Electronic Health Record-Based Machine Learning Models for Predicting Revascularization, Amputation, and Cardiovascular Mortality in At-Risk Patients

हर साल, हजारों लोग एक भयानक विकल्प का सामना करते हैं: एक अंग को खोना या अपना जीवन खोना। यह संघर्ष अक्सर एक शांत, रेंगती हुई स्थिति के साथ शुरू होता है जहाँ पैरों की रक्त वाहिकाएं संकरी और सख्त हो जाती हैं, जिससे मांसपेशियों और त्वचा को ऑक्सीजन की कमी होने लगती है। जब यह रुकावट गंभीर हो जाती है, तो यह ऐसे खुले घावों का कारण बन सकती है जो ठीक नहीं होते या ऐसी स्थिति पैदा कर सकती है जहाँ अंग के मरने का निरंतर खतरा बना रहता है। डॉक्टर इसे पेरिफेरल आर्टरी डिजीज (peripheral artery disease) कहते हैं, और इसके सबसे गंभीर रूप में, क्रोनिक लिम्ब-थ्रेटनिंग इस्किमिया (chronic limb-threatening ischemia) होता है। इन स्थितियों, या डायबिटिक फुट अल्सरर्स वाले रोगियों के लिए, आगे का रास्ता अनिश्चितताओं से भरा होता है। एक डॉक्टर को यह तय करना होता है कि क्या रक्त प्रवाह बहाल करने के लिए एक जटिल सर्जरी करनी चाहिए, रोगी की जान बचाने के लिए क्षतिग्रस्त अंग को काट देना चाहिए (amputate), या केवल आराम देने वाली देखभाल (comfort care) पर ध्यान केंद्रित करना चाहिए। ये निर्णय अविश्वसनीय रूप से कठिन होते क्योंकि प्रत्येक रोगी अलग होता है, जिसमें मधुमेह से लेकर हृदय रोग तक अन्य स्वास्थ्य समस्याओं और उपचार के प्रति उनकी प्रतिक्रिया को प्रभावित करने वाले सामाजिक कारकों का एक अनूठा मिश्रण होता है।

द दशकों से, डॉक्टर इन विकल्पों के मार्गदर्शन के लिए स्कोरिंग सिस्टम और जोखिम कैलकुलेटर पर भरोसा करते आए हैं, लेकिन ये उपकरण अक्सर व्यापक विश्वास हासिल करने में विफल रहे हैं। वे एक ऐसी बीमारी के लिए बहुत कठोर हैं जो इतनी जटिल और व्यक्तिगत है, या वे ऐसे डेटा पर निर्भर हैं जिसे लगातार एकत्र करना कठिन है। अब, यूनिवर्सिटी ऑफ नॉर्थ कैरोलिना के शोधकर्ताओं की एक टीम ने एक अलग तरह के मार्गदर्शक की ओर रुख किया है: रोगी की देखभाल के विशाल, डिजिटल रिकॉर्ड। लाखों इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड को व्यवस्थित करने के एक नए तरीके का उपयोग करके, उन्होंने कंप्यूटर मॉडल का एक सेट बनाया जिसे यह भविष्यवाणी करने के लिए डिज़ाइन किया गया है कि रोगी के साथ आगे क्या होगा। उनका लक्ष्य डॉक्टर को बदलना नहीं था, बल्कि उन्हें भविष्य का एक स्पष्ट दृश्य देना था, जिससे यह तय करने में मदद मिल सके कि किसे सर्जरी की आवश्यकता है, किसे अंग खोना पड़ सकता है, और किसे हृदय संबंधी कारणों से मृत्यु का खतरा है।

शोधकर्ताओं ने लगभग 1,79,000 वयस्क रोगियों के एक विशाल समूह से शुरुआत की, जिन्होंने 2014 से 2024 के बीच यूएनसी हेल्थ सिस्टम (UNC Health System) के भीतर देखभाल प्राप्त की थी। ये वे लोग थे जो पहले से ही अंग खोने के जोखिम में जाने जाते थे, जिनमें पेरिफरल आर्टरी डिजीज, क्रोनिक लिम्ब-थ्रेटनिंग इस्किमिया, या डायबिटिक फुट अल्सर वाले लोग शामिल थे। इस विशाल मात्रा में जानकारी को समझने के लिए, टीम ने OMOP कॉमन डेटा मॉडल (OMOP Common Data Model) नामक एक मानकीकृत प्रणाली का उपयोग किया, जो एक सार्वभौमिक अनुवादक की तरह कार्य करता है, जिससे विभिन्न अस्पताल एक ही भाषा बोल सकते हैं। उन्होंने इस प्रणाली में एक विशेष विस्तार जोड़ा, जिसे रक्त वाहिका रोग से संबंधित 127 विशिष्ट चरों (variables) से भरा गया था जो आमतौर पर मानक रिकॉर्ड में गायब होते हैं। इसने उन्हें रोगियों को केवल लक्षणों के संग्रह के रूप में नहीं, बल्कि हजारों डेटा बिंदुओं वाले पूर्ण व्यक्तियों के रूप में देखने की अनुमति दी, जिसमें उनके रक्तचाप और लैब परिणामों से लेकर धूम्रपान के इतिहास, उनकी गतिशीलता और यहाँ तक कि उनकी संज्ञानात्मक स्थिति तक सब कुछ शामिल था।

