Machine learning prediction of clinical trajectories after N-terminal pro-B-type natriuretic peptide exceeds 35,000 pg/mL: a retrospective development and external validation study
इस रेट्रोस्पेक्टिव अध्ययन ने 35,000 pg/mL से अधिक के प्रारंभिक N-टर्मिनल प्रो-बी-टाइप नेट्रियुरेटिक पेप्टाइड परिणाम के बाद अल्पकालिक इन-हॉस्पिटल नैदानिक प्रक्षेपवक्र (विशेष रूप से जीवित डिस्चार्ज या NT-proBNP सामान्यीकरण) की भविष्यवाणी करने के लिए नियमित रूप से उपलब्ध चरों का उपयोग करके एक मशीन लर्निंग मॉडल विकसित और बाह्य रूप से मान्य किया, जो मध्यम विभेदन प्रदर्शित करता है जो मुख्य रूप से जैव रासायनिक सुधार के बजाय उत्तरजीविता परिणामों द्वारा संचालित 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
जब हृदय प्रभावी ढंग से रक्त पंप करने के लिए संघर्ष करता है, तो वह एक रासायनिक संकट संकेत भेजता है। डॉक्टर यह मापने के लिए कि वह संघर्ष कितना गंभीर है, एक विशिष्ट प्रोटीन जिसे एन-टर्मिनल प्रो-बी-टाइप नैट्रियूरेटिक पेप्टाइड (NT-proBNP) कहा जाता है, का उपयोग करते हैं। स्तर जितना अधिक होगा, हृदय पर तनाव उतना ही अधिक होगा। यह परीक्षण हार्ट फेलियर (हृदय की विफलता) के प्रबंधन के लिए एक मानक उपकरण है, जो चिकित्सकों को यह तय करने में मदद करता है कि किसे तत्काल देखभाल की आवश्यकता है और कौन ठीक हो रहा है। हालांकि, जिन मशीनों द्वारा इस प्रोटीन को मापा जाता है, उनकी एक सीमा होती है। ठीक वैसे ही जैसे एक पैमाना एक निश्चित लंबाई पर रुक जाता है, ये मेडिकल परीक्षण सटीक संख्या बताना बंद कर देते हैं जब सांद्रता बहुत अधिक हो जाती है। शोधकर्ताओं द्वारा उपयोग की जाने वाली प्रणालियों में, मशीन 35,000 pg/mL पर सटीक संख्या देना बंद कर देती है। उससे ऊपर कुछ भी केवल "35,000 से अधिक" के रूप में पढ़ा जाता है। यह एक अदृश्य क्षेत्र (ब्लाइंड स्पॉट) बना देता है। एक डॉक्टर जानता है कि स्तर खतरनाक रूप से उच्च है, लेकिन वह यह नहीं बता सकता कि यह सीमा से थोड़ा ही ऊपर है या कई गुना अधिक है। सटीक संख्या जाने बिना, यह ट्रैक करना कठिन हो जाता है कि रोगी बेहतर हो रहा है या बिगड़ रहा है, क्योंकि संख्या को कम होते देखने की सामान्य विधि अब उपलब्ध नहीं है।
शोधकर्ताओं की एक टीम ने इस गायब संख्या की समस्या को हल करने के लिए हाथ डाला। उन्होंने एक व्यावहारिक प्रश्न पूछा: यदि कोई रोगी अस्पताल में ऐसे परिणाम के साथ आता है जो चार्ट से बाहर है, तो क्या हम भविष्यवाणी कर सकते हैं कि उसके साथ आगे क्या होगा? सटीक छिपी हुई संख्या का अनुमान लगाने के बजाय, उन्होंने रोगी की नैदानिक यात्रा (क्लीनिकल जर्नी) की भविष्यवाणी करने के लिए एक कंप्यूटर मॉडल बनाया। वे जानना चाहते थे कि क्या रोगी जीवित अवस्था में अस्पताल से डिस्चार्ज होगा या क्या उसकी स्थिति इतनी सुधर जाएगी कि अगला परीक्षण अंततः 35,000 की सीमा से नीचे का नंबर दिखा सके। ऐसा करने के लिए, उन्होंने रोगियों के दो अलग-अलग समूहों से डेटा एकत्र किया। पहला समूह अस्पताल के रिकॉर्ड के एक बड़े, सार्वजनिक डेटाबेस से आया था, और दूसरा समूह चीन के एक स्थानीय अस्पताल से था। दोनों समूहों में, उन्होंने केवल उस क्षण पर ध्यान केंद्रित किया जब रोगी को वह "मापने के लिए बहुत अधिक" वाला परिणाम प्राप्त हुआ था। फिर उन्होंने उसके बाद क्या हुआ, इस पर नज़र रखी, जिसमें रोगी की फ़ाइल में उपलब्ध अन्य जानकारी का एक विस्तृत दायरा शामिल था, जैसे कि उनकी आयु, किडनी की कार्यक्षमता के लिए रक्त परीक्षण के परिणाम, और रक्त में अन्य प्रोटीन के स्तर।
