Information, Not AI Model Sophistication, Limits Resolution of Disease Progression in COPDGene

द दशकों से, डॉक्टर और वैज्ञानिक क्रोनिक फेफड़ों की बीमारी में एक निराशाजनक पैटर्न देखते आ रहे हैं। दो लोग लगभग समान ब्रीदिंग टेस्ट, समान धूम्रपान के इतिहास और एक ही निदान के साथ शुरुआत कर सकते हैं, फिर भी उनका भविष्य पूरी तरह से अलग हो जाता है। एक व्यक्ति बीस वर्षों में धीरे-धीरे गिरावट का सामना कर सकता है, जबकि दूसरा कुछ ही वर्षों में फेफड़ों की कार्यक्षमता के तीव्र, गंभीर पतन से जूझ सकता है। यह अनिश्चितता COPD नामक बीमारी की केंद्रीय पहेली है। शोधकर्ताओं को लंबे समय से उम्मीद थी कि अधिक डेटा एकत्र करके—फेफड़ों को स्कैन करके, जीन का परीक्षण करके, और रक्त में प्रोटीन को मापकर—वे उन छिपे हुए सुरागों को खोज पाएंगे जो यह बताते हैं कि क्यों एक व्यक्ति बदतर होता जाता है जबकि दूसरा स्थिर रहता है। प्रचलित विश्वास यह रहा है कि यदि हम पर्याप्त डेटा के साथ एक बड़ा कंप्यूटर मॉडल बना लें, तो हम अंततः यह भविष्यवाणी करने में सक्षम होंगे कि किसी व्यक्ति की बीमारी कैसे आगे बढ़ेगी।

एक नया अध्ययन इस धारणा को चुनौती देता है, यह सुझाव देते हुए कि समस्या कंप्यूटिंग शक्ति की कमी नहीं है, बल्कि सबसे पहले जानकारी की कमी है। शोधकर्ताओं ने COPD वाले लोगों के एक बड़े समूह का अध्ययन किया जिन्हें कई वर्षों तक फॉलो किया गया था, उनके फेफड़ों की कार्यक्षमता को ट्रैक किया गया और विस्तृत रक्त के नमूने एकत्र किए गए। उन्होंने एक सरल लेकिन गहन प्रश्न पूछा: यदि दो मरीज आज अपने सभी मानक चिकित्सा परीक्षणों पर बिल्कुल एक जैसे दिखते हैं, तो क्या हम भविष्यवाणी कर सकते हैं कि कल कौन बदतर होगा? उन्होंने परीक्षण किया कि क्या रक्त के नमूनों से जटिल आणविक डेटा जोड़ने से इस रहस्य को सुलझाया जा सकता है, और क्या सबसे उन्नत कृत्रिम बुद्धिमत्ता (AI) मॉडल वे पैटर्न ढूंढ सकते हैं जो सरल विधियों ने छोड़ दिए थे। उन्होंने पाया कि सर्वोत्तम उपकरणों और उपलब्ध सबसे विस्तृत डेटा के साथ भी, हमारे पास मौजूद जानकारी अक्सर दो समान रोगियों के बीच अंतर करने के लिए पर्याप्त नहीं होती है।

अध्ययन एक प्रमुख राष्ट्रीय अनुसंधान परियोजना के 785 प्रतिभागियों पर केंद्रित था। इन व्यक्तियों के मानक चिकित्सा परीक्षण किए गए थे, जिसमें एक सेकंड में वे कितनी हवा बाहर निकाल सकते हैं इसका परीक्षण शामिल था, जो फेफड़ों के स्वास्थ्य का प्राथमिक माप है। शोधकर्ताओं के पास प्रत्येक व्यक्ति का एक विस्तृत आणविक स्नैपशॉट भी था, जो हजारों जीन की गतिविधि को दर्शाता है। लक्ष्य यह देखना था कि क्या रक्त में जीन गतिविधि को जानना यह अनुमान लगाने में मदद कर सकता है कि अगले पांच वर्षों में किसी व्यक्ति की फेफड़ों की कार्यक्षमता में कितनी गिरावट आएगी। ऐसा करने के लिए, टीम ने डेटा को केवल एक बड़े समूह के रूप में नहीं देखा। इसके बजाय, उन्होंने रोगियों के छोटे 'पड़ोस' देखे। अध्ययन के प्रत्येक व्यक्ति के लिए, उन्होंने उन तीस अन्य लोगों को खोजा जो वर्तमान स्वास्थ्य डेटा के आधार पर उनके सबसे समान थे। फिर उन्होंने जांचा कि क्या वे तीस समान लोग पांच साल बाद समान फेफड़ों की कार्यक्षमता परिवर्तन के साथ समाप्त हुए।

