप 2 मधुमेह दोनों के साथ भर्ती किया गया था। 9,000 से अधिक संभावित उम्मीदवारों के पूल में से, उन्होंने अपने मॉडल को बनाने के लिए एक डेटाबेस से 7,806 मरीजों को चुना, और फिर यह देखने के लिए कि क्या यह वास्तविक दुनिया में टिक पाएगा, इसे दूसरे अस्पतालों के एक अलग समूह (633 मरीज) पर परखा। उन्होंने मरीज के प्रवास के पहले 24 घंटों के दौरान दर्ज की गई जानकारी की एक विस्तृत श्रृंखला को देखा, जिसमें हृदय गति और तापमान जैसे महत्वपूर्ण संकेत (vital signs), रक्त परीक्षण के परिणाम और क्या मरीज वेंटिलेटर (सांस लेने वाली मशीन) पर था, शामिल थे।

सबसे महत्वपूर्ण सुराग खोजने के लिए, टीम ने केवल अनुमान नहीं लगाया कि कौन से कारक मायने रखते हैं। उन्होंने डेटा को छानने के लिए एक कठोर प्रक्रिया का उपयोग किया, जिससे विभिन्न सांख्यिकीय तरीकों की तुलना की जा सके कि कौन से चर (variables) लगातार सेप्सिस की ओर इशारा करते हैं। इस प्रक्रिया ने संभावनाओं की एक लंबी सूची को केवल सात प्रमुख संकेतकों तक सीमित कर दिया। इनमें यह शामिल था कि क्या मरीज को तीव्र किडनी की चोट (acute kidney injury) थी, क्या वे सांस लेने में मदद के लिए मैकेनिकल वेंटिलेटर पर थे, उनका श्वेत रक्त कोशिका (white blood cell) काउंट क्या था, उनके शरीर का तापमान क्या था, एक मानक पैमाने द्वारा मापा गया उनकी चेतना का स्तर क्या था, उनके रक्त में एसिड संतुलन का माप क्या था, और लैक्टेट का स्तर क्या था—एक ऐसा पदार्थ जो तब बनता है जब ऊतकों को पर्याप्त ऑक्सीजन नहीं मिल पाती।

टीम ने फिर इन सात संकेतकों से सीखने के लिए सात अलग-अलग कंप्यूटर एल्गोरिदम को प्रशिक्षित किया। उन्होंने प्रत्येक का परीक्षण यह देखने के लिए किया कि कौन सा सेप्सिस विकसित होने वाले मरीजों और कौन से न होने वाले मरीजों के बीच बेहतर अंतर कर सकता है। एक एल्गोरिदम, जिसे XGBoost के रूप में जाना जाता है, सबसे विश्वसनीय बनकर उभरा। प्रारंभिक परीक्षण चरण में, इसने लगभग 71 प्रतिशत मामलों में जोखिम की सही पहचान की। जब शोधकर्ताओं ने इसी मॉडल को दूसरे अस्पतालों के मरीजों के अलग समूह पर लागू किया, तो इसने सम्मानजनक प्रदर्शन बनाए रखा, और लगभग 66 प्रतिशत मामलों में जोखिम की सही पहचान की। हालांकि यह पूर्ण नहीं है, लेकिन यह एक सार्थक कदम है, क्योंकि पहले इस समूह के पास खतरे को जल्दी पहचानने के लिए कोई विशेष उपकरण नहीं था।

इस कार्य को जो चीज़ विशेष रूप से मूल्यवान बनाती है, वह यह है कि शोधकर्ता केवल भविष्यवाणी तक ही नहीं रुके। उन्होंने "ब्लैक बॉक्स" को खोलने और यह देखने के लिए कि मॉडल अपने निर्णय कैसे ले रहा है, SHAP नामक एक तकनीक का उपयोग किया। उन्होंने पाया कि कंप्यूटर केवल अनुमान नहीं लगा रहा था; वह उन्हीं चीजों को प्राथमिकता दे रहा था जिन्हें एक अनुभवी डॉक्टर देखता है, लेकिन एक गणितीय सटीकता के साथ। मॉडल ने निर्धारित किया कि तीव्र किडनी की चोट, चेतना का निम्न स्तर और उच्च श्वेत रक्त कोशिका गणना, सेप्सिस के आने के सबसे मजबूत संकेत थे। इसने यह भी सीखा कि शरीर का तापमान एक विशिष्ट तरीके से मायने रखता है: तेज बुखार और खतरनाक रूप से कम तापमान, दोनों ही चेतावनी के संकेत थे, जबकि सामान्य तापमान राहत देने वाला था। इसी तरह, इसने पहचाना कि लैक्टेट का उच्च स्तर और वेंटिलेटर की आवश्यकता जोखिम को काफी बढ़ा देती है।

शोधकर्ताओं ने सावधानीपूर्वक यह नोट किया कि हालांकि उनका मॉडल अच्छा प्रदर्शन करता है, लेकिन यह अभी डॉक्टर के निर्णय की जगह लेने या अपने आप उपचार के निर्णय लेने के लिए तैयार नहीं है। बाहरी परीक्षण ने दिखाया कि हालांकि मॉडल उपयोगी है, लेकिन यह अचूक नहीं है, और इसे रोजमर्रा के क्लिनिकल अभ्यास में उपयोग करने से पहले विभिन्न अस्पतालों और विभिन्न रोगी आबादी के साथ और अधिक परीक्षण करने की आवश्यकता है। यह अध्ययन एक 'प्रूफ ऑफ कॉन्सेप्ट' के रूप में कार्य करता है, जो यह प्रदर्शित करता है कि एक व्याख्या योग्य उपकरण बनाना संभव है जो हार्ट फेल्योर और मधुमेह वाले उच्च जोखिम वाले मरीजों को चिह्नित करने के लिए नियमित, रोजमर्रा के मेडिकल डेटा का उपयोग करता है। किडनी फेल्योर, सांस लेने की कठिनाइयों और रक्त रसायन में बदलाव के विशिष्ट संयोजन को उजागर करके, यह कार्य चिकित्सकों को उस स्थिति से एक कदम आगे रहने का एक नया तरीका प्रदान करता है जो अनदेखी करने के लिए बहुत तेजी से चलती है।