Machine learning-based prediction of mortality and renal replacement therapy in ANCA- associated vasculitis: a single-center cohort study
यह एकल-केंद्रित कोहोर्ट अध्ययन प्रदर्शित करता है कि मशीन लर्निंग मॉडल, विशेष रूप से मृत्यु दर के लिए रैंडम फॉरेस्ट और रीनल रिप्लेसमेंट थेरेपी के लिए XGBoost, उन्नत आयु, निदान के समय डायलिसिस की आवश्यकता और कम eGFR को प्रमुख स्वतंत्र जोखिम कारकों के रूप में पहचानकर ANCA-जुड़े वास्कुलिटिस रोगियों में प्रतिकूल परिणामों की प्रभावी ढंग से भविष्यवाणी करते हैं।
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
कल्पना कीजिए कि शरीर की प्रतिरक्षा प्रणाली, जो आमतौर पर कीटाणुओं के खिलाफ एक वफादार रक्षक होती है, अचानक अपने ही ऊतकों (tissues) पर अपने हथियार चलाने लगे। यह उन लोगों के लिए वास्तविकता है जो एएनसीए-एसोसिएटेड वैस्कुलिटिस (ANCA-associated vasculitis) नामक दुर्लभ बीमारियों के एक समूह से पीड़ित हैं। इन स्थितियों में, प्रतिरक्षा प्रणाली उन सूक्ष्म रक्त वाहिकाओं पर हमला करती है जो पूरे शरीर में जीवनदायी ऑक्सीजन और पोषक तत्व ले जाती हैं। यह क्षति अक्सर तीव्र और गंभीर होती है, जो विशेष रूप से गुर्दे (किडनी) और फेफड़ों पर प्रहार करती है। डॉक्टरों के लिए, चुनौती लंबे समय से यह रही है कि वे इस बीमारी के शुरुआती चरणों में एक रोगी को देखें और यह जान सकें कि कौन जीवित बचेगा और किसे अपना रक्त छानने के लिए एक मशीन की आवश्यकता होगी, या इससे भी बदतर, किसे जीवन खोना पड़ सकता है। परिणामों का अनुमान लगाने के पारंपरिक तरीके सरल चेकलिस्ट पर निर्भर करते हैं जो अक्सर रोगी की आयु, उसके रक्त परीक्षण के परिणामों और उसके अंगों के कार्य करने के तरीके के बीच के जटिल, छिपे हुए संबंधों को समझने में चूक जाते हैं।
गुआंग्शी मेडिकल यूनिवर्सिटी के सेकंड एफिलिएटेड अस्पताल के शोधकर्ताओं की एक टीम ने एक अलग दृष्टिकोण अपनाने का निर्णय लिया। उन्होंने लगभग दो दशकों में इस स्थिति से निदान किए गए 256 रोगियों के मेडिकल रिकॉर्ड एकत्र किए। केवल एक या दो कारकों को एक समय में देखने के बजाय, उन्होंने सूचनाओं के एक विशाल भंडार को मशीन लर्निंग नामक उन्नत कंप्यूटर प्रोग्रामों में फीड किया। ये प्रोग्राम डेटा में उन पैटर्न को खोजने के लिए डिज़ाइन किए गए हैं जो मानवीय दृष्टि के लिए बहुत सूक्ष्म या जटिल होते हैं। शोधकर्ता यह देखना चाहते थे कि क्या ये डिजिटल उपकरण दो महत्वपूर्ण परिणामों की भविष्यवाणी कर सकते हैं: क्या रोगी इस बीमारी से दम तोड़ देगा और क्या उसे अंततः अपने विफल होते गुर्दों को बदलने के लिए डायलिसिस मशीन की आवश्यकता होगी।
अध्ययन ने उनके उपचार कर रहे रोगियों की एक स्पष्ट तस्वीर पेश की। विशाल बहुमत, लगभग 95 प्रतिशत, इस बीमारी के एक विशिष्ट उपप्रकार 'माइक्रोस्कोपिक पॉलीएंजाइटिस' (microscopic polyangiitis) से ग्रस्त थे। इस रूप में, गुर्दे लगभग हमेशा हमले के घेरे में होते हैं, जिसमें निदान के समय लगभग 80 प्रतिशत रोगी गुर्दे की क्षति के लक्षण दिखाते हैं। फेफड़े भी एक बार-बार निशाना बनने वाले अंग थे, जो लगभग 71 प्रतिशत मामलों में शामिल थे। जब शोधकर्ताओं ने विभिन्न प्रकार के रोगियों की तुलना की, तो उन्होंने पाया कि माइक्रोस्कोपिक पॉलीएंजाइटिस उपप्रकार वाले रोगियों में ग्रेनुलोमैटोसिस विद पॉलीएंजाइटिस (granulomatosis with polyangiitis) नामक दूसरे उपप्रकार की तुलना में अधिक गंभीर गुर्डे संबंधी समस्याएं थीं। इसी तरह, जिन रोगियों में MPO-ANCA नामक एक विशिष्ट एंटीबॉडी के लिए सकारात्मक परीक्षण पाया गया, वे दूसरे एंटीबॉडी प्रकार वाले रोगियों की तुलना में अधिक उम्र के, अक्सर महिला और अधिक गंभीर किडनी फेलियर से पीड़ित थे।
