An EMOI-Based Object-Level Event Governance Framework for Multimodal Healthcare Data Integration and Clinical Research

तकनीकी सारांश: मल्टीमॉडल स्वास्थ्य सेवा डेटा एकीकरण और नैदानिक अनुसंधान के लिए एक EMOI-आधारित ऑब्जेक्ट-लेवल इवेंट गवर्नेंस फ्रेमवर्क

समस्या विवरण
तृतीयक अस्पतालों में व्यापक मल्टीमॉडल स्वास्थ्य सेवा डेटा (नैदानिक पाठ, इमेजिंग, प्रयोगशाला परिणाम और शारीरिक संकेतों सहित) के संचय के बावजूद, प्रभावी उपयोग में महत्वपूर्ण बाधाएं उत्पन्न हो रही हैं। वर्तमान अस्पताल-व्यापी डेटा प्रबंधन अपर्याूर्ण डेटा जुड़ाव, सिमेंटिक विषमता (semantic heterogeneity) और निम्न दक्षता से ग्रस्त है। जबकि एंटरप्राइज मास्टर पेशेंट इंडेक्स (EMPI) ढांचे विभिन्न प्रणालियों में रोगी की पहचान को सफलतापूर्वक एकीकृत करते हैं, वे इस सूक्ष्म प्रश्न को हल करने में विफल रहते हैं कि "देखभाल के किस प्रकरण (episode) के दौरान यह डेटा उत्पन्न किया गया था।" मौजूदा पेशेंट-आइडेंटिटी-आधारित लिंकेज रणनीतियां अक्सर खंडित रिकॉर्ड का परिणाम देती हैं, जो विषम प्रणालियों के बीच केवल लगभग 43% एनकाउंटर रिकॉर्ड को ही जोड़ पाती हैं। यह सीमा एकल नैदानिक घटना से संबंधित मल्टीमॉडल रिकॉर्ड के लिए पूर्ण जुड़ाव श्रृंखला स्थापित करने में बाधा डालती है, जिससे नैदानिक अनुसंधान और बुद्धिमान निर्णय समर्थन (intelligent decision support) की दक्षता सीमित हो जाती है।

कार्यप्रणाली
यह अध्ययन एक लेयर्ड लेकहाउस-आधारित आर्किटेक्चर और एक नौ-चरणीय क्लोज्ड-लूप गवर्नेंस सिस्टम पर आधारित एक व्यापक गवर्नेंस फ्रेमवर्क का प्रस्ताव करता है, जिसमें एक तृतीयक अस्पताल के 72 TB वास्तविक दुनिया के मल्टीमॉडल डेटा (1.7 मिलियन रोगी, 317 मिलियन रिकॉर्ड) का उपयोग किया गया है।

