Development and Validation of machine learning models for early prediction of severe Respiratory Syncytial Virus pneumonia in children

हर साल, दुनिया भर में लाखों छोटे बच्चे एक ऐसी सर्दी-जुकाम की चपेट में आते हैं जो तेजी से बहुत अधिक खतरनाक रूप ले सकती है। यह वायरस, जिसे रेस्पिरेटरी सिन्सिटियल वायरस (RSV) के रूप में जाना जाता है, एक सामान्य कीटाणु है जो फेफड़ों और श्वसन मार्ग को लक्षित करता है। अधिकांश बच्चों के लिए, यह बहती नाक और खांसी के साथ एक खराब फ्लू जैसा महसूस होता है, लेकिन महत्वपूर्ण संख्या में बच्चों के लिए, विशेष रूप से पांच वर्ष से कम उम्र के बच्चों के लिए, यह गंभीर निमोनिया में बदल सकता है, जो कि फेफड़ों का एक जीवन के लिए खतरा पैदा करने वाला संक्रमण है। डॉक्टरों के लिए चुनौती यह है कि वायरस अप्रत्याशित व्यवहार करता है; एक बच्चा जो सुबह ठीक लग रहा था, शाम तक सांस लेने के लिए संघर्ष कर सकता है। क्योंकि संकट को रोकने का समय अक्सर बहुत कम होता, इसलिए चिकित्सा टीमों को उन बच्चों को पहचानने के तरीके की आवश्यकता है जो अस्पताल में प्रवेश करते ही सबसे अधिक जोखिम में हैं, इससे बहुत पहले कि उनकी स्थिति बिगड़ जाए।

द दशकों से, डॉक्टर इन निर्णयों को लेने के लिए अनुभव और मानक चेकलिस्टों पर भरोसा करते रहे हैं, जिसमें वे बुखार, खांसी और सांस लेने की दर को देखते हैं। हालांकि, मानव मस्तिष्क डेटा के पहाड़ के भीतर छिपे जटिल पैटर्न को पहचानने के लिए हमेशा सबसे अच्छा उपकरण नहीं होता है। चीन के ज़ुनयी (Zunyi) के एक अस्पताल के एक नए अध्ययन से पता चलता है कि कंप्यूटर मदद कर सकते हैं। शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस की एक शाखा की ओर रुख किया जिसे मशीन लर्निंग कहा जाता है, जो कंप्यूटर को भविष्य के बारे में भविष्यवाणी करने के लिए पिछले उदाहरणों से सीखने की अनुमति देती है। किसी इंसान द्वारा लिखे गए कठोर नियमों का पालन करने के बजाय, कंप्यूटर ने विभिन्न लक्षणों और लैब परिणामों के बीच सूक्ष्म संबंधों को खोजने के लिए सैकड़ों वास्तविक रोगी रिकॉर्ड का विश्लेषण किया जिन्हें इंसान मिस कर सकते हैं। लक्ष्य सरल लेकिन महत्वपूर्ण था: एक डिजिटल टूल बनाना जो एक बच्चे के प्रवेश डेटा को देख सके और सटीक रूप से भविष्यवाणी कर सके कि क्या उनका निमोनिया गंभीर हो जाएगा, जिससे डॉक्टरों को उपचार के लिए अग्रिम बढ़त मिल सके।

टीम ने 180 बच्चों के डेटा को इकट्ठा करके शुरुआत की जिन्हें पुष्टि किए गए RSV निमोनिया के साथ भर्ती किया गया था। उन्होंने इन मामलों को दो समूहों में विभाजित किया: वे जो हल्की बीमारी से पीड़ित थे और वे जिनमें गंभीर निमोनिया विकसित हुआ। शोधकर्ताओं ने एक विशाल मात्रा में डेटा को अपने कंप्यूटर सिस्टम में डाला, जिसमें बच्चे की उम्र और वजन, उनका मेडिकल इतिहास, और अस्पताल में भर्ती होने के पहले दो दिनों के भीतर लिए गए रक्त परीक्षण और फेफड़ों के स्कैन के परिणाम शामिल थे। उन्हें डेटा को साफ करने में सावधानी बरतनी थी, ताकि गायब नंबरों को स्मार्ट अनुमानों से भरा जा सके जिससे कंप्यूटर हर रिकॉर्ड से सीख सके। सबसे महत्वपूर्ण सुरागों को खोजने के लिए, उन्होंने शोर (noise) को हटाने के लिए दो अलग-अलग गणितीय विधियों का उपयोग किया। एक विधि एक छलनी की तरह काम करती थी, जो उन चरों (variables) को हटा देती थी जो आपस में बहुत समान थे, जबकि दूसरी विधि ने प्रत्येक लक्षण के महत्व की तुलना यादृच्छिक शोर से की ताकि देखा जा सके कि वास्तव में कौन से महत्वपूर्ण हैं।

इस कठोर छंटनी प्रक्रिया के बाद, कंप्यूटर ने केवल सात प्रमुख कारकों की पहचान की जो गंभीर बीमारी से सबसे मजबूती से जुड़े थे। ये कोई अज्ञात चिकित्सा रहस्य नहीं थे बल्कि मूर्त और अवलोकन योग्य संकेत थे: बच्चे का वजन, उनकी श्वसन दर, क्या वे सामान्य से तेज सांस ले रहे थे, क्या उन्हें सांस लेने में कठिनाई हो रही थी, और उनके ब्लड वर्क से तीन विशिष्ट संख्याएं। इन सात विशेषताओं के चयन के साथ, शोधकर्ताओं ने यह देखने के लिए आठ अलग-अलग कंप्यूटर मॉडल बनाए कि कौन सा मॉडल परिणाम का सबसे अच्छा अनुमान लगा सकता है। उन्होंने सरल सांख्यिकीय दृष्टिकोणों से लेकर अधिक जटिल प्रणालियों तक, जो मानव मस्तिष्क के काम करने के तरीके की नकल करती हैं, सब कुछ का परीक्षण किया। उन्होंने इन मॉडलों को रोगी के दो-तिहाई डेटा पर प्रशिक्षित किया और फिर शेष एक-तिहाई पर उनका परीक्षण किया ताकि यह देखा जा सके कि क्या वे जो कुछ भी सीखा है उसे नए, अनदेखे रोगियों पर लागू कर सकते हैं।

