Development and external validation of competing risk models for major osteoporotic fracture and hip fracture in an ethnically diverse UK population of 15.6 million adults
इस अध्ययन ने 15 मिलियन से अधिक वयस्कों की एक विविध यूके आबादी में 10-वर्षीय प्रमुख ऑस्टियोपोरोटिक और हिप फ्रैक्चर जोखिमों की भविष्यवाणी करने के लिए लिंग-विशिष्ट प्रतिस्पर्धी जोखिम मॉडल विकसित और बाह्य रूप से मान्य किए हैं, जो यह प्रदर्शित करता है कि सीखने की अक्षमता और एचआईवी जैसे अतिरिक्त भविष्यवक्ताओं को समकालीन मृत्यु दर समायोजनों के साथ शामिल करने से मौजूदा एल्गोरिदम की तुलना में जोखिम मूल्यांकन की सटीकता और समावेशिता में सुधार होता 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
हर साल, दुनिया भर में लाखों वयस्क मामूली गिरावट या यहाँ तक कि रोज़मर्रा की गतिविधियों के कारण होने वाले हड्डियों के टूटने (फ्रैक्चर) से पीड़ित होते हैं। इन्हें 'फ्रेजिलिटी फ्रैक्चर' (fragility fractures) के रूप में जाना जाता है, और ये बुजुर्गों के लिए दर्द, विकलांगता और स्वतंत्रता के नुकसान का एक प्रमुख कारण हैं। क्योंकि ये टूट-फूट बहुत हानिकारक हो सकती है, इसलिए डॉक्टर यह पहचानने के लिए कि कौन अधिक जोखिम में है, भविष्यवाणी करने वाले उपकरणों (prediction tools) पर भरोसा करते हैं कि फ्रैक्चर होने से पहले ही। ये उपकरण हड्डी के स्वास्थ्य के लिए एक मौसम के पूर्वानुमान की तरह काम करते हैं, जो किसी व्यक्ति की आयु, चिकित्सा इतिहास और जीवनशैली को देखकर अगले दशक में फ्रैक्चर की संभावना का अनुमान लगाते हैं। यदि जोखिम पर्याप्त रूप से अधिक है, तो एक डॉक्टर बोन डेंसिटी स्कैन का आदेश दे सकता है या निवारक उपचार शुरू कर सकता है। हालाँकि, आज के सबसे व्यापक रूप से उपयोग किए जाने वाले उपकरण पुराने डेटा पर आधारित हैं और अक्सर कुछ विशिष्ट बीमारियों, विकलांगताओं या विशिष्ट कैंसर उपचारों से जूझ रहे लोगों के बारे में महत्वपूर्ण विवरणों को छोड़ देते हैं। जैसे-जैसे अधिक लोग गंभीर बीमारियों से बच रहे हैं और जटिल स्वास्थ्य आवश्यकताओं के साथ लंबे समय तक जीवित रह रहे हैं, यह प्रश्न उठता है: क्या हमारे वर्तमान उपकरण अभी भी पूरी तस्वीर देख पा रहे हैं, या वे संवेदनशील लोगों को पीछे छोड़ रहे हैं?
यूनाइटेड किंगडम के शोधकर्ताओं की एक टीम ने अधिक समावेशी भविष्यवाणियों के सेट का निर्माण करके इसका उत्तर देने का निर्णय लिया। उन्होंने 15.6 मिलियन वयस्कों के एक विशाल डेटासेट के साथ काम किया, जो इंग्लैंड और वेल्स के लोगों के इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड से लिया गया था। इस पैमाने ने उन्हें उन समूहों को विस्तार से देखने की अनुमति दी जो अक्सर गहन अध्ययन के लिए बहुत छोटे होते हैं, जैसे कि सीखने की अक्षमता (learning disabilities), डाउन सिंड्रोम, मल्टीपल स्केलेरोसिस, या एचआईवी (HIV) के साथ जी रहे लोग। शोधकर्ताओं ने उन लोगों पर भी ध्यान केंद्रित किया जो कुछ विशिष्ट कैंसर से बचे थे और विशिष्ट हार्मोनल उपचार ले रहे थे जो हड्डियों को कमजोर कर सकते हैं। अपने मॉडलों को यथासंभव सटीक बनाने के लिए, उन्होंने एक ऐसी विधि का उपयोग किया जो इस तथ्य को ध्यान में रखती है कि लोग फ्रैक्चर होने से पहले अन्य कारणों से मृत्यु भी हो सकते हैं। यह एक महत्वपूर्ण अंतर है; यदि कोई मॉडल इस बात पर विचार नहीं करता है कि व्यक्ति पहले किसी अन्य कारण से मर सकता है, तो यह गलती से फ्रैक्चर के जोखिम को वास्तव में जितना है उससे अधिक दिखा सकता है।