1. मुख्य तंत्र (EMOI): यह फ्रेमवर्क एंटरप्राइज मल्टीमॉडल ऑब्जेक्ट आइडेंटिफायर (EMOI) पेश करता है, जो EMPI का एक विस्तार है। जहाँ EMPI रोगी की पहचान को एकीकृत करता है, वहीं EMOI एक ऑब्जेक्ट-लेवल इवेंट एसोसिएशन चेन स्थापित करता है जो वर्कफ़्लो को जोड़ता है: एनकाउंटर → परीक्षा → रिपोर्ट → निदान → उपचार। यह खंडित डेटा के लिए एक सुसंगत स्थानिक-कालिक (spatiotemporal) सिमेंटिक संरचना बनाता है।
2. आर्किटेक्चर:
   • डेटा सोर्स लेयर: HL7 v2/v3/FHIR मानकों और JDBC का उपयोग करके 30 से अधिक विषम प्रणालियों (HIS, PACS, LIS, आदि) को डिकपल करता है। अधिग्रहण के दौरान एक BERT-आधारित मॉड्यूल स्वचालित रूप से 14 श्रेणियों के संरक्षित स्वास्थ्य सूचना (PHI) की पहचान करता है।
   • रॉ डेटा पर्सिस्टेंस: टेराबाइट-स्केल डेटा के विश्वसनीय और स्केलेबल स्टोरेज के लिए राफ्ट कंसेंसस (Raft consensus) के साथ TiDB डिस्ट्रिब्यूटेड डेटाबेस का उपयोग करता है।
   • मल्टीमॉडल फीचर फ्यूजन: यह भौतिक भंडारण से बदलकर सिमेंटिक जुड़ाव की ओर स्थानांतरित होता है। यह एक यूनिफाइड फीचर स्पेस में इमेजिंग फीचर्स (ResNet-50 के माध्यम से निकाले गए) को रिपोर्ट टेक्स्ट एम्बेडिंग्स (Transformer एनकोडर्स के माध्यम से) के साथ संरेखित करने के लिए क्रॉस-अटेंशन रणनीति का उपयोग करता है। रोग की प्रगति के वृत्तांतों के साथ इमेजिंग परिवर्तनों को जोड़ने के लिए कोसाइन सिमिलैरिटी (Cosine Similarity) का उपयोग करके टेम्पोरल इवोल्यूशन को मापा जाता है।
3. नौ-चरणीय गवर्नेंस प्रक्रिया:
   • क्लींजिंग और मैपिंग: विस्तार योग्य नियम रिपॉजिटरी, आउटलियर डिटेक्शन के लिए K-नेरेस्ट नेबर्स (KNN), और मिसिंग वैल्यू इमप्यूटेशन के लिए जेनरेटिव एडवरसैरियल नेटवर्क (GAN) का उपयोग करता है।
   • मानकीकरण और पहचान: ICD-10 और LOINC ऑन्टोलॉजी लागू करता है। वेटेड प्रोबेबिलिस्टिक मैचिंग के माध्यम से EMPI का निर्माण करता है, जिसके बाद रोगी-एनकाउंटर-परीक्षा-निदान-उपचार को जोड़ने के लिए EMOI का निर्माण किया जाता है।
   • सुरक्षा और गोपनीयता: पांच-स्तरीय डेटा वर्गीकरण के साथ "अनियन मॉडल" डिफेंस-इन-डेप्थ रणनीति को लागू करता है। संवेदनशील डेटा को चीन के डेटा सुरक्षा कानून और HIPAA के अनुपालन के लिए SM4 एन्क्रिप्शन, डायनेमिक मास्किंग और प्राइवेसी-प्रिजर्विंग कंप्यूटिंग (मॉडल चलते हैं, डेटा स्थानीय रहता है) के माध्यम से प्रबंधित किया जाता है।

प्रमुख योगदान

• EMOI फ्रेमवर्क: एक नवीन तंत्र जो पेशेंट-लेवल पहचान से आगे बढ़कर ऑब्जेक्ट-लेवल इवेंट एसोसिएशन तक जाता है, जिससे विशिष्ट नैदानिक प्रकरणों के भीतर मल्टीमॉडल रिकॉर्ड का सूक्ष्म जुड़ाव संभव होता है।
• एकीकृत गवर्नेंस आर्किटेक्चर: एक पुनरुत्पादनीय इंजीनियरिंग प्रतिमान जो लेकहाउस आर्किटेक्चर को नौ-चरणीय क्लोज्ड-लूप गुणवत्ता नियंत्रण प्रक्रिया के साथ जोड़ता है, जो डेटा अधिग्रहण से लेकर परिसंपत्तिकरण (assetization) तक के पूर्ण जीवनचक्र को संबोधित करता है।
• सिमेंटिक अलाइनमेंट: पिक्सेल-लेवल लीजन फीचर्स को शब्दावली-स्तर के नैदानिक विवरणों के साथ सिमेंटिक रूप से संरेखित करने के लिए डीप लर्निंग (Resick-50, Transformers, Cross-Attention) का उपयोग करने वाला एक तकनीकी दृष्टिकोण।
• सुरक्षा मॉडल: राष्ट्रीय क्रिप्टोग्राफिक मानकों (SM4) के साथ सुरक्षित क्रॉस-इंस्टीट्यूशनल सहयोग के लिए प्राइवेसी-प्रिजर्विंग कंप्यूटिंग को एकीकृत करने वाला एक पांच-स्तरीय सुरक्षा वर्गीकरण प्रणाली।

