Development and Multicenter Validation of an Ensemble Machine Learning Model for Symptom-Based Triage of Hepatopancreatobiliary Diseases

हेपेटोपैन्क्रियाटोबिलरी (यकृत-अग्नाशय-पित्त) रोग यकृत, पित्ताशय, अग्न्याशय और पित्त ले जाने वाली नलिकाओं के नेटवर्क को प्रभावित करते हैं। ये स्थितियाँ दर्दनाक पथरी से लेकर जीवन के लिए खतरा पैदा करने वाले कैंसर तक हो सकती हैं। इनके उपचार में एक बड़ी चुनौती यह है कि शुरुआती चेतावनी संकेत अक्सर अस्पष्ट होते हैं। एक व्यक्ति को सामान्य बेचैनी, मतली या हल्का दर्द महसूस हो सकता है, जो ऐसे लक्षण हैं जो दर्जनों अलग-अलग, कम गंभीर समस्याओं की ओर इशारा कर सकते हैं। क्योंकि ये शुरुआती संकेत इतने विशिष्ट नहीं होते, इसलिए मरीज अक्सर विशेषज्ञ को दिखाने में बहुत देर कर देते हैं, और जब तक इमेजिंग या सर्जरी के माध्यम से निश्चित निदान किया जाता है, तब तक बीमारी इतनी बढ़ चुकी होती है कि उपचार करना कहीं अधिक कठिन हो जाता है। दुनिया के कई हिस्सों में, उन्नत नैदानिक उपकरणों तक पहुँच सीमित है, जिससे यह तय करना और भी कठिन हो जाता है कि किसे तत्काल देखभाल की आवश्यकता है और किसे नहीं।

इस समस्या के समाधान के लिए, शोधकर्ताओं ने मशीन लर्निंग की ओर रुख किया है, जो कि कंप्यूटर का एक क्षेत्र है जहाँ कंप्यूटर डेटा के बड़े सेटों से पैटर्न पहचानना सीखते हैं। एक एकल परीक्षण पर निर्भर रहने के बजाय, ये सिस्टम कई छोटे संकेतों को एक साथ तौल सकते—जैसे कि रोगी को होने वाले दर्द का प्रकार, उनकी आयु, या क्या उनका हाल ही में वजन कम हुआ है—ताकि एक जोखिम स्कोर की गणना की जा सके। इसका लक्ष्य एक ऐसा उपकरण बनाना है जो डॉक्टर के पास पहुँचने वाले पहले संपर्क बिंदु पर काम करे, जिससे उन रोगियों की पहचान हो सके जिन्हें तत्काल, विशेष ध्यान की आवश्यकता है। यह दृष्टिकोण उन्नत परीक्षणों की आवश्यकता को प्रतिस्थापित नहीं करता है, बल्कि यह सुनिश्चित करने का लक्ष्य रखता है कि सही रोगियों को बहुत पहले ही सही विशेषज्ञों के पास भेजा जाए।

भारत के शोधकर्ताओं की एक टीम ने ऐसा ही एक उपकरण विकसित और परीक्षित किया है, जिसमें केवल लक्षणों और बुनियादी चिकित्सा इतिहास के आधार पर रोगियों की छंटनी (ट्राइएज) करने के लिए डिज़ाइन किया गया एक कंप्यूटर मॉडल बनाया गया है। कई अस्पतालों में हजारों व्यक्तियों को शामिल करने वाले एक अध्ययन में, उन्होंने एक ऐसी प्रणाली बनाई है जो रोगी की कहानी सुनती है और यह तय करती है कि इस बात की कितनी संभावना है कि उन्हें कोई गंभीर हेपेटोपैन्क्रियाटोबिलरी स्थिति है। शोधकर्ताओं ने 2,296 लोगों का डेटा एकत्र किया जिन्होंने इन बीमारियों के संकेत देने वाले लक्षणों के साथ अस्पतालों का दौरा किया था। उन्होंने इस समूह को दो सेटों में विभाजित किया: एक बड़ा समूह कंप्यूटर को पैटर्न पहचानने के लिए सिखाने के लिए, और एक अलग, पूरी तरह से अलग समूह यह परीक्षण करने के लिए कि नए, अनदेखे रोगियों पर कंप्यूटर ने कैसा प्रदर्शन किया।

