Evaluating Patient Representation Strategies for Early Prediction of Alzheimer’s Disease and Related Dementias from Longitudinal EHRs

अल्जाइमर रोग और संबंधित डिमेंशिया अचानक होने वाली घटनाएँ नहीं हैं जो बिना किसी चेतावनी के आती हैं; ये एक धीमी, रेंगती हुई प्रक्रियाएँ हैं जो किसी व्यक्ति के नाम भूलने या किसी परिचित जगह पर रास्ता भटकने से कई साल पहले मस्तिष्क में बदलाव करना शुरू कर देती हैं। क्योंकि ये परिवर्तन बहुत जल्दी हो जाते हैं, इसलिए डॉक्टरों और शोधकर्ताओं ने लंबे समय से लक्षणों के प्रकट होने से बहुत पहले जोखिम को पहचानने का तरीका खोजने की आशा की है, ताकि बेहतर देखभाल और बेहतर योजना बनाई जा सके। चुनौती यह है कि मानव मस्तिष्क जटिल है, और परेशानी के संकेत अक्सर सूक्ष्म होते हैं और व्यक्ति के चिकित्सा इतिहास में बिखरे हुए होते हैं। इसे हल करने के लिए, वैज्ञानिकों ने इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड की ओर रुख किया है, जो प्रत्येक डॉक्टर के दौरे, नुस्खे (प्रिस्क्रिप्शन) और लैब टेस्ट का विशाल डिजिटल संग्रह है जो एक मरीज का रहा है। इन रिकॉर्ड्स में जीवन भर के सुराग होते हैं, लेकिन वे अव्यवस्थित, अनियमित और पढ़ने में कठिन होते हैं। शोधकर्ताओं के लिए मुख्य प्रश्न यह है कि इस अराजक डेटा स्ट्रीम को जोखिम वाले व्यक्तियों की एक स्पष्ट तस्वीर में कैसे बदला जाए, और क्या यह इस बात पर निर्भर करता है कि हम भविष्य में कितने समय पहले भविष्यवाणी करने की कोशिश कर रहे हैं।

शोधकर्ताओं के एक दल ने यह परीक्षण करने के लिए अलग-अलग तरीकों को आज़माया कि कंप्यूटर को डिमेंशिया की शुरुआत की भविष्यवाणी करने के लिए उनके चिकित्सा इतिहास को कैसे पढ़ा जाए। उन्होंने कंप्यूटर में एक मरीज के जीवन को दर्शाने के दो बहुत ही अलग दृष्टिकोणों की तुलना की। पहला दृष्टिकोण सीधा और पारदर्शी था: इसने केवल यह गिना कि एक मरीज कितनी बार डॉक्टर के पास गया, उसने कितनी विभिन्न दवाएं लीं, और विशिष्ट निदान कितनी बार हुए, और इन गणनाओं को समय के अंतराल (टाइम विंडोज) में व्यवस्थित किया। दूसरा दृष्टिकोण कहीं अधिक जटिल था, जिसमें उन्नत आर्टिफिशियल इंटेलिजेंस मॉडल का उपयोग किया गया था, जिन्हें लाखों मेडिकल रिकॉर्ड्स पर प्री-ट्रेन किया गया था ताकि एक मरीज की पूरी स्वास्थ्य यात्रा का एक छिपा हुआ, गणितीय "सारांश" बनाया जा सके। शोधकर्ता यह देखना चाहते थे कि कौन सी विधि बेहतर काम करती है, उनकी प्रदर्शन क्षमता भविष्य में कितनी दूर जाकर भविष्यवाणी करने के प्रयास के साथ कैसे बदलती है, और क्या ये विधियाँ तब भी काम करेंगी यदि उन्हें किसी दूसरे अस्पताल सिस्टम के पूरी तरह से अलग समूह पर लागू किया जाए।

स्वास्थ्य रिकॉर्ड के एक विशाल राष्ट्रीय डेटाबेस का उपयोग करते हुए, टीम ने डिमेंशिया के वास्तविक निदान से छह, बारह, चौबीस और छत्तीस महीने पहले इसकी भविष्यवाणी करने के लिए अपने मॉडल्स को प्रशिक्षित किया। उन्होंने पाया कि सरल, गणना-आधारित दृष्टिकोण आम तौर पर सबसे विश्वसनीय था। यह उन मरीजों के बीच अंतर करने में बेहतर था जो इस बीमारी से ग्रस्त होने वाले थे और जो नहीं होने वाले थे, और इसकी भविष्यवाणियां संभावना (प्रोबेबिलिटी) के मामले में अधिक सटीक थीं। यह लाभ निकट भविष्य की ओर देखते समय सबसे अधिक स्पष्ट था; निदान से छह महीने पहले की गई भविष्यवाणियों के लिए, सरल गणना पद्धति ने जटिल आर्टिफिशियल इंटेलिजेंस मॉडल्स की तुलना में काफी बेहतर प्रदर्शन किया। हालांकि, जैसे-जैसे शोधकर्ताओं ने समय में और पीछे देखते हुए, एक पूरे तीन साल पहले बीमारी की भविष्यवाणी करने की कोशिश की, दोनों विधियों के बीच का अंतर कम होता गया। छत्तीस महीने के निशान पर, जटिल मॉडल्स ने बराबरी कर ली थी, और वे सरल गणनाओं के लगभग बराबर प्रदर्शन कर रहे थे, हालांकि वे उनसे बेहतर नहीं हो पाए।

