Serial Patient Data Can Mislead Predictive AI When Futures Are Ambiguous
यह अध्ययन प्रदर्शित करता है कि चिकित्सा एआई मॉडलों में क्रमिक नैदानिक डेटा को शामिल करना भ्रामक हो सकता है जब रोगी के इतिहास विरोधाभासी भविष्यों की ओर शाखाओं में विभाजित होते हैं, जो अस्पष्ट मामलों की पहचान करने और यह सुनिश्चित करने के लिए प्रेडिक्शन ब्रांचिंग रेशियो (PBR) के उपयोग की वकालत करता है कि भविष्यवाणियां केवल तभी की जाएं जब तुलनीय इतिहास विश्वसनीय रूप से एक एकल परिणाम पर समाप्त होते हों।
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
आधुनिक अस्पताल में, एक मरीज के स्वास्थ्य को शायद ही कभी किसी एकल तस्वीर (स्नैपशॉट) द्वारा समझा जा सके। इसके बजाय, डॉक्टर समय के साथ कही गई एक कहानी पर भरोसा करते हैं: ट्यूमर की धीमी वृद्धि दिखाने वाले एमआरआई स्कैन की एक श्रृंखला, किडनी के कार्य को ट्रैक करने वाले रक्त परीक्षणों की एक धारा, या संक्रमण के पहले संकेत की निगरानी करने वाला महत्वपूर्ण संकेतों (वाइटल्स) का एक लॉग। चिकित्सा तकनीक में प्रचलित विश्वास यह रहा है कि इस इतिहास का अधिक होना हमेशा बेहतर होता है। तर्क सुसंगत लगता है: यदि एक तस्वीर एक क्षण दिखाती है, तो तस्वीरों का एक क्रम कहानी की दिशा को प्रकट कर सकता है, जिससे आर्टिफिशियल इंटेलिजेंस भविष्य की अधिक निश्चितता के साथ भविष्यवाणी कर सके। इस धारणा ने इन जटिल मानव जैविक रिकॉर्ड से सीखने के लिए डिज़ाइन किए गए परिष्कृत कंप्यूटर मॉडल के विकास को प्रेरित किया है।
हालाँकि, एक नया अध्ययन इस मौलिक धारणा को चुनौती देता है, जो सुझाव देता है कि कंप्यूटर मॉडल में अधिक इतिहास जोड़ने से वह स्वतः ही अधिक स्मार्ट नहीं हो जाता। वास्तव में, शोधकर्ताओं ने पाया कि कई मामलों में, एक मॉडल को मरीज का पूरा इतिहास खिलाना वास्तव में उसे भ्रमित कर सकता है, जिससे भविष्यवाणियां उस स्थिति से भी कम सटीक हो जाती हैं जब मॉडल ने केवल हाल के डेटा बिंदु को देखा होता। मुख्य मुद्दा डेटा की कमी नहीं है, बल्कि स्पष्टता की कमी है। केवल इसलिए कि एक मरीज की स्थिति समय के साथ बदल रही है, इसका मतलब यह नहीं है कि कंप्यूटर यह बता सकता है कि वह क्यों बदल रही है। दो मरीज एक ही तरह का पैटर्न दिखा सकते हैं—बढ़ते हुए नंबर, स्कैन पर बढ़ते हुए साये—फिर भी वे रिकवरी या गिरावट के बिल्कुल अलग रास्तों पर हो सकते हैं। जब कंप्यूटर इन विभिन्न कारणों के बीच अंतर नहीं कर पाता, तो अधिक ऐतिहासिक डेटा जोड़ना मदद नहीं करता; यह केवल एक ऐसे सिग्नल में शोर (नॉइज़) जोड़ देता है जो पहले से ही संदिग्ध है।
