Machine learning-based survival modeling reveals distinct surgical benefits across molecular subtypes in young women with de novo metastatic breast cancer

स्तन कैंसर कोई एक एकल बीमारी नहीं है, बल्कि विभिन्न स्थितियों का एक संग्रह है, जिनमें से प्रत्येक अपनी अनूठी जीव विज्ञान (बायोलॉजी) द्वारा संचालित होती है। जब बीमारी स्तन में पाए जाने से पहले ही शरीर के अन्य हिस्सों में फैल जाती है, तो इसे 'डी नोवो मेटास्टैटिक ब्रेस्ट कैंसर' (de novo metastatic breast cancer) कहा जाता है। यह चरण गंभीर और वर्तमान में असाध्य है, जिसका अर्थ है कि उपचार का लक्ष्य बीमारी का प्रबंधन करना, रोगियों को यथासंभव बेहतर महसूस कराना और चिकित्सा विज्ञान की क्षमता के अनुसार उनके जीवन को लंबा बनाए रखना है। डॉक्टरों के बीच लंबे समय से इस बात पर बहस चल रही है कि क्या स्तन में मूल ट्यूमर को हटाना उन रोगियों की मदद करता है जिनमें पहले से ही शरीर के अन्य हिस्सों में कैंसर फैल चुका है। कुछ अध्ययन सुझाव देते हैं कि सर्जरी मदद कर सकती है, जबकि अन्य दिखाते हैं कि इससे कोई अंतर नहीं पड़ता। चुनौती यह है कि प्रत्येक रोगी भिन्न होता है; उनका कैंसर अलग-अलग हार्मोन से संचालित हो सकता है, अलग-अलग अंगों में फैल सकता है, और दवाओं के प्रति अनूठे तरीके से प्रतिक्रिया दे सकता है। इस विविधता के कारण, सभी के लिए एक ही नियम लागू नहीं होता। शोधकर्ताओं को एक ऐसे तरीके की आवश्यकता है जिससे वे एक साथ रोगी के मामले के सभी जटिल विवरणों को देख सकें ताकि यह पता चल सके कि वास्तव में किन लोगों को कौन से उपचारों से लाभ होता है।

शोधकर्ताओं की एक टीम ने उन्नत कंप्यूटर लर्निंग टूल्स का उपयोग करके चिकित्सा रिकॉर्डों के एक विशाल संग्रह का विश्लेषण करने के उद्देश्य से इस पहेली को सुलझाने का प्रयास किया। उन्होंने 2010 से 2019 के बीच मेटास्टैटिक ब्रेस्ट कैंसर से निदान किए गए 50 वर्ष से कम उम्र की 2,605 महिलाओं के डेटा का विश्लेषण किया। ये रिकॉर्ड एक बड़े राष्ट्रीय डेटाबेस से आए थे जो संयुक्त राज्य अमेरिका में कैंसर के मामलों को ट्रैक करता है। वैज्ञानिक एक ऐसा कंप्यूटर मॉडल बनाना चाहते थे जो रोगी के विशिष्ट ट्यूमर प्रकार, कैंसर कहाँ फैला है और उन्हें कौन से उपचार मिले, इसके आधार पर यह भविष्यवाणी कर सके कि रोगी कितने समय तक जीवित रहेगा। उन्होंने आठ अलग-अलग प्रकार के कंप्यूटर एल्गोरिदम का परीक्षण किया, जो डेटा में पैटर्न खोजने के लिए डिज़ाइन किए गए गणितीय प्रोग्राम हैं। इनमें से कुछ प्रोग्राम कई 'डिसीजन ट्री' (decision trees) बनाकर काम करते हैं, जबकि अन्य विभिन्न कारकों के महत्व को मापने के लिए अलग तरीकों का उपयोग करते हैं। लक्ष्य उत्तरजीविता (survival) का पूर्वानुमान लगाने का सबसे सटीक तरीका खोजना था और इससे भी महत्वपूर्ण बात यह थी कि यह समझना था कि कौन से कारक सबसे अधिक मायने रखते हैं।

कंप्यूटर मॉडलों ने खुलासा किया कि कैंसर का प्रकार और उसके प्रसार का विस्तार रोगी के भविष्य के सबसे शक्तिशाली संकेतक थे। विशेष रूप से, ट्यूमर की जैविक संरचना और शरीर के कितने हिस्से तक वह पहुँच चुका है, यह लगभग किसी भी अन्य चीज़ से अधिक महत्वपूर्ण था। हालाँकि, सबसे चौंकाने वाला निष्कर्ष सर्जरी के बारे में था। विश्लेषण ने दिखाया कि स्तन में प्राथमिक ट्यूमर को हटाना वास्तव में उन रोगियों की मदद करता है जो अधिक समय तक जीवित रहते हैं, लेकिन केवल कुछ विशिष्ट समूहों के लिए। जब शोधकर्ताओं ने रोगियों के बीच तुलना को निष्पक्ष बनाने के लिए अन्य अंतरों को समायोजित किया, तो पाया गया कि जिन लोगों की सर्जरी हुई थी, वे उन लोगों की तुलना में काफी अधिक समय तक जीवित रहे जिनकी सर्जरी नहीं हुई थी। औसतन, सर्जरी कराने वाले रोगी लगभग 63 से 65 महीने जीवित रहे, जबकि सर्जरी न कराने वाले रोगी लगभग 37 महीने जीवित रहे। यह उत्तरजीविता लाभ डेटा में स्पष्ट और सुसंगत था, हालांकि यह सब-टाइप (subtype) के अनुसार भिन्न था।