परिणाम आश्चर्यजनक रूप से मामूली थे। जब शोधकर्ताओं ने केवल मानक नैदानिक डेटा—आयु, लिंग, नस्ल और फेफड़ों के परीक्षण के परिणाम—को देखा, तो उन्होंने पाया कि जो रोगी अध्ययन की शुरुआत में बहुत समान दिखते थे, उनका भविष्य काफी भिन्न रहा। उनकी वर्तमान स्वास्थ्य स्थिति ने बाद में उनके साथ जो हुआ, उसे केवल एक बहुत छोटे हिस्से के रूप में समझाया। वास्तव में, इन समान रोगियों के बीच भविष्य की फेफड़ों की कार्यक्षमता में भिन्नता उतनी ही व्यापक बनी रही जितनी कि तब होती यदि रोगियों को यादृच्छिक (रैंडम) रूप से चुना गया होता। इसका अर्थ है कि मानक चिकित्सा परीक्षण, हालांकि निदान के लिए उपयोगी हैं, लेकिन व्यक्तिगत रूप से बीमारी के विशिष्ट मार्ग की भविष्यवाणी करने के लिए पर्याप्त विवरण नहीं रखते हैं।

शोधकर्ताओं ने रक्त के जीन डेटा को भी इसमें जोड़ा, इस उम्मीद में कि सूचना की यह गहरी परत चित्र को स्पष्ट कर देगी। उन्होंने पाया कि इसने मदद तो की, लेकिन केवल थोड़ी सी। रक्त डेटा ने रोगियों के बीच अंतर को एक छोटा अतिरिक्त हिस्सा स्पष्ट करने में मदद की। हालांकि यह एक वास्तविक और पुनरुत्पादित (reproducible) निष्कर्ष था, लेकिन यह कोई जादुई समाधान नहीं था। जीन डेटा के साथ भी, भविष्य की फेफड़ों की कार्यक्षमता की अधिकांश भिन्नता अस्पृशित रही। जो मरीज एक जैसे दिखते थे, उनका भविष्य फिर भी व्यापक रूप से भिन्न रहा। अध्ययन ने स्पष्ट रूप से परीक्षण किया कि क्या यह विफलता इसलिए थी क्योंकि कंप्यूटर मॉडल बहुत सरल थे। उन्होंने डेटा को दस अलग-अलग प्रकार के गणितीय मॉडलों के माध्यम से चलाया, जिसमें बुनियादी सांख्यिकीय उपकरणों से लेकर जटिल कृत्रिम बुद्धिमत्ता प्रणाली तक शामिल थे। इनमें से कोई भी सूचना की कमी को दूर नहीं कर सका। मॉडल बाधा नहीं थे; डेटा स्वयं ही सीमा थी।

शायद इस अध्ययन का सबसे व्यावहारिक निष्कर्ष यह है कि हमें महंगे चिकित्सा परीक्षणों का उपयोग कैसे करना चाहिए। चूंकि रक्त जीन डेटा औसतन केवल थोड़ी ही मदद करता था, शोधकर्ताओं ने सोचा कि क्या यह कुछ लोगों के लिए अधिक मदद करता है। उन्होंने एक ऐसी स्थिति का अनुकरण (सिमुलेट) किया जहां वे सभी के बजाय रोगियों के एक हिस्से का परीक्षण कर सकते थे। उन्होंने पाया कि नैदानिक डेटा का उपयोग करके यह पहचानने में कि किन रोगियों को अतिरिक्त रक्त परीक्षण से सबसे अधिक लाभ होने की संभावना है, वे उस महंगी जानकारी का अधिकांश मूल्य प्राप्त कर सकते थे जो सभी का परीक्षण करने से प्राप्त होता। उदाहरण के लिए, केवल तीस प्रतिशत रोगियों का परीक्षण करके, वे उस उपयोगी जानकारी के दो-तिहाई हिस्से को प्राप्त कर सकते थे जो सभी का परीक्षण करने से प्राप्त होता। यह सुझाव देता है कि "एक ही आकार सबके लिए उपयुक्त" (one-size-fits-all) वाला दृष्टिकोण गहरे आणविक परीक्षण के लिए अक्षम है। इसके बजाय, डॉक्टर नियमित चेक-अप के परिणामों का उपयोग यह तय करने के लिए कर सकते हैं कि किन विशिष्ट रोगियों को अपने भविष्य के स्वास्थ्य की स्पष्ट तस्वीर पाने के लिए अधिक विस्तृत परीक्षण की आवश्यकता है।