उन्होंने जो कंप्यूटर मॉडल बनाया है वह एक "एन्सेम्बल" (समूह) है, जिसका अर्थ है कि यह तीन अलग-अलग प्रकार के एल्गोरिदम की निर्णय लेने की शक्ति को जोड़ता है। इसे तीन विशेषज्ञों के एक पैनल के रूप में समझें, जिनमें से प्रत्येक साक्ष्यों को देखने का एक थोड़ा अलग तरीका रखता है, और वे अंतिम निष्कर्ष पर पहुँचने के लिए एक साथ मतदान करते हैं। एक प्रकार का एल्गोरिदम विशेष रूप से लक्षणों के बीच जटिल, गैर-रेखीय संबंधों को पहचानने में अच्छा है, दूसरा इस बात पर ध्यान केंद्रित करता है कि वह सीखने के दौरान अपनी गलतियों को कैसे सुधारे, और तीसरा डेटा के विभिन्न समूहों के बीच स्पष्ट रेखाएँ खींचने में कुशल है। अपने भविष्यवाणियों का औसत निकालकर, टीम को उम्मीद थी कि वे एक ऐसी प्रणाली बना पाएंगे जो अधिकांश मामलों को पकड़ने के लिए पर्याप्त संवेदनशील और स्वस्थ लोगों को अनावश्यक, महंगे परीक्षणों के लिए भेजने से बचने के लिए पर्याप्त विशिष्ट हो।

जब शोधकर्ताओं ने स्वतंत्र समूह के 781 रोगियों पर इस संयुक्त मॉडल का परीक्षण किया, तो परिणाम चौंकाने वाले थे। सिस्टम ने वास्तव में हेपेटोपैन्क्रियाटोबिलरी रोग वाले रोगियों की 76.1% सफलतापूर्वक पहचान की। इससे भी महत्वपूर्ण बात यह है कि यह उन लोगों को खारिज करने में अत्यधिक सटीक था जिनमें बीमारी नहीं थी, जिसने 93.9% स्वस्थ नियंत्रणों की सही पहचान की। इसका अर्थ यह है कि यदि मॉडल ने किसी रोगी को उच्च-जोखिम के रूप में चिह्नित किया, तो 94.9% संभावना थी कि उस रोगी को वास्तव में एक ऐसी स्थिति थी जिसके लिए आगे की जांच की आवश्यकता थी। मॉडल ने 83.2% की समग्र सटीकता प्राप्त की, जो एक आंकड़ा है जो यह दर्शाता है कि कंप्यूटर का अनुमान अंतिम चिकित्सा निदान से कितनी बार मेल खाता है।

अध्ययन ने इस डिजिटल उपकरण की तुलना मानव विशेषज्ञों के निर्णय से भी की। रोगियों के उसी समूह में, अनुभवी सर्जिकल गैस्ट्रोएंटेरोलॉजिस्ट ने केवल 62% वास्तविक मामलों की पहचान की। कंप्यूटर मॉडल ने मानव विशेषज्ञों से बेहतर प्रदर्शन किया और उन अतिरिक्त 14 प्रतिशत अंकों के मामलों को खोज निकाला जिन्हें डॉक्टरों ने शुरू में छोड़ दिया था। यह सुधार महत्वपूर्ण है क्योंकि यह सुझाव देता है कि मॉडल लक्षणों के संयोजन के सूक्ष्म पैटर्न को पकड़ सकता है जिसे एक मानव अनदेखा कर सकता है, विशेष रूप से तब जब वह रोगी द्वारा प्रस्तुत जानकारी की विशाल मात्रा के साथ काम कर रहा हो। उदाहरण के लिए, मॉडल पित्ताशय के कैंसर और पित्त की पथरी की बीमारी की पहचान करने में विशेष रूप से प्रभावी था, हालांकि इसे कुछ प्रकार के अग्नाशय के ट्यूमर का पता लगाने में थोड़ी कठिनाई हुई, जो यह दर्शाता है कि हालांकि यह उपकरण शक्तिशाली है, फिर भी यह हर एक उप-प्रकार की बीमारी के लिए पूर्ण नहीं है।

