Explainable machine learning of plantar-force gait biomarkers for Hoehn–Yahr staging in Parkinson’s disease
यह अध्ययन प्लांटर-फोर्स गेट बायोमार्कर और ऑर्डिनल मॉडलिंग का उपयोग करते हुए एक व्याख्यात्मक मशीन-लर्निंग फ्रेमवर्क प्रस्तुत करता है, जो डबल-सपोर्ट फेज और द्विपक्षीय विषमता जैसे प्रमुख व्याख्या योग्य गेट फीचर्स की पहचान करते हुए, होएन-यार स्टेज 2.0 से 3.0 के बीच पार्किंसंस रोग की गंभीरता का उच्च-सटीकता वाला, वस्तुनिष्ठ स्टेजिंग प्राप्त 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
पार्किंसंस रोग एक ऐसी स्थिति है जो धीरे-धीरे मस्तिष्क के नियंत्रण करने के तरीके को बदल देती है, जिससे अक्सर चलना कठिन, सख्त या अस्थिर हो जाता है। डॉक्टर वर्तमान में बीमारी कितनी आगे बढ़ गई है, इसका आकलन करने के लिए 'होएन-यार' (Hoehn–Yahr) नामक एक पैमाने का उपयोग करते हैं, जो संतुलन और कंपन जैसे लक्षणों के आधार पर रोगियों को विभिन्न चरणों में वर्गीकृत करता है। हालांकि यह पैमाना एक मानक उपकरण है, लेकिन यह डॉक्टर के अवलोकन पर निर्भर करता है, जो एक व्यक्ति से दूसरे व्यक्ति के बीच भिन्न हो सकता है। साथ ही, वैज्ञानिकों ने यह भी सीखा है कि किसी व्यक्ति के चलने के तरीके में छिपी हुई जानकारी का एक बड़ा भंडार होता है। पैरों के नीचे रखे गए सेंसर हर कदम के सटीक दबाव और समय को माप सकते हैं, जो संतुलन और लय में उन सूक्ष्म बदलावों को पकड़ लेते हैं जिन्हें मानवीय आँखें शायद मिस कर दें। चुनौती इन जटिल फुट-प्रेशर संकेतों को बीमारी की गंभीरता की एक स्पष्ट, विश्वसनीय तस्वीर में बदलने की रही है, विशेष रूप से इसलिए क्योंकि बीमारी के चरण केवल अलग-अलग श्रेणियां नहीं हैं, बल्कि हल्के से गंभीर की ओर एक निरंतर ढलान की तरह हैं।
शोधकर्ताओं की एक टीम ने एक नया कंप्यूटर सिस्टम विकसित किया है जिसे इन फुट-प्रेशर संकेतों को पढ़ने और स्वचालित रूप से रोगी को होएन-यार स्केल पर रखने के लिए डिज़ाइन किया गया है। बीमारी के चरणों को असंबंधित बक्सों के रूप में देखने के बजाय, यह सिस्टम समझता है कि वे एक सीढ़ी के पायदानों की तरह हैं, जहाँ एक पायदान से दूसरे पर जाना स्थिति के क्रमिक बिगड़ने का प्रतिनिधित्व करता है। 93 रोगियों के डेटा का विश्लेषण करके, जो सेंसर से भरे फर्श पर चले थे, शोधकर्ताओं ने अपने सिस्टम को यह पहचानने के लिए प्रशिक्षित किया कि लोग जमीन से कैसे धक्का देते हैं, वे एक साथ दोनों पैरों को जमीन पर कितनी देर रखते हैं, और उनके कदमों में कितनी समरूपता होती है। परिणाम स्वरूप, एक ऐसी विधि प्राप्त हुई जो न केवल उच्च सटीकता के साथ बीमारी के चरण की भविष्यवाणी करती है, बल्कि यह भी बताती है कि किन चलने की आदतों ने उस निष्कर्ष तक पहुँचाया।
यह अध्ययन बीमारी के चरण 2.0, 2.5 और 3.0 वाले रोगियों पर केंद्रित था, जो एक ऐसी सीमा है जहाँ लक्षण मौजूद होते हैं लेकिन रोगी स्वतंत्र रूप से चल सकता है। शोधकर्ताओं ने एक सार्वजनिक डेटाबेस से डेटा एकत्र किया जहाँ रोगियों ने लगभग दो मिनट तक स्वाभाविक रूप से चलते हुए सेंसर के माध्यम से अपने कदमों के बल को रिकॉर्ड किया। उन्होंने पाया कि जैसे-जैसे बीमारी बढ़ती है, रोगी दोनों पैरों के जमीन पर रहने का अधिक समय बिताते हैं, उनके कदमों के समय में अधिक भिन्नता आती है, और उनके बाएं और दाएं पक्ष के बीच अधिक अंतर दिखाई देता है। कंप्यूटर सिस्टम को इन्हीं विशिष्ट परिवर्तनों को सीखने के लिए बनाया गया था। इसने केवल कच्चे नंबरों को नहीं देखा; इसने शोर को छानना सीखा और सबसे महत्वपूर्ण संकेतों, जैसे कि 'डबल-सपोर्ट फेज' की अवधि और 'गेट साइकिल' की परिवर्तनशीलता पर ध्यान केंद्रित किया।
