A Calibrated Glycaemic-Blind Machine-Learning Model for Opportunistic Prediabetes Screening in UK Biobank
यह अध्ययन यूके बायोबैंक डेटा पर प्रशिक्षित एक कैलिब्रेटेड, ग्लाइसेमिक-ब्लाइंड लाइटजीबीएम (LightGBM) मशीन-लर्निंग मॉडल प्रस्तुत करता है जो सीधे ग्लूकोज बायोमार्कर का उपयोग किए बिना प्रीडायबिटीज के जोखिम वाले व्यक्तियों की प्रभावी ढंग से पहचान करता है, जो अवसरवादी स्क्रीनिंग के लिए उच्च संवेदनशीलता प्राप्त करता है और साथ ही नैदानिक कार्यान्वयन से पहले आगे के समता मूल्यांकन की आवश्यकता को रेखांकित करता 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
लाखों लोगों के लिए, टाइप 2 मधुमेह का मार्ग किसी अचानक आए संकट से नहीं, बल्कि प्रीडायबिटीज नामक एक शांत, मध्यवर्ती चरण से शुरू होता है। इस अवस्था में, रक्त शर्करा (ब्लड शुगर) का स्तर सामान्य से अधिक होता है लेकिन पूर्ण मधुमेह के रूप में निदान होने के लिए पर्याप्त नहीं होता है। यह एक महत्वपूर्ण अवसर की खिड़की है; इसे जल्दी पहचान लेने से व्यक्तियों को अपनी आदतों को बदलने और बीमारी को जड़ जमाने से रोकने में मदद मिलती है। हालाँकि, इन छिपे हुए मामलों को ढूँढना कठिन है। प्रीडायबिटीज की जांच करने का मानक तरीका विशिष्ट शर्करा संबंधी मार्करों, जैसे कि HbA1c नामक प्रोटीन को मापने के लिए रक्त निकालना है। हालांकि ये परीक्षण सटीक हैं, लेकिन ये महंगे हैं, इनके लिए क्लिनिक जाना आवश्यक है, और इन्हें पूरी आबादी पर एक साथ नहीं किया जा सकता क्योंकि इससे स्वास्थ्य प्रणालियाँ बोझिल हो सकती हैं। इसके अलावा, ये परीक्षण स्वयं कभी-कभी आपस में मेल नहीं खाते, जिससे डॉक्टर अनिश्चित हो जाते हैं कि वास्तव में किसे अनुवर्ती देखभाल (फॉलो-अप केयर) की आवश्यकता है। यह एक दुविधा पैदा करता है: आप उन लोगों को कुशलतापूर्वक कैसे खोजें जिन्हें मदद की आवश्यकता है बिना सभी का परीक्षण किए?
शोधकर्ताओं की एक टीम ने इस समस्या से निपटने के लिए एक नए प्रकार का डिजिटल टूल बनाने के लिए काम किया है, जिसे रक्त निकालने से पहले एक 'फ़िल्टर' के रूप में कार्य करने के लिए डिज़ाइन किया गया है। सीधे तौर पर शर्करा के स्तर को देखने के बजाय, जो कि स्क्रीनिंग के संदर्भ में अमान्य होगा, उन्होंने एक कंप्यूटर प्रोग्राम को प्रशिक्षित किया जो लोगों के पास पहले से मौजूद विविध अन्य स्वास्थ्य डेटा में पैटर्न को पहचान सके। इस डेटा में आयु, शारीरिक माप, रक्तचाप, धूम्रपान और शराब पीने जैसी जीवनशैली की आदतें, और यहाँ तक कि आनुवंशिक मार्कर भी शामिल हैं। शोधकर्ताओं ने यूके बायोबैंक (UK Biobank) का उपयोग किया, जो यूनाइटेड किंगडम के पांच लाख से अधिक स्वयंसेमानों के स्वास्थ्य रिकॉर्ड वाला एक विशाल डेटाबेस है। उन्होंने लगभग 1,20,000 वयस्कों के एक विशिष्ट समूह पर ध्यान केंद्रित किया जिन्हें अध्ययन की शुरुआत में मधुमेह नहीं था। लक्ष्य यह देखना था कि क्या एक मशीन-लर्निंग मॉडल केवल इन गैर-शर्करा संकेतों के आधार पर यह पहचान सकता है कि किसे प्रीडायबिटीज होने की संभावना है, जिससे मरीजों को प्राथमिकता (ट्राइएज) दी जा सके ताकि केवल उच्चतम जोखिम वाले लोगों को ही पुष्टिकारक रक्त परीक्षण की आवश्यकता हो।
