A Machine Learning Model for Predicting In-Hospital Mortality among ICU Patients with Cirrhosis and Sepsis

जब किसी व्यक्ति का लिवर सिरोसिस के कारण गंभीर रूप से क्षतिग्रस्त हो जाता है, तो शरीर की संक्रमण से लड़ने की क्षमता काफी कमजोर हो जाती है। लिवर सामान्यतः एक फिल्टर और इम्यून प्रोटीन के कारखाने के रूप में कार्य करता है, लेकिन जब यह विफल हो जाता है, तो आंतों में रहने वाले बैक्टीरिया रक्तप्रवाह में प्रवेश कर सकते हैं, जिससे शरीर भर में एक आपात स्थिति उत्पन्न होती है जिसे सेप्सिस (sepsis) कहा जाता है। विफल होते लिवर और भीषण संक्रमण का यह संयोजन गहन देखभाल इकाइयों (ICU) में मरीजों के लिए एक घातक जाल बन जाता है। डॉक्टर लंबे समय से मरीजों की गंभीरता और उनके जीवित रहने की संभावना का अनुमान लगाने के लिए मानक स्कोरिंग सिस्टम पर भरोसा करते रहे हैं। ये सिस्टम मरीज के महत्वपूर्ण संकेतों (vital signs) और लैब परिणामों का एक स्नैपशॉट लेते हैं, और फिर एक सरल चेकलिस्ट की तरह उन्हें जोड़कर एक जोखिम स्कोर निर्धारित करते हैं। हालांकि, ये पारंपरिक उपकरण लिवर रोग की अनूठी जटिलता को समझने में अक्सर संघर्ष करते हैं, जहाँ पुरानी समस्याएं तीव्र संकट को छिपा सकती हैं, जिससे उन मरीजों की पहचान करना कठिन हो जाता है जो बिगड़ने ही वाले होते हैं।

शोधकर्ताओं की एक टीम ने यह अनुमान लगाने का एक स्मार्ट तरीका बनाने का लक्ष्य रखा कि कौन जीवित रहेगा और कौन नहीं। उन्होंने मशीन लर्निंग की ओर रुख किया, जो कंप्यूटर विज्ञान का एक प्रकार है जहाँ एल्गोरिदम कठोर, पूर्व-लिखित नियमों का पालन करने के बजाय डेटा की विशाल मात्रा से पैटर्न सीखते हैं। लक्ष्य एक ऐसा मॉडल बनाना था जो गहन देखभाल इकाई में मरीज के पहले चौबीस घंटों को देख सके और अस्पताल छोड़ने से पहले उनकी मृत्यु की संभावना का सटीक अनुमान लगा सके। शोधकर्ताओं ने उम्मीद की कि कंप्यूटर को नियमित नैदानिक डेटा—जैसे रक्त परीक्षण के परिणाम, हृदय गति, मूत्र उत्पादन, और क्या मरीज को रक्तप्रवाह में संक्रमण था—में फीड करके, वे उन सूक्ष्म संबंधों को उजागर कर पाएंगे जिन्हें मानव डॉक्टर या साधारण चेकलिस्ट मिस कर सकते हैं।

अध्ययन की शुरुआत दो बहुत अलग स्रोतों से डेटा एकत्र करके हुई। पहला एक विशाल, सार्वजनिक रूप से उपलब्ध डेटाबेस था जिसमें संयुक्त राज्य अमेरिका के हजारों गहन देखभाल रोगियों के रिकॉर्ड शामिल थे। दूसरा, चीन के वुहान के एक अस्पताल के मरीजों का एक छोटा, स्वतंत्र समूह था। इस दो-चरणीय दृष्टिकोण ने टीम को एक बड़े समूह पर अपना कंप्यूटर मॉडल प्रशिक्षित करने और फिर यह देखने के लिए कि क्या यह एक अलग सेटिंग में काम करेगा, एक पूरी तरह से अलग समूह पर इसका परीक्षण करने की अनुमति दी। उन्होंने विशेष रूप से उन वयस्कों पर ध्यान केंद्रित किया जिनमें सिरोसिस और सेप्सिस दोनों थे, और उन लोगों को बाहर कर दिया जो एक दिन से कम समय के लिए गहन देखभाल इकाई में रहे, क्योंकि मॉडल को देखभाल के पहले पूर्ण दिन के आधार पर भविष्यवाणियां करने के लिए डिज़ाइन किया गया था।

शोधकर्ताओं ने सात अलग-अलग कंप्यूटर एल्गोरिदम को प्रशिक्षित किया, जो सरल सांख्यिकीय विधियों से लेकर जटिल, ट्री-आधारित लर्निंग सिस्टम तक विस्तृत थे। उन्होंने प्रत्येक एल्गोरिदम को प्रशिक्षण डेटा से सीखने के लिए कहा और फिर यह परीक्षण करने के लिए उनका परीक्षण किया कि कौन सा एल्गोरिदम मरीजों के बीच अंतर करने में सबसे बेहतर था जो जीवित रहे और जो नहीं रहे। परिणामों ने दिखाया कि एक विशिष्ट एल्गोरिदम, जिसे XGBoost के रूप में जाना जाता है, अन्य सभी से बेहतर प्रदर्शन करता है। यह मॉडल केवल अनुमान नहीं लगाता था; इसने विभिन्न कारकों के महत्व को एक जटिल, गैर-रेखीय (non-linear) तरीके से समझना सीखा। उदाहरण के लिए, जबकि एक मानक स्कोर बिलिरुबिन (रक्त में एक पीला रंग जो लिवर की समस्या का संकेत देता है) के उच्च स्तर को पैमाने पर केवल एक अंक के रूप में मान सकता है, मशीन लर्निंग मॉडल यह समझ गया कि उस स्तर का रक्त के थक्के जमने के समय और संक्रमण की उपस्थिति जैसे अन्य कारकों के साथ कैसे परस्पर क्रिया (interaction) होती है ताकि एक विशिष्ट जोखिम प्रोफाइल बनाया जा सके।