शोधकर्ताओं के सामने सबसे बड़ी बाधा यह थी कि डेटा असमान था। बीमारी के शुरुआती चरणों में अधिक रोगी थे, जबकि बाद के चरणों में कम, जो आमतौर पर कंप्यूटर प्रोग्रामों को छोटे समूह को अनदेखा करने के लिए भ्रमित कर देता है। इसे ठीक करने के लिए, टीम ने एक ऐसी तकनीक का उपयोग किया जिसने लापता रोगियों के यथार्थवादी, कृत्रिम उदाहरण बनाए ताकि सिस्टम सीख सके कि गंभीर लक्षण कैसे दिखते हैं, बिना कभी भी नकली वास्तविक दुनिया के लोगों का आविष्कार किए। उन्होंने यह भी सुनिश्चित किया कि सिस्टम का परीक्षण निष्पक्ष रूप से किया जाए, जिसमें एक ही व्यक्ति के सभी डेटा को एक साथ रखा गया, ताकि कंप्यूटर एक व्यक्ति के चलने के तरीके को याद करके बाद में उसका अनुमान न लगा सके। परीक्षण के दौरान, सिस्टम ने लगभग 85 प्रतिशत रोगियों के लिए बीमारी के चरण की सही पहचान की। इससे भी महत्वपूर्ण बात यह है कि इसने शायद ही कभी कोई गंभीर गलती की, जैसे कि एक हल्के मामले को गंभीर मामले के रूप में समझना; जब भी यह गलत हुआ, तो यह स्केल पर केवल एक कदम की ही चूक थी, जो चिकित्सा संदर्भ में बहुत छोटी त्रुटि है।
जो काम को विशिष्ट बनाता है वह इसकी पारदर्शिता है। कई कंप्यूटर सिस्टम 'ब्लैक बॉक्स' की तरह कार्य करते हैं, जो बिना कारण बताए उत्तर दे देते हैं। हालाँकि, इस सिस्टम को अपना काम दिखाने के लिए डिज़ाइन किया गया था। इसने निदान के लिए सबसे उपयोगी 18 विशिष्ट चलने वाले लक्षणों की पहचान की, और इसने लगातार उन्हीं को हाइलाइट किया, जैसे कि दोनों पैरों के जमीन पर रहने का समय और स्विंग की समरूपता। 'शाप' (SHAP) नामक पद्धति का उपयोग करके, शोधकर्ता देख सके कि प्रत्येक विशेषता ने भविष्यवाणी को उच्च या निम्न चरण की ओर कितना धकेला। उदाहरण के लिए, दोनों पैरों के जमीन पर रहने का लंबा समय और अधिक असमान कदम लगातार एक उन्नत चरण का संकेत देते थे। विवरण का यह स्तर अर्थ देता है कि एक डॉक्टर सिस्टम के आउटपुट को देख सकता है और भविष्यवाणी के पीछे के तर्क को समझ सकता है, बजाय इसके कि वह केवल एक संख्या को स्वीकार कर ले।
शोधकर्ताओं ने अपने नए सिस्टम की तुलना पुराने, मानक कंप्यूटर मॉडलों से की और पाया कि उनका दृष्टिकोण चरणों के बीच अंतर करने में काफी बेहतर था, विशेष रूप से उन रोगियों के लिए जिनके लक्षण समूह में सबसे गंभीर थे। हालांकि सिस्टम ने अच्छा प्रदर्शन किया, लेखक सावधानीपूर्वक यह नोट करते हैं कि इसका परीक्षण डेटा के एक विशिष्ट सेट पर किया गया था और अभी तक व्यापक, स्वतंत्र समूह के लोगों पर इसे सिद्ध नहीं किया गया है। वे यह भी बताते हैं कि वर्तमान में सिस्टम केवल बीमारी के मध्य भाग को कवर करता है और अभी तक बहुत शुरुआती या बहुत देर के चरणों को शामिल नहीं करता है। इसके अलावा, क्योंकि अध्ययन एक ही समय के क्षण पर केंद्रित था, यह अभी यह भविष्यवाणी नहीं कर सकता है कि किसी विशिष्ट व्यक्ति की बीमारी भविष्य में कैसे बदलेगी।
अंततः, यह शोध पार्किंसंस रोग को वस्तुनिष्ठ रूप से मापने का एक आशाजनक नया तरीका प्रदान करता है। फुट-प्रेशर की सूक्ष्म भाषा को एक स्पष्ट स्टेजिंग सिस्टम में अनुवादित करके, यह विधि एक ऐसा उपकरण प्रदान करती है जो डॉक्टरों को बीमारी की प्रगति की अधिक निरंतरता के साथ निगरानी करने में मदद कर सकता है। यह डॉक्टर के निर्णय का स्थान नहीं लेता है, बल्कि एक सटीक, डेटा-संचालित दूसरी राय प्रदान करता है जो रोगी के चलने की भौतिक वास्तविकता में निहित है। अपनी स्वयं की तर्क प्रक्रिया को समझाने की सिस्टम की क्षमता यह सुझाव देती है कि चिकित्सा में आर्टिफिशियल इंटेलिजेंस का भविष्य केवल एक कैलकुलेटर नहीं, बल्कि एक साथी है जो क्लिनिशियनों को रोगी की स्थिति के विवरण को अधिक स्पष्टता के साथ देखने में मदद 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।