परिणाम
इस फ्रेमवर्क के कार्यान्वयन से निम्नलिखित मात्रात्मक परिणाम प्राप्त हुए:

• डेटा स्केल: 19 श्रेणियों के मेडिकल डेटा को 81 मानकीकृत तालिकाओं (1,479 फील्ड्स) में एकीकृत किया, जिससे 105 मिलियन रॉ रिकॉर्ड्स से 336 मिलियन मानकीकृत डेटा रिकॉर्ड उत्पन्न हुए।
• पहचान और जुड़ाव: 86.7% की EMPI निरंतरता दर और 100% की EMOI एसोसिएशन दर प्राप्त की, जिससे रोगियों, परीक्षाओं, छवियों और निदानों को जोड़ने वाला एक व्यापक नॉलेज ग्राफ सफलतापूर्वक निर्मित हुआ।
• डेटा गुणवत्ता: 99.63% की डेटा निरंतरता, 97.78% की सटीकता और 95.70% की समयबद्धता प्राप्त की। कोर क्लिनिकल मॉड्यूल्स के लिए औसत अनुपालन दर 92.63% तक पहुँच गई।
• दक्षता: क्रॉस-सिस्टम एकीकरण चक्र को 9–14 दिनों से घटाकर 1–2 दिन कर दिया। रिसर्च कोहॉर्ट तैयार करने के लिए आवश्यक समय मैन्युअल वर्कफ़्लो के औसत 30 दिनों से घटकर 2–3 दिन हो गया।
• सुरक्षा: ऑटोमैटिक PHI पहचान में 96.4% सटीकता और मुख्य संवेदनशील डेटा के लिए एन्क्रिप्टेड स्टोरेज का लगभग 100% कवरेज प्राप्त किया।

महत्व और दावे
पेपर का दावा है कि EMOI-आधारित ऑब्जेक्ट-लेवल इवेंट गवर्नेंस तंत्र मल्टीमॉडल मेडिकल डेटा के विखंडन को प्रभावी ढंग से हल करता है, जिससे एकीकरण से अनुसंधान उपयोग तक पूर्ण-जीवनचक्र प्रबंधन सक्षम होता है। इस फ्रेमवर्क को निम्नलिखित के समर्थन में मान्य किया गया है:

• नैदानिक अनुसंधान: कोहॉर्ट अधिग्रहण समय को नाटकीय रूप से कम करना और रियल-वर्ल्ड रिसर्च (RWR) का समर्थन करना।
• नैदानिक अनुप्रयोग: 360-डिग्री पेशेंट प्रोफाइलिंग, इंटेलिजेंट क्लिनिकल निर्णय समर्थन (जैसे, जोखिम चेतावनी, साइड-बाय-साइड लीजन तुलना) और मेडिकल रिपोर्ट व्याख्या को सक्षम करना।
• परिचालन प्रबंधन: चार-स्तरीय विश्लेषणात्मक ढांचे के माध्यम से रीयल-टाइम, डेटा-संचालित अस्पताल संचालन की ओर संक्रमण को सुगम बनाना।

लेखक नोट करते हैं कि हालांकि फ्रेमवर्क व्यवहार्यता और स्केलेबिलिटी प्रदर्शित करता है, डाउनस्ट्रीम अनुप्रयोगों (जैसे मल्टीमॉडल AI मॉडल विकास) में व्यवस्थित मूल्यांकन भविष्य के कार्य के लिए एक क्षेत्र बना हुआ है। अध्ययन इस बात पर जोर देता है कि प्राथमिक मूल्य रिसर्च कोहॉर्ट एक्सट्रैक्शन, एलिजिबिलिटी स्क्रीनिंग और डेटा फील्ड क्लींजिंग में सुधार करने में निहित है।