A spatiotemporally validated machine-learning score for venous thromboembolism risk after neurosurgery
इस अध्ययन ने एक संक्षिप्त, व्याख्या योग्य चार-चरों वाले मशीन-लर्निंग स्कोर को विकसित और स्थानिक-कालिक रूप से मान्य किया है जो न्यूरोसर्जिकल रोगियों के लिए पोस्टऑपरेटिव वेनस थ्रोम्बोएम्बोलिज्म जोखिम की भविष्यवाणी करने में कैप्रीनी मॉडल से बेहतर प्रदर्शन 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
मस्तिष्क या रीढ़ की हड्डी की किसी बड़ी सर्जरी के बाद, शरीर उच्च सतर्कता की स्थिति में चला जाता है। जबकि सर्जिकल टीम तंत्रिका तंत्र की नाजुक संरचनाओं की मरम्मत करने पर ध्यान केंद्रित करती है, रोगी का रक्त खतरनाक रूप से थक्के जमने के प्रति संवेदनशील हो सकता है। ये थक्के, जिन्हें वेनस थ्रोंबोएम्बोलिज्म (venous thromboembolism) कहा जाता है, पैरों में बन सकते हैं और फेफड़ों तक जा सकते हैं, जो जीवन के लिए खतरा पैदा कर सकते हैं। दशकों से, डॉक्टर 'कैप्रिनी स्कोर' (Caprini score) नामक एक मानक चेकलिस्ट पर भरोसा करते आए हैं ताकि यह अनुमान लगाया जा सके कि किन रोगियों में इन थक्कों के विकसित होने की सबसे अधिक संभावना है। यह उपकरण आयु, सर्जरी के प्रकार और अन्य स्वास्थ्य स्थितियों जैसे कारकों के आधार पर अंक जोड़ता है। हालांकि, न्यूरोसर्जरी की जटिल दुनिया में, यह चेकलिस्ट अक्सर एक ऐसे स्मोक अलार्म की तरह काम करती है जो बहुत संवेदनशील है और लगभग सभी के लिए जोर-जोर से बजने लगता है। क्योंकि लगभग हर न्यूरोसर्जरी रोगी इतने बॉक्स टिक कर देता है कि उसे "उच्च जोखिम" के रूप में लेबल किया जाता है, इसलिए डॉक्टरों को यह बताने में संघर्ष करना पड़ता है कि किसे वास्तव में आक्रामक रोकथाम की आवश्यकता है और कौन हल्के उपचार के साथ सुरक्षित रह सकता है। सटीकता की इस कमी के कारण अनावश्यक उपचार हो सकते हैं या इसके विपरीत, सबसे असुरक्षित लोगों की रक्षा करने के अवसर हाथ से निकल सकते हैं।
शंघाई के हुआशान अस्पताल में शोधकर्ताओं की एक टीम ने, एक बड़े सार्वजनिक चिकित्सा डेटाबेस के डेटा का उपयोग करते हुए, रोगियों को वर्गीकृत करने का एक बेहतर तरीका बनाने का लक्ष्य रखा। उन्होंने मशीन लर्निंग की ओर रुख किया, जो एक ऐसी विधि है जहाँ कंप्यूटर ऐतिहासिक डेटा की विशाल मात्रा से पैटर्न सीखते हैं, ताकि इस विशिष्ट समूह में थक्के जमने की भविष्यवाणी करने वाले वास्तविक संकेतों को खोजा जा सके। बड़ी संख्या में चरों (variables) की लंबी सूची पर निर्भर रहने के बजाय, उन्होंने अपने कंप्यूटर मॉडल को उन न्यूनतम संभव कारकों की पहचान करने के लिए प्रशिक्षित किया जो अभी भी जोखिम की स्पष्ट तस्वीर प्रदान करते हैं। इसका परिणाम एक नया, सुव्यवस्थित स्कोरिंग सिस्टम था जो केवल चार सूचनाओं का उपयोग करता है: रोगी की आयु, उनका बॉडी मास इंडेक्स (BMI), क्या उन्हें सर्जरी के दौरान या बाद में रक्त चढ़ाया गया था, और उनके रक्त में एक विशिष्ट प्रोटीन 'डी-डाइमर' (D-dimer) का उच्चतम स्तर। यह प्रोटीन इस बात के मार्कर के रूप में कार्य करता है कि शरीर के भीतर थक्के जमने की कितनी गतिविधि हो रही है।
शोधकर्ताओं ने हजारों रोगी रिकॉर्ड का उपयोग करके इस नए चार-कारक स्कोर का परीक्षण पुराने कैप्रिनी चेकलिस्ट के विरुद्ध किया। उन्होंने पहले अपने स्वयं के अस्पताल के डेटा पर सिस्टम को प्रशिक्षित किया, फिर उसी अस्पताल के रोगियों के एक अलग समूह पर इसका परीक्षण किया जिनका उपचार बाद के समय में किया गया था, और अंत में संयुक्त राज्य अमेरिका के एक अलग डेटाबेस के रोगियों के एक पूरी तरह से स्वतंत्र सेट पर इसका सत्यापन किया। प्रत्येक परीक्षण में, नया स्कोर थक्के विकसित करने वाले रोगियों और थक्के विकसित न करने वाले रोगियों के बीच अंतर करने में अधिक सटीक साबित हुआ। जबकि पारंपरिक कैप्रिनी स्कोर ने लगभग दो-तिहाई मामलों में जोखिम की सही पहचान की, नए मशीन-लर्निंग स्कोर ने इस सटीकता में महत्वपूर्ण सुधार किया, जिसने लगभग तीन-चौथाई मामलों में जोखिम की सही पहचान की। इससे भी महत्वपूर्ण बात यह है कि नया टूल उन रोगियों को पहचानने में बेहतर था जो वास्तव में सुरक्षित थे, जबकि पुराना चेकलिस्ट लगभग सभी को उच्च जोखिम के रूप में लेबल करने की प्रवृत्ति रखता था।
केवल चार आसानी से उपलब्ध संख्याओं पर ध्यान केंद्रित करके, नया स्कोर जटिल गणनाओं के साथ डॉक्टरों को अभिभूत किए बिना उपचार निर्देशित करने का एक व्यावहारिक तरीका प्रदान करता है। अध्ययन ने दिखाया कि यह सरल दृष्टिकोण कई रोगियों को, जिन्हें पहले उच्च जोखिम के रूप में चिह्नित किया गया था, निम्न-जोखिम श्रेणियों में सुरक्षित रूप से पुनर्वर्गीकृत कर सकता है। यह अंतर महत्वपूर्ण है क्योंकि यह चिकित्सा टीमों को अपनी रोकथाम रणनीतियों को अनुकूलित करने की अनुमति देता है। जिन्हें वास्तव में उच्च जोखिम वाला पहचाना गया है, उन्हें मजबूत सुरक्षात्मक उपाय मिल सकते हैं, जबकि निम्न-जोखिम समूहों वाले लोग उन अनावश्यक हस्तक्षेपों से बच सकते हैं जिनमें अपने स्वयं के खतरे होते हैं, जैसे कि मस्तिष्क में रक्तस्राव। शोधकर्ताओं ने पुष्टि की कि यह विधि विभिन्न अस्पतालों और रोगी आबादी में काम करती है, जो यह सुझाव देती है कि यह न्यूरोसर्जन को उनके रोगियों के लिए सुरक्षित और अधिक व्यक्तिगत निर्णय लेने में मदद करने के लिए एक विश्वसनीय मानक बन सकती 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।