फिर भी, कहानी इतनी सरल नहीं है कि "सर्जरी हमेशा बेहतर होती है।" कंप्यूटर मॉडलों ने दिखाया कि सर्जरी का लाभ कैंसर के विशिष्ट आणविक उप-प्रकार (molecular subtype) पर बहुत अधिक निर्भर करता है। उन महिलाओं के लिए जिनके ट्यूमर दोनों हार्मोन और एक प्रोटीन जिसे HER2 कहा जाता है, द्वारा संचालित थे, सर्जिकल उपचार ने उत्तरजीविता का पर्याप्त लाभ प्रदान किया। इसी तरह, केवल HER2 द्वारा संचालित ट्यूमर वाली महिलाओं को भी स्पष्ट लाभ देखा गया। हालाँकि, केवल हार्मोन द्वारा संचालित ट्यूमर वाली महिलाओं के लिए, सर्जरी ने गैर-सर्जिकल उपचार की तुलना में कोई महत्वपूर्ण उत्तरजीविता लाभ नहीं दिखाया। यह सुझाव देता है कि कुछ प्रकार के कैंसर के लिए, शरीर की दवा उपचारों के प्रति प्रतिक्रिया ही निर्णायक कारक होती है, और सर्जरी अतिरिक्त मूल्य जोड़ती ही नहीं है। अन्य मामलों के लिए, ट्यूमर को हटाना अन्य उपचारों के साथ मिलकर बीमारी को नियंत्रण में रखने का काम करता है।

शोधकर्ताओं ने यह भी देखा कि क्या कैंसर कहाँ फैला है, इससे सर्जरी के परिणाम में कोई बदलाव आता है। उन्होंने पाया कि जिन महिलाओं के कैंसर हड्डियों और लिवर दोनों में फैल गया था, वे 'ब्रेस्ट-कंजर्विंग सर्जरी' (breast-conserving surgery) से सबसे अधिक लाभान्वित हुईं, जिसमें केवल स्तन का एक हिस्सा हटाया जाता है। इस विशिष्ट समूह में, केवल स्तन का एक हिस्सा हटाने से पूरे स्तन को हटाने की तुलना में बेहतर उत्तरजीविता परिणाम मिले। यह एक आश्चर्यजनक विवरण था, क्योंकि इसका तात्पर्य यह है कि कुछ रोगियों के लिए, कम आक्रामक स्थानीय ऑपरेशन एक बेहतर विकल्प हो सकता है। प्रसार के अन्य पैटर्न, जैसे मस्तिष्क या फेफड़ों में कैंसर, के लिए सर्जरी के प्रकार से उत्तरजीविता में कोई महत्वपूर्ण अंतर नहीं पड़ा।

यह सुनिश्चित करने के लिए कि ये निष्कर्ष वास्तविक हैं और केवल डेटा एकत्र करने के तरीके का परिणाम नहीं हैं, शोधकर्ताओं ने तुलना किए जा रहे समूहों को संतुलित करने के लिए एक सांख्यिकीय पद्धति का उपयोग किया। उन्होंने इस तथ्य को ध्यान में रखा कि डॉक्टरों ने स्वस्थ रोगियों या कम गंभीर बीमारी वाले रोगियों को ऑपरेशन के लिए चुना होगा। इस सावधानीपूर्वक संतुलन के बाद भी, परिणाम सत्य साबित हुए: सर्जरी ने मदद की, लेकिन केवल सही रोगियों के लिए। अध्ययन ने यह भी रेखांकित किया कि रोगी की नस्ल, वैवाहिक स्थिति और ट्यूमर की ग्रेड ने उनके भविष्य के दृष्टिकोण में भूमिका निभाई, लेकिन कैंसर का प्रकार और ऑपरेशन का निर्णय उत्तरजीविता के सबसे मजबूत चालक थे।

यह कार्य यह सिद्ध नहीं करता है कि सर्जरी एक इलाज है, न ही यह सुझाव देता है कि मेटास्टैटिक ब्रेस्ट कैंसर वाली हर युवा महिला को ऑपरेशन करवाना चाहिए। इसके बजाय, यह डॉक्टरों और रोगियों को एक कठिन निर्णय लेने में मदद करने के लिए एक स्पष्ट मानचित्र प्रदान करता है। यह दिखाता है कि "एक ही नियम सबके लिए" (one-size-fits-all) का पुराना विचार अब पुराना हो चुका है। ट्यूमर की विशिष्ट जीव विज्ञान और उसके प्रसार के पैटर्न को देखने के लिए कंप्यूटर मॉडल का उपयोग करके, मेडिकल टीमें अब अधिक स्पष्ट रूप से देख सकती हैं कि किसे प्राथमिक ट्यूमर को हटाने से लाभ होगा और किसे नहीं। अध्ययन का निष्कर्ष है कि इस बीमारी के उपचार का भविष्य वैयक्तिकरण (personalization) में निहित है, जिसमें डेटा का उपयोग सही उपचार को सही रोगी से जोड़ने के लिए किया जाता है, ताकि यह सुनिश्चित हो सके कि प्रत्येक चिकित्सा हस्तक्षेप लंबे जीवन की सर्वोत्तम संभावना प्रदान करे।