इस तकनीक को वास्तविक दुनिया में उपयोगी बनाने के लिए, शोधकर्ताओं ने एक द्विभाषी मोबाइल एप्लिकेशन बनाया है। यह ऐप एक डॉक्टर या नर्स को रोगी के लक्षणों, जैसे कि पेट दर्द का स्थान, बुखार की उपस्थिति, या वजन घटने का इतिहास दर्ज करने की अनुमति देता है। इसके बाद ऐप तुरंत एक जोखिम स्कोर की गणना करता है। यदि स्कोर कम है, तो रोगी को निम्न-जोखिम की श्रेणी में रखा जाता है और नियमित देखभाल के साथ प्रबंधित किया जा सकता है। यदि स्कोर उच्च है, तो ऐप उन्नत इमेजिंग या विशेषज्ञ मूल्यांकन के लिए तत्काल रेफरल की सिफारिश करता है। यह वर्कफ़्लो सरल और तेज़ बनाने के लिए डिज़ाइन किया गया है, जो मशीन लर्निंग मॉडल की जटिल गणित को एक स्पष्ट, कार्रवाई योग्य निर्णय में बदल देता है जो प्राथमिक देखभाल प्रदाता के लिए उपयोगी हो।

शोधकर्ताओं ने यह भी देखा कि निदान का समय कैंसर वाले रोगियों के परिणामों को कैसे प्रभावित करता है। उन्होंने पाया कि जो रोगी अपने लक्षणों के शुरू होने के चार महीने के भीतर उपचार के लिए भेजे गए थे, उनमें से कैंसर को शल्य चिकित्सा द्वारा पूर्ण उपचार के इरादे से निकालने की संभावना अधिक थी। जिनका निदान चार महीने से अधिक की देरी से हुआ, उनमें इस जीवन रक्षक उपचार प्राप्त करने की संभावना काफी कम थी। हालांकि अध्ययन ने यह सिद्ध नहीं किया कि कंप्यूटर मॉडल ने ही इन रोगियों को जल्दी रेफर किया, लेकिन डेटा बताता है कि लक्षणों के शुरू होने और उपचारात्मक उपचार के बीच के अंतर को कम करने में सक्षम उपकरण शीघ्र रेफरल में मदद कर सकता है।

इन आशाजनक परिणामों के बावजूद, लेखक उनके कार्यों की सीमाओं को नोट करने में सावधानी बरतते हैं। मॉडल को प्रशिक्षित और परीक्षण करने के लिए उपयोग किया गया डेटा बड़े, विशिष्ट अस्पतालों से आया था, जिसका अर्थ है कि रोगी पहले से ही काफी बीमार थे या जटिल स्थितियों से जूझ रहे थे। मॉडल का अभी तक प्राथमिक देखभाल सेटिंग में परीक्षण नहीं किया गया है, जहाँ रोगियों में हल्के लक्षण या अलग स्वास्थ्य प्रोफाइल हो सकते हैं। शोधकर्ता स्वीकार करते हैं कि सामान्य आबादी के लिए भी उतना ही प्रभावी होने के लिए कि यह अस्पताल के रोगियों के लिए कितना प्रभावी था, इस उपकरण को समुदाय में और अधिक परीक्षण की आवश्यकता है। वे यह भी स्पष्ट करते हैं कि मॉडल एक निर्णय सहायता है, न कि डॉक्टर के निर्णय का विकल्प, और इसका उपयोग नैदानिक विशेषज्ञता का समर्थन करने के लिए किया जाना चाहिए, न कि उसे बदलने के लिए।

अध्ययन का निष्कर्ष है कि एक लक्षण-आधारित मशीन लर्निंग मॉडल बीमारी के शुरुआती चरणों में रोगियों की छंटनी के लिए एक शक्तिशाली, कम लागत वाला उपकरण हो सकता है। केवल उपलब्ध जानकारी, जैसे कि पहले दौरे पर उपलब्ध सूचनाओं पर ध्यान केंद्रित करके, ऐसी प्रणाली स्वास्थ्य प्रणालियों को, विशेष रूप से संसाधन-सीमित सेटिंग्स में, उन रोगियों को प्राथमिकता देने में मदद कर सकती है जिन्हें तत्काल देखभाल की आवश्यकता है। शोधकर्ता वास्तविक दुनिया की प्राथमिक देखभाल क्लीनिकों में इस एप्लिकेशन का परीक्षण करने के लिए अपना काम जारी रखने की योजना बना रहे हैं ताकि यह देखा जा सके कि क्या यह वास्तव में इन कठिन और अक्सर मौन बीमारियों के निदान में लगने वाले समय को कम कर सकता है।