Development and Validation of a Predictive Model for the Risk of Bleeding Associated with Rivaroxaban

रक्त पतला करने वाली दवाएं आधुनिक चिकित्सा के सबसे महत्वपूर्ण उपकरणों में से एक हैं, जो हृदय, फेफड़ों या मस्तिष्क तक रक्त प्रवाह को बाधित करने वाले खतरनाक थक्कों के विरुद्ध एक ढाल के रूप में कार्य करती हैं। दशकों से, डॉक्टरों ने इन थक्कों को रोकने के लिए वारफारिन (warfarin) जैसी दवाओं पर भरोसा किया है, लेकिन इन पुरानी दवाओं के लिए सुरक्षित रहने हेतु बार-बार रक्त परीक्षण और सावधानीपूर्वक आहार प्रबंधन की आवश्यकता होती है। हाल के वर्षों में, 'डायरेक्ट ओरल एंटिकोअगुलेंट्स' (direct oral anticoagulants) के रूप में जानी जाने वाली दवाओं की एक नई पीढ़ी ने इस परिदृश्य को बदल दिया है। इनमें से सबसे व्यापक रूप से निर्धारित की जाने वाली दवाओं में से एक रिवरोक्साबन (rivaroxaban) है। यह रक्त में एक विशिष्ट प्रोटीन को सीधे ब्लॉक करके काम करता है जो थक्का जमने के लिए आवश्यक है, जिससे रोगियों को निरंतर निगरानी की आवश्यकता के बिना एक सरल उपचार योजना मिलती है। हालाँकि, जिस तंत्र के कारण ये दवाएं प्रभावी होती हैं, वही एक महत्वपूर्ण जोखिम भी पैदा करता है: वे रोगियों को बहुत आसानी से रक्तस्राव (ब्लीडिंग) का शिकार बना सकती हैं। जबकि स्ट्रोक को रोकना एक जीवन रक्षक लक्ष्य है, एक अप्रत्याशित रक्तस्राव उतना ही खतरनाक हो सकता है। चिकित्सकों के लिए चुनौती हमेशा सही संतुलन खोजने की रही है—यह पहचानना कि कौन से रोगी उपचार के लिए सुरक्षित हैं और कौन से वे जो एक ऐसी बारीक रेखा पर चल रहे हैं जहाँ एक मामूली चोट भी एक बड़ी आपदा में बदल सकती है।

चीन के शिहेज़ी विश्वविद्यालय (Shihezi University) के शोधकर्ताओं की एक टीम ने वास्तविक अस्पताल परिवेश में रिवरोक्साबन लेने वाले रोगियों का बारीकी से अध्ययन करके इस पहेली को सुलझाने का प्रयास किया। पुराने, स्थिर स्कोरिंग सिस्टमों पर निर्भर रहने के बजाय, जो अलग-अलग दवाओं के लिए डिज़ाइन किए गए थे, उन्होंने उन्नत कंप्यूटर लर्निंग का उपयोग करके एक नया, गतिशील उपकरण बनाया। उन्होंने 360 रोगियों का पीछा किया जिन्हें फेफड़ों में रक्त के थक्के या अनियमित हृदय गति जैसी स्थितियों के लिए अस्पताल में भर्ती किया गया था। इन रोगियों को बिना किसी अन्य रक्त-पतला करने वाली दवा के, केवल रिवरोक्साबान दिया गया था ताकि परिणाम धुंधले न हों। शोधकर्ताओं ने तीन महीनों तक उन पर बारीकी से नज़र रखी, जिसमें नाक से खून बहने से लेकर गंभीर आंतरिक रक्तस्राव तक, रक्तस्राव के हर उदाहरण को दर्ज किया गया। उन्होंने पाया कि लगभग पाँच में से एक रोगी ने किसी न किसी प्रकार के रक्तस्राव का अनुभव किया, और उल्लेखनीय रूप से, लगभग 90 प्रतिशत घटनाएं उपचार के पहले तीन सप्ताह के भीतर हुईं, जो अक्सर प्रारंभिक उच्च-खुराक चरण के दौरान हुईं। इस समय-सीमा ने सुझाव दिया कि शुरुआती कुछ सप्ताह एक महत्वपूर्ण अवधि हैं जहाँ शरीर सबसे अधिक संवेदनशील होता है।

