Development and External Validation of a Machine Learning–Based Clinical Prediction Model for Postoperative Ischemic Stroke in Patients Undergoing Coronary Artery Bypass Grafting: Validation Using the eICU Collaborative Research Database
इस अध्ययन ने eICU डेटाबेस का उपयोग करके एक रैंडम फॉरेस्ट मशीन लर्निंग मॉडल विकसित और बाह्य रूप से मान्य किया है जो कोरोनरी आर्टरी बाईपास ग्राफ्टिंग रोगियों में पोस्टऑपरेटिव इस्केमिक स्ट्रोक की भविष्यवाणी करने में अच्छा विभेदक प्रदर्शन प्रदर्शित करता है, जो प्रारंभिक जोखिम स्तरीकरण में सहायता के लिए RDW-CV और SII जैसे प्रमुख भविष्यवक्ताओं की पहचान करता 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
हृदय की सर्जरी आधुनिक चिकित्सा का एक उल्लेखनीय चमत्कार है, जो उन लोगों के लिए जीवन रेखा प्रदान करती है जिनकी धमनियां खतरनाक रूप से अवरुद्ध हो गई हैं। यह प्रक्रिया, जिसे कोरोनरी आर्टरी बाईपास ग्राफ्टिंग के रूप में जाना जाता है, हृदय की मांसपेशियों तक रक्त के प्रवाह को बहाल करने के लिए इन अवरोधों के चारों ओर रक्त के मार्ग को फिर से निर्देशित करती है। फिर भी, कुशल सर्जनों और उन्नत तकनीक के बावजूद, इस यात्रा में एक छिपा हुआ खतरा होता है। ऑपरेशन के दौरान और बाद में, छोटे थक्के या मलबे मस्तिष्क तक जा सकते हैं, जिससे स्ट्रोक हो सकता है। यह जटिलता, हालांकि सबसे आम परिणाम नहीं है, लेकिन सबसे गंभीर परिणामों में से एक है। यह रोगी के सुधार को नाटकीय रूप रूप से बदल सकती है, मृत्यु के जोखिम को बढ़ा सकती है, और स्थायी विकलांगता छोड़ सकती है। चूंकि दांव बहुत ऊंचे हैं, इसलिए डॉक्टरों ने लंबे समय से बेहतर तरीके खोजने की कोशिश की है कि पहला चीरा लगाने से पहले ही यह भविष्यवाणी कैसे की जाए कि किन लोगों के इस भाग्य का शिकार होने की सबसे अधिक संभावना है। पारंपरिक तरीके ज्ञात जोखिम कारकों की एक सूची की जांच करने पर निर्भर करते हैं, जैसे कि आयु या पिछला चिकित्सा इतिहास, लेकिन ये उपकरण अक्सर रोगी के शरीर की प्रणालियों के बीच उन सूक्ष्म, जटिल अंतःक्रियाओं को पकड़ने में विफल रहते हैं जो संकट का संकेत दे सकते हैं।
चीन के अस्पतालों के शोधकर्ताओं की एक टीम ने एक अधिक सटीक भविष्यवाणी उपकरण बनाने के लिए मशीन लर्निंग की शक्ति का उपयोग करते हुए एक अलग दृष्टिकोण अपनाया है। उन्होंने बीजिंग में एक ही अस्पताल में 2019 और 2021 के बीच इस बाईपास सर्जरी से गुजरने वाले 938 रोगियों के विस्तृत रिकॉर्ड एकत्र करके शुरुआत की। लक्ष्य कंप्यूटर को डेटा में उन पैटर्न को पहचानने के लिए प्रशिक्षित करना था जिन्हें मानवीय आंखें अनदेखा कर सकती हैं। टीम ने कंप्यूटर को एक विशाल श्रेणी की जानकारी दी, जिसमें रोगी की आयु, रक्तचाप और चिकित्सा इतिहास शामिल था, लेकिन साथ ही सूजन, गुर्दे की कार्यक्षमता और रक्त ऑक्सीजन को कितनी अच्छी तरह ले जाता है, इसे मापने वाले रक्त परीक्षणों के विशिष्ट आंकड़े भी शामिल थे। कंप्यूटर को इन कारकों के उस विशिष्ट