Explainable Machine Learning Model for Predicting Filter Lifespan in Patients on Continuous Renal Replacement Therapy

दुनिया भर के अस्पतालों के गहन चिकित्सा इकाइयों (ICU) में, एक विशेष मशीन अक्सर उन रोगियों की रखवाली करती है जिनकी किडनी अचानक काम करना बंद कर देती है। यह मशीन, जिसे 'कंटीन्यूअस रीनल रिप्लेसमेंट थेरेपी' (CRRT) के रूप में जाना जाता है, एक कृत्रिम किडनी के रूप में कार्य करती है, जो रोगी के अपने अंगों के ठीक होने तक उनके रक्त से विषाक्त पदार्थों और अतिरिक्त तरल पदार्थ को धीरे-धीरे छानती है। इस जीवन रक्षक उपकरण का हृदय एक फिल्टर है, एक ऐसा घटक जो रक्त को गुजरने देता है जबकि कचरे को फंसा लेता है। हालांकि, यह फिल्टर नाजुक होता है। एक जाम हो चुके कॉफी फिल्टर की तरह, यह रोगी के अपने रक्त के जमने से छोटी नलियों के भीतर अवरुद्ध हो सकता है, जिससे मशीन को रुकने और फिल्टर को बदलने के लिए मजबूर होना पड़ता है। जब ऐसा बहुत जल्दी होता है, तो उपचार बाधित हो जाता है, और रोगी की स्थिति बिगड़ सकती है। दशकों से, डॉक्टर इस बात की भविष्यवाणी करने के लिए संघर्ष कर रहे हैं कि कौन से रोगी अपने फिल्टर को लंबे समय तक चालू रखेंगे और किन रोगियों में ये अचानक, महंगी विफलताएं होंगी, जिसके लिए वे सटीक पूर्वानुमान के बजाय अनुभव और सामान्य नियमों पर निर्भर रहते हैं।

चीन के झेजियांग प्रांतीय पीपल्स हॉस्पिटल के शोधकर्ताओं की एक टीम ने अब इस पहेली को सुलझाने में मदद करने के लिए एक नया उपकरण बनाया है। 2021 और 2024 के बीच इस थेरेपी को प्राप्त करने वाले 854 रोगियों के मेडिकल रिकॉर्ड को देखकर, उन्होंने एक कंप्यूटर सिस्टम को उन पैटर्न को पहचानने के लिए प्रशिक्षित किया जिन्हें मानव डॉक्टर मिस कर सकते हैं। शोधकर्ताओं ने कंप्यूटर से केवल अनुमान लगाने के लिए नहीं कहा; उन्होंने इसे अपने तर्क को समझाने के लिए भी सिखाया। उन्होंने सिस्टम को बहुत सारी जानकारी दी, जिसमें रोगी की आयु, उनका रक्त रसायन (ब्लड केमिस्ट्री), थक्के जमने से रोकने के लिए उपयोग की जाने वाली दवा का प्रकार, और यहाँ तक कि शरीर में ट्यूब डालने का विशिष्ट स्थान भी शामिल था। कंप्यूटर ने फिर इन विवरणों का विश्लेषण किया ताकि यह भविष्यवाणी की जा सके कि क्या एक फिल्टर साठ घंटों से अधिक समय तक चलेगा, जो कि एक सफल रन माना जाता है, या क्या यह इससे पहले विफल हो जाएगा।

शोधकर्ताओं ने छह अलग-अलग प्रकार के कंप्यूटर लर्निंग मॉडल का परीक्षण किया, जिनमें से प्रत्येक ने उत्तर खोजने के लिए थोड़ा अलग गणितीय दृष्टिकोण अपनाया। एक मॉडल, जिसे 'रैंडम फॉरेस्ट' कहा जाता है, स्पष्ट विजेता बनकर उभरा। इस मॉडल का नाम इसके निर्णय लेने के तरीके के कारण रखा गया है: एक एकल नियम पर भरोसा करने के बजाय, यह कई छोटे निर्णय लेने वालों की एक समिति के रूप में कार्य करता है, जिनमें से प्रत्येक डेटा को एक अलग कोण से देखता है, और फिर वे अंतिम परिणाम पर मतदान करते हैं। परीक्षण में, इसने लगभग अस्सी प्रतिशत बार शुरुआती फिल्टर विफलता के जोखिम की सही पहचान की, जो कि सटीकता का एक ऐसा स्तर है जिसने उनके द्वारा आजमाए गए अन्य तरीकों को पीछे छोड़ दिया। अधिक महत्वपूर्ण बात यह है कि शोधकर्ताओं ने 'SHAP विश्लेषण' नामक एक तकनीक का उपयोग करके कंप्यूटर के निर्णय लेने की परतों को खोलने के लिए किया। इसने उन्हें यह देखने की अनुमति दी कि कौन से कारक प्रत्येक व्यक्तिगत रोगी के लिए सफलता या विफलता की ओर धकेलते हैं, जिससे एक 'ब्लैक बॉक्स' एक पारदर्शी मार्गदर्शक में बदल गया।