अध्ययन ने यह भी उजागर किया कि कंप्यूटर मॉडल्स ने समय में पीछे देखते हुए कैसे "सोचा"। निकट अवधि में बीमारी की भविष्यवाणी करते समय, मॉडल्स विशिष्ट संज्ञानात्मक लक्षणों (कॉग्निटिव सिम्पटम्स) पर बहुत अधिक निर्भर थे, जैसे कि स्मृति हानि या हल्के संज्ञानात्मक दोष (माइल्ड कॉग्निटिव इम्पेयरमेंट) के निदान। लेकिन जैसे-जैसे भविष्यवाणी की अवधि अतीत में लंबी होती गई, वे विशिष्ट लक्षण रिकॉर्ड्स में अक्सर मौजूद नहीं थे। उन मामलों में, मॉडल्स ने स्वास्थ्य सेवा के व्यापक पैटर्न की ओर अपना ध्यान केंद्रित किया। वे इस बात को महत्व देने लगे कि मरीज कितनी बार अस्पताल जाता था, उसे कितनी विभिन्न दवाएं दी जाती थीं, और उनके चिकित्सा संबंधी संवादों का सामान्य आयतन (वॉल्यूम) क्या था। ऐसा प्रतीत होता है कि मस्तिष्क में डिमेंशिया के स्पष्ट संकेत दिखने से बहुत पहले, शरीर में देखभाल प्राप्त करने का समग्र पैटर्न बदल जाता है, और मॉडल्स ने इन सामान्य संकेतों को शुरुआती चेतावनी के रूपनों के रूप में उपयोग करना सीख लिया।

शोधकर्ताओं ने यह भी परीक्षण किया कि क्या इन मॉडल्स को बिना पुन: प्रशिक्षित किए एक अलग अस्पताल सिस्टम में स्थानांतरित किया जा सकता है, जिसे 'ज़ीरो-शॉट ट्रांसफर' कहा जाता है, जो एक ऐसी स्थिति है जहाँ मॉडल को बिना ट्रेनिंग के नए डेटा पर चलाया जाता है। उन्होंने प्रशिक्षित मॉडल्स को एक विश्वविद्यालय अस्पताल के एक अलग, स्वतंत्र डेटासेट पर लागू किया। परिणाम स्पष्ट थे: दोनों विधियों के लिए प्रदर्शन में काफी गिरावट आई। मॉडल्स को अलग रोगी आबादी, जो अधिक उम्रदराज थी और जिसकी नस्लीय जनसांख्यिकी अलग थी, साथ ही डॉक्टरों द्वारा जानकारी दर्ज करने के अलग पैटर्न के अनुकूल होने में संघर्ष करना पड़ा। हालांकि जटिल आर्टिफिशियल इंटेलिजेंस मॉडल्स ने इस कठिन ट्रांसफर परिदृश्य में सरल गणनाओं की तुलना में थोड़ा बेहतर प्रदर्शन किया, लेकिन दोनों में से कोई भी दृष्टिकोण बिना समायोजन के विभिन्न स्वास्थ्य प्रणालियों में काम करने के लिए पर्याप्त मजबूत साबित नहीं हुआ। यह सुझाव देता है कि हालांकि तकनीक शक्तिशाली है, फिर भी यह एक सार्वभौमिक उपकरण नहीं है जिसे बिना सावधानीपूर्वक स्थानीय ट्यूनिंग के कहीं भी लागू किया जा सके।

अंततः, यह कार्य यह प्रदर्शित करता है कि मरीज के चिकित्सा इतिहास को डिमेंशिया की भविष्यवाणी करने के लिए प्रस्तुत करने का कोई एक "सर्वश्रेष्ठ" तरीका नहीं है। चुनाव भविष्यवाणी के समय और विशिष्ट सेटिंग पर निर्भर करता है। निकट भविष्य में बीमारी का पता लगाने के लिए, चिकित्सा घटनाओं की सरल, व्याख्या योग्य गणनाएँ स्वर्ण मानक (गोल्ड स्टैंडर्ड) बनी हुई हैं। भविष्य में और आगे देखने के लिए, जटिल आर्टिफिशियल इंटेलिजेंस मॉडल अधिक प्रतिस्पर्धी हो जाते हैं, जो सटीकता का एक अलग संतुलन प्रदान करते हैं। निष्कर्ष बताते हैं कि प्रारंभिक पहचान का मार्ग केवल एक पूर्ण एल्गोरिदम खोजने में नहीं है, बल्कि यह समझने में है कि विभिन्न उपकरण अलग-अलग समय पर कैसे अलग-अलग संकेतों को पकड़ते हैं, और यह पहचानने में है कि जैसे-जैसे बीमारी एक दूर के जोखिम से एक आसन्न वास्तविकता में बदलती है, संकेत स्वयं भी बदलते हैं।