शोधकर्ताओं ने एक कंप्यूटर प्रोग्राम को बीस-से-सात (27) विभिन्न सूचनाओं में पैटर्न खोजने के लिए प्रशिक्षित किया। उन्होंने प्रोग्राम को यह पहचानने के लिए सिखाया कि कारकों के कौन से संयोजन इस बात की अधिक संभावना रखते हैं कि रोगी जीवित अवस्था में अस्पताल से जाएगा या उसकी स्थिति इतनी सुधरेगी कि उसका टेस्ट मापने योग्य सीमा में वापस आ जाएगा। उन्होंने इस कार्यक्रम का परीक्षण पहले रोगियों के प्रारंभिक समूह पर किया और फिर, महत्वपूर्ण रूप से, इसकी सेटिंग्स को लॉक कर दिया और इसे स्थानीय अस्पताल के पूरी तरह से अलग समूह पर परखा। यह दूसरा परीक्षण महत्वपूर्ण है क्योंकि यह दिखाता है कि क्या मॉडल उन नए लोगों पर काम करता है जिन्हें उसने पहले कभी नहीं देखा है। परिणामों ने दिखाया कि मॉडल अपने काम में काफी अच्छा था। पहले समूह में, इसका AUC 0.76 था। जब इसे दूसरे, स्वतंत्र समूह पर लागू किया गया, तो इसके प्रदर्शन में वास्तव में सुधार हुआ, जिसका AUC 0.81 था। यह सुझाव देता है कि मॉडल विश्वसनीय रूप से पहचान सकता है कि किन रोगियों के अल्पकालिक परिणाम बेहतर होने की संभावना है और कौन अधिक जोखिम में है।
हालांकि, शोधकर्ताओं ने इस बारे में कुछ आश्चर्यजनक पाया कि मॉडल वास्तव में क्या भविष्यवाणी कर रहा था। उन्होंने परिणामों का विश्लेषण किया यह देखने के लिए कि क्या मॉडल दो विशिष्ट चीजों की भविष्यवाणी करने में अच्छा था: क्या रोगी जीवित अवस्था में डिस्चार्ज होगा, और क्या रोगी का अगला रक्त परीक्षण कम, मापने योग्य संख्या दिखाएगा। मॉडल यह भविष्यवाणी करने में बहुत अच्छा था कि कौन जीवित डिस्चार्ज होगा। लेकिन यह भविष्यवाणी करने में सक्षम नहीं था कि क्या रोगी की हार्ट फेलियर इतनी सुधर जाएगी कि प्रोटीन का स्तर वापस मापने योग्य सीमा में आ जाए। वास्तव में, जिन रोगियों का पुन: परीक्षण किया गया था, उनके लिए मॉडल यह अनुमान लगाने में यादृच्छिक संयोग (रैंडम चांस) से बेहतर प्रदर्शन नहीं कर सका कि संख्या कब गिरेगी। इसका अर्थ है कि मॉडल छिपी हुई रासायनिक संख्या का अनुमान लगाने या हृदय की जैविक रिकवरी को ट्रैक करने का उपकरण नहीं है। इसके बजाय, यह रोगी के समग्र नैदानिक भाग्य (क्लीनिकल फेट) की भविष्यवाणी करने का एक उपकरण है। यह एक डॉक्टर को बताता है कि चार्ट से बाहर का परिणाम वाले रोगी के जीवित रहने की संभावना अस्पताल में रहने के दौरान है, भले ही रक्त परीक्षण स्वयं अधिकतम सीमा पर अटका हुआ हो।
अध्ययन निष्कर्ष निकालता है कि यह दृष्टिकोण तब रोगियों के प्रबंधन के लिए एक उपयोगी तरीका प्रदान करता है जब सामान्य परीक्षण विफल हो जाता है। यदि किसी रोगी का परिणाम ऐसा है जिसे मशीन माप नहीं सकती, तो डॉक्टर रोगी के अन्य महत्वपूर्ण संकेतों और रक्त कार्य के आधार पर उसके अल्पकालिक रोग निदान (प्रोग्नोसिस) को समझने के लिए इस मॉडल का उपयोग कर सकते हैं। मॉडल सुझाव देता है कि जबकि हृदय अभी भी अत्यधिक तनाव में हो सकता है, रोगी की समग्र स्थिति डिस्चार्ज के लिए पर्याप्त स्थिर हो सकती है। शोधकर्ता इस बात पर जोर देते हैं कि इस उपकरण का उपयोग उपचार के बारे में स्वचालित निर्णय लेने के लिए या यह मानने के लिए नहीं किया जाना चाहिए कि हृदय ठीक हो गया है क्योंकि मॉडल एक अच्छा परिणाम बताता है। यह जोखिम वर्गीकरण (रिस्क स्ट्रैटिफिकेशन) के लिए एक मार्गदर्शिका है, जो डॉक्टरों को यह तय करने में मदद करती है कि किसे अधिक गहन निगरानी की आवश्यकता है। इससे पहले कि इस मॉडल को रोजमर्रा के अभ्यास में उपयोग किया जा सके, इसे एक नए अस्पताल के विशिष्ट रोगी आबादी के अनुरूप थोड़ा समायोजित करने की आवश्यकता होगी और वास्तविक समय में परीक्षण करने की आवश्यकता होगी ताकि यह सुनिश्चित हो सके कि यह डॉक्टरों को बेहतर निर्णय लेने में मदद करता है। फिलहाल, यह एक प्रदर्शन है कि जब एक प्रमुख माप एक दीवार से टकरा जाता है, तब भी उपलब्ध अन्य डेटा रोगी की देखभाल के मार्ग को आलोकित कर सकता 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।