Machine learning-based identification of key risk factors for deep vein thrombosis within one week after total joint arthroplasty in elderly patients

हर साल, लाखों बुजुर्ग वयस्क घिसे हुए कूल्हे या घुटने के जोड़ों को बदलने के लिए बड़ी सर्जरी करवाते हैं, एक ऐसी प्रक्रिया जो गतिशीलता को बहाल करती है और दर्द से राहत दिलाती है। हालाँकि, रिकवरी की प्रक्रिया में एक छिपा हुआ खतरा होता है: पैरों की गहरी नसों में रक्त के थक्के बनना, जिसे डीप वेन थ्रोंबोसिस (deep vein thrombosis) के रूप में जाना जाता है। बुजुर्ग मरीजों के लिए, यह जटिलता विशेष रूप से गंभीर है। यह अस्पताल में रुकने की अवधि को बढ़ा सकती है, चिकित्सा लागत में वृद्धि कर सकती है, और गंभीर मामलों में, जीवन के लिए घातक घटनाओं का कारण बन सकती है यदि थक्का फेफड़ों तक पहुँच जाए। डॉक्टर जोखिम का अनुमान लगाने के लिए लंबे समय से मानक चेकलिस्ट पर भरोसा करते आए हैं, लेकिन ये उपकरण अक्सर सभी जॉइंट रिप्लेसमेंट मरीजों के साथ एक जैसा व्यवहार करते हैं, और बिना यह अंतर किए कि वास्तव में कौन खतरे में है, उन सभी को उच्च-जोखिम वाला बता देते हैं। सटीकता की यह कमी प्रत्येक व्यक्ति के लिए सुरक्षा का सही स्तर प्रदान करना कठिन बना देती है।

इसे हल करने के लिए, शोधकर्ताओं ने कंप्यूटर विज्ञान की एक शाखा, मशीन लर्निंग की ओर रुख किया। निश्चित नियमों का पालन करने के बजाय, ये कंप्यूटर प्रोग्राम अतीत के मरीजों के विशाल डेटा से जटिल पैटर्न खोजने के लिए सीखते हैं, जिन्हें मानव पर्यवेक्षक शायद मिस कर दें। लक्ष्य एक ऐसा डिजिटल टूल बनाना है जो मरीज के मेडिकल इतिहास, रक्त परीक्षण के परिणामों और उनकी सर्जरी के विवरण को देखकर उच्च सटीकता के साथ यह अनुमान लगा सके कि क्या ऑपरेशन के पहले सप्ताह के भीतर उनमें रक्त का थक्का बनेगा। सबसे महत्वपूर्ण कारकों की पहचान करके, ऐसा टूल डॉक्टरों को रोकथाम की रणनीतियों को अनुकूलित करने में मदद कर सकता है, जिससे यह सुनिश्चित हो सके कि जिन्हें अतिरिक्त देखभाल की आवश्यकता है उन्हें वह मिले, जबकि उन लोगों के लिए अनावश्यक उपचार से बचा जा सके जिन्हें इसकी आवश्यकता नहीं है।

चीन के यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने ऐसा टूल बनाने और परीक्षण करने का निर्णय लिया। उन्होंने 2024 में एक ही अस्पताल में टोटल जॉइंट आर्थ्रोप्लास्टी कराने वाले 3,050 बुजुर्ग मरीजों (सभी 60 वर्ष या उससे अधिक आयु के) की जानकारी एकत्र की। टीम ने प्रत्येक व्यक्ति के लिए आयु, लिंग, बॉडी मास इंडेक्स और मधुमेह या कैंसर जैसी स्थितियों के मेडिकल इतिहास सहित डेटा के एक विस्तृत सेट को इकट्ठा किया। उन्होंने प्रीऑपरेटिव ब्लड टेस्ट से विशिष्ट आंकड़े भी निकाले, जैसे कि सूजन और रक्त जमने के कारकों के स्तर, और ऑपरेटिंग रूम के विवरण दर्ज किए, जिसमें सर्जरी की अवधि, क्या बोन सीमेंट का उपयोग किया गया था, और क्या रक्त के प्रवाह को रोकने के लिए टूर्निकेट लगाया गया था, शामिल थे। वे जिस परिणाम की भविष्यवाणी करने की कोशिश कर रहे थे, वह सरल लेकिन महत्वपूर्ण था: क्या सर्जरी के सात दिनों के भीतर मरीज के पैर में रक्त का थक्का बना, जैसा कि अल्ट्रासाउंड स्कैन द्वारा पुष्टि की गई थी?

