Comparing Ordered Logistic Regression and Random Forest for Predicting Lacosamide Trough Concentration Tiers in a Real-World Cohort: A Methodological Cautionary Study

चिकित्सा की दुनिया में, कुछ दवाएं एक सटीक चाबी के ताले में फिट होने की तरह काम करती हैं, जबकि अन्य एक ऐसी बाल्टी में पानी डालने की तरह व्यवहार करती हैं जिसमें छेद का आकार हर व्यक्ति के लिए बदल जाता है। लैकोसैमाइड (Lacosamide) उन्हीं दवाओं में से एक है जो एक व्यक्ति से दूसरे व्यक्ति में बहुत अधिक भिन्न होती है। यह दौरे (seizures) को नियंत्रित करने के लिए उपयोग की जाने वाली एक दवा है, और डॉक्टर यह सुनिश्चित करने के लिए कि रोगी के रक्त में दवा की मात्रा बिल्कुल सही हो, 'थेराप्यूटिक ड्रग मॉनिटरिंग' नामक एक प्रक्रिया पर भरोसा करते हैं। यदि स्तर बहुत कम है, तो दौरे वापस आ सकते; यदि यह बहुत अधिक है, तो रोगी को दुष्प्रभाव झेलने पड़ सकते हैं। चुनौती यह है कि एक ही खुराक अलग-अलग लोगों में एक ही रक्त स्तर उत्पन्न नहीं करती है। उम्र, शरीर का वजन और क्या रोगी अन्य दवाएं ले रहा है जैसे कारक इस संतुलन को बदल सकते हैं। वर्षों से, डॉक्टरों ने यह उम्मीद की है कि इन ज्ञात तथ्यों को एक कंप्यूटर में फीड करके, वे सटीक रूप से भविष्यवाणी कर सकते हैं कि एक रोगी का दवा स्तर कहाँ होगा, जिससे शुरुआत से ही सटीक, व्यक्तिगत खुराक संभव हो सके।

झेजियांग यूनिवर्सिटी स्कूल ऑफ मेडिसिन के शोधकर्ताओं की एक टीम ने इस उम्मीद का परीक्षण करने का निर्णय लिया। उन्होंने लगभग एक हजार रोगियों से डेटा एकत्र किया, जिनमें छोटे बच्चों से लेकर बुजुर्ग वयस्क तक शामिल थे, जिनके लैकोसैमाइड स्तर की जांच एक ही अस्पताल में की गई थी। शोधकर्ता यह देखना चाहते थे कि क्या वे दो अलग-अलग प्रकार के गणितीय उपकरणों का उपयोग करके इन रोगियों को तीन समूहों में वर्गीकृत कर सकते हैं: वे जिनका दवा स्तर कम है, वे जो सुरक्षित, चिकित्सीय सीमा में हैं, और वे जिनका स्तर बहुत अधिक है। एक उपकरण 'ऑर्डर्ड लॉजिस्टिक रिग्रेशन' (ordered logistic regression) नामक एक पारंपरिक सांख्यिकीय विधि थी, जो आयु और दवा स्तर जैसे कारकों के बीच सीधे-रेखीय संबंधों को देखती है। दूसरा एक मशीन लर्निंग तकनीक थी जिसे 'रैंडम फॉरेस्ट' (random forest) कहा जाता है, जो एक अधिक जटिल प्रणाली है जो उन छिपे हुए पैटर्न और संबंधों को खोजने की कोशिश करती है जिन्हें सरल गणित मिस कर सकता है। लक्ष्य यह देखना था कि क्या कोई भी उपकरण एक एकल रक्त परीक्षण और वजन एवं अन्य दवाओं जैसी नियमित जानकारियों की सूची के आधार पर रोगी के 'ड्रग टियर' का सटीक अनुमान लगा सकता है।

शोधकर्ताओं ने कंप्यूटर सिस्टम में प्रत्येक रोगी के लिए विशिष्ट जानकारी डाली: उनकी आयु, लिंग, शरीर का वजन, लैकोसैमाइड की वह खुराक जिसे उनके वजन के अनुसार समायोजित किया गया था, क्या वे अन्य दौरों की दवाएं ले रहे थे जो शरीर द्वारा दवाओं के प्रसंस्करण (processing) को तेज करने के लिए जानी जाती हैं, और वे एक साथ कितनी अन्य दौरों की दवाएं ले रहे थे। उन्होंने "अन्य दवाओं" को बहुत सावधानी से परिभाषित किया, यह सुनिश्चित करने के लिए कि रक्त परीक्षण के एक सप्ताह के भीतर ही भरी गई पर्चियों को देखा जाए ताकि समय का मिलान हो सके। इसके बाद उन्होंने अपने डेटा को विभाजित किया, जिसमें से अधिकांश का उपयोग मॉडल को सिखाने के लिए किया गया और शेष का उपयोग उन रोगियों पर उनके प्रदर्शन का परीक्षण करने के लिए किया गया जिन्हें उन्होंने पहले कभी नहीं देखा था। परिणाम स्पष्ट और उन लोगों के लिए निराशाजनक थे जो एक त्वरित कम्प्यूटेशनल समाधान की उम्मीद कर रहे थे। न तो पारंपरिक सांख्यिकीय मॉडल और न ही उन्नत मशीन लर्निंग प्रणाली किसी उपयोगी सटीकता के साथ दवा के स्तर की भविष्यवाणी कर सकी। मॉडल केवल यादृच्छिक अनुमान (random guessing) से थोड़ा बेहतर प्रदर्शन कर सके। हालांकि मशीन लर्निंग मॉडल ने मामूली अंतर से पारंपरिक मॉडल को पीछे छोड़ दिया, लेकिन दोनों ही नैदानिक निर्णयों का मार्गदर्शन करने के लिए आवश्यक विश्वसनीयता के स्तर तक पहुँचने में विफल रहे।