शोधकर्ताओं को एक बड़ी चुनौती का सामना करना पड़ा: उन्हें यह सुनिश्चित करना था कि कंप्यूटर केवल उत्तर को रट न ले। यदि मॉडल को उन रक्त शर्करा के नंबरों को देखने की अनुमति दी जाती जिन्हें उसे भविष्यवाणियां करनी थीं, तो वह लगभग पूर्ण स्कोर प्राप्त कर लेता लेकिन वास्तविक दुनिया में बेकार होता, जहाँ वे नंबर ही गायब होते हैं जिनकी आवश्यकता है। इसे रोकने के लिए, उन्होंने सभी प्रत्यक्ष शर्करा संबंधी मापों और उन विशेषताओं को सख्ती से हटा दिया जो अप्रत्यक्ष रूप से उन्हें प्रकट कर सकती थीं। फिर उन्होंने 2006 और 2008 के बीच भर्ती किए गए स्वयंसेवकों के डेटा पर मॉडल को प्रशिक्षित किया, 2009 के डेटा पर इसके तर्क का परीक्षण किया, और अंत में 2010 के डेटा को एक पूरी तरह से अनदेखे टेस्ट के रूप में सुरक्षित रखा ताकि यह देख सकें कि वास्तविक दुनिया में मॉडल कैसा प्रदर्शन करता है। उन्होंने अपने नए सिस्टम की तुलना पुराने, सरल जोखिम स्कोर से की जो वजन और पारिवारिक इतिहास के बारे में बुनियादी प्रश्नों पर आधारित हैं, साथ ही एक सैद्धांतिक "परफेक्ट" मॉडल के विरुद्ध भी, जिसे शर्करा के स्तर का उपयोग करने की अनुमति थी।
परिणामों से पता चला कि नया दृष्टिकोण काम करता है, हालांकि यह कोई जादुई समाधान (मैजिक बुलेट) नहीं है। 2010 के अनदेखे समूह पर परीक्षण करते समय, मॉडल ने पुराने, सरल प्रश्नावली की तुलना में प्रीडायबिटीज वाले और बिना प्रीडायबिटीज वाले लोगों के बीच बेहतर अंतर किया। इसने 0.702 का स्कोर प्राप्त किया, जहाँ 1.0 पूर्णता को दर्शाता है और 0.5 का अर्थ अनुमान लगाने से बेहतर कुछ भी नहीं है। हालांकि यह सटीकता का एक मध्यम स्तर है, लेकिन यह महत्वपूर्ण है क्योंकि यह बिना एक भी रक्त शर्करा रीडिंग देखे हासिल किया गया था। मॉडल ने पहचाना कि आनुवंशिक जोखिम, दवा का इतिहास, आयु, बॉडी मास इंडेक्स (BMI), और विशिष्ट लिवर एवं किडनी मार्कर सबसे मजबूत सुराग थे। वास्तव में, मॉडल ने पाया कि मधुमेह के लिए व्यक्ति का आनुवंशिक जोखिम सबसे प्रभावशाली कारक था, जिसके ठीक बाद उनके द्वारा ली जाने वाली दवाएं और उनकी आयु आती थी।
