Development and validation of an interpretable machine model for predicting recurrence after radiofrequency ablation in hepatocellular carcinoma

लिवर कैंसर आधुनिक चिकित्सा के सबसे निरंतर और घातक चुनौतियों में से एक बना हुआ है, विशेष रूप से उन रोगियों के लिए जिनके ट्यूमर को अंग को हटाए बिना उपचार के लिए पर्याप्त जल्दी पकड़ लिया जाता है। इन व्यक्तियों के लिए, रेडियोफ्रीक्वेंसी एब्लेशन नामक एक प्रक्रिया एक शक्तिशाली समाधान प्रदान करती है। इमेजिंग द्वारा निर्देशित एक सुई का उपयोग करते हुए, डॉक्टर कैंसर कोशिकाओं को सीधे नष्ट करने के लिए तीव्र ऊष्मा (हीट) लागू करते हैं, जिससे लिवर के बाकी हिस्से को सुरक्षित रखा जा सके। हालांकि यह दृष्टिकोण अक्सर दृश्य रोग को साफ करने में सफल होता है, लेकिन इसके ऊपर एक साया मंडराता रहता है: कैंसर अक्सर वापस आ जाता है। यही पुनरावृत्ति (recurrence) मुख्य कारण है जिससे रोगी लंबे समय तक जीवित नहीं रह पाते, जिससे एक सफल सर्जरी एक अस्थायी राहत में बदल जाती है। चिकित्सा जगत लंबे समय से यह देखने का तरीका खोजने की कोशिश कर रहा है कि कौन से रोगी भविष्य में इस वापसी का सामना करने की सबसे अधिक संभावना रखते हैं, जिससे डॉक्टर अधिक सटीकता के साथ उनके फॉलो-अप देखभाल को अनुकूलित कर सकें। अब तक, इन भविष्यवाणियों को करने के लिए उपयोग किए जाने वाले उपकरण अक्सर बहुत सरल रहे हैं, जो शरीर के विभिन्न कारकों के बीच जटिल अंतःक्रियाओं को समझने में सक्षम नहीं थे जो बीमारी को वापस लाने के लिए प्रेरित करते हैं।

जियांग्शी, चीन के अस्पतालों के शोधकर्ताओं की एक टीम ने एक नए प्रकार का भविष्यवाणी उपकरण बनाकर इस कमी को दूर किया है जो कठोर सूत्रों के बजाय डेटा से सीखता है। उन्होंने 2018 और 2022 के बीच लिवर कैंसर के लिए रेडियोफ्रीक्वेंसी एब्लेशन कराने वाले 1,115 रोगियों के मेडिकल रिकॉर्ड एकत्र किए। यह समूह लोगों का एक विविध क्रॉस-सेक्शन था, जिनमें ज्यादातर पुरुष थे जिनकी औसत आयु 60 वर्ष थी, जिनमें से कई को हेपेटाइटिस बी के कारण लिवर डैमेज हुआ था। शोधकर्ताओं ने इस समूह को दो सेटों में विभाजित किया: एक बड़ा समूह कंप्यूटर को पैटर्न पहचानने के लिए सिखाने के लिए, और एक छोटा समूह यह परीक्षण करने के लिए कि क्या कंप्यूटर नए लोगों पर जो सीखा है उसे लागू कर सकता है। उन्होंने सिस्टम में सूचनाओं का एक विशाल संग्रह डाला, जिसमें ट्यूमर का आकार और संख्या, रक्त परीक्षण के परिणाम, रोगी की आय और शिक्षा का स्तर, और यह शामिल था कि क्या उन्हें एब्लेशन के बाद कोई अतिरिक्त उपचार मिला।

शोधकर्ताओं ने इस डेटा का विश्लेषण करने के दो अलग-अलग तरीकों की तुलना की। पहला एक पारंपरिक सांख्यिकीय तरीका था, जो चिकित्सा अनुसंधान में एक लंबे समय से चला आ रहा मानक है जो यह मानता है कि चरों (variables) के बीच संबंध सीधी रेखाओं के समान होते हैं। दूसरा एक अधिक उन्नत मशीन लर्निंग दृष्टिकोण था, जो कृत्रिम बुद्धिमत्ता (AI) का एक प्रकार है जो उन जटिल, गैर-रेखीय संबंधों को खोजने में सक्षम है जिन्हें एक मानव मिस कर सकता है। जब टीम ने इन मॉडलों का परीक्षण किया, तो मशीन लर्निंग दृष्टिकोण काफी अधिक सटीक साबित हुआ। प्रशिक्षण वाले समूह में, इसने 0.83 का AUC प्राप्त किया, जबकि पारंपरिक पद्धति ने 0.74 का AUC हासिल किया। अलग रोगी समूह पर परीक्षण करते समय, मशीन लर्निंग मॉडल ने अपना दबदबा बनाए रखा, जिसने पारंपरिक पद्धति के 0.63 की तुलना में 0.74 का AUC प्राप्त किया। यह अंतर बताता है कि मशीन लर्निंग मॉडल विभिन्न स्वास्थ्य कारकों के संयोजन से होने वाले सूक्ष्म और जटिल प्रभावों को समझने में बेहतर है जो कैंसर की वापसी को प्रभावित करते हैं।

