MultiDiseasePred: An Interpretable Multi-Disease Risk Prediction Framework and Its Application for Early Risk Stratification in the Emergency Department

अस्पताल के आपातकालीन कक्ष (इमरजेंसी रूम) के अराजक और उच्च-जोखिम वाले वातावरण में, शुरुआती कुछ मिनट अक्सर सबसे महत्वपूर्ण होते हैं। जब कोई मरीज आता है, तो वह केवल एक समस्या नहीं होता; बल्कि वह लक्षणों का एक जटिल मिश्रण होता है जो हार्ट अटैक से लेकर गंभीर संक्रमण या फेफड़ों की अवरुद्ध धमनी तक कुछ भी संकेत दे सकते हैं। पारंपरिक रूप से, डॉक्टर इन सभी संभावनाओं का एक-एक करके आकलन करने के लिए अलग-अलग चेकलिस्ट और स्कोरिंग सिस्टम पर निर्भर रहे हैं। एक नर्स सेप्सिस के लिए एक टूल का उपयोग कर सकती है, हृदय संबंधी समस्याओं के लिए दूसरे का, और सांस लेने की समस्याओं के लिए तीसरे का। हालांकि ये उपकरण सहायक हैं, लेकिन इन्हें एक समय में केवल एक ही बीमारी को देखने के लिए डिज़ाइन किया गया है। यह एक खंडित चित्र बनाता है, जिससे चिकित्सकों को समय के विरुद्ध दौड़ते हुए विभिन्न जोखिम स्कोर को मानसिक रूप से जोड़ने के लिए मजबूर होना पड़ता है, और अक्सर उन्हें लैब परिणामों या इमेजिंग स्कैन का लाभ भी नहीं मिल पाता जो बाद में आते हैं। चुनौती यह है कि मरीज को तुरंत समग्र रूप से देखा जाए, यह समझा जाए कि विभिन्न जोखिम कैसे आपस में जुड़ते हैं और ध्यान आकर्षित करते हैं, इससे पहले कि पूरी चिकित्सा कहानी ज्ञात हो सके।

इसे संबोधित करने के लिए, मिनेसोटा विश्वविद्यालय और अन्य संस्थानों के शोधकर्ताओं ने 'MultiDiseasePred' नामक एक नया दृष्टिकोण विकसित किया। प्रत्येक बीमारी के लिए अलग मॉडल बनाने के बजाय, उन्होंने एक एकल, एकीकृत प्रणाली बनाई है जिसे एक मरीज को देखने और एक साथ सात अलग-अलग तीव्र स्थितियों (acute conditions) और दो महत्वपूर्ण परिणामों (जैसे कि क्या मरीज को अस्पताल में भर्ती करने की आवश्यकता होगी) के जोखिम का अनुमान लगाने के लिए डिज़ाइन किया गया है। यह प्रणाली उन सात स्थितियों पर ध्यान केंद्रित करती है जो अक्सर भ्रमित करने वाले समान शुरुआती लक्षणों के साथ प्रस्तुत होती हैं: सेप्सिस, एक्यूट रेस्पिरेटरी डिस्ट्रेस सिंड्रोम, पुरानी फेफड़ों की बीमारियों (जैसे अस्थमा या COPD) का बढ़ना, एक्यूट कोरोनरी आर्टरी डिजीज (हृदय संबंधी समस्याएं), वायरल निमोनिया, पल्मोनरी एम्बोलिज्म (फेफड़ों में रक्त का थक्का), और एक्यूट किडनी इंजरी। यह अस्पताल में भर्ती होने की संभावना और एक संयुक्त "क्रिटिकल आउटकम" (जिसमें गहन देखभाल इकाई में प्रवेश या मृत्यु शामिल है) की भी भविष्यवाणी करता है। लक्ष्य केवल इन जोखिमों की भविष्यवाणी करना नहीं था, बल्कि इसे केवल उस जानकारी का उपयोग करके करना था जो मरीज के दरवाजे पर कदम रखते ही उपलब्ध होती है, जैसे कि महत्वपूर्ण संकेत (vital signs), आयु और मुख्य शिकायतें, बिना रक्त परीक्षण या एक्स-रे की प्रतीक्षा किए।

