ICD2Bert: ICD Bert Encodings for Clinical Outcome Prediction on Routine Health Insurance Data
यह शोध पत्र ICD2BERT प्रस्तुत करता है, जो बिना किसी डोमेन-विशिष्ट संशोधनों के ICD कोड्स पर प्रीट्रेन किया गया एक मानक BERT मॉडल है, और व्यापक बेंचमार्किंग के माध्यम से यह प्रदर्शित करता है कि ऐसी वास्तुशिल्प जटिलताएं अक्सर सरल बेसलाइन से बेहतर प्रदर्शन करने में विफल रहती हैं, जो इस बात पर प्रकाश डालती हैं कि नैदानिक परिणाम भविष्यवाणी के लिए मॉडल की परिष्कारता की तुलना में डेटा की गुणवत्ता, पैमाना और प्रीट्रेनिंग अधिक महत्वपूर्ण हैं।
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
दुनिया भर के अस्पताल और बीमा कंपनियां एक सार्वभौमिक भाषा पर निर्भर करती हैं जिससे यह दर्ज किया जा सके कि रोगी के साथ क्या गलत हुआ है। इस भाषा में कोड शामिल हैं, जो अक्षरों और संख्याओं की छोटी कतारें हैं जो विशिष्ट बीमारियों, चोटों और चिकित्सा प्रक्रियाओं का प्रतिनिधित्व करती हैं। ये कोड मूल रूप से बिलिंग और कागजी कार्रवाई को संभालने के लिए बनाए गए थे, लेकिन आज ये वे प्राथमिक तरीका हैं जिससे डॉक्टर और कंप्यूटर किसी रोगी के मेडिकल इतिहास को समझते हैं। चूंकि ये रिकॉर्ड इतने विशाल और मानकीकृत हैं, इसलिए शोधकर्ताओं ने लंबे समय से उम्मीद जताई है कि वे इन रिकॉर्ड्स के भीतर छिपे हुए पैटर्न खोजने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग कर सकें, ऐसे पैटर्न जो यह अनुमान लगा सकें कि किसे दोबारा बीमार पड़ने की संभावना है, किसे मृत्यु हो सकती है, या किसे एक विशिष्ट उपचार की आवश्यकता है। ऐसा करने के लिए, वैज्ञानिक जटिल कंप्यूटर प्रोग्राम बना रहे हैं जो इन कोड्स को वैसे ही पढ़ सकें जैसे एक इंसान एक कहानी पढ़ता है, ताकि वे रोगी के जीवन की विभिन्न घटनाओं के बीच संदर्भ और संबंध खोज सकें।
एक टीम के शोधकर्ताओं ने यह परीक्षण करने के लिए काम शुरू किया कि क्या ये परिष्कृत कंप्यूटर प्रोग्राम वास्तव में आवश्यक हैं, या क्या अतिरिक्त जटिलता जो वे जोड़ते हैं वह केवल एक भटकाव है। उन्होंने आर्टिफिशियल इंटेलिजेंस के एक विशिष्ट प्रकार पर ध्यान केंद्रित किया जिसे 'ट्रांसफॉर्मर' कहा जाता है, जो एक शक्तिशाली उपकरण है जिसने कंप्यूटर के भाषा समझने के तरीके में क्रांति ला दी है। चिकित्सा जगत में, वैज्ञानिक इन उपकरणों में बदलाव कर रहे हैं, इसमें रोगी की आयु या डॉक्टर के पास जाने की संख्या जैसी अतिरिक्त जानकारी की परतें जोड़ रहे हैं, इस उम्मीद में कि ये विवरण कंप्यूटर को बेहतर भविष्यवाणियां करने में मदद करेंगे। शोधकर्ता जानना चाहते थे कि क्या ये कस्टम जोड़ वास्तव में परिणामों में सुधार करते हैं, या क्या एक सरल, मानक संस्करण वाला टूल भी वही काम उतनी ही अच्छी तरह से कर सकता है। वे यह भी देखना चाहते थे कि क्या ये उन्नत सिस्टम एक समूह के रोगियों से सीख सकते हैं और उस ज्ञान को पूरी तरह से एक अलग समूह पर लागू कर सकते हैं, शायद किसी दूसरे देश या स्वास्थ्य सेवा प्रणाली के रोगियों पर।
इन प्रश्नों का उत्तर देने के लिए, टीम ने कंप्यूटर प्रोग्राम का एक नया, मानक संस्करण बनाया जो केवल मेडिकल कोड को पढ़ता है, बिना उस अतिरिक्त आयु या विज़िट जानकारी के जो अन्य शोधकर्ताओं ने जोड़ी थी। उन्होंने इस नए मॉडल को ICD2BERT नाम दिया। इसके बाद उन्होंने इस मॉडल को कई अन्य लोकप्रिय, अधिक जटिल मॉडलों के विरुद्ध तीन बहुत अलग मेडिकल डेटा सेटों का उपयोग करके परीक्षण में डाला। एक सेट संयुक्त राज्य अमेरिका के एक बड़े अस्पताल से आया था जिसमें पुराने और नए दोनों कोडिंग सिस्टम के रिकॉर्ड शामिल थे। दूसरा सेट रोगियों के एक छोटे समूह से आया था जिनके पास बहुत विस्तृत इतिहास था, जिसे यह परीक्षण करने के लिए डिज़ाइन किया गया था कि एक मॉडल बहुत कम डेटा से कितनी अच्छी तरह सीख सकता है। तीसरा सेट विशाल था, जिसमें जर्मनी के लाखों स्वास्थ्य बीमा दावों के रिकॉर्ड शामिल थे, जो एक बड़ी और विविध आबादी को कवर करता था।
