Machine learning implementation for host-based infectious disease diagnostics

तकनीकी सारांश: होस्ट-आधारित संक्रामक रोग निदान के लिए मशीन लर्निंग कार्यान्वयन

समस्या विवरण
संक्रामक रोग के कारणों (etiology) की शीघ्र पहचान उचित नैदानिक उपचार के लिए महत्वपूर्ण है, फिर भी अनिश्चितता अक्सर अनावश्यक रोगाणुरोधी (antimicrobial) जोखिम की ओर ले जाती है, जो प्रतिरोधी जीवों के चयन और प्रसार में योगदान देती है। पारंपरिक नैदानिक विधियाँ, जैसे कि बैक्टीरियल कल्चर और लक्षित PCR, गति, संदिग्ध जीव की आवश्यकता, और बैक्टीरियल, वायरल एवं गैर-संक्रामक स्थितियों के बीच गैर-विशिष्ट सूजन संबंधी बायोमार्कर के ओवरलैप के संबंध में सीमाओं का सामना करती हैं। होस्ट-आधारित निदान, जो सीधे रोगजनक (pathogen) के बजाय रोगी की जैविक प्रतिक्रिया (जैसे, ट्रांसक्रिप्टोमिक सिग्नेचर, साइटोकिन्स, शारीरिक संकेत) का मूल्यांकन करते हैं, एक संभावित समाधान प्रदान करते हैं। हालाँकि, विभिन्न डेटा मोडैलिटीज को मशीन लर्निंग (ML) के साथ एकीकृत करने के लिए व्यवस्थित मूल्यांकन की आवश्यकता है ताकि यह निर्धारित किया जा सके कि विशिष्ट डेटा प्रकारों के लिए कौन से एल्गोरिदम सबसे उपयुक्त हैं और साहित्य में प्रदर्शन को वर्तमान में कैसे रिपोर्ट किया जाता है।

कार्यप्रणाली
इस अध्ययन ने जनवरी 2020 से अगस्त 2025 के बीच प्रकाशित साहित्य की एक व्यवस्थित समीक्षा की। खोज के लिए चार स्रोतों का उपयोग किया गया: नेचर (Nature), PLOS, पबमेड (PubMed), और एल्सेवियर (Elsevier), जिसमें रोगजनक का पता लगाने, संक्रमण वर्गीकरण (जैसे, बैक्टीरियल बनाम वायरल), या होस्ट-रिस्पॉन्स निदान के लिए क्लिनिकल पेशेंट डेटा पर ML लागू करने वाले अध्ययनों को कैप्चर करने के लिए स्रोत-अनुकूलित सर्च स्ट्रिंग्स का उपयोग किया गया।

• चयन मानदंड: प्राप्त 144 रिकॉर्डों में से, 51 ने प्रारंभिक होस्ट-डायग्नोस्टिक्स स्क्रीन पास की। उन अध्ययनों को बाहर करने के बाद जिनमें उपयुक्त ML डायग्नोस्टिक मॉडल की कमी थी या जो केवल इन विट्रो (in vitro) सिस्टम पर केंद्रित थे, 21 लेखों ने अंतिम पात्रता मानदंड पूरा किया।
• डेटा निष्कर्षण: समीक्षा ने 21 लेखों से 54 विशिष्ट मॉडल मूल्यांकन निकाले। इन मूल्यांकनों को इनपुट मोडैलिटी (संरचित क्लिनिकल वेरिएबल्स, जीन/मॉलिक्यूलर-एक्सप्रेशन माप, मेडिकल इमेजिंग, फिजियोलॉजिकल सिग्नल, और माइक्रोस्कोपी) और मॉडल क्लास के आधार पर वर्गीकृत किया गया।
• मॉडल फोकस: विश्लेषण ने चार प्राथमिक सुपरवाइज्ड मॉडल क्लास पर ध्यान केंद्रित किया: रैंडम फॉरेस्ट (Random Forest), न्यूरल नेटवर्क (Neural Networks), सपोर्ट वेक्टर मशीन (SVM), और लॉजिस्टिक रिग्रेशन (Logistic Regression)।
• आकलन: लेखक ने प्रदर्शन रिपोर्टिंग की निरंतरता का मूल्यांकन किया, यह नोट करते हुए कि अध्ययनों के उद्देश्यों और डिजाइनों में पर्याप्त विषमता (heterogeneity) के कारण औपचारिक जोखिम-बायस मूल्यांकन (जैसे, PROBAST) नहीं किया गया था। इसके बजाय, डेटा सिंथेसिस के दौरान पद्धतिगत गुणवत्ता का वर्णनात्मक रूप से मूल्यांकन किया गया।