संयोजन को खोजने का कार्य सौंपा गया था जो उन रोगियों को उन लोगों से सबसे बेहतर तरीके से अलग कर सके जिन्हें स्ट्रोक हुआ था और जिन्हें नहीं हुआ था। यह सुनिश्चित करने के लिए कि उपकरण केवल उन विशिष्ट रोगियों को याद नहीं कर रहा है जिन पर इसे प्रशिक्षित किया गया था, शोधकर्ताओं ने इसका परीक्षण संयुक्त राज्य अमेरिका के एक विशाल, बहु-अस्पताल डेटाबेस से प्राप्त 1,177 रोगियों के पूरी तरह से अलग समूह पर किया। यह दूसरा समूह एक कठोर परीक्षण के रूप में कार्य करता है कि क्या यह उपकरण एक अलग सेटिंग और अलग लोगों के साथ काम करेगा।
कंप्यूटर ने कई अलग-अलग गणितीय रणनीतियों का उपयोग करके डेटा का विश्लेषण किया, और अंततः उस पर टिक गया जो सबसे अच्छा प्रदर्शन कर रहा था। इस शीर्ष प्रदर्शन करने वाले मॉडल ने सात प्रमुख जानकारियों की पहचान की जो स्ट्रोक की भविष्यवाणी करने के लिए सबसे महत्वपूर्ण थीं। इनमें रोगी का पिछले स्ट्रोक का इतिहास, उनके शरीर का आकार और उनके रक्त के विशिष्ट माप शामिल थे। सबसे स्पष्ट संकेतकों में लाल रक्त कोशिकाओं के आकार में भिन्नता का एक माप, प्रतिरक्षा कोशिकाओं की गणनाओं का एक स्कोर जो समग्र सूजन को मापने के लिए उपयोग किया जाता है, और एक गणना शामिल थी कि उनका रक्त वास्तव में कितनी ऑक्सीजन ले जा सकता है। मॉडल ने इस बात पर भी विचार किया कि उनके गुर्दे अपशिष्ट को कितनी अच्छी तरह छान रहे थे। जब शोधकर्ताओं ने देखा कि इन कारकों ने भविष्यवाणी को कैसे प्रभावित किया, तो उन्होंने पाया कि उच्च स्तर की सूजन और कम ऑक्सीजन वहन क्षमता का संबंध स्ट्रोक के बढ़ते जोखिम से था, जबकि बेहतर गुर्दे की कार्यक्षमता ने कुछ सुरक्षा प्रदान की।
जब शोधकर्ताओं ने अमेरिकी रोगी डेटा पर इस नए मॉडल का परीक्षण किया, तो यह एक विश्वसनीय मार्गदर्शक साबित हुआ, जिसने यादृच्छिक संयोग की तुलना में उच्च-जोखिम और निम्न-जोखिम वाले रोगियों के बीच काफी बेहतर तरीके से अंतर किया। हालांकि यह पूर्ण नहीं था, लेकिन इसने एक ऐसी आबादी में भी खतरे में पड़े लोगों की पहचान करने की मजबूत क्षमता बनाए रखी जिसे इसने पहले कभी नहीं देखा था। अध्ययन बताता है कि शरीर को एक जटिल प्रणाली के रूप में देखकर जहाँ सूजन, ऑक्सीजन वितरण और रक्त संरचना परस्पर क्रिया करती है, डॉक्टर एकल कारकों को अलग-अलग देखने की तुलना में जोखिम की अधिक स्पष्ट तस्वीर प्राप्त कर सकते हैं। शोधकर्ता इस बात पर जोर देते हैं कि यह उपकरण कोई भविष्य बताने वाला यंत्र नहीं है, बल्कि उन रोगियों को चिह्नित करने का एक तरीका है जिन्हें अतिरिक्त निगरानी या विशिष्ट निवारक देखभाल की आवश्यकता हो सकती है। इससे पहले कि यह विधि प्रत्येक अस्पताल की दिनचर्या का मानक हिस्सा बने, इसे लोगों के और भी बड़े और विविध समूहों पर परीक्षण करने की आवश्यकता होगी। हालांकि, यह कार्य डेटा का उपयोग करके रोगी के जीवन के सबसे महत्वपूर्ण क्षणों में मस्तिष्क की रक्षा करने की दिशा में एक महत्वपूर्ण कदम है।
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।