परिणाम आश्चर्यजनक थे। जब शोधकर्ताओं ने मानक मॉडल की तुलना जटिल, अनुकूलित मॉडलों से की, तो उन्होंने पाया कि अतिरिक्त विशेषताएं कंप्यूटर को अधिक स्मार्ट नहीं बनाती थीं। वह मॉडल जिसने केवल कोड पढ़े थे, उतना ही अच्छा प्रदर्शन कर गया जितना कि वे मॉडल जो रोगी की आयु या विज़िट इतिहास को भी जानते थे। वास्तव में, शोधकर्ताओं ने पाया कि जिस डेटा से मॉडल सीख रहा था उसकी गुणवत्ता और आकार, कंप्यूटर प्रोग्राम की जटिलता से कहीं अधिक महत्वपूर्ण था। इससे भी अप्रत्याशित रूप से, एक बहुत ही सरल तरीका जिसने कोड को श्रेणियों की एक सूची के रूप में माना, बिना घटनाओं के क्रम या संदर्भ को समझने की कोशिश किए, अक्सर अन्य उन्नत आर्टिफिशियल इंटेलिजेंस के समान ही अच्छा प्रदर्शन करता था। यह सरल दृष्टिकोण भविष्य की बीमारियों, मृत्यु और अस्पताल में पुनः भर्ती होने की सटीक भविष्यवाणी करने में सक्षम था, जिसकी सटीकता कई मामलों में जटिल प्रणालियों के बराबर थी।
अध्ययन से यह भी पता चला कि उपयोग किया जाने वाला मेडिकल कोड का विशिष्ट प्रकार महत्वपूर्ण है। अमेरिकी अस्पताल के डेटा में, पुराना कोडिंग सिस्टम अभी भी महत्वपूर्ण जानकारी रखता था जिसे नया सिस्टम पूरी तरह से प्रतिस्थापित नहीं कर सका; जब शोधकर्ताओं ने पुराने कोड हटा दिए, तो कंप्यूटर का प्रदर्शन काफी गिर गया। हालांकि, जर्मन बीमा डेटा में, जो केवल नए कोड का उपयोग करता था, कंप्यूटर संघर्ष करने लगा यदि कोड को उनके सबसे बुनियादी श्रेणियों तक छोटा कर दिया जाता, जिससे पता चलता कि उन विशिष्ट रिकॉर्डों में बारीक विवरण आवश्यक थे। शोधकर्ताओं ने यह भी पाया कि जबकि जटिल मॉडल अमेरिकी डेटा से सीख सकते थे और उस ज्ञान को जर्मन डेटा पर लागू कर सकते थे, लेकिन इसका उल्टा संभव नहीं था। केवल जर्मन डेटा पर प्रशिक्षित मॉडल अमेरिकी रिकॉर्ड देखने में विफल रहा, संभवतः इसलिए क्योंकि उसने कभी पुराने कोडिंग सिस्टम को नहीं देखा था। यह सुझाव देता है कि एक कंप्यूटर के लिए वास्तव में विभिन्न स्वास्थ्य सेवा प्रणालियों में उपयोगी होने के लिए, उसे डेटा के सबसे व्यापक प्रकार पर प्रशिक्षित होना चाहिए।
अंत में, टीम ने इस बात पर गौर किया कि यह समझना कितना आसान है कि इन मॉडलों ने निर्णय क्यों लिए। चूंकि उनके मानक मॉडल में कोई अतिरिक्त, कस्टम-निर्मित परतें नहीं थीं, इसलिए इसे मौजूदा उपकरणों के साथ विश्लेषित किया जा सकता था जो ठीक से दिखाते हैं कि किन मेडिकल कोड्स ने भविष्यवाणी को प्रभावित किया। उन्होंने पाया कि मधुमेह और उच्च रक्तचाप जैसी स्थितियों के विशिष्ट कोड मृत्यु या अस्पताल में पुनः भर्ती होने की भविष्यवाणी करने वाले सबसे मजबूत कारक थे। यह पारदर्शिता डॉक्टरों के लिए अत्यंत महत्वपूर्ण है जिन्हें कंप्यूटर की सलाह पर भरोसा करने की आवश्यकता होती है। अध्ययन यह सुझाव देता है कि अस्पतालों को बड़े, जटिल आर्टिफिशियल इंटेलिजेंस सिस्टम बनाने और प्रशिक्षित करने में निवेश करने से पहले, उन्हें सावधानीपूर्वक विचार करना चाहिए कि क्या एक सरल, अधिक पारदर्शी दृष्टिकोण भी उतना ही प्रभावी हो सकता है। निष्कर्ष बताते हैं कि नैदानिक परिणामों (clinical outcomes) की भविष्यवाणी करने की शक्ति कंप्यूटर प्रोग्राम के जटिल डिज़ाइन में कम और उन मेडिकल रिकॉर्ड्स की समृद्धि और व्यापकता में अधिक निहित है जिन्हें वह पढ़ने की अनुमति देता 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।