Machine Learning-Based Prediction of 30-Day Unplanned Readmission After Surgery for Spinal Metastasis: Development and Internal Validation of an Interpretable Nomogram
इस अध्ययन ने स्पाइनल मेटास्टेसिस सर्जरी के बाद 30-दिवसीय अनियोजित पुन: भर्ती (री-एडमिशन) का सटीक पूर्वानुमान लगाने के लिए छह प्रमुख नैदानिक भविष्यवक्ताओं का उपयोग करते हुए एक व्याख्या योग्य मशीन लर्निंग-आधारित नोमोग्राम विकसित और आंतरिक रूप से मान्य किया है, जो मजबूत विभेदन और पेरिऑपरेटिव देखभाल को अनुकूलित करने के लिए संभावित नैदानिक उपयोगिता प्रदर्शित करता है।
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
जब कैंसर अपने मूल स्थान से फैलकर रीढ़ की हड्डियों तक पहुँच जाता है, तो यह एक जटिल चिकित्सा चुनौती पैदा करता है जिसके लिए अक्सर दर्द से राहत पाने, शरीर को स्थिर करने और तंत्रिका क्षति (नर्व डैमेज) को रोकने के लिए सर्जरी की आवश्यकता होती है। कई रोगियों के लिए, यह ऑपरेशन कोई इलाज नहीं है, बल्कि जीवन की गुणवत्ता को बहाल करने और उन्हें कीमोथेरेपी या रेडिएशन जैसे उपचारों पर वापस लौटने देने के लिए एक महत्वपूर्ण कदम है। हालाँकि, रिकवरी की अवधि नाजुक होती है। एक महत्वपूर्ण जोखिम यह बना रहता है कि मरीज को घर तो भेज दिया जाता है, लेकिन अक्सर संक्रमण या दर्द नियंत्रण में कमी जैसी जटिलताओं के कारण वह एक महीने के भीतर ही वापस अस्पताल पहुँच जाता है। पुन: भर्ती का यह चक्र रिकवरी की नाजुक प्रक्रिया को बाधित करता है और कैंसर देखभाल के अगले चरण में देरी करता है, जो उस समय अत्यंत महत्वपूर्ण हो सकता है जब समय बहुत कीमती होता है। यह समझना कठिन है कि ये वापसी क्यों होती हैं क्योंकि इसमें शामिल कारक रोगी की आयु और समग्र स्वास्थ्य से लेकर सर्जरी के विशिष्ट विवरणों, जैसे कि ऑपरेशन में कितना समय लगा या कितना रक्त नष्ट हुआ, तक फैले हुए हैं।
किंगदाओ विश्वविद्यालय के संबद्ध अस्पताल के शोधकर्ताओं की एक टीम ने इन कारकों को सुलझाने और यह अनुमान लगाने का एक विश्वसनीय तरीका बनाने का प्रयास किया कि किन रोगियों को स्पाइनल सर्जरी के तीस दिनों के भीतर अनियोजित रूप से अस्पताल लौटने की सबसे अधिक संभावना है। उन्होंने 2016 और 2026 के बीच स्पाइनल मेटास्टेसिस के लिए ओपन सर्जरी कराने वाले 986 रोगियों के रिकॉर्ड का विश्लेषण किया। यह सुनिश्चित करने के लिए कि उनके अनुमान सटीक हों, उन्होंने उन रोगियों को सावधानीपूर्वक बाहर कर दिया जिनकी पहले महीने के भीतर मृत्यु हो गई थी, क्योंकि मृत्यु पुन: भर्ती को रोक देती है और डेटा को प्रभावित कर सकती है। व्यापक प्रशासनिक कोडों पर निर्भर रहने के बजाय, जो अक्सर रोगी की स्थिति की बारीकियों को छोड़ देते हैं, टीम ने रक्त परीक्षण के परिणामों, सर्जरी की सटीक अवधि, रक्त की हानि की मात्रा और रीढ़ की क्षति का कारण बनने वाले कैंसर के प्रकार जैसे विशिष्ट, मापे गए विवरणों की गहराई तक खोज की। उन्होंने दर्जनों संभावित चरों (वेरिएबल्स) को छानने के लिए उन्नत कंप्यूटर टूल का उपयोग किया, जिससे वे छह सबसे शक्तिशाली भविष्यवक्ताओं (प्रेडिक्टर्स) तक पहुँच सके।