सबसे तात्कालिक प्रश्न उत्तरजीविता (survival) के बारे में था। 26 महीने की औसत अनुवर्ती अवधि (follow-up period) के दौरान, पूर्ण रिकॉर्ड वाले लगभग 30 प्रतिशत रोगी की मृत्यु हो गई थी। डेटा का विश्लेषण करके, टीम ने चार प्रमुख कारकों की पहचान की जो खराब परिणाम के स्वतंत्र चेतावनी संकेत के रूप में उभरे: अधिक आयु होना, बुखार या वजन घटने जैसे सामान्य लक्षण होना, निदान के समय तुरंत डायलिसिस की आवश्यकता होना, और रक्त को छानने की क्षमता (किडनी फंक्शन) का कम स्तर होना। ये कारक इतने महत्वपूर्ण थे कि जब शोधकर्ताओं ने विभिन्न सांख्यिकीय तरीकों से डेटा का विश्लेषण किया, तब भी ये प्रभावी रहे। कंप्यूटर मॉडलों ने पुष्टि की कि जीवन और मृत्यु के पैमाने पर आयु और गुर्दे की स्थिति का वजन सबसे अधिक था।
यह परीक्षण करने के लिए कि क्या वे पहले की तुलना में बेहतर भविष्यवाणी कर सकते हैं, शोधकर्ताओं ने चार अलग-अलग कंप्यूटर मॉडल बनाए। एक मानक सांख्यिकीय विधि थी, जबकि अन्य अधिक परिष्कृत मशीन लर्निंग एल्गोरिदम थे जो चरों (variables) के बीच जटिल, गैर-रेखीय संबंधों को पहचानने में सक्षम थे। मृत्यु की भविष्यवाणी करने के लिए, सबसे अच्छा मॉडल एक "रैंडम फॉरेस्ट" (random forest) एल्गोरिदम था, जिसने 0.86 का AUC प्राप्त किया। डायलिसिस की आवश्यकता की भविष्यवाणी करने के लिए, XGBoost नामक एक एल्गोरिदम ने और भी बेहतर प्रदर्शन किया, जिसने 0.95 का AUC प्राप्त किया। ये कंप्यूटर मॉडल अतीत में उपयोग किए जाने वाले पारंपरिक तरीकों की तुलना में काफी अधिक सटीक थे।
शोधकर्ता केवल मॉडल बनाने तक ही नहीं रुके; उन्होंने यह भी सुनिश्चित करने के लिए जांच की कि भविष्यवाणियां विश्वसनीय और वास्तविक अस्पताल परिवेश में उपयोगी हैं। उन्होंने एक विधि का उपयोग किया जिससे यह सत्यापित किया जा सके कि कंप्यूटर की अनुमानित संभावनाएँ वास्तव में मरने वाले या डायलिसिस की आवश्यकता वाले रोगियों की संख्या से मेल खाती हैं, और परिणाम बहुत करीब थे। उन्होंने एक 'डिसीजन एनालिसिस' (decision analysis) भी चलाया ताकि यह देखा जा सके कि क्या इन मॉडलों का उपयोग करने से डॉक्टरों को बेहतर निर्णय लेने में मदद मिलेगी। विश्लेषण से पता चला कि विभिन्न परिदृश्यों में, इन मॉडलों का उपयोग करने से सभी का एक जैसा इलाज करने या किसी का इलाज न करने की तुलना में बेहतर रोगी प्रबंधन संभव होगा।
अंत में, शोधकर्ताओं ने कंप्यूटर से उसके तर्क को समझाने के लिए कहा। एक ऐसे टूल का उपयोग करते हुए जो यह बताता है कि सूचना का प्रत्येक हिस्सा अंतिम निर्णय में कैसे योगदान देता है, उन्होंने पाया कि कंप्यूटर मानवीय अंतर्ज्ञान (intuition) के साथ सबसे महत्वपूर्ण कारकों पर सहमत था: आयु, गुर्दे की कार्यक्षमता और डायलिसिस की तत्काल आवश्यकता शीर्ष तीन भविष्यवक्ता थे। हालांकि, कंप्यूटर ने अन्य विवरणों पर भी प्रकाश डाला, जैसे कि रक्त में हीमोग्लोबिन का निम्न स्तर और सूजन के मार्कर (inflammation markers) का उच्च स्तर, जो सरल विश्लेषणों में अनदेखा किए जा सकते थे महत्वपूर्ण सुराग थे। यह अध्ययन बताता है कि डॉक्टरों के अनुभव को मशीन लर्निंग की पैटर्न-पहचानने की शक्ति के साथ जोड़कर, इस बीमारी के खतरनाक रास्तों पर चलने के लिए एक अधिक सटीक मानचित्र बनाना संभव है, जिससे सबसे संवेदनशील रोगियों की जल्दी पहचान करने और उन्हें जीवित रहने का सबसे अच्छा अवसर देने के लिए उनके उपचार को अनुकूलित करने में मदद मिल सकती है।
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।