अध्ययन ने डेटा को व्यवस्थित करने के विभिन्न तरीकों की भी तुलना की। शोधकर्ताओं ने एक प्रकाशित पद्धति को देखा जिसने नैदानिक और आनुवंशिक डेटा को एक एकल प्रोफाइल में संयोजित किया था, इस उम्मीद में कि यह केवल जीन को देखने की तुलना में बेहतर होगा। उन्होंने पाया कि यह संयुक्त प्रोफाइल वास्तव में कच्चे जीन डेटा की तुलना में फेफड़ों की कार्यक्षमता में विशिष्ट भविष्य के परिवर्तनों की भविष्यवाणी करने में खराब प्रदर्शन करता है। यह एक महत्वपूर्ण बिंदु को उजागर करता है: जिस तरह से हम जानकारी को व्यवस्थित और संकुचित (compress) करते हैं, वह मायने रखता है। एक पद्धति जो रोगियों को व्यापक श्रेणियों में समूहित करने में उत्कृष्ट है, वह अनजाने में उन सूक्ष्म विवरणों को मिटा सकती है जो व्यक्तिगत परिणामों की भविष्यवाणी करने के लिए आवश्यक हैं। जानकारी रक्त में थी, लेकिन जिस तरह से उसे संयुक्त प्रोफाइल के लिए पैक किया गया था, उसने उसे धुंधला कर दिया।

अंततः, यह शोध यह नहीं कहता कि हम फेफड़ों की बीमारी की प्रगति की भविष्यवाणी नहीं कर सकते। यह कहता है कि इस बड़े अध्ययन में उपलब्ध विशिष्ट डेटा के साथ, हम उन रोगियों के बीच अंतर नहीं कर सकते जो वर्तमान में एक जैसे दिखते हैं। अध्ययन सुझाव देता है कि समान रोगियों के अलग-अलग परिणाम होने का कारण वह जानकारी है जिसे हमने अभी तक मापा या कैप्चर नहीं किया है। यह संभव है कि मानक परीक्षण इस सूक्ष्म अंतर को मिस कर रहे हों कि बीमारी कैसे व्यवहार कर रही है, या रक्त के नमूनों ने सही समय पर सही आणविक संकेतों को कैप्चर नहीं किया। लेखक का तर्क है कि इससे पहले कि हम अधिक जटिल कृत्रिम बुद्धिमत्ता मॉडल बनाएं, हमें पहले यह सुनिश्चित करना चाहिए कि हम उन्हें जो डेटा दे रहे हैं उसमें वे भेद मौजूद हों जिन्हें हम खोजने की कोशिश कर रहे हैं।

चिकित्सा अनुसंधान के लिए निहितार्थ स्पष्ट हैं। बड़े अध्ययन जो गहरा जैविक डेटा एकत्र करते हैं, वे न केवल नई बीमारियों की खोज के लिए, बल्कि हमें यह सिखाने के लिए भी अत्यंत मूल्यवान हैं कि वास्तव में कौन सी जानकारी उपयोगी है। यह विश्लेषण करके कि किसे अतिरिक्त परीक्षण से लाभ होता है और किसे नहीं, ये अध्ययन भविष्य के अनुसंधान के डिजाइन को निर्देशित कर सकते हैं। हर किसी पर सब कुछ मापने के बजाय, वैज्ञानिक यह सीख सकते हैं कि अपने सबसे महंगे और विस्तृत मापों को उन विशिष्ट रोगियों की ओर कैसे लक्षित किया जाए जिन्हें उनकी सबसे अधिक आवश्यकता है। यह दृष्टिकोण चिकित्सा को "जितना संभव हो उतना डेटा एकत्र करने" की रणनीति से हटाकर "सही व्यक्ति के लिए सही डेटा एकत्र करने" की रणनीति की ओर ले जाता है। अध्ययन का निष्कर्ष है कि रोग की प्रगति की पहेली को सुलझाने की कुंजी केवल बेहतर कंप्यूटर नहीं, बल्कि रोगी के प्रति हमारे वर्तमान दृष्टिकोण में कौन सी जानकारी गायब है, इसकी बेहतर समझ है।