डॉक्टरों के लिए इस टूल को उपयोगी बनाने के लिए, शोधकर्ताओं ने मॉडल के व्यवहार के लिए एक विशिष्ट नियम निर्धारित किया। उन्होंने निर्णय लिया कि सिस्टम अत्यंत संवेदनशील होना चाहिए, जिसका अर्थ है कि यह कई स्वस्थ लोगों को चिह्नित करने की कीमत पर भी अधिक से अधिक वास्तविक मामलों को पकड़े। इस उच्च-संवेदनशीलता सेटिंग पर, मॉडल ने 0.922 का AUC प्राप्त किया। हालांकि, इस उच्च पकड़ दर की एक लागत भी थी: मॉडल ने सभी स्वस्थ लोगों में से 76% को आगे के परीक्षण के लिए भेजा। व्यावहारिक रूप से, प्रीडायबिटीज के प्रत्येक एक मामले को सफलतापूर्वक खोजने के लिए, इसने लगभग छह स्वस्थ लोगों को पुष्टि के लिए लैब भेजा। यह ट्रेड-ऑफ (समझौता) जानबूझकर किया गया है; एक स्क्रीनिंग कार्यक्रम में, किसी ऐसे व्यक्ति को छोड़ने की तुलना में जो उपचार की आवश्यकता रखता है, कुछ अतिरिक्त स्वस्थ लोगों का परीक्षण करना बेहतर होता है। शोधकर्ताओं ने यह भी जाँच की कि क्या मॉडल विभिन्न समूहों के साथ निष्पक्ष व्यवहार करता है। उन्होंने पाया कि जबकि मॉडल पुरुषों और महिलाओं के लिए समान रूप से काम करता था, यह विभिन्न आयु समूहों और जातीय पृष्ठभूमि के लोगों के लिए अलग व्यवहार करता था। उदाहरण के लिए, मॉडल कम उम्र के लोगों के लिए कम सटीक था और श्वेत प्रतिभागियों की तुलना में एशियाई और अश्वेत मूल के लोगों के लिए अधिक 'फॉल्स अलार्म' (गलत चेतावनी) उत्पन्न करता था, जो यह दर्शाता है कि एक ही नियम हर समूह के लिए पूरी तरह फिट नहीं बैठता।
अध्ययन निष्कर्ष निकालता है कि यह कैलिब्रेटेड, शुगर-ब्लाइंड मॉडल दो-चरणीय स्क्रीनिंग प्रक्रिया के लिए एक व्यवहार्य पहला कदम है। यह अक्सर इलेक्ट्रॉनिक हेल्थ रिकॉर्ड में उपलब्ध डेटा, जैसे कि नियमित रक्त परीक्षण और जीवनशैली प्रश्नावली का उपयोग करके बड़ी आबादी को प्रभावी ढंग से स्कैन कर सकता है, ताकि यह प्राथमिकता तय की जा सके कि किसे अधिक विशिष्ट शर्करा परीक्षणों की आवश्यकता है। शोधकर्ता इस बात पर जोर देते हैं कि यह उपकरण निदान (डायग्नोसिस) नहीं है; यह एक ट्राइएज सिस्टम है। यह रक्त परीक्षण की आवश्यकता को प्रतिस्थापित नहीं करता है, बल्कि यह उन लोगों पर ध्यान केंद्रित करके उन परीक्षणों को सार्थक बनाने का एक तरीका प्रदान करता है जिन्हें सबसे अधिक लाभ होने की संभावना है। उनका कार्य यह भी बताता है कि मॉडल की आनुवंशिक डेटा पर अत्यधिक निर्भरता, जो अभी तक अधिकांश डॉक्टर के कार्यालयों में नियमित नहीं है, इसके व्यापक उपयोग के लिए एक सीमा है। भविष्य के संस्करणों को विभिन्न आबादी में परीक्षण करने की आवश्यकता होगी और संभावित रूप से इसे आनुवंशिक जानकारी के बिना काम करने के लिए अनुकूलित करने की आवश्यकता होगी ताकि यह दैनिक नैदानिक अभ्यास के लिए वास्तव में तैयार हो सके। फिलहाल, यह अध्ययन प्रदर्शित करता है कि सावधानीपूर्वक डिजाइन के साथ, कंप्यूटर हमारे जीवन के रोजमर्रा के विवरणों का उपयोग करके चयापचय संबंधी समस्याओं (मेटाबॉलिक ट्रबल) के शुरुआती संकेतों को पहचानना सीख सकते हैं, जो एक शांत स्थिति को बीमारी बनने से पहले पकड़ने का एक नया तरीका 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।