टीम ने भविष्यवाणी उपकरण के दो नए संस्करण विकसित किए। पहले संस्करण ने नवीनतम डेटा और अन्य कारणों से मृत्यु को संभालने की बेहतर विधि का उपयोग करके मौजूदा नियमों को अपडेट किया। दूसरे संस्करण ने और आगे बढ़ते हुए, ऊपर बताए गए विशिष्ट स्थितियों और उपचारों को गणना में नए कारकों के रूप में जोड़ा। जब उन्होंने इन नए मॉडलों का पुराने मॉडलों के विरुद्ध परीक्षण किया, तो परिणामों ने सटीकता में स्पष्ट सुधार दिखाया। नए उपकरण वास्तव में यह बताने में बेहतर थे कि किसे फ्रैक्चर होगा और किसे नहीं। वे विशेष रूप से जनसंख्या में देखे गए फ्रैक्चर की वास्तविक संख्या के साथ अनुमानित जोखिम का मिलान करने में बेहतर थे, जो विश्वसनीयता का एक ऐसा पैमाना है जिसमें पुराना उपकरण संघर्ष करता था, और विभिन्न समूहों के आधार पर अक्सर बहुत अधिक या बहुत कम अनुमान लगाता था।
सबसे महत्वपूर्ण निष्कर्षों में से एक यह था कि इन नए कारकों ने जोखिम की समयरेखा (timeline) को कैसे बदल दिया। उदाहरण के लिए, मॉडलों ने दिखाया कि सीखने की अक्षमता वाली महिला या डाउन सिंड्रोम वाले पुरुष, बिना उन स्थितियों वाले व्यक्ति की तुलना में बहुत कम उम्र में ही फ्रैक्चर के समान जोखिम स्तर तक पहुँच जाते हैं। व्यावहारिक रूप से, इसका अर्थ यह है कि सीखने की अक्षमता वाला व्यक्ति अपने साथियों की तुलना में दस साल पहले एक महत्वपूर्ण जोखिम सीमा (critical risk threshold) तक पहुँच सकता है, जिससे यह संकेत मिलता है कि उनकी हड्डियों के स्वास्थ्य की जाँच बहुत पहले की जानी चाहिए। इसी तरह, प्रोस्टेट कैंसर के लिए विशिष्ट हार्मोन उपचार प्राप्त करने वाले पुरुषों को भी पहले की तुलना में बहुत पहले उच्च जोखिम में पाया गया। इन विवरणों को शामिल करके, नए मॉडल डॉक्टरों को जल्दी हस्तक्षेप करने के लिए प्रेरित कर सकते हैं, जिससे संभावित रूप से फ्रैक्चर होने से पहले ही उसे रोका जा सके।
शोधकर्ताओं ने एक विवादास्पद विचार का भी परीक्षण किया: क्या किसी व्यक्ति की जातीयता (ethnicity) को गणना से हटाने से उनका टूल अधिक निष्पक्ष बनेगा। हाल की कुछ चर्चाओं ने सुझाव दिया है कि चूंकि विभिन्न जातीय समूहों की औसत बोन डेंसिटी अलग-अलग होती है, इसलिए जातीयता को शामिल करना पक्षपाती भविष्यवाणियों की ओर ले जा सकता है। टीम ने अपने मॉडल का एक संस्करण बनाया जिसने जातीयता को पूरी तरह से अनदेखा कर दिया ताकि देखा जा सके कि क्या होता है। उन्होंने पाया कि हालांकि टूल अभी भी लोगों को उच्चतम से निम्नतम जोखिम के क्रम में रखने में काफी अच्छा काम करता था, लेकिन यह विशिष्ट समूहों के लिए फ्रैक्चर की वास्तविक संख्या का अनुमान लगाने में कम सटीक हो गया। विशेष रूप से, जातीयता के बिना वाला मॉडल गैर-श्वेत पृष्ठभूमि के लोगों के लिए जोखिम का अधिक अनुमान लगाने लगा। यह सुझाव देता है कि केवल एक कारक को हटा देना अपने आप में निष्पक्षता पैदा नहीं करता है; इस मामले में, इसने भविष्यवाणियों को उन समूहों के लिए कम विश्वसनीय बना दिया जिनकी मदद के लिए इसे बनाया गया था।
अध्ययन इस निष्कर्ष पर पहुँचता है कि सबसे बड़ी प्रगति केवल नए कारक जोड़ने से नहीं, बल्कि गणितीय ढांचे को अपडेट करने से आई है ताकि यह दर्शा सके कि लोग आज वास्तव में कैसे जीवित रहते हैं और मरते हैं। सीखने की अक्षमता, एचआईवी और कैंसर उपचार जैसी विशिष्ट स्थितियों को जोड़ने से विवरण की एक महत्वपूर्ण परत मिल गई है जो डॉक्टरों को उन जोखिमों को देखने में मदद करती है जो पहले अदृश्य थे। ये नए मॉडल फ्रैक्चर की रोकथाम को अधिक सटीक और समावेशी बनाने का एक तरीका प्रदान करते हैं, यह सुनिश्चित करते हुए कि जटिल स्वास्थ्य इतिहास वाले लोगों की अनदेखी न की जाए। शोधकर्ता इस बात पर जोर देते हैं कि अब इन उपकरणों का वास्तविक नैदानिक परिवेश (clinical settings) में परीक्षण किया जाना तैयार है ताकि यह देखा जा सके कि क्या वे बेहतर स्वास्थ्य परिणाम देते हैं, जो स्थिर, ऐतिहासिक नियमों से गतिशील मॉडलों की ओर एक बदलाव है जो जनसंख्या और उनकी स्वास्थ्य आवश्यकताओं के साथ विकसित होते हैं।
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।