Machine Learning and Logistic Regression Models Incorporating Clinical and CT-Derived Muscle-Fat Parameters for Predicting Geriatric Hip Fracture: A Prospective Study

हर साल, दुनिया भर में लाखों बुजुर्ग लोग कूल्हे की हड्डी टूटने (हिप फ्रैक्चर) का शिकार होते हैं, एक ऐसी चोट जो अक्सर स्वास्थ्य और स्वतंत्रता में भारी गिरावट की शुरुआत का प्रतीक बनती है। हालांकि गिरना ही इसका तात्कालिक कारण है, लेकिन अंतर्निहित भेद्यता शरीर के मौन क्षरण में निहित होती है: मांसपेशियों के द्रव्यमान और शक्ति का नुकसान, जिसे सार्कोपेनिया (sarcopenia) के रूप में जाना जाता है। दशकों से, डॉक्टर समझते आए हैं कि कमजोर मांसपेशियां गिरने की संभावना को बढ़ा देती हैं, लेकिन उन मांसपेशियों की विशिष्ट गुणवत्ता और हड्डी टूटने के जोखिम के बीच के संबंध को एक नियमित क्लिनिकल सेटिंग में मापना कठिन बना हुआ है। पारंपरिक उपकरण सामान्य स्वास्थ्य प्रश्नावली या सरल बोन डेंसिटी स्कैन पर निर्भर करते हैं, जो कहानी का एक हिस्सा तो बताते हैं लेकिन ऊतक (टिश्यू), वसा और हड्डी के बीच के जटिल अंतर्संबंधों को समझने में विफल रहते हैं। जैसे-जैसे वैश्विक जनसंख्या बढ़ रही है, फ्रैक्चर होने से पहले सबसे संवेदनशील व्यक्तियों की पहचान करने का तरीका खोजना आधुनिक चिकित्सा के लिए एक महत्वपूर्ण चुनौती बन गया है।

चीन के क्वान्झोउ ऑर्थोपेडिक-ट्रॉमेटोलॉजिकल अस्पताल के शोधकर्ताओं के एक दल ने शरीर को एक अलग दृष्टिकोण से देखकर इस पहेली को सुलझाने का प्रयास किया। उन्होंने साठ वर्ष और उससे अधिक आयु के उन रोगियों पर ध्यान केंद्रित किया जो अपने कूल्हों के कंप्यूटेड टोमोग्राफी, या सीटी (CT) स्कैन से गुजर रहे थे। ये स्कैन, जिनका उपयोग आमतौर पर चोटों के निदान या सर्जरी की योजना बनाने के लिए किया जाता है, विस्तृत क्रॉस-सेक्शनल चित्र उत्पन्न करते हैं जो न केवल हड्डी, बल्कि उसके आसपास के कोमल ऊतकों को भी प्रकट करते हैं। शोधकर्ताओं ने महसूस किया कि इन चित्रों में रोगी के मांसपेशियों के स्वास्थ्य के बारे में छिपी हुई जानकारी का भंडार है। जांघ के ऊपरी हिस्से, कूल्हे के जोड़ और पीठ के निचले हिस्से—इन तीन विशिष्ट स्तरों पर मांसपेशियों के आकार, उसमें समाहित वसा की मात्रा और ऊतक के घनत्व को मापकर, वे प्रत्येक रोगी के शारीरिक लचीलेपन का एक विस्तृत विवरण तैयार कर सकते थे।

टीम ने 348 रोगियों से डेटा एकत्र किया, जिन्हें दो समूहों में विभाजित किया गया: वे जिन्होंने कम ऊर्जा वाले हिप फ्रैक्चर (जैसे कि खड़े होने की ऊंचाई से गिरने के कारण) का अनुभव किया था, और वे जिन्होंने नहीं किया था। फिर उन्होंने इस डेटा को एक कंप्यूटर सिस्टम में डाला जिसे पैटर्न खोजने के लिए डिज़ाइन किया गया था। शोधकर्ताओं ने आठ अलग-अलग गणितीय दृष्टिकोणों का परीक्षण किया, जिसमें सरल सांख्यिकीय विधियों से लेकर जटिल आर्टिफिशियल इंटेलिजेंस एल्गोरिदम तक शामिल थे, ताकि यह देखा जा सके कि कौन सा मॉडल यह बेहतर ढंग से अनुमान लगा सकता है कि कौन जोखिम में है। लक्ष्य एक ऐसा मॉडल खोजना था जो न केवल सटीक हो बल्कि एक डॉक्टर के लिए समझने योग्य भी हो, जो केवल एक 'ब्लैक-बॉक्स' भविष्यवाणी देने के बजाय यह समझा सके कि किसी रोगी को उच्च-जोखिम वाला क्यों माना गया है।