इस डेटा को समझने के लिए, शोधकर्ताओं ने मशीन लर्निंग की ओर रुख किया, जो कृत्रिम बुद्धिमत्ता (AI) का एक प्रकार है जो मानव आंखों से छूट जाने वाले सूचनाओं के बड़े सेट में जटिल पैटर्न को पहचान सकता है। उन्होंने कंप्यूटर में दर्जनों रोगी विवरणों का डेटा डाला, जिसमें आयु, चिकित्सा इतिहास और विभिन्न रक्त परीक्षण परिणाम शामिल थे। कंप्यूटर को एक कठिन स्थिति से सीखना था: रक्तस्राव की घटनाएं गैर-रक्तस्राव की घटनाओं की तुलना में दुर्लभ थीं, एक ऐसी समस्या जो अक्सर कंप्यूटर मॉडल को भ्रमित कर देती है। इसे ठीक करने के लिए, टीम ने डेटा को संतुलित करने की एक विशेष तकनीक का उपयोग किया, जिससे कंप्यूटर गैर-रक्तस्राव के भारी संख्या वाले मामलों से भ्रमित हुए बिना दुर्लभ रक्तस्राव के मामलों से सीख सका। नौ अलग-अलग प्रकार के कंप्यूटर मॉडलों के परीक्षण के बाद, उन्होंने पाया कि एक विशिष्ट दृष्टिकोण, जिसे 'रैंडम फॉरेस्ट मॉडल' (Random Forest model) कहा जाता है, सबसे अच्छा प्रदर्शन करता है। यह मॉडल निर्णय लेने वालों की एक समिति की तरह कार्य करता है, जहाँ प्रत्येक सदस्य डेटा को थोड़े अलग कोण से देखता है ताकि एक सर्वसम्मति पर पहुँचा जा सके कि कौन जोखिम में है।

सबसे आश्चर्यजनक खोज तब हुई जब कंप्यूटर ने रक्तस्राव की भविष्यवाणी करने वाले तीन सबसे महत्वपूर्ण कारकों की पहचान की। पहला था आयु, जो एक सुस्थापित जोखिम कारक है; वृद्ध रोगियों को आम तौर पर उच्च जोखिम का सामना करना पड़ता है। दूसरा था एक रक्त परीक्षण जिसे 'एक्टिवेटेड पार्शियल थ्रोम्बोप्लास्टिन टाइम' (APTT) कहा जाता है, जो यह मापता है कि रक्त को जमने में कितना समय लगता है। कंप्यूटर ने सीखा कि इस समय में थोड़ी सी भी वृद्धि, जो यह दर्शाती है कि रक्त को जमने में सामान्य से अधिक समय लग रहा है, एक मजबूत चेतावनी संकेत था। तीसरा कारक सबसे प्रतिगामी (counterintuitive) था। शोधकर्ता उम्मीद कर रहे थे कि क्रिएटिनिन (creatinine) का उच्च स्तर, जो गुर्दे द्वारा फिल्टर किया जाने वाला एक अपशिष्ट उत्पाद है, खतरे का संकेत देगा क्योंकि यह खराब किडनी फंक्शन को दर्शाता है। इसके बजाय, मॉडल ने पाया कि क्रिएटिनिन का बहुत कम स्तर एक बड़ा रेड फ्लैग (चेतावनी का संकेत) था। सरल शब्दों में, कम क्रिएटिनिन अक्सर यह संकेत देता है कि रोगी में मांसपेशियों का द्रव्यमान (muscle mass) बहुत कम है और वह शारीरिक रूप से कमजोर या कुपोषण का शिकार हो सकता है। ये रोगी, जो कागजों पर स्वस्थ दिख सकते हैं क्योंकि उनकी किडनी ठीक लग रही है, वास्तव में ऐसे शरीर वाले होते हैं जो दवा को दूसरों की तुलना में उतनी अच्छी तरह से नहीं संभाल पाते। कंप्यूटर ने पहचान लिया कि यह "छिपी हुई दुर्बलता" उन्हें उन लोगों के समान ही रक्तस्राव के प्रति संवेदनशील बनाती है जिन्हें गंभीर किडनी रोग है।