शोधकर्ताओं ने पाया कि जिन रोगियों के पुन: भर्ती होने की संभावना सबसे अधिक थी, वे एक विशिष्ट प्रोफाइल साझा करते थे। वे वृद्ध थे, उनमें मधुमेह या हृदय रोग जैसी अन्य स्वास्थ्य स्थितियों का अधिक बोझ था, और उनमें एल्ब्यूमिन (रक्त में एक प्रोटीन जो पोषण संबंधी स्वास्थ्य का संकेत देता है) का स्तर कम था। सर्जरी ने भी एक बड़ी भूमिका निभाई; लंबे ऑपरेशन और अधिक रक्त हानि का संबंध अस्पताल में वापस आने के उच्च जोखिम से था। कैंसर का प्रकार भी मायने रखता था, जिसमें अन्य प्रकारों की तुलना में फेफड़ों और गुर्दे के कैंसर के मामले पुन: भर्ती होने वालों में अधिक देखे गए। इन छह विशिष्ट कारकों को एक गणितीय मॉडल में फीड करके, टीम ने एक उपकरण बनाया जिसे 'नोमोग्राम' कहा जाता है। यह अनिवार्य रूप रूप से एक विजुअल कैलकुलेटर है जिसका उपयोग डॉक्टर बेडसाइड पर कर सकते हैं। रोगी की आयु, स्वास्थ्य इतिहास, रक्त प्रोटीन स्तर और उनकी सर्जरी के विवरण को इसमें दर्ज करके, यह टूल इस बात की एक विशिष्ट संभावना (प्रोबेबिलिटी स्कोर) उत्पन्न करता है कि क्या उस व्यक्ति को अस्पताल वापस आने की आवश्यकता होगी।
परीक्षण में यह मॉडल अत्यधिक सटीक साबित हुआ, जिसने लगभग 91 प्रतिशत मामलों में उन रोगियों के बीच सही अंतर किया जो पुन: भर्ती होने वाले थे और जो नहीं होने वाले थे। यह प्रदर्शन उन अन्य जटिल कंप्यूटर मॉडलों की तुलना में बेहतर था जिनका टीम ने परीक्षण किया था, और इसने कम विस्तृत डेटा पर निर्भर पुराने तरीकों की तुलना में स्पष्ट लाभ प्रदान किया। विश्लेषण से पता चला कि इन वापसी का प्रमुख कारण सर्जिकल साइट संक्रमण था, जिसके बाद न्यूरोलॉजिकल समस्याएं और अपर्याप्त दर्द नियंत्रण आते हैं। चूंकि यह मॉडल प्रीऑपरेटिव (सर्जरी से पहले के) कारकों, जैसे आयु और रक्त प्रोटीन, और इंट्राऑपरेटिव (सर्जरी के दौरान के) कारकों, जैसे रक्त की हानि और समय को शामिल करता है, इसलिए यह एक दो-चरणीय दृष्टिकोण प्रदान करता है। डॉक्टर सर्जरी शुरू होने से पहले ही उच्च जोखिम वाले रोगियों की पहचान करने के लिए प्रीऑपरेटिव डेटा का उपयोग कर सकते हैं, जिससे उन्हें रोगी के स्वास्थ्य को अनुकूलित करने और अधिक सावधानी से योजना बनाने में मदद मिलती है। एक बार सर्जरी पूरी हो जाने के बाद, पूर्ण मॉडल वास्तविक ऑपरेशन के आधार पर जोखिम का आकलन और सटीक बनाता है।
इस कार्य का अंतिम लक्ष्य केवल भविष्य की भविष्यवाणी करना नहीं है, बल्कि उसे बदलना है। उन रोगियों की पहचान करके जो जटिलताओं के प्रति संवेदनशील हैं, मेडिकल टीमें उन्हें सुरक्षित रखने के लिए लक्षित कदम उठा सकती हैं, जैसे कि ऑपरेशन से पहले बेहतर पोषण सुनिश्चित करना, अन्य स्वास्थ्य स्थितियों का अधिक आक्रामक रूप से प्रबंधन करना, या छुट्टी के बाद अधिक गहन निगरानी की योजना बनाना। यह दृष्टिकोण 'सर्जरी के बाद उन्नत रिकवरी' (इन्हांस्ड रिकवरी आफ्टर सर्जरी) के सिद्धांतों के अनुरूप है, जिसका लक्ष्य रोगियों को जल्द से जल्द और सुरक्षित रूप से अपने पैरों पर खड़ा करना और उनके कैंसर उपचारों पर वापस लाना है। हालांकि यह उपकरण उस एकल अस्पताल में बहुत आशाजनक है जहाँ इसे विकसित किया गया है, शोधकर्ता इस बात पर जोर देते हैं कि इसे व्यापक रूप से अपनाने से पहले अन्य चिकित्सा केंद्रों में परीक्षण किया जाना चाहिए। तब तक, यह स्पाइनल मेटास्टेसिस सर्जरी की जटिल रिकवरी यात्रा को नेविगेट करने के लिए एक सटीक, डेटा-संचालित मानचित्र के रूप में खड़ा है, जो समस्याओं का पूर्वानुमान लगाने और संभावित रूप से उन्हें रोकने का एक तरीका प्रदान करता 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।