इस समृद्ध, सामंजस्यपूर्ण डेटासेट का उपयोग करते हुए, टीम ने कंप्यूटर एल्गोरिदम को उन पैटर्न को खोजने के लिए प्रशिक्षित किया जिन्हें मानव डॉक्टर शायद मिस कर दें। उन्होंने तीन अलग-अलग भविष्यवाणी मॉडल बनाए। पहला यह अनुमान लगाने की कोशिश करता था कि क्या रोगी को रीवैस्कुलराइजेशन प्रक्रिया (revascularization procedure) मिलेगी, जो अवरुद्ध धमनियों को खोलने के लिए की जाने वाली एक सर्जरी है। दूसरा यह भविष्यवाणी करने की कोशिश करता था कि क्या रोगी को अंततः अंग विच्छेदन (amputation) की आवश्यकता होगी। तीसरा यह पूर्वानुमान लगाने का प्रयास करता था कि क्या रोगी की कार्डियोवैस्कुलर घटना, जैसे कि हार्ट अटैक या स्ट्रोक से मृत्यु होगी। कंप्यूटर ने केवल पैर की बीमारी के स्पष्ट संकेतों को ही नहीं देखा; इसने हजारों संभावित कारकों को स्कैन किया, जैसे कि विशिष्ट संक्रमणों की उपस्थिति से लेकर रोगी द्वारा ली जाने वाली दवाओं के प्रकार तक, यह देखने के लिए कि वास्तव में परिणाम के लिए कौन से कारक सबसे अधिक महत्वपूर्ण थे।

परिणामों ने कुछ परिणामों के लिए आश्चर्यजनक स्पष्टता और दूसरों के लिए कठिन जटिलता की कहानी उजागर की। रीवैस्कुलराइजेशन सर्जरी प्राप्त करने वाले रोगियों की भविष्यवाणी करने वाला मॉडल असाधारण रूप से सटीक था। इसने उन रोगियों की सही पहचान की जो इस प्रक्रिया से गुजरेंगे, एक ऐसे स्तर की सटीकता के साथ जो पूर्णता के करीब था। इस भविष्यवाणी को चलाने वाले कारक बिल्कुल वही थे जो एक वैस्कुलर सर्जन की अपेक्षा करते हैं: मॉडल ने पाया कि सबसे मजबूत संकेत स्वयं धमनियों की विशिष्ट बीमारियाँ थीं, जैसे कि निचले अंगों में रुकावट और रक्त के थक्के। कंप्यूटर ने सीखा कि जब ये विशिष्ट धमनी संबंधी समस्याएं मौजूद होती हैं, तो चिकित्सा प्रणाली लगातार सर्जरी के साथ प्रतिक्रिया करती है। यह इस बात की पुष्टि थी कि ऑपरेशन करने का निर्णय धमनियों की विफलता के स्पष्ट, वस्तुनिष्ठ संकेतों द्वारा संचालित होता है।

अंग विच्छेदन (amputation) की भविष्यवाणी भी मजबूत थी, हालांकि इसके पीछे की कहानी अधिक सूक्ष्म थी। मॉडल ने दिखाया कि किसी रोगी के अंग खोने का मामला इस बात पर बहुत अधिक निर्भर करता है कि उनका शरीर और मन उपचार के तनाव को कैसे संभालते हैं। सबसे शक्तिशाली भविष्यवक्ता न केवल पैर के घाव की गंभीरता थी, बल्कि यह भी था कि उपचार रोगी की समग्र शारीरिक दुर्बलता (frailty) के साथ कैसे परस्पर क्रिया करता है। उदाहरण के लिए, यदि डिमेंशिया या गंभीर शारीरिक कमजोरी वाले रोगी का रीवैस्कुलराइजेशन किया जाता है, तो मॉडल भविष्य में अंग विच्छेदन की उच्च संभावना की भविष्यवाणी करता है। इसके विपरीत, जो रोगी सर्जरी के लिए बहुत कमजोर थे, उनके लिए मॉडल ने सुझाव दिया कि उनके अंग विच्छेदन की संभावना कम थी, संभवतः इसलिए क्योंकि उनकी देखभाल टीम उन्हें उपशामक (palliative) विकल्पों की ओर मोड़ देती है। यह खोज एक कठिन वास्तविकता को उजागर करती है: अंग खोने का मार्ग न केवल पैर की बीमारी से, बल्कि उपचार की यात्रा में जीवित रहने की रोगी की क्षमता से भी निर्धारित होता है।