शोधकर्ताओं ने केवल मॉडल बनाने तक ही सीमित नहीं रहे; उन्होंने यह सुनिश्चित करने के लिए इसका कड़ाई से परीक्षण किया कि यह नए रोगियों पर भी काम करेगा। उन्होंने अपने सर्वश्रेष्ठ मॉडल को बाद के समय में उपचारित किए गए 115 रोगियों के एक अलग समूह पर लागू किया। मॉडल ने उच्च सटीकता के साथ प्रदर्शन किया, जिसने सही ढंग से पहचाना कि कौन से रोगी रक्तस्राव करेंगे और कौन से नहीं, जिससे यह सिद्ध हुआ कि उनके निष्कर्ष केवल पहले समूह के रोगियों का कोई संयोग मात्र नहीं थे। 'SHAP' नामक पद्धति का उपयोग करके, जो कंप्यूटर की सोच के भीतर एक पारदर्शी खिड़की की तरह कार्य करती है, टीम देख सकी कि प्रत्येक कारक अंतिम भविष्यवाणी में कैसे योगदान दे रहा था। उन्होंने देखा कि जोखिम केवल आयु या रक्त परीक्षण परिवर्तनों के साथ धीरे-धीरे नहीं बढ़ता; बल्कि एक बार कुछ सीमाएँ (thresholds) पार होने के बाद यह तेजी से उछल जाता है। उदाहरण के लिए, एक बार जब रोगी का रक्त जमने का समय एक विशिष्ट बिंदु को पार कर जाता है, तो रक्तस्राव का जोखिम बढ़ जाता है। इसी तरह, एक बार जब क्रिएटिनिन का स्तर एक निश्चित बिंदु से नीचे गिर जाता है, तो जोखिम तेजी से बढ़ता है।

यह अध्ययन डॉक्टरों और फार्मासिस्टों के लिए एक व्यावहारिक मार्ग प्रदान करता है। यह अनुमान लगाने के बजाय कि किसे रक्तस्राव हो सकता है, अब वे एक सरल उपकरण का उपयोग कर सकते हैं जो केवल तीन चीजों को देखता है: रोगी की आयु कितनी है, उनका रक्त जमने में कितना समय लगता है, और उनमें मांसपेशियों का द्रव्यमान संभवतः कितना है। यह दृष्टिकोण विशेष रूप से उपचार के पहले तीन सप्ताह के दौरान उपयोगी है, जो वह अवधि है जब जोखिम सबसे अधिक होता है। कम मांसपेशियों के द्रव्यमान या थोड़े विलंबित क्लॉटिंग समय वाले रोगियों की पहचान उपचार शुरू करने से पहले ही करके, डॉक्टर उनकी अधिक बारीकी से निगरानी कर सकते हैं या एक मामूली रक्तस्राव को जीवन-घातक आपात स्थिति बनने से रोकने के लिए उनकी देखभाल योजनाओं को समायोजित कर सकते हैं। यह मॉडल डॉक्टर के निर्णय का स्थान नहीं लेता है, बल्कि यह एक स्पष्ट, डेटा-संचालित मानचित्र प्रदान करता है, जो थक्कों को रोकने और नुकसान पहुँचाने के बीच की बारीक रेखा पर नेविगेट करने में मदद करता है। यह एक जटिल चिकित्सा चुनौती को संकेतों के एक प्रबंधनीय सेट में बदल देता है, जिससे यह सुनिश्चित होता है कि आधुनिक रक्त पतला करने वाली दवाओं के जीवन रक्षक लाभों का आनंद अधिक सुरक्षा के साथ लिया जा सके।