Clinical trial success prediction from open registry text using classical machine learning

हर साल, फार्मास्युटिकल कंपनियाँ नई दवाओं को विकसित करने में अरबों डॉलर और दशकों का प्रयास झोंक देती हैं। लैब में एक आशाजनक विचार से लेकर फार्मेसी की शेल्फ पर एक गोली तक का रास्ता लंबा और विफलताओं से भरा होता है। अधिकांश दवा उम्मीदवार कभी भी मंजूरी तक नहीं पहुँच पाते, और जब वे वर्षों के काम के बाद विफल होते हैं, तो वित्तीय नुकसान चौंकाने वाला होता है। इससे भी महत्वपूर्ण बात यह है कि जो लोग इन अध्ययनों के लिए स्वयंसेवक बनते हैं, वे बिना अपेक्षित लाभ प्राप्त किए जोखिमों का सामना करते हैं। क्योंकि संसाधन सीमित हैं, एक ऐसी दवा पर खर्च किया गया हर डॉलर और हर घंटा जो अंततः विफल हो जाएगी, उस दवा से लिया गया संसाधन है जो सफल हो सकती थी। उद्योग लंबे समय से इन विफल होने वाले उम्मीदवारों को जल्दी पहचानने का तरीका खोजने की कोशिश कर रहा है, ताकि बहुत अधिक समय और पैसा निवेश करने से पहले ही इन्हें रोका जा सके, जिससे शोधकर्ता कमजोर कार्यक्रमों को बंद कर सकें और मजबूत कार्यक्रमों पर ध्यान केंद्रित कर सकें।

इसे करने के लिए, वैज्ञानिक नैदानिक परीक्षणों (क्लिनिकल ट्रायल्स) के परिणामों की भविष्यवाणी करने का प्रयास करते हैं, जो वे कठोर परीक्षण हैं जहाँ नए उपचार मरीजों को दिए जाते हैं। ये भविष्यवाणियाँ कठिन हैं क्योंकि वे जटिल मानव जीव विज्ञान, एक अध्ययन के विशिष्ट डिज़ाइन और एक नई दवा के व्यवहार को समझने पर निर्भर करती हैं। पारंपरिक रूप से, विशेषज्ञ अपने अनुभव का उपयोग करके यह अनुमान लगाने के लिए करते हैं कि कौन से परीक्षण सफल होंगे, लेकिन यह प्रक्रिया धीमी, व्यक्तिपरक और महंगी है। हाल के वर्षों में, शोधकर्ताओं ने मशीन लर्निंग की ओर रुख किया है, जिसमें कंप्यूटर का उपयोग डेटा में उन पैटर्न को खोजने के लिए किया जाता है जिन्हें इंसान मिस कर सकते हैं। हालाँकि, इनमें से कई कंप्यूटर मॉडल निजी डेटा पर निर्भर करते हैं जिसे केवल बड़ी कंपनियाँ ही एक्सेस कर सकती हैं, या उन्हें जटिल आणविक जानकारी की आवश्यकता होती है जो हमेशा उपलब्ध नहीं होती है। यह छोटे समूहों और शैक्षणिक शोधकर्ताओं को परीक्षण की सफलता की संभावना का अनुमान लगाने के लिए एक स्पष्ट तरीके के बिना छोड़ देता है।

स्वतंत्र शोधकर्ता माइकल डोएन का एक नया अध्ययन यह पता लगाता है कि क्या इन परीक्षणों के सार्वजनिक रिकॉर्ड, जिन्हें कोई भी ऑनलाइन पढ़ सकता है, इन भविष्यवाणियों को करने के लिए पर्याप्त जानकारी रखते हैं। यह अध्ययन परीक्षण रिकॉर्ड के एक विशाल संग्रह पर केंद्रित है जो ClinicalTrials.gov नामक एक सार्वजनिक वेबसाइट पर उपलब्ध है। यह वेबसाइट एक वैश्विक रजिस्ट्री के रूप में कार्य करती है जहाँ शोधकर्ताओं को अपने अध्ययन शुरू करने से पहले उन्हें पंजीकृत करना होता है, जिसमें इलाज की जाने वाली बीमारी, परीक्षण की जा रही दवा, शामिल मरीजों की संख्या और अनुसंधान के लक्ष्यों के बारे में विवरण पोस्ट किया जाता है। डोएन का कार्य एक सरल प्रश्न पूछता है: यदि आप इन सार्वजनिक रिकॉर्डों के टेक्स्ट विवरण को एक कंप्यूटर में फीड करते हैं, तो क्या कंप्यूटर यह बता पाने में सक्षम होगा कि कौन से परीक्षण सफल होंगे और कौन से विफल होंगे?