अपने कंप्यूटर मॉडल को प्रशिक्षित करने के लिए, शोधकर्ताओं को मेडिकल डेटा की एक सामान्य समस्या का समाधान करना था: अधिकांश मरीज थक्के विकसित नहीं करते हैं, जबकि एक छोटी संख्या में ऐसा होता है। यह असंतुलन एक लर्निंग एल्गोरिदम को भ्रमित कर सकता है। इसे ठीक करने के लिए, उन्होंने एक ऐसी तकनीक का उपयोग किया जो कम सामान्य समूह के कृत्रिम उदाहरण बनाती है, जिससे डेटासेट प्रभावी रूप से संतुलित हो जाता है ताकि कंप्यूटर दोनों पक्षों से समान रूप से सीख सके। फिर उन्होंने डेटा को विभाजित किया, जिसमें से अधिकांश का उपयोग चार अलग-अलग प्रकार के मशीन लर्निंग एल्गोरिदम को भविष्यवाणियां करने के लिए सिखाने के लिए किया गया, और बाकी को यह परीक्षण करने के लिए सुरक्षित रखा कि नए, अनदेखे मरीजों पर उनके भविष्यवाणियों ने कितनी अच्छी तरह काम किया। उनके द्वारा परीक्षण किए गए चार एल्गोरिदम में पारंपरिक सांख्यिकीय विधि शामिल थी जिसे लॉजिस्टिक रिग्रेशन कहा जाता है, एक 'डिसीजन ट्री' जो हाँ या ना के प्रश्नों की एक श्रृंखला पूछता है, एक 'रैंडम फॉरेस्ट' जो कई डिसीजन ट्री को जोड़ता है, और एक शक्तिशाली विधि जिसे XGBoost कहा जाता है, जो अपनी गलतियों से सीखकर एक अत्यधिक सटीक मॉडल बनाता है।

जब टीम ने परिणामों की तुलना की, तो एक मॉडल स्पष्ट रूप से सबसे आगे रहा। XGBoost एल्गोरिदम सबसे प्रभावी साबित हुआ, जिसने उन मरीजों की सफलतापूर्वक पहचान की जो थक्का विकसित करेंगे और जो नहीं करेंगे। इसने उस स्तर की सटीकता हासिल की जो अन्य तरीकों से कहीं अधिक थी, जिसमें पारंपरिक सांख्यिकीय दृष्टिकोण भी शामिल था जो विभिन्न जोखिम कारकों के बीच जटिल संबंधों को पकड़ने में संघर्ष कर रहा था। रैंडम फॉरेस्ट मॉडल ने अच्छा प्रदर्शन किया लेकिन वह उतना सटीक नहीं था, जबकि डिसीजन ट्री और पारंपरिक सांख्यिकीय मॉडल काफी पीछे रह गए। XGBoost मॉडल का बेहतर प्रदर्शन यह सुझाव देता है कि थक्का बनने का जोखिम किसी एक कारक से नहीं, बल्कि परस्पर क्रियाओं के एक जटिल जाल से प्रेरित होता है जिसे केवल एक परिष्कृत कंप्यूटर प्रोग्राम ही सुलझा सकता है।

यह समझने के लिए कि यह मॉडल इतना अच्छा क्यों काम कर रहा था, शोधकर्ताओं ने एल्गोरिदम की परतों को हटाने और यह देखने के लिए एक विधि का उपयोग किया कि कौन सी विशिष्ट जानकारी भविष्यवाणियों को संचालित कर रही है। उन्होंने पाया कि सबसे प्रभावशाली कारक सर्जरी की अवधि या बोन सीमेंट का उपयोग नहीं थे, जैसा कि कुछ लोग उम्मीद कर सकते हैं, बल्कि मरीज का प्रीऑपरेटिव ब्लड वर्क था। विशेष रूप से, रक्त जमने में लगने वाला समय, C-रिएक्टिव प्रोटीन नामक प्रोटीन का स्तर जो सूजन का संकेत देता है, और D-डाइमर नामक पदार्थ की मात्रा सबसे मजबूत भविष्यवक्ता थे। मरीज का लिंग भी एक महत्वपूर्ण भूमिका निभा रहा था, जिसमें इस समूह में महिलाओं ने पुरुषों की तुलना में अधिक जोखिम दिखाया। ये निष्कर्ष इस बात के अनुरूप हैं कि शरीर में सूजन और रक्त का जमना कैसे परस्पर क्रिया करते हैं, जो यह सुझाव देता है कि सर्जरी से पहले मरीज की आंतरिक स्थिति, ऑपरेशन के विवरण की तुलना में प्रारंभिक जोखिम का अधिक विश्वसनीय संकेतक है।

अध्ययन यह निष्कर्ष निकालता है कि यह मशीन लर्निंग दृष्टिकोण रोगी की देखभाल में सुधार करने का एक आशाजनक तरीका है। जटिल मेडिकल डेटा के माध्यम से सटीक रूप से छँटनी करने वाले मॉडल का उपयोग करके, डॉक्टर जल्द ही बुजुर्ग मरीजों की रक्त के थक्कों के लिए उच्च जोखिम की पहचान वर्तमान तरीकों की तुलना में बहुत अधिक सटीकता के साथ कर सकेंगे। इससे अधिक लक्षित रोकथाम रणनीतियों के लिए संसाधनों को केंद्रित करने में मदद मिलेगी। हालांकि शोधकर्ता नोट करते हैं कि उनका काम एक एकल अस्पताल के डेटा पर आधारित है और इसकी विश्वसनीयता की पुष्टि करने के लिए बड़े समूहों में और अधिक परीक्षण की आवश्यकता है, फिर भी परिणाम ऑर्थोपेडिक सर्जरी में व्यक्तिगत जोखिम मूल्यांकन के एक नए युग के लिए एक मजबूत आधार प्रदान करते हैं। आगे का रास्ता इन निष्कर्षों को विभिन्न चिकित्सा केंद्रों में मान्य करने का है ताकि यह सुनिश्चित हो सके कि यह टूल सभी के लिए काम करता है, लेकिन बेहतर भविष्यवाणी के माध्यम से एक खतरनाक जटिलता को रोकने की क्षमता अब पहुंच के भीतर है।