मौरिस एंटनी यूइंग के नेतृत्व में किए गए इस अध्ययन ने यह परीक्षण करने के लिए प्रयास किया कि क्या चिकित्सा डेटा के ये लंबे अनुक्रम वास्तव में भविष्यवाणियों में सुधार करते हैं या वे कभी-कभी गुमराह भी करते हैं। शोधकर्ताओं ने चिकित्सा रिकॉर्डों के एक विशाल संग्रह का परीक्षण किया, जिसमें गहन देखभाल इकाइयों (आईसीयू) से हजारों किडनी फंक्शन टेस्ट, न्यूरोडीजेनेरेटिव रोगों के नैदानिक इतिहास और बच्चों में ब्रेन ट्यूमर के उत्तरजीविता (सर्वाइवल) डेटा शामिल थे। उन्होंने ब्रेन कैंसर के दो स्वतंत्र समूहों के मरीजों का भी गहराई से अध्ययन किया, जिसमें समय के साथ लिए गए सैकड़ों एमआरआई स्कैन का विश्लेषण किया गया। अपने निष्कर्षों को पुख्ता करने के लिए, उन्होंने एक कठोर पद्धति का उपयोग किया जिसमें यह तुलना की गई कि मॉडल तब कैसा प्रदर्शन करता है जब उसे मरीज का वास्तविक, क्रमबद्ध इतिहास दिया जाता है बनाम जब उसे वही डेटा बिंदु दिए जाते हैं लेकिन उन्हें क्रम से बदलकर या रैंडम शोर के साथ बदल दिया जाता है। इसने यह अलग करने की अनुमति दी कि क्या घटनाओं का क्रम मायने रखता था, या कंप्यूटर केवल सूचना की विशाल मात्रा के प्रति प्रतिक्रिया दे रहा था।
परिणामों ने एक आश्चर्यजनक वास्तविकता को उजागर किया: सीरियल डेटा अपने आप में उपयोगी नहीं होता है। कुछ परिदृश्यों में, क्रमबद्ध इतिहास ने कंप्यूटर को अगले कदम की बेहतर भविष्यवाणी करने में मदद की। लेकिन अन्य महत्वपूर्ण मामलों में, इतिहास या तो अनावश्यक था या सक्रिय रूप से हानिकारक था। ग्लियोब्लास्टोमा (एक अत्यधिक आक्रामक ब्रेन ट्यूमर) से संबंधित एक विशिष्ट परीक्षण में, मॉडल ने केवल हाल के एक स्कैन को दिखाए जाने की तुलना में पूरे स्कैन अनुक्रम को दिए जाने पर खराब प्रदर्शन किया। ट्यूमर की गति का क्रमबद्ध इतिहास वास्तविक था, लेकिन इसने कंप्यूटर को अंतर्निहित रोग प्रक्रिया को समझने में मदद नहीं की। ब्रेन मेटास्टेसिस के मरीजों के एक अन्य समूह में, इतिहास अनावश्यक था; हाल के स्कैन में पहले से ही आवश्यक जानकारी मौजूद थी, और पुराने स्कैन जोड़ने से कोई अतिरिक्त मूल्य नहीं मिला। अध्ययन ने निष्कर्ष निकाला कि अधिक डेटा बेहतर अंतर्द зрения नहीं है यदि डेटा स्वयं यह स्पष्ट करने में सक्षम न हो कि आगे क्या होगा।
इसे संबोधित करने के लिए, शोधकर्ताओं ने भविष्यवाणी की विश्वसनीयता को मापने का एक नया तरीका पेश किया, जिसे 'प्रेडिक्शन ब्रांचिंग रेशियो' कहा गया। एक सड़क के दोराहे की कल्पना करें जहाँ एक मरीज का इतिहास दो अलग-अलग भविष्यों की ओर ले जा सकता है। यदि कंप्यूटर समान इतिहास वाले मरीजों के एक समूह को देखता है और देखता है कि वे सभी एक ही दिशा में जाते हैं, तो रास्ता स्पष्ट है, और भविष्यवाणी विश्वसनीय है। लेकिन यदि कंप्यूटर देखता है कि एक ही इतिहास वाले मरीज अलग-अलग दिशाओं में बंट रहे हैं—कुछ ठीक हो रहे हैं, कुछ गिर रहे हैं—तो रास्ता संदिग्ध है, और भविष्यवाणी अविश्वसनीय है। अध्ययन में पाया गया कि यह "ब्रांचिंग" (विभाजन) चिकित्सा डेटा में अक्सर होता है। ब्रेन ट्यूमर इमेजिंग परीक्षणों में, जब कंप्यूटर ने उन मरीजों को देखा जिनका इतिहास एक स्पष्ट भविष्य की ओर इशारा करता था, तो इसकी सटीकता बहुत अधिक थी। लेकिन जब इतिहास विरोधाभासी भविष्य की ओर इशारा करता था, तो सटीकता काफी गिर गई, जो अक्सर एक रैंडम अनुमान के स्तर तक पहुँच गई।