परिणामों ने दिखाया कि एक मॉडल, जिसे रैंडम फॉरेस्ट (Random Forest) के रूप में जाना जाता है, अन्य सभी से बेहतर प्रदर्शन करता है। इस मॉडल का नाम इसके निर्णय लेने के तरीके के कारण रखा गया है, जो कई छोटे निर्णय वृक्षों (decision trees) के विचारों को संयोजित करके काम करता है, बिल्कुल विशेषज्ञों की एक समिति द्वारा निदान पर मतदान करने की तरह। परीक्षण चरण में, इस मॉडल ने सफलतापूर्वक लगभग 90 प्रतिशत उन बच्चों की पहचान की जो गंभीर निमोनिया विकसित करने वाले थे, जो कि रोगी सुरक्षा के लिए एक महत्वपूर्ण संवेदनशीलता का स्तर है। हालांकि इसने कुछ मामलों को छोड़ दिया या कुछ हल्के मामलों को गंभीर के रूप में चिह्नित किया, लेकिन खतरनाक मामलों को पकड़ने की इसकी क्षमता इसकी सबसे बड़ी ताकत थी। शोधकर्ताओं ने यह देखने के लिए कि मॉडल कैसे अपने विकल्प बनाता है, एक विज़ुअलाइज़ेशन तकनीक का भी उपयोग किया, जिससे पता चला कि श्वसन दर और सांस की कमी की उपस्थिति सबसे भारी वजन (weights) थे। कंप्यूटर ने सीखा कि श्वसन दर में तेजी, विशेष रूप से सांस फूलने की भावना के साथ मिलकर, एक शक्तिशाली संकेत था कि बच्चे के फेफड़े गंभीर तनाव में हैं।

अध्ययन ने यह भी उजागर किया कि कंप्यूटर ने अन्य कारकों को कैसे तौला। इसने पाया कि कम शारीरिक वजन एक जोखिम कारक था, जो संभवतः बच्चे के समग्र पोषण स्वास्थ्य और प्रतिरक्षा शक्ति को दर्शाता है। इसी तरह, लाल रक्त कोशिकाओं के आकार में विशिष्ट भिन्नताएं और लिम्फोसाइट्स (एक प्रकार की श्वेत रक्त कोशिका) का प्रतिशत, शरीर द्वारा संक्रमण से लड़ने के बारे में अतिरिक्त सुराग प्रदान करते थे। कंप्यूटर ने केवल अनुमान नहीं लगाया; इसने सीखा कि ये विशिष्ट जैविक मार्कर, जब बच्चे के सांस लेने के संघर्ष के साथ मिलते हैं, तो एक ऐसा पैटर्न बनाते हैं जो विश्वसनीय रूप से गंभीर परिणाम की भविष्यवाणी करता है। शोधकर्ताओं ने पुष्टि की कि यह दृष्टिकोण पारंपरिक तरीकों की तुलना में वास्तविक लाभ प्रदान करता है, जिससे पता चलता है कि ऐसे उपकरण का उपयोग अस्पतालों को अपने संसाधनों को अधिक प्रभावी ढंग से आवंटित करने और सबसे कमजोर रोगियों के लिए जल्दी हस्तक्षेप करने में मदद कर सकता है।

इन आशाजनक परिणामों के बावजूद, लेखक सावधानीपूर्वक नोट करते हैं कि उनका कार्य एक पहला कदम है। मॉडल एक एकल अस्पताल के डेटा का उपयोग करके बनाया गया था, जिसका अर्थ है कि इसका अभी तक दुनिया के विभिन्न हिस्सों या विभिन्न स्वास्थ्य प्रणालियों के बच्चों पर परीक्षण नहीं किया गया है। अध्ययन भी 'रिट्रोस्पेक्टिव' (retrospective) था, जिसका अर्थ है कि कंप्यूटर ने वास्तविक समय में बच्चों का परीक्षण करने के बजाय अतीत के रिकॉर्ड से सीखा। शोधकर्ता इस बात पर जोर देते हैं कि इससे पहले कि इस उपकरण का उपयोग रोजमर्रा के क्लीनिकों में किया जा सके, इसे बड़े, बहु-केंद्रित अध्ययनों में मान्य करने की आवश्यकता है ताकि यह सुनिश्चित हो सके कि यह सभी के लिए काम करता है। फिर भी, यह अध्ययन प्रदर्शित करता है कि साधारण, रोजमर्रा के नैदानिक अवलोकनों को उन्नत कंप्यूटर विश्लेषण के साथ जोड़कर, एक ऐसी प्रणाली बनाना संभव है जो गंभीर निमोनिया के खतरे के संकेतों को पहले से कहीं अधिक जल्दी देख सके, जो इस सामान्य लेकिन संभावित रूप से घातक वायरस से लड़ रहे बच्चों के लिए सुरक्षा की एक नई परत प्रदान करती है।