विश्लेषण से पता चला कि सबसे महत्वपूर्ण कारक रोगी की आयु या उनकी अंतर्निद्य बीमारियों के बजाय, रक्त को जमने से रोकने के लिए उपयोग की जाने जाने वाली विधि थी। जिन रोगियों को 'साइट्रेट' (citrate) का उपयोग करके उपचार दिया गया था, जो फिल्टर के भीतर थक्के जमने को रोकने के लिए कैल्शियम को बांधने वाला एक पदार्थ है, उनके फिल्टर के लंबे समय तक चलने की संभावना बहुत अधिक थी। इसके विपरीत, जिन रोगियों को कोई एंटीकोअग्यूलेशन (थक्का-रोधी) नहीं दिया गया था, या जो हेपरिन (heparin) पर निर्भर थे, उन्हें फिल्टर के जल्दी बंद होने का काफी अधिक जोखिम था। ट्यूब का स्थान भी मायने रखता था; कैथेटर को गर्दन के दाहिनी ओर, विशेष रूप से आंतरिक जुगुलर वेन (internal jugular vein) में रखने का बेहतर परिणामों से संबंध था। ऐसा संभवतः इसलिए है क्योंकि उस नस से हृदय तक का रास्ता सीधा है, जिससे रक्त अधिक सुचारू रूप से बहता है और ट्यूब के रक्त वाहिका की दीवार से टकराकर फंसने की संभावना कम हो जाती है।

स्पष्ट कारकों के अलावा, कंप्यूटर ने कुछ आश्चर्यजनक संबंध भी खोजे। इसने सुझाव दिया कि जिन रोगियों के रक्त में पोटेशियम का स्तर थोड़ा अधिक था, या जिनके रक्त परीक्षण के परिणाम दर्शाते थे कि उनके रक्त को जमने में अधिक समय लगता है, उनके फिल्टर लंबे समय तक चले। इसी तरह, गंभीर किडनी फेलियर वाले रोगियों (जो इस बात से संकेत मिलता है कि उनके गुर्दे अपशिष्ट को कितनी अच्छी तरह छान रहे हैं) ने भी अपने फिल्टर लंबे समय तक देखे। शोधकर्ता सावधानीपूर्वक नोट करते हैं कि ये निष्कर्ष केवल जुड़ाव (associations) हैं, न कि अनिवार्य रूप से कारण। यह संभव है कि इन विशिष्ट रक्त प्रोफाइल वाले रोगियों का डॉक्टरों द्वारा अधिक आक्रामक तरीके से प्रबंधन किया जाता है, या उनके शरीर उपचार के प्रति अलग तरह से प्रतिक्रिया करते हैं। कंप्यूटर ने यह साबित नहीं किया कि उच्च पोटेशियम लंबे फिल्टर जीवन का कारण बनता है, लेकिन इसने इसे ध्यान देने योग्य एक महत्वपूर्ण संकेत के रूप में चिह्नित किया।

यह दिखाने के लिए कि यह वास्तव में कैसे काम करता है, शोधकर्ताओं ने दो विशिष्ट रोगियों को देखा। एक बुजुर्ग व्यक्ति था जिसका पोटेशियम उच्च था और जिसका रक्त जमने का समय औसत से धीमा था। कंप्यूटर ने भविष्यवाणी की कि उसका फिल्टर जीवन लंबा होगा, और वास्तव में, उसका फिल्टर साठ घंटे के मील के पत्थर से काफी आगे तक चला। उसे सफल बनाने वाले मुख्य कारक उसकी विशिष्ट रक्त रसायन और साइट्रेट उपचार प्राप्त करना था। इसके विपरीत, कम पोटेशियम और तेज़ क्लॉटिंग टाइम वाले दूसरे रोगी को, जिसे कोई एंटीकोअग्यूलेशन नहीं दिया गया था, कम फिल्टर जीवन की भविष्यवाणी की गई थी, और उसका फिल्टर जल्दी विफल हो गया। इस विफलता के लिए कंप्यूटर का स्पष्टीकरण स्पष्ट था: थक्का-रोधी की कमी और विशिष्ट रक्त रसायन ने फिल्टर के जाम होने के लिए एक आदर्श स्थिति बना दी थी।

यह अध्ययन फिल्टर विफलता का कोई जादुई इलाज पेश नहीं करता है, न ही यह दावा करता है कि इसने हर अस्पताल के लिए समस्या को हल कर दिया है। डेटा एक ही अस्पताल से आया था, और शोधकर्ता स्वीकार करते हैं कि विभिन्न चिकित्सा केंद्र अलग-अलग प्रोटोकॉल और उपकरण उपयोग करते हैं, जो परिणामों को बदल सकते हैं। उन्होंने सफलता को परिभाषित करने के लिए साठ घंटों के एक सरल कटऑफ का भी उपयोग किया, जो हर नैदानिक स्थिति में फिट नहीं हो सकता है। हालांकि, यह कार्य एक पुरानी समस्या को देखने का एक शक्तिशाली नया तरीका प्रदान करता है। एक मजबूत कंप्यूटर मॉडल और इस बात के स्पष्ट स्पष्टीकरण को जोड़कर कि उस मॉडल ने अपनी भविष्यवाणियां क्यों कीं, शोधकर्ताओं ने डॉक्टरों को उनके रोगियों को देखने का एक नया तरीका दिया है। अनुमान लगाने के बजाय, एक चिकित्सक अब रोगी के विशिष्ट प्रोफाइल को देख सकता है और समझ सकता है कि कौन से कारक उनके विरुद्ध काम कर रहे हैं। यह सक्रिय बदलावों की अनुमति देता है, जैसे कि एंटीकोअग्यूलेशन के प्रकार को बदलना या कैथेटर के स्थान को समायोजित करना, ताकि फिल्टर को लंबे समय तक चालू रखा जा सके और रोगी को सुरक्षित बनाया जा सके। लक्ष्य डॉक्टर के निर्णय को बदलना नहीं है, बल्कि उसे एक तीव्र, डेटा-संचालित बढ़त देना है, जिससे यह सुनिश्चित हो सके कि जीवन रक्षक उपचार बिना किसी व्यवधान के जारी रहे।