सबसे चौंकाने वाला निष्कर्ष यह था कि भविष्यवाणी कार्य में अधिक समय जोड़ने से समस्या और बढ़ गई। जब शोधकर्ताओं ने कंप्यूटर को न केवल अगले कदम की, बल्कि भविष्य की एक लंबी यात्रा की भविष्यवाणी करने के लिए कहा, तो सटीकता तेजी से गिर गई। ब्रेन मेटास्टेसिस डेटा में, दो-कदम आगे की भविष्यवाणी करने से मॉडल की सफलता दर अगले कदम की भविष्यवाणी करने की तुलना में लगभग आधी रह गई। यह सुझाव देता है कि जबकि एक कंप्यूटर यह अनुमान लगाने में अच्छा हो सकता है कि आगे क्या होगा, वह उस विशिष्ट रोग प्रक्रिया की विश्वसनीय पहचान नहीं कर सकता जो मरीज के दीर्घकालिक मार्ग को संचालित करती है, यदि वह प्रक्रिया डेटा में स्पष्ट रूप से दिखाई न दे। कंप्यूटर अनिवार्य रूप से सभी संभावित भविष्यों को एक एकल औसत में संकुचित कर रहा है, जो किसी भी व्यक्तिगत मरीज की विशिष्ट वास्तविकता को पकड़ने में विफल रहता है।
इस कार्य का व्यावहारिक निहितार्थ चिकित्सा एआई (AI) पर हमारे भरोसे के तरीके में एक बदलाव है। अध्ययन का तर्क है कि इससे पहले कि कोई डॉक्टर या मरीज किसी कंप्यूटर की भविष्यवाणी पर भरोसा करे, उन्हें यह जानना चाहिए कि क्या उस विशिष्ट व्यक्ति के लिए डेटा इतना स्पष्ट है कि वह निर्णय का समर्थन कर सके। शोधकर्ता प्रस्ताव देते हैं कि एआई सिस्टम को न केवल एक भविष्यवाणी आउटपुट करनी चाहिए, बल्कि एक संकेत भी देना चाहिए कि मरीज का इतिहास "रिज़ॉल्व्ड" (स्पष्ट) है या "ब्रांचिंग" (संदिग्ध)। यदि डेटा "ब्रांचिंग" कर रहा है—अर्थात समान मरीजों के परिणाम अलग-अलग रहे हैं—तो सिस्टम को भविष्यवाणी को अनिश्चित के रूप में चिह्नित किया जाना चाहिए, जो यह सुझाव देता है कि एक मानव डॉक्टर मामले की समीक्षा करे या अधिक जानकारी की आवश्यकता है। यह दृष्टिकोण ऐतिहासिक डेटा के उपयोग को खारिज नहीं करता है, बल्कि यह मांग करता है कि हम इस धारणा को छोड़ दें कि अधिक इतिहास हमेशा बेहतर होता है। इसके बजाय, हमें यह पहचानना चाहिए कि डेटा का मूल्य पूरी तरह से इस बात पर निर्भर करता है कि क्या वह एक ऐसे मरीज और दूसरे के बीच अंतर स्पष्ट कर सकता है जो बेहतर होगा और जो बदतर होगा।
अंत में, यह अध्ययन चिकित्सा एआई के बारे में एक अधिक विनम्र दृष्टिकोण प्रस्तुत करता है। यह दिखाता है कि हालांकि कंप्यूटर पैटर्न खोजने के लिए शक्तिशाली उपकरण हैं, लेकिन वे उन्हें दी गई जानकारी की स्पष्टता से सीमित हैं। यदि मेडिकल रिकॉर्ड स्वयं संदिग्ध है, तो कोई भी प्रोसेसिंग पावर उस संदिग्धता को निश्चितता में नहीं बदल सकती। आगे का रास्ता मशीन को अधिक डेटा खिलाना नहीं है, बल्कि ऐसे सिस्टम बनाना है जो यह जान सकें कि डेटा पर्याप्त नहीं है, जिससे यह सुनिश्चित हो सके कि तकनीक एक भ्रामक मार्गदर्शक के बजाय एक विश्वसनीय मार्गदर्शक के रूप में कार्य करे।
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।