संख्याओं के विश्लेषण के बाद, शोधकर्ताओं ने पाया कि सबसे परिष्कृत आर्टिफिशियल इंटेलिजेंस मॉडल ने भी एक क्लासिक, सरल सांख्यिक thốngिक विधि (statistical method) को पीछे नहीं छोड़ा, जिसे लॉजिस्टिक रिग्रेशन (logistic regression) कहा जाता है। वास्तव में, सरल मॉडल सबसे विश्वसनीय साबित हुआ। इसने आठ विशिष्ट कारकों की पहचान की, जो मिलकर फ्रैक्चर के जोखिम की स्पष्ट तस्वीर पेश करते थे। इन कारकों में रोगी की आयु, ऑस्टियोपोरोसिस की उपस्थिति और बढ़ा हुआ रक्त शर्करा स्तर शामिल था। महत्वपूर्ण रूप से, मॉडल सीटी माप पर भी निर्भर था: कूल्हे के पास त्वचा के नीचे वसा की मात्रा, मांसपेशियों के ऊतकों का घनत्व, और ऊंचाई के सापेक्ष मांसपेशियों के द्रव्यमान का एक गणना किया गया सूचकांक। अध्ययन ने दिखाया कि छोटे मांसपेशियों के क्षेत्र, मांसपेशियों के भीतर वसा की अधिक मात्रा और कम मांसपेशियों के घनत्व वाले रोगियों में फ्रैक्चर होने की संभावना काफी अधिक थी।

इन निष्कर्षों को एक व्यस्त अस्पताल में उपयोगी बनाने के लिए, शोधकर्ताओं ने इस जटिल गणितीय मॉडल को 'नोमोग्राम' (nomogram) नामक एक दृश्य उपकरण में बदल दिया। यह अनिवार्य रूप से एक चार्ट है जो एक डॉक्टर को प्रत्येक आठ कारकों के मूल्यों के माध्यम से एक रेखा खींचकर रोगी के जोखिम की गणना करने की अनुमति देता है। परिणाम एक एकल संख्या है जो हिप फ्रैक्चर की संभावना को दर्शाती है। इस उपकरण ने असाधारण प्रदर्शन किया, जिसने प्रशिक्षण समूह के भीतर लगभग 82 प्रतिशत मामलों में फ्रैक्चर होने वाले और न होने वाले रोगियों के बीच सफलतापूर्वक अंतर किया, और एक अलग रोगी समूह पर परीक्षण किए जाने पर भी अपनी सटीकता बनाए रखी। उपकरण का अंशांकन (कैलिब्रेशन) भी उत्कृष्ट था, जिसका अर्थ है कि अनुमानित संभावनाएँ अध्ययन में देखे गए वास्तविक परिणामों से मेल खाती थीं।

अध्ययन बताता है कि सीटी स्कैन के माध्यम से मांसपेशियों की गुणवत्ता और मात्रा को देखना, पिछले तरीकों की तुलना में फ्रैक्चर के जोखिम की अधिक पूर्ण तस्वीर प्रदान करता है। केवल पीठ के निचले हिस्से के बजाय स्वयं कूल्हे के माप को शामिल करके, यह मॉडल उस स्थानीय यांत्रिक सुरक्षा को पकड़ लेता है जो मांसपेशियां हड्डी को प्रदान करती हैं। निष्कर्ष संकेत देते हैं कि मांसपेशियों के ऊतकों में वसा का प्रवेश, जो मांसपेशियों की कार्य करने और कंकाल को सहारा देने की क्षमता को कमजोर करता है, जोखिम का एक प्रमुख चालक है। यह अंतर्दृष्टि केवल इस विचार से आगे निकल जाती है कि "कमजोर मांसपेशियों से गिरना होता है" और एक गहरे जैविक संबंध की ओर इशारा करती है जहाँ मांसपेशियों के ऊतकों की संरचना स्वयं हड्डी की अखंडता से समझौता करती है।

हालांकि यह उपकरण बहुत आशाजनक दिखता है, शोधकर्ता स्वीकार करते हैं कि इसे एक एकल अस्पताल के डेटा से विकसित किया गया है और इसकी सार्वभौमिक सटीकता की पुष्टि करने के लिए बड़े, विविध आबादी में और अधिक परीक्षण की आवश्यकता है। उन्होंने यह भी नोट किया कि स्कैन पर मांसपेशियों और वसा को मापने की वर्तमान प्रक्रिया मैन्युअल रूप से की जाती है, जो समय लेने वाली हो सकती है, हालांकि भविष्य के तकनीकी विकास में स्वचालित सॉफ्टवेयर इसे तेज कर सकता है। इन सीमाओं के बावजूद, यह अध्ययन एक व्यावहारिक मार्ग प्रदान करता है। यह मौजूदा चिकित्सा छवियों का उपयोग करके उच्च-जोखिम वाले बुजुर्ग रोगियों की पहचान करने का एक तरीका प्रदान करता है जिन्हें पोषण संबंधी सहायता या लक्षित व्यायाम जैसे प्रारंभिक हस्तक्षेपों से लाभ मिल सकता है, जिससे संभावित रूप से हिप फ्रैक्चर के विनाशकारी परिणामों को होने से पहले ही रोका जा सके।