हालाँकि, कार्डियोवैस्कुलर मृत्यु की भविष्यवाणी करने वाला मॉडल एक अलग कहानी बताता है। जबकि कंप्यूटर उन सामान्य संदिग्धों की पहचान कर सकता था—जैसे कि हार्ट फेल्योर, मधुमेह की जटिलताएं और उच्च रक्त शर्करा—यह मृत्यु की भविष्यवाणी उसी आत्मविश्वास के साथ नहीं कर सका जो इसने अन्य परिणामों के लिए दिखाया था। इसकी सटीकता मध्यम थी, जो यह सुझाव देती है कि जबकि जोखिम कारक ज्ञात हैं, मृत्यु का वास्तविक क्षण बहुत सारे अप्रत्याशित चरों से प्रभावित होता है जिन्हें एक एकल सूत्र द्वारा कैप्चर नहीं किया जा सकता है। शोधकर्ताओं ने उल्लेख किया कि रीवैस्कुलराइजेशन सर्जरी, जो पैर की स्थानीय समस्या को ठीक करती है, मृत्यु के जोखिम को बदलने में प्रभावी नहीं दिखी। इसका तात्पर्य यह है कि पैर को बचाना और हृदय रोग से जीवन बचाना दो अलग-अलग लड़ाइयाँ हैं, और एक को ठीक करने से दूसरे में जीत की गारंटी नहीं मिलती है।

अध्ययन ने चिकित्सा अनुसंधान की एक सामान्य आशा को भी संबोधित किया: कि आर्टिफिशियल इंटेलिजेंस नए, छिपे हुए जोखिम कारकों की खोज कर सकता है जिन्हें डॉक्टरों ने कभी नहीं सोचा था। इस मामले में, कंप्यूटर ने कोई गुप्त कोड नहीं पाया। इसने जिन सबसे महत्वपूर्ण चरों की पहचान की, वे वही थे जिन्हें चिकित्सक पहले से ही महत्वपूर्ण मानते थे। मशीन लर्निंग दृष्टिकोण ने नया ज्ञान आविष्कार नहीं किया; इसके बजाय, इसने पुष्टि की कि संवहनी रोग (vascular disease) की मौजूदा समझ मजबूत है। इसने सिद्ध किया कि यदि आप पर्याप्त डेटा को एक स्वच्छ, व्यवस्थित तरीके से एकत्र करते हैं, तो बीमारी के पैटर्न स्पष्ट हो जाते हैं। तथ्य यह है कि मॉडल अंग विच्छेदन की इतनी अच्छी भविष्यवाणी कर सकता है, यह बताता है कि सही डेटा के साथ, हम इन परिणामों का पूर्वानुमान लगा सकते हैं, लेकिन यह यह भी दिखाता है कि मृत्यु की भविष्यवाणी करना एक बहुत कठिन चुनौती बनी हुई है क्योंकि मानव शरीर कई अलग-अलग तरीकों से विफल हो सकता है।

यह कार्य इस बात में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है कि हम अंग के लिए खतरा पैदा करने वाली स्थितियों वाले रोगियों की देखभाल के लिए डेटा का उपयोग कैसे करते हैं। इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड को एक मानक प्रारूप में व्यवस्थित करके और रक्त वाहिका रोग के विशिष्ट विवरण जोड़कर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया जो लाखों लोगों के अनुभवों से सीख सकता है। उनके द्वारा बनाए गए मॉडल पूर्ण नहीं हैं, और उनका परीक्षण एक एकल स्वास्थ्य प्रणाली के रोगियों पर किया गया है, जिसका अर्थ है कि उन्हें अन्य अस्पतालों के डेटा के विरुद्ध जांचने की आवश्यकता है ताकि यह सुनिश्चित हो सके कि वे हर जगह काम करें। फिर भी, परिणाम एक ऐसे भविष्य की आशाजनक झलक देते हैं जहाँ डॉक्टर बेहतर, अधिक व्यक्तिगत निर्णय लेने के लिए लाखों रोगी रिकॉर्ड के सामूहिक ज्ञान का उपयोग कर सकते हैं। अंग खोने के डर का सामना कर रहे रोगी के लिए, इस तरह की स्पष्टता एक ऐसे उपचार योजना और एक ऐसी योजना के बीच का अंतर हो सकती है जो काम करती है और जो नहीं करती, जिससे एक भयानक अनिश्चितता को एक प्रबंधनीय मार्ग में बदला जा सकता है।