इसका उत्तर देने के लिए, शोधकर्ता ने क्लिनिकल ट्रायल आउटकम डेटासेट का उपयोग किया, जो लगभग 125,000 पिछले परीक्षणों के लिए एक लेबल प्रदान करता है, जो उनके अंतिम परिणामों के आधार पर उन्हें सफल या असफल के रूप में चिह्नित करता है। चुनौती एक ऐसा मॉडल बनाने की थी जो केवल उस टेक्स्ट का उपयोग करके इन परिणामों की भविष्यवाणी कर सके जो पंजीकरण के समय सार्वजनिक रजिस्ट्री पर उपलब्ध था, बिना अंतिम परिणामों को देखे या किसी निजी कंपनी के डेटा का उपयोग किए। शोधकर्ता को "डेटा लीकेज" नामक एक सामान्य गलती से बचने के लिए अत्यंत सावधान रहना पड़ा, जहाँ एक कंप्यूटर मॉडल अनजाने में उत्तर सीख लेता है क्योंकि वह टेक्स्ट के उस हिस्से को पढ़ लेता है जिसे परीक्षण समाप्त होने के बाद अपडेट किया गया है। उदाहरण के लिए, किसी परीक्षण का सारांश वर्षों बाद अंतिम परिणामों को शामिल करने के लिए फिर से लिखा जा सकता है, और यदि कंप्यूटर उस अपडेट किए गए टेक्स्ट को पढ़ता है, तो वह वास्तव में भविष्य की भविष्यवाणी नहीं कर रहा है; वह केवल अतीत को पढ़ रहा है।

इसे रोकने के लिए, शोधकर्ता ने डेटा को सावधानीपूर्वक साफ किया, उन सभी रिकॉर्ड्स को हटा दिया जहाँ टेक्स्ट को परिणाम ज्ञात होने के बाद बदला गया था। उन्होंने उन विशिष्ट क्षेत्रों को भी बाहर कर दिया जो सीधे परिणामों का वर्णन करते थे। एक बार डेटा सुरक्षित हो जाने के बाद, उन्होंने शेष टेक्स्ट में पैटर्न खोजने के लिए तीन अलग-अलग प्रकार के कंप्यूटर मॉडल को प्रशिक्षित किया। इन मॉडलों का परीक्षण विकास के विभिन्न चरणों, जिन्हें 'फेज' कहा जाता है, के परीक्षणों पर किया गया। फेज 1 परीक्षणों में पहली बार किसी दवा का मनुष्यों पर परीक्षण सुरक्षा की जांच के लिए किया जाता है, फेज 2 यह देखने के लिए होता है कि क्या दवा वास्तव में काम करती है, और फेज 3 बड़े अध्ययन हैं जो दवा की मंजूरी से पहले उसकी प्रभावशीलता और सुरक्षा की पुष्टि करते हैं।

परिणामों ने दिखाया कि कंप्यूटर मॉडल वास्तव में सार्वजनिक टेक्स्ट में उपयोगी संकेत खोज सकते हैं। सबसे अच्छा प्रदर्शन करने वाला मॉडल, जिसने रैंडम फॉरेस्ट (random forest) नामक विधि का उपयोग किया था, संयोग (रैंडम चांस) से बेहतर तरीके से सफल और विफल परीक्षणों के बीच अंतर करने में सक्षम था। परीक्षण के सबसे शुरुआती चरण, फेज 1 में, मॉडल ने काफी अच्छा प्रदर्शन किया, और लगभग 74 प्रतिशत मामलों में परिणामों को सही ढंग से रैंक किया। इसका अर्थ यह है कि यदि आप फेज 1 के परीक्षणों का एक समूह लेते हैं, तो मॉडल उच्च स्तर की सटीकता के साथ उन परीक्षणों की पहचान कर सकता है जिनके सफल होने की अधिक संभावना है। फेज 2 परीक्षणों के लिए प्रदर्शन कम था, जो कि भविष्यवाणी करने के लिए अत्यंत कठिन माने जाते हैं क्योंकि वे इस बात पर बहुत अधिक निर्भर करते हैं कि क्या दवा सही जैविक लक्ष्य (बायोलॉजिकल टारगेट) को हिट करती है, जो अक्सर सार्वजनिक सारांशों में गायब होता है। हालाँकि, इस चरण में भी मॉडल का प्रदर्शन संयोग से बेहतर था।