यह सुनिश्चित करने के लिए कि यह शक्तिशाली उपकरण केवल बिना किसी कारण के अनुमान लगाने वाला एक "ब्लैक बॉक्स" नहीं है, शोधकर्ताओं ने यह समझाने के लिए एक तकनीक का उपयोग किया कि कंप्यूटर अपने निष्कर्षों तक कैसे पहुँचा। उन्होंने पाया कि भविष्यवाणी को संचालित करने वाले सबसे महत्वपूर्ण कारक यह थे कि क्या रोगी को एब्लेशन के बाद उपचार मिला, मौजूद ट्यूमर की संख्या, ट्यूमर का सबसे बड़ा आकार, और एक विशिष्ट रक्त मार्कर जिसे AFP कहा जाता है। मॉडल ने दिखाया कि बड़े ट्यूमर और कई घाव (lesions) स्वाभाविक रूप से पुनरावृत्ति के जोखिम को बढ़ाते हैं, जो स्थापित चिकित्सा समझ के अनुरूप है। हालांकि, मॉडल ने उपचार के बाद की देखभाल के साथ एक जटिल संबंध को भी उजागर किया। कुछ उच्च-जोखिम वाले मामलों में, मॉडल ने नोट किया कि जिन रोगियों को अतिरिक्त उपचार मिला, उनमें पुनरावृत्ति की संभावना अधिक थी। शोधकर्ताओं ने स्पष्ट किया कि इसका मतलब यह नहीं था कि उपचार ने कैंसर को वापस लाया; बल्कि, यह संकेत देता था कि डॉक्टरों ने संभवतः उन रोगियों के लिए अतिरिक्त उपचार इसलिए निर्धारित किया था क्योंकि उन्हें पहले से ही संदेह था कि उनमें अधिक आक्रामक बीमारी है। मॉडल ने इस नैदानिक बारीकी को सफलतापूर्वक पकड़ा, यह पहचानते हुए कि अतिरिक्त देखभाल की आवश्यकता स्वयं उच्च जोखिम का एक संकेत थी।

अध्ययन ने यह भी विज़ुअलाइज़ किया कि ये कारक व्यक्तिगत रोगियों के लिए कैसे काम करते हैं। एक उच्च-जोखिम वाले रोगी के लिए, मॉडल दिखा सकता है कि तीन ट्यूमर होने, एक बड़े ट्यूमर के आकार और उपचार के बाद की देखभाल प्राप्त करने का संयोजन पुनरावृत्ति की संभावना को काफी बढ़ा देता है। एक कम-जोखिम वाले रोगी के लिए, इन कारकों की अनुपस्थिति, या नकारात्मक संकेतकों जैसे कि एसाइटिस (पेट में तरल पदार्थ) का न होना, संभावना को कम रखेगा। इन योगदानों को मैप करके, शोधकर्ताओं ने एक ऐसी प्रणाली बनाई है जो न केवल एक संख्या देती है, बल्कि उस संख्या के पीछे के "क्यों" को भी समझाती है। यह पारदर्शिता डॉक्टरों के लिए महत्वपूर्ण है जिन्हें अपने रोगियों के बारे में निर्णय लेने के लिए इस उपकरण पर भरोसा करने की आवश्यकता होती है।

इस कार्य का अंतिम लक्ष्य फॉलो-अप देखभाल के लिए "एक ही आकार सबके लिए उपयुक्त" (one-size-fits-all) दृष्टिकोण से आगे बढ़ना है। निम्न, मध्यम और उच्च-जोखिम समूहों में रोगियों को सटीक रूप से वर्गीकृत करने वाले उपकरण के साथ, डॉक्टर संभावित रूप से उन लोगों को अधिक गहन निगरानी प्रदान कर सकते हैं जिन्हें इसकी सबसे अधिक आवश्यकता है, जबकि कम जोखिम वाले रोगियों को अनावश्यक चिंता और चिकित्सा प्रक्रियाओं से बचा सकते हैं। शोधकर्ता स्वीकार करते हैं कि उनका मॉडल एक एकल केंद्र के डेटा पर बनाया गया था, जिसका अर्थ है कि इसे हर जगह काम करने के लिए विभिन्न आबादी पर परीक्षण करने की आवश्यकता होगी। हालांकि, परिणाम दर्शाते हैं कि वास्तविक दुनिया के डेटा के बड़े हिस्से को उन्नत, व्याख्या योग्य मशीन लर्निंग के साथ जोड़कर, एक ऐसी प्रणाली बनाई जा सकती है जो रोगी के जोखिम की पूरी तस्वीर देखती है, जो उपचार के बाद लिवर कैंसर के प्रबंधन के लिए एक स्पष्ट मार्ग प्रदान करती है।