प्रमुख परिणाम

• मॉडल वितरण: रैंडम फॉरेस्ट सबसे अधिक मूल्यांकित मॉडल क्लास था (23 में से 54 मूल्यांकन, 42.6%), इसके बाद न्यूरल नेटवर्क (17, 31.5%), सपोर्ट वेक्टर मशीन (9, 16.7%), और लॉजिस्टिक रिग्रेशन (5, 9.3%) का स्थान रहा।
• मोडैलिटी संरेखण: इमेजिंग अध्ययनों ने आम तौर पर न्यूरल नेटवर्क दृष्टिकोणों का समर्थन किया, जो संभवतः उच्च-आयामी इनपुट से स्थानिक विशेषताओं (spatial features) को सीखने की उनकी क्षमता के कारण है। इसके विपरीत, मॉलिक्यूलर-एक्सप्रेशन अध्ययनों ने अक्सर रैंडम फॉरेस्ट का उपयोग किया।
• प्रदर्शन रिपोर्टिंग: इनपुट मोडैलिटीज, कोहोर्ट संरचना, प्रीप्रोसेसिंग, वैलिडेशन रणनीतियों और रिपोर्ट किए गए एंडपॉइंट्स में भिन्नता के कारण अध्ययनों के बीच मॉडल प्रदर्शन की सीधी तुलना संभव नहीं थी।
  • मेट्रिक्स: एक्यूरेसी (Accuracy) और रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक कर्व के तहत एरिया (AUC) प्रमुख प्रदर्शन माप थे। 14 मूल्यांकनों ने केवल एक्यूरेसी रिपोर्ट की, 20 ने केवल AUC रिपोर्ट किया, और 20 ने दोनों रिपोर्ट किए।
  • कमियां: केवल 16 मूल्यांकनों (30%) ने अतिरिक्त नैदानिक रूप से सूचनात्मक मापों जैसे कि सेंसिटिविटी (sensitivity), स्पेसिफिसिटी (specificity), F1 स्कोर, या मैथ्यूज कोरिलेशन कोएफिशिएंट (Matthews correlation coefficient) की रिपोर्ट की।
• सामान्यीकरण (Generalizability): साक्ष्य ने किसी सार्वभौमिक रूप से इष्टतम मॉडल क्लास का समर्थन नहीं किया। प्रदर्शन काफी हद तक एल्गोरिदम और इनपुट डेटा के विशिष्ट जैविक और तकनीकी गुणों के बीच संरेखण पर निर्भर था।

प्रमुख योगदान

1. व्यवस्थित मानचित्रण: यह शोध पत्र होस्ट-आधारित डायग्नोस्टिक ML के वर्तमान परिदृश्य का एक व्यापक मानचित्रण प्रदान करता है, जो विभिन्न डेटा मोडैलिटीज में विशिष्ट एल्गोरिदम की व्यापकता का विवरण देता है।
2. रिपोर्टिंग विश्लेषण: यह रिपोर्टिंग मानकों में एक महत्वपूर्ण अंतर को उजागर करता है, विशेष रूप से एक्यूरेसी और AUC पर अत्यधिक निर्भरता और क्लास-विशिष्ट मेट्रिक्स (सेंसिटिविटी, स्पेसिफिसिटी) और कैलिब्रेशन उपायों की कम रिपोर्टिंग, जो इन मॉडलों की नैदानिक व्याख्यात्मकता को सीमित करती है।
3. संदर्भगत मॉडल चयन: समीक्षा यह स्थापित करती है कि मॉडल चयन को एक एकल श्रेष्ठ एल्गोरिदम की खोज के बजाय इनपुट डेटा की संरचना और बाधाओं (जैसे, डाइमेंशनैलिटी, नॉइज़ स्ट्रक्चर) द्वारा संचालित किया जाना चाहिए।
4. अनुवादकीय ढांचा (Translational Framework): यह नैदानिक अनुवाद के लिए आवश्यक चरणों को रेखांकित करता है, जिसमें बाहरी सत्यापन (external validation), पारदर्शी प्रीप्रोसेसिंग विवरण, और रोग-अज्ञेयवादी (disease-agnostic) आउटपुट (जैसे, बैक्टीरियल बनाम वायरल बनाम गैर-संक्रामक) का विकास शामिल है, न कि केवल रोगजनक-विशिष्ट क्लासिफायर।

महत्व और दावे
लेखक का दावा है कि हालांकि होस्ट-आधारित मशीन लर्निंग में संक्रामक रोग वर्गीकरण का समर्थन करने और अनावश्यक रोगाणुरोधी उपचार को कम करने की स्पष्ट क्षमता है, लेकिन वर्तमान में यह क्षेत्र पद्धतिगत विषमता और असंगत रिपोर्टिंग से बाधित है। पेपर का तर्क है कि सभी डेटा प्रकारों के लिए कोई एक मॉडल क्लास समान रूप से श्रेष्ठ नहीं है। इसके बजाय, उन्नति के लिए तत्काल अवसर बेहतर मानकीकरण में निहित है। लेखक का तर्क है कि अध्ययनों को पुनरुत्पादित (reproducible) और नैदानिक रूप से व्याख्या योग्य बनाने के लिए प्रीप्रोसेसिंग, वैलिडेशन, हाइपरपैरामीटर चयन और केवल AUC से परे व्यापक प्रदर्शन मेट्रिक्स की निरंतर रिपोर्टिंग आवश्यक है। भविष्य के कार्यों को रिट्रोस्पेक्टिव प्रदर्शनों से मूल्यवान निर्णय-सहायता उपकरणों में बदलने के लिए सामान्यीकरण योग्य, रोग-अज्ञेयवादी आउटपुट और लक्षित बायोमार्कर पैनलों को प्राथमिकता देनी चाहिए जिन्हें नैदानिक रूप से उपयोगी समय सीमा के भीतर मापा जा सके।