सबसे दिलचस्प निष्कर्षों में से एक यह था कि मॉडल को विविध बीमारियों पर प्रशिक्षित करने से वास्तव में न्यूरोसाइंस (तंत्रिका विज्ञान) के एक विशिष्ट समूह के परिणामों की भविष्यवाणी करने में मदद मिली। न्यूरोसाइंस परीक्षण, जो अल्जाइमर या अवसाद जैसी स्थितियों से संबंधित होते हैं, ऐतिहासिक रूप से बहुत उच्च विफलता दर रखते हैं। शोधकर्ता ने पाया कि जब कंप्यूटर को केवल न्यूरोसाइंस ही नहीं, बल्कि सभी चिकित्सा क्षेत्रों के परीक्षणों पर प्रशिक्षित किया गया, तो वह न्यूरोसाइंस परीक्षणों की सफलता की भविष्यवाणी करने में बेहतर हो गया। यह सुझाव देता है कि नैदानिक परीक्षण के डिजाइन और संचालन के सामान्य नियम विभिन्न प्रकार की बीमारियों में समान हैं, और व्यापक रेंज के उदाहरणों से सीखना कंप्यूटर को तंत्रिका तंत्र की विशिष्ट चुनौतियों को समझने में मदद करता है।

अध्ययन ने मॉडल का परीक्षण 7,260 कठिन मामलों के सेट के विरुद्ध भी किया था, जिनकी मानव विशेषज्ञों द्वारा मैन्युअल रूप से समीक्षा की गई थी ताकि यह सुनिश्चित हो सके कि वे आसानी से अनुमान लगाने योग्य नहीं थे। इन कठिन उदाहरणों के सामने भी, मॉडल ने सफलता और विफलता के बीच अंतर करने की अपनी क्षमता बनाए रखी, जिससे यह सिद्ध हुआ कि वह केवल सरल नियमों को याद नहीं कर रहा था बल्कि वास्तव में नैदानिक परीक्षणों की प्रकृति के बारे में कुछ सीख रहा था। शोधकर्ता ने यह भी जाँच की कि क्या मॉडल परीक्षणों को प्रायोजित करने वाली कंपनियों के नाम या उनके आयोजन के स्थानों पर निर्भर था। जब इन विवरणों को हटा दिया गया, तो मॉडल का प्रदर्शन केवल थोड़ा ही गिरा, जो यह दर्शाता है कि विज्ञान और अध्ययन के डिजाइन का वर्णन करने वाला टेक्स्ट ही अधिकांश भविष्य कहनेवाला भार (प्रेडिक्टिव वेट) वहन कर रहा था।

यह कार्य प्रदर्शित करता है कि सार्वजनिक जानकारी, जो वर्षों से उपलब्ध है लेकिन इस तरह से विश्लेषण नहीं की गई है, फार्मास्युटिकल उद्योग के लिए महत्वपूर्ण मूल्य रखती है। इस अध्ययन में उपयोग किए गए मॉडल अपेक्षाकृत सरल हैं और उन्हें शक्तिशाली सुपरकंप्यूटर या गुप्त डेटा की आवश्यकता नहीं है; वे एक मानक लैपटॉप पर भी चल सकते हैं। यह दृष्टिकोण शैक्षणिक शोधकर्ताओं, गैर-लाभकारी संगठनों और छोटी कंपनियों के लिए सुलभ बनाता है जिनके पास प्रोप्रायटरी डेटाबेस तक पहुंच नहीं है। केवल ओपन डेटा का उपयोग करके सफलता की संभावना का अनुमान लगाने का तरीका प्रदान करके, यह विधि दवा उम्मीदवारों की स्क्रीनिंग के लिए एक नया उपकरण प्रदान करती है। यह विशेषज्ञ निर्णय या दवा विकास के जटिल कार्य को प्रतिस्थापित नहीं करता है, बल्कि यह एक विश्वसनीय, वस्तुनिष्ठ शुरुआती बिंदु प्रदान करता है। यह टीमों को यह तय करने में मदद कर सकता है कि किन कार्यक्रमों को अधिक ध्यान देने की आवश्यकता है और किन्हें जल्दी रोका जा सकता है, जिससे संभावित रूप से समय, पैसा और उन मरीजों की भलाई बच सकती है जो इन महत्वपूर्ण अध्ययनों के लिए स्वयंसेवक बनते हैं।