शोधकर्ताओं ने इस प्रणाली को लगभग 1.7 मिलियन आपातकालीन कक्ष दौरों के एक विशाल डेटासेट पर प्रशिक्षित किया, जिसमें 2019 से 2025 तक मिनेसोटा के एक बड़े स्वास्थ्य तंत्र का डेटा शामिल है। इसके बाद, उन्होंने परीक्षण किया कि यह प्रणाली बोस्टन और कैलिफोर्निया के दो अन्य प्रमुख चिकित्सा केंद्रों के पूरी तरह से अलग रोगी समूहों पर कितनी अच्छी तरह काम करती है। यह बाहरी परीक्षण महत्वपूर्ण था ताकि यह सुनिश्चित हो सके कि प्रणाली केवल स्थानीय डेटा को याद नहीं कर रही है, बल्कि बीमारी के सार्वभौमिक संकेतों को वास्तव में समझ सकती है। प्रणाली ने लाखों दौरों के बीच पैटर्न की पहचान करना सीखा, यह खोजते हुए कि हालांकि प्रत्येक बीमारी अद्वितीय है, वे अक्सर अंतर्निहित शारीरिक संकेतों को साझा करती हैं। उदाहरण के लिए, रक्तचाप में गिरावट या श्वसन दर में परिवर्तन एक साथ कई अलग-अलग स्थितियों के लिए चेतावनी का संकेत हो सकता है। प्रत्येक स्थिति के साक्ष्य को अलग-अलग तौलने के साथ-साथ उनके बीच के संबंधों को देखते हुए, मॉडल ने विशिष्ट सुरागों का विश्लेषण करना सीखा।

इस नए ढांचे की एक प्रमुख विशेषता वास्तविक दुनिया के उपयोग के लिए इसका सरल और व्यावहारिक बने रहना है। शोधकर्ताओं ने पाया कि सटीक भविष्यवाणियां करने के लिए उन्हें दर्जनों चरों (variables) की लंबी सूची की आवश्यकता नहीं थी। एक सावधानीपूर्वक चयन प्रक्रिया के माध्यम से, उन्होंने इनपुट को केवल बारह चरों तक सीमित कर दिया जो ट्राइएज नर्सों द्वारा नियमित रूप से दर्ज किए जाते हैं, जैसे कि हृदय गति, रक्तचाप, ऑक्सीजन स्तर, आयु और विशिष्ट पिछला चिकित्सा इतिहास। इन इनपुट का यह "मितव्ययी" (parsimonious) सेट यह सुनिश्चित करता है कि सिस्टम का उपयोग जटिल डेटा प्रविष्टि या लैब परिणामों की प्रतीक्षा किए बिना तुरंत किया जा सके। मॉडल में एक अंतर्निहित स्पष्टीकरण प्रणाली भी शामिल है। जब यह किसी मरीज को किसी विशिष्ट स्थिति के लिए उच्च जोखिम के रूप में चिह्नित करता है, तो यह केवल एक संख्या नहीं देता; बल्कि यह स्पष्ट करता है कि किन कारकों ने उस निर्णय में योगदान दिया। उदाहरण के लिए, यदि सिस्टम पल्मोनरी एम्बोलिज्म के उच्च जोखिम की भविष्यवाणी करता है, तो यह दिखा सकता है कि मरीज का पल्मोनरी हाइपरटेंशन का इतिहास इस भविष्यवाणी का प्राथमिक चालक था, जिससे चिकित्सक को अलर्ट के पीछे के तर्क को समझने में मदद मिलती है।

अध्ययन के परिणाम उत्साहजनक थे। आंतरिक परीक्षण में, प्रणाली ने उन मरीजों के बीच अंतर करने में उच्च स्तर की सटीकता प्राप्त की जो इन स्थितियों से ग्रस्त होंगे और जो नहीं होंगे, और इसने मौजूदा सिंगल-डिजीज मशीन लर्निंग मॉडल के बराबर या उनसे बेहतर प्रदर्शन किया। अधिक महत्वपूर्ण बात यह है कि बोस्टन और कैलिफोर्निया के बाहरी डेटा पर परीक्षण करते समय, इसने बिना किसी पुन: प्रशिक्षण या समायोजन के मजबूत प्रदर्शन बनाए रखा। यह सुझाव देता है कि मॉडल द्वारा सीखे गए पैटर्न मजबूत हैं और विभिन्न अस्पताल परिवेशों में लागू हो सकते हैं। सात तीव्र स्थितियों के लिए, प्रणाली ने उच्च विश्वसनीयता के साथ जोखिमों की सही पहचान की, और दो डिस्पोजिशन एंडपॉइंट्स के लिए भी इसने अच्छा प्रदर्शन किया। शोधकर्ताओं ने नोट किया कि हालांकि प्रणाली मरीजों को जोखिम के आधार पर रैंक करने में उत्कृष्ट थी, लेकिन बहुत दुर्लभ घटनाओं की सटीक भविष्यवाणी करने की इसकी क्षमता थोड़ी कम थी, जो चिकित्सा भविष्यवाणी में एक सामान्य चुनौती है। हालांकि, प्रणाली ने एक समन्वित, बहु-स्थिति जोखिम प्रोफाइल सफलतापूर्वक प्रदान किया जिसे चिकित्सक तुरंत समझ सकते थे।

