Development and Cross-Database Evaluation of 6-Hour Landmark Prediction Models for a Subsequent Packed Red Blood Cell Transfusion Record in Adult Trauma ICU Patients

इंटेंसिव केयर यूनिट (ICU) के उच्च-दांव वाले वातावरण में, समय अक्सर सबसे महत्वपूर्ण संसाधन होता है। जब कोई मरीज गंभीर आघात (ट्रॉमा) के साथ आता है, तो मेडिकल टीम की पहली प्राथमिकता रक्तस्राव को रोकना और शरीर को स्थिर करना होता है। लेकिन काम तब खत्म नहीं होता जब मरीज अस्पताल में व्यवस्थित हो जाता है। अगले दिन के लिए, डॉक्टरों को सतर्क रहना चाहिए, इस बात पर नज़र रखनी चाहिए कि क्या मरीज को और अधिक रक्त की आवश्यकता हो सकती है। रक्त का संचार (ब्लड ट्रांसफ्यूजन) जीवन रक्षक है, फिर भी यह जोखिमों से मुक्त नहीं है, और इसे बहुत जल्दी या बहुत देर से देना रिकवरी को जटिल बना सकता है। चुनौती यह अनुमान लगाने में है कि किसे उस अतिरिक्त रक्त की आवश्यकता होगी, इससे पहले कि वह आवश्यकता स्पष्ट हो जाए। पारंपरिक रूप से, डॉक्टर अपने अनुभव और प्रवेश के समय उपलब्ध डेटा पर भरोसा करते हैं। हालांकि, अस्पताल के पहले कुछ घंटों में मरीज की स्थिति तेजी से बदलती है। एक नया प्रश्न उभरा है: क्या एक कंप्यूटर मॉडल यह देख सकता है कि मरीज के आईसीयू में प्रवेश करने के छह घंटे बाद उपलब्ध जानकारी को देखकर, यह सटीक भविष्यवाणी कर सकता है कि उसे उस दिन बाद में रक्त चढ़ाने की आवश्यकता होगी या नहीं? यह डॉक्टर के निर्णय को बदलने के बारे में नहीं है, बल्कि एक समय पर मिलने वाले संकेत के बारे में है जो उस मरीज पर बारीकी से नज़र रखने के लिए प्रेरित करता है जो अन्यथा अनदेखा रह सकता है।

शोधकर्ताओं की एक टीम ने इस प्रश्न का उत्तर देने के लिए एक नए प्रकार के प्रेडिक्शन टूल (भविष्यवाणी उपकरण) को बनाने और परीक्षण करने के उद्देश्य से काम शुरू किया। उन्होंने विशेष रूप से उन वयस्क ट्रॉमा मरीजों पर ध्यान केंद्रित किया जिन्होंने अस्पताल में रहने के पहले छह घंटों के भीतर रक्त का संचार नहीं कराया था। संयुक्त राज्य अमेरिका के अस्पतालों के विशाल, गुमनाम डेटाबेस का उपयोग करके, उन्होंने कंप्यूटर एल्गोरिदम को प्रशिक्षित किया ताकि वे मरीज के महत्वपूर्ण संकेतों (वाइटल साइन्स) और लैब परिणामों में पैटर्न की पहचान कर सकें। लक्ष्य एक ऐसी प्रणाली बनाना था जो उन मरीजों को चिह्नित कर सके जिन्हें अगले अठारह घंटों के भीतर पैक्ड रेड ब्लड सेल्स (रक्त की कमी को पूरा करने के लिए इस्तेमाल होने वाला मानक उत्पाद) की आवश्यकता हो सकती है। शोधकर्ताओं ने केवल एक मॉडल नहीं बनाया; उन्होंने पांच अलग-अलग गणितीय दृष्टिकोण विकसित किए ताकि यह देखा जा सके कि कौन सा सबसे अच्छा काम करता है। इसके बाद उन्होंने इन मॉडलों का परीक्षण विभिन्न अस्पतालों के अलग सेट के रोगी रिकॉर्ड पर किया ताकि यह सुनिश्चित हो सके कि परिणाम पहले समूह के डेटा का कोई संयोग मात्र नहीं हैं।