जब आंतरिक समूह के मरीजों पर परीक्षण किया गया, तो XGBoost मॉडल ने उच्च सटीकता के साथ परिणाम की सही पहचान की। अधिक महत्वपूर्ण बात यह है कि जब शोधकर्ताओं ने उसी मॉडल को चीनी अस्पताल के स्वतंत्र समूह के मरीजों पर लागू किया, तो यह अभी भी अच्छा प्रदर्शन करता रहा, जिससे यह सिद्ध हुआ कि इसके द्वारा सीखे गए पैटर्न केवल पहले डेटासेट का कोई संयोग मात्र नहीं थे। जीवित रहने वालों और न बचने वालों को अलग करने की मॉडल की क्षमता वर्तमान में अस्पतालों में उपयोग किए जाने वाले पारंपरिक स्कोरिंग सिस्टम से काफी बेहतर थी। मानक स्कोर, जिन पर व्यापक रूप से भरोसा किया जाता है, इन जटिल मरीजों के जोखिम की पूरी तस्वीर पकड़ने में विफल रहे, और अक्सर उन सूक्ष्म चेतावनी संकेतों को मिस कर गए जिन्हें मशीन लर्निंग मॉडल पकड़ लेता था।

यह समझने के लिए कि कंप्यूटर ने निर्णय क्यों लिए, शोधकर्ताओं ने एक ऐसे टूल का उपयोग किया जो एक स्पॉटलाइट की तरह काम करता है, और यह उजागर करता है कि कौन से चर (variables) सबसे अधिक महत्वपूर्ण थे। उन्होंने पाया कि सबसे महत्वपूर्ण कारकों में शामिल था कि क्या मरीज लिवर ट्रांसप्लांट के लिए उम्मीदवार है, उनके रक्त में बिलिरुबिन का स्तर, उनके रक्त के थक्के जमने में लगने वाला समय, क्या उन्हें रक्तप्रवाह में संक्रमण था, और उन्होंने कितना मूत्र उत्पादित किया। ये निष्कर्ष चिकित्सा अंतर्ज्ञान (medical intuition) के अनुरूप हैं लेकिन उनके महत्व की एक सटीक, डेटा-संचालित पुष्टि प्रदान करते हैं। उदाहरण के लिए, मॉडल ने सीखा कि रक्तप्रवाह में संक्रमण और कम मूत्र उत्पादन वाले मरीज को केवल एक समस्या वाले व्यक्ति की तुलना में बहुत अधिक जोखिम का सामना करना पड़ता है, जो कि साधारण जोड़-आधारित स्कोर अक्सर मिस कर देते हैं।

अध्ययन ने यह भी खुलासा किया कि लिवर रोग का विशिष्ट कारण मायने रखता था। वे मरीज जिनका सिरोसिस क्रोनिक वायरल हेपेटाइटिस के कारण था, उनके जीवित रहने की दर उन मरीजों की तुलना में भिन्न थी जिनका लिवर डैमेज शराब के कारण हुआ था। दोनों अस्पतालों के बीच रोगी आबादी में इस भिन्नता ने मॉडल के प्रदर्शन में अंतर के कारणों को समझाया, फिर भी मॉडल दोनों समूहों में उपयोगी होने के लिए पर्याप्त मजबूत बना रहा। शोधकर्ताओं ने नोट किया कि मॉडल अत्यधिक विशिष्ट (specific) था—अर्थात, यह उन मरीजों की पहचान करने में बहुत अच्छा था जो जीवित रहेंगे—लेकिन यह उन हर मरीज को पकड़ने में कम संवेदनशील (sensitive) था जो अंततः मर जाएंगे। यह सुझाव देता है कि जबकि यह उपकरण कम जोखिम वाले मरीजों को खारिज करने के लिए उत्कृष्ट है, यह कुछ उच्च-जोखिम वाले व्यक्तियों को मिस कर सकता है जो पहले दिन के बाद तेजी से बिगड़ जाते हैं।

अंततः, यह शोध प्रदर्शित करता है कि मशीन लर्निंग कुछ सबसे संवेदनशील मरीजों के जोखिम का आकलन करने के लिए अधिक सूक्ष्म और सटीक तरीका प्रदान कर सकता है। देखभाल के पहले दिन का विश्लेषण करके, मॉडल वर्तमान मानक तरीकों की तुलना में भविष्य की अधिक स्पष्ट तस्वीर प्रदान करता है। यह डॉक्टर के निर्णय का स्थान नहीं लेता है बल्कि एक शक्तिशाली 'सेकंड ओपिनियन' प्रदान करता है, जो हजारों पिछले मामलों के पैटर्न पर आधारित है। अध्ययन का निष्कर्ष है कि ऐसे उपकरण चिकित्सा टीमों को उच्च-जोखिम वाले मरीजों की पहचान जल्दी करने में मदद कर सकते हैं, जिससे अधिक समय पर और लक्षित हस्तक्षेप संभव हो सके। हालांकि यह मॉडल कोई पूर्ण भविष्य बताने वाला यंत्र (crystal ball) नहीं है, लेकिन यह डेटा का उपयोग करके क्रिटिकल केयर की अनिश्चितता को सुलझाने की दिशा में एक महत्वपूर्ण कदम है, जो कच्चे आंकड़ों को जीवन बचाने वाले व्यावहारिक अंतर्दृष्टि में बदल देता है।