अध्ययन ने यह भी जांचा कि प्रणाली आपातकालीन देखभाल की वास्तविकता को कैसे संभालती है, जहाँ डेटा अक्सर अधूरा या गायब होता है। शोधकर्ताओं ने प्रशिक्षण डेटा के आधार पर मानक, पूर्व-निर्धारित मानों का उपयोग करके लापता जानकारी को संभालने के लिए प्रणाली को डिजाइन किया, जिससे यह सुनिश्चित हुआ कि एक विशिष्ट महत्वपूर्ण संकेत दर्ज हो या न हो, मॉडल सुसंगत व्यवहार करे। उन्होंने यह भी सुनिश्चित किया कि प्रणाली 'इमरजेंसी सेवेरिटी इंडेक्स' पर निर्भर न हो, जो अक्सर नर्सों द्वारा दिया जाने वाला एक स्कोर होता है, ताकि सर्कुलर रीजनिंग से बचा जा सके जहाँ मॉडल केवल नर्स के प्रारंभिक मूल्यांकन को दोहराता है। इसके बजाय, यह कच्चे नैदानिक डेटा से अपना स्वतंत्र मूल्यांकन बनाता है। शोधकर्ताओं ने जोर दिया कि यह उपकरण नैदानिक निर्णय के विकल्प के रूप में नहीं, बल्कि एक निर्णय सहायता (decision aid) के रूप में है। इसे चिकित्सकों को अपने विचारों को व्यवस्थित करने और पहले किन स्थितियों की जांच करनी है, इसे प्राथमिकता देने में मदद करने के लिए डिज़ाइन किया गया है, जिससे सेप्सिस के लिए एंटीबायोटिक्स या क्लॉट्स के लिए ब्लड थिनर्स जैसे महत्वपूर्ण उपचारों के समय को कम किया जा सके।

मजबूत प्रदर्शन के बावजूद, लेखक सावधानी बरतते हुए कहते हैं कि यह एक 'रिट्रोस्पेक्टिव' (पूर्वव्यापी) अध्ययन है, जिसका अर्थ है कि इसने लाइव, वास्तविक समय के वातावरण में परीक्षण करने के बजाय पिछले डेटा को देखा है। उन्होंने स्वीकार किया कि इस तरह के उपकरण को व्यापक रूप से अपनाया जाने से पहले, इसे भविष्योन्मुखी (prospectively) रूप से परीक्षण किया जाना चाहिए कि यह वास्तव में रोगी के परिणामों, कार्यप्रवाह दक्षता और इस बात को प्रभावित करता है या नहीं कि यह निर्णय लेने की प्रक्रिया में मदद करता है या बाधा डालता है। उन्होंने डेटा स्रोतों के संबंध में सीमाओं का भी उल्लेख किया; उदाहरण के लिए, प्रणाली संरचित डेटा पर निर्भर करती है और इसमें अभी तक असंरचित नोट्स या इमेजिंग परिणामों को शामिल नहीं किया गया है। इसके अलावा, अध्ययन में इस बात का विस्तृत विश्लेषण शामिल नहीं था कि प्रणाली विभिन्न नस्लीय या जातीय समूहों के बीच कैसा प्रदर्शन करती है, क्योंकि अध्ययन किए गए अस्पतालों में ऐसा डेटा लगातार उपलब्ध नहीं था। भविष्य के अनुसंधान के लिए ये महत्वपूर्ण क्षेत्र हैं ताकि यह सुनिश्चित किया जा सके कि उपकरण सभी के लिए सुरक्षित और प्रभावी है।

अंततः, यह कार्य इस बात का प्रतिनिधित्व करता है कि आपातकालीन जोखिम मूल्यांकन के प्रति दृष्टिकोण कैसे बदला जा सकता है। अलग-थलग, एकल-बीमारी उपकरणों के संग्रह से हटकर एक एकीकृत, व्याख्या योग्य ढांचे की ओर बढ़ते हुए, शोधकर्ताओं ने प्रदर्शित किया है कि मरीज की देखभाल के बिल्कुल शुरुआत में ही उसके संभावित जोखिमों के पूर्ण स्पेक्ट्रम को देखना संभव है। यह प्रणाली एक साथ कई स्थितियों के लिए एक स्पष्ट, कैलिब्रेटेड संभावना प्रदान करती है, जिसके साथ यह भी बताया जाता है कि उन जोखिमों को क्यों चिह्नित किया गया। यह दृष्टिकोण आपातकालीन विभाग की जटिलता का सम्मान करता है, जहाँ मरीजों में अक्सर ओवरलैपिंग लक्षण और कई संभावित निदान होते हैं। हालांकि यह प्रणाली अभी तक हर अस्पताल में तत्काल तैनाती के लिए तैयार कोई अंतिम उत्पाद नहीं है, लेकिन यह एक सम्मोहक 'प्रूफ ऑफ कॉन्सेप्ट' प्रदान करती है कि एक एकल, बुद्धिमान ढांचा चिकित्सकों को आपातकालीन मुठभेड़ के पहले कुछ मिनटों की अनिश्चितता को नेविगेट करने में मदद कर सकता है, जिससे संभावित रूप से कीमती समय बचाया जा सकता है और जीवन के लिए घातक स्थितियों वाले मरीजों की देखभाल में सुधार किया जा सकता है।