अध्ययन में पाया गया कि ये कंप्यूटर मॉडल वास्तव में उन मरीजों के बीच अंतर कर सकते थे जिन्हें अधिक रक्त की आवश्यकता होगी और जिन्हें नहीं होगी। सबसे सफल मॉडल, जिसने विभिन्न कारकों के महत्व को निर्धारित करने के लिए 'वेटेड XGBoost' नामक एक परिष्कृत पद्धति का उपयोग किया, दोनों डेटा सेटों में अच्छा प्रदर्शन करता रहा। शुरुआती समूह के मरीजों में, मॉडल ने लगभग 84 मामलों में जोखिम की सही पहचान की जहाँ अंतर किया जा सकने योग्य था। जब दूसरे, 176 अलग-अलग अस्पतालों के स्वतंत्र समूह के मरीजों पर परीक्षण किया गया, तो प्रदर्शन मजबूत बना रहा, जिसने लगभग 85 मामलों में जोखिम की सही पहचान की। यह निरंतरता बताती है कि यह टूल न केवल उसी अस्पताल में, बल्कि अन्य अस्पताल परिवेशों में भी काम करने के लिए पर्याप्त सुदृढ़ है जहाँ इसे बनाया गया था।

हालांकि, शोधकर्ताओं ने एक महत्वपूर्ण विवरण की खोज की जिसने यह निर्धारित किया कि टूल कितनी अच्छी तरह काम करता है: एक विशिष्ट लैब टेस्ट की उपलब्धता। मॉडल की सटीकता इस बात पर बहुत अधिक निर्भर थी कि मरीज के प्रवास के शुरुआती चरणों में ही हीमोग्लोबिन टेस्ट (रक्त की ऑक्सीजन ले जाने की क्षमता का एक माप) किया गया था या नहीं। जब वह टेस्ट उपलब्ध था, तो भविष्य की जरूरतों की भविष्यवाणी करने की मॉडल की क्षमता काफी बढ़ गई। जब वह टेस्ट अनुपलब्ध था, तो मॉडल का प्रदर्शन उल्लेखनीय रूपकी गिर गया। यह निष्कर्ष बताता है कि टूल केवल मरीज की जीव विज्ञान को नहीं पढ़ रहा है; यह अस्पताल की कार्यप्रणाली (वर्कफ्लो) को भी पढ़ रहा है। यदि मेडिकल टीम ने आवश्यक रक्त परीक्षण का आदेश नहीं दिया है, तो कंप्यूटर पूरी तस्वीर नहीं देख सकता। इसका मतलब यह नहीं है कि टूल विफल हो जाता है, बल्कि इसकी प्रभावशीलता उस जानकारी से जुड़ी है जो डॉक्टरों ने पहले ही एकत्र कर ली है।

शोधकर्ताओं ने यह भी जांचा कि निर्णय लेने के लिए कंप्यूटर वास्तव में "क्या देख रहा" था। उन्होंने पाया कि सबसे महत्वपूर्ण सुराग दर्ज किए गए सबसे कम हीमोग्लोबिन स्तर, सबसे कम रक्तचाप और पहले छह घंटों के दौरान उच्चतम हृदय गति थे। ये तनाव में शरीर के तार्किक संकेतक हैं, लेकिन कंप्यूटर ने इस बात पर भी ध्यान दिया कि क्या कुछ परीक्षण गायब थे। देखभाल के पैटर्न को समझना भी महत्वपूर्ण था। उदाहरण के लिए, यदि कोई मरीज स्थिर है, तो डॉक्टर बार-बार रक्त परीक्षण का आदेश नहीं दे सकते हैं, जबकि एक बिगड़ते हुए मरीज का लगातार परीक्षण किया जा सकता है। मॉडल ने इन देखभाल के पैटर्न को मरीज की कहानी के हिस्से के रूप में पहचानना सीख लिया।