व्यक्तिगत स्तरों की भविष्यवाणी करने में विफलता के बावजूद, इस अध्ययन ने एक बहुत ही विशिष्ट और विश्वसनीय संकेत का पता लगाया। शोधकर्ताओं ने पाया कि जब कोई रोगी दौरों की कुछ अन्य दवाएं ले रहा होता है जो दवा के चयापचय (metabolism) को तेज करती हैं, तो उनके लैकोसैमाइड का स्तर काफी कम होता है। यह प्रभाव इतना मजबूत था कि इसे तब भी पहचाना जा सका जब मॉडल बाकी सब चीजों के साथ संघर्ष कर रहे थे। डेटा ने दिखाया कि परस्पर क्रिया करने वाली ये दवाएं लेने वाले रोगियों में उच्च दवा स्तर होने की संभावना उन लोगों की तुलना में लगभग आधी थी जो ये दवाएं नहीं ले रहे थे। इसने एक ज्ञात जैविक तथ्य की पुष्टि की: ये विशिष्ट दवाएं एक रासायनिक त्वरक (accelerator) के रूप में कार्य करती हैं, जो शरीर से लैकोसैमाइड को तेजी से साफ करती हैं। हालांकि, यह एकल कारक समग्र भविष्यवाणी को सफल बनाने के लिए पर्याप्त नहीं था। मॉडल उस विशाल भिन्नता का हिसाब नहीं रख सके जो लोगों के बीच मौजूद होती है।

अध्ययन सुझाव देता है कि समस्या गणित के प्रकार में नहीं, बल्कि डेटा की प्रकृति में है। एक एकल रक्त परीक्षण, चाहे उसमें कितनी भी जानकारी क्यों न जोड़ी जाए, यह भविष्यवाणी करने के लिए पर्याप्त नहीं है कि एक रोगी का दवा स्तर कहाँ होगा। शोधकर्ताओं ने नोट किया कि जिन कारकों को वे माप नहीं सके, जैसे कि क्या रोगी वास्तव में अपनी दवाएं निर्धारित रूप से ले रहा है, या दवाओं को संसाधित करने के लिए उनके लिवर के आनुवंशिक अंतर, वे एक बड़ी भूमिका निभाते हैं। मशीन लर्निंग मॉडल ने कोई भी गुप्त पैटर्न नहीं खोजा जिसे सरल मॉडल ने मिस कर दिया हो; दोनों इस बात पर सहमत थे कि आयु और वजन-समायोजित खुराक सबसे महत्वपूर्ण कारक थे, फिर भी ये अपर्याप्त थे। अध्ययन ने यह भी पुष्टि की कि आयु और दवा स्तर के बीच का संबंध सभी के लिए एक समान नहीं है, जिसमें बच्चों में उन्हें दी जाने वाली खुराक और प्राप्त स्तर के बीच एक गहरा संबंध देखा गया, जबकि वयस्कों में परिणाम बहुत अधिक अप्रत्याशित थे।

अंततः, यह शोध व्यक्तिगत चिकित्सा (personalized medicine) के क्षेत्र के लिए एक चेतावनी है। यह दर्शाता है कि हालांकि हमारे पास डेटा का विश्लेषण करने के लिए शक्तिशाली उपकरण हैं, फिर भी हम एक समय के एक एकल स्नैपशॉट से जटिल जैविक परिणामों की भविष्यवाणी नहीं कर सकते। यह विचार कि एक कंप्यूटर एल्गोरिदम एक नियमित रक्त परीक्षण और कुछ बुनियादी तथ्यों के आधार पर डॉक्टर को सटीक खुराक तुरंत बता सकता है, इस साक्ष्य द्वारा समर्थित नहीं है। इसके बजाय, निष्कर्ष इस बात पर जोर देते हैं कि डॉक्टरों को समय के साथ सावधानीपूर्वक अवलोकन पर भरोसा करने की आवश्यकता है, यह देखते हुए कि बार-बार परीक्षणों के साथ रोगी के स्तर कैसे बदलते हैं। एकमात्र स्पष्ट नियम जो उभरा वह यह है कि यदि कोई रोगी विशिष्ट परस्पर क्रिया करने वाली दवाएं ले रहा है, तो उनका स्तर संभवतः कम होगा, और इसे मैन्युअल रूप से ध्यान में रखा जाना चाहिए। शेष के लिए, वास्तव में व्यक्तिगत खुराक के मार्ग के लिए केवल बेहतर सॉफ्टवेयर की ही नहीं, बल्कि रोगी के इतिहास, उनके आनुवंशिकी और उपचार योजना के प्रति उनके वास्तविक पालन पर एक गहरी नज़र की आवश्यकता है, जिसे एक क्षण के बजाय लंबे समय तक एकत्र किया गया हो।