इन सफलताओं के बावजूद, लेखक यह स्पष्ट करने में सावधानी बरतते हैं कि यह टूल क्या नहीं है। यह सक्रिय रक्तस्राव का निदान नहीं है, और न ही यह रक्त चढ़ाने का कोई आदेश है। मॉडल रक्त संचार के एक दस्तावेजी रिकॉर्ड की भविष्यवाणी करता है, जो अस्पताल के कंप्यूटर सिस्टम में एक विशिष्ट घटना है, न कि अनिवार्य रूप से रक्त की जैविक आवश्यकता। शोधकर्ता इस बात पर जोर देते हैं कि टूल को मानव समीक्षा के लिए एक संकेत (प्रॉम्प्ट) के रूप में कार्य करने के लिए डिज़ाइन किया गया है। यदि मॉडल किसी मरीज को चिह्नित करता है, तो यह सुझाव देता है कि डॉक्टर को मरीज की स्थिति पर ताज़ा नज़र डालनी चाहिए, उनके लैब परिणामों की जाँच करनी चाहिए और तय करना चाहिए कि क्या रक्त संचार वास्तव में आवश्यक है। उनके परीक्षण में, इन समीक्षाओं को ट्रिगर करने के लिए एक विशिष्ट थ्रेशोल्ड (सीमा) का उपयोग करने से हर 100 मरीजों में से लगभग 17 मरीजों को चिह्नित किया जाता। इस समूह में उन मरीजों का लगभग 70% शामिल होता जिन्हें वास्तव में रक्त की आवश्यकता थी, जिसका अर्थ है कि टूल अधिकांश जोखिम वाले मरीजों को पकड़ सकता था और साथ ही उन गलत सूचनाओं के सैलाब से भी बच सकता था जो स्टाफ को अभिभूत कर सकते थे।

अध्ययन ने यह भी पता लगाया कि यदि अस्पताल पूरे चौबीस घंटे की अवलोकन अवधि समाप्त होने से पहले मरीज को डिस्चार्ज कर देता है, तो मॉडल कैसे व्यवहार करेगा। वास्तविक जीवन में, मरीज आईसीयू में अलग-अलग समय पर छोड़ दिए जाते हैं, और यह भविष्यवाणियों को जटिल बना सकता है। शोधकर्ताओं ने पाया कि इन बाधाओं के बावजूद, मॉडल ने जोखिम के आधार पर मरीजों को वर्गीकृत करने की अपनी क्षमता बनाए रखी। जो मरीज मॉडल द्वारा उच्च-जोखिम वाले के रूप में चिह्नित किए गए थे, उन्हें वास्तव में उनके जाने से पहले रक्त प्राप्त होने की संभावना अधिक थी, तुलना में जिन्हें कम-जोखिम वाला चिह्नित किया गया था। यह सुझाव देता है कि टूल अस्पताल डिस्चार्ज की जटिल वास्तविकता को बिना अपनी भविष्य कहने की शक्ति खोए संभाल सकता है।

अंततः, यह कार्य ट्रॉमा केयर के लिए अधिक स्मार्ट और समय पर सहायता की दिशा में एक कदम है। शोधकर्ताओं ने प्रदर्शित किया कि डेटा की छह घंटे की विंडो भविष्य में रक्त की जरूरतों के लिए एक विश्वसनीय जोखिम मूल्यांकन बनाने के लिए पर्याप्त है। उन्होंने दिखाया कि जबकि जटिल कंप्यूटर एल्गोरिदम इन पैटर्न को ढूंढ सकते हैं, भविष्यवाणी की गुणवत्ता उस समय उपलब्ध जानकारी की गुणवत्ता से अटूट रूप से जुड़ी हुई है। यह टूल डॉक्टर की जगह नहीं लेता; इसके बजाय, यह आँखों की एक दूसरी जोड़ी प्रदान करता है जो कभी थकती नहीं है, डेटा को लगातार स्कैन करती रहती है ताकि यह सुनिश्चित हो सके कि जरूरत वाले किसी भी मरीज को अनदेखा न किया जाए। जैसा कि लेखकों ने उल्लेख किया है, अगला कदम इस प्रणाली को वास्तविक समय के अस्पताल वर्कफ्लो में परीक्षण करना है ताकि यह देखा जा सके कि क्या यह वास्तव में मरीजों के परिणामों में सुधार करता है और टीमों को उनके कार्यभार को प्रबंधित करने में मदद करता है। तब तक, यह एक शक्तिशाली 'प्रूफ ऑफ कॉन्सेप्ट' बना हुआ है: एक डिजिटल सहायक जो संकट के अपरिहार्य होने से बहुत पहले रक्त की आवश्यकता के चेतावनी संकेतों को देख सकता है।