Early detection of six-week post-discharge mortality and readmission among postpartum women and newborns in Uganda: development and temporal validation of multivariable prediction models

दुनिया के कई हिस्सों में, एक माँ और उसके नवजात शिशु के लिए सबसे खतरनाक समय प्रसव के दौरान नहीं, बल्कि उसके बाद के हफ्तों में होता है। हालांकि अस्पताल बच्चों को सुरक्षित रूप से जन्म देने में बेहतर हो गए हैं, लेकिन परिवार के अस्पताल से बाहर जाने के बाद जो देखभाल होती है, वह अक्सर बिखर जाती है। स्वास्थ्य प्रणालियाँ अक्सर बोझ से दबी होती हैं, और परिवार अस्पताल से पूरी जाँच के बिना ही घर जा सकते हैं, केवल इसलिए कि कुछ दिनों या हफ्तों बाद वे वापस लौटते हैं जब एक साधारण संक्रमण एक जीवन-घातक आपात स्थिति में बदल जाता है। डॉक्टरों के लिए चुनौती यह जानना है कि कौन से परिवार घर जाने के लिए सुरक्षित हैं और किन्हें अतिरिक्त ध्यान, अतिरिक्त मुलाकातों या तत्काल सहायता की आवश्यकता है। जोखिमों को जल्दी पहचानने का कोई तरीका न होने के कारण, स्वास्थ्य कर्मियों को हर परिवार के साथ एक जैसा व्यवहार करना पड़ता है, जो कम जोखिम वाले मामलों पर सीमित संसाधनों को बर्बाद करता है जबकि उन उच्च-जोखिम वाले लोगों को चूक जाता है जिन्हें मदद की सबसे अधिक आवश्यकता होती है।

इसे हल करने के लिए, युगांडा में शोधकर्ताओं की एक टीम ने एक व्यावहारिक उपकरण बनाने का लक्ष्य रखा जो डिस्चार्ज के समय एक 'ट्राइएज सिस्टम' (छंटनी प्रणाली) की तरह काम कर सके। वे देखना चाहते थे कि क्या वे पहले से उपलब्ध अस्पताल के चार्ट में मौजूद बुनियादी जानकारी का उपयोग कर सकते हैं—जैसे कि माँ की हृदय गति, प्रसव का प्रकार, या क्या बच्चे को सांस लेने में मदद की आवश्यकता थी—यह अनुमान लगाने के लिए कि कौन से लोग छह सप्ताह के भीतर फिर से बीमार हो सकते हैं। हजारों माताओं और शिशुओं के डेटा का विश्लेषण करके, उन्होंने सरल कंप्यूटर मॉडल विकसित किए जो परिवारों को जोखिम श्रेणियों में वर्गीकृत कर सकें। लक्ष्य डॉक्टरों को बदलना नहीं था, बल्कि उन्हें एक स्पष्ट, साक्ष्य-आधारित संकेत देना था जिससे उन्हें यह तय करने में मदद मिले कि किसे फॉलो-अप विज़िट की आवश्यकता है और कौन बिना किसी चिंता के घर जा सकता है।

यह अध्ययन युगांडा के दो बड़े क्षेत्रीय अस्पतालों में हुआ, एक दक्षिण-पश्चिम में और एक पूर्व में, जो लगभग दस लाख की आबादी की सेवा करते हैं। एक वर्ष से अधिक की अवधि के दौरान, शोध टीम ने हजारों महिलाओं को नामांकित किया जिन्होंने अभी-अभी बच्चे को जन्म दिया था। उन्होंने माँ के रक्तचाप और तापमान से लेकर बच्चे के वजन और ऑक्सीजन स्तर तक विस्तृत जानकारी एकत्र की। उन्होंने गर्भावस्था के विवरण भी दर्ज किए, जैसे कि क्या माँ को मलेरिया या एचआईवी (HIV) का निदान हुआ था, और परिवार को अस्पताल तक पहुँचने के लिए कितनी यात्रा करनी पड़ी थी। एक बार जब माताओं और शिशुओं को अस्पताल से छुट्टी दे दी गई, तो टीम ने छह सप्ताह बाद फोन या व्यक्तिगत रूप से उनका फॉलो-अप लिया ताकि यह देखा जा सके कि क्या हुआ। उन्होंने ट्रैक किया कि क्या माताओं को प्रसव से संबंधित संक्रमणों के कारण दोबारा अस्पताल में भर्ती कराया गया था, और क्या बच्चों की मृत्यु हुई या उन्हें गंभीर बीमारी के कारण दोबारा भर्ती किया गया।

शोधकर्ताओं ने पाया कि हालांकि अधिकांश परिवार ठीक रहे, लेकिन बड़ी संख्या में लोगों को गंभीर जटिलताओं का सामना करना पड़ा। अध्ययन पूरा करने वाली लगभग सात हजार माताओं में से किसी की भी मृत्यु नहीं हुई, लेकिन तीन प्रतिशत से अधिक को दोबारा अस्पताल में भर्ती होना पड़ा, जिनमें से आधे से अधिक वापसी प्रसव से संबंधित संक्रमणों जैसे कि सर्जिकल साइट संक्रमण या सेप्सिस के कारण हुई थी। शिशुओं के लिए स्थिति थोड़ी अधिक नाजुक थी; लगभग 3.8 प्रतिशत नवजात शिशुओं को दोबारा भर्ती किया गया, और एक छोटा लेकिन दुखद हिस्सा उस छह सप्ताह की अवधि के भीतर मर गया। टीम ने फिर इस डेटा का उपयोग अपने प्रेडिक्शन मॉडल (पूर्वानुमान मॉडल) को प्रशिक्षित करने के लिए किया। उन्होंने यह पता लगाने के लिए कि क्या न्यूनतम चरों (variables) का एक छोटा सेट अभी भी सटीक पहचान कर सकता है, हजारों अलग-अलग संयोजनों का परीक्षण किया। उन्होंने पाया कि उन्हें जटिल परीक्षणों की आवश्यकता नहीं थी; कुछ नियमित अवलोकन ही एक विश्वसनीय भविष्यवाणी करने के लिए पर्याप्त थे।

माताओं के लिए, अंतिम मॉडल आठ प्रमुख जानकारियों पर आधारित था। इसमें शामिल थे कि बच्चे का जन्म कैसे हुआ, डिस्चार्ज के समय माँ की हृदय गति, क्या उसे गर्भावस्था के दौरान मूत्र पथ का संक्रमण (UTI) था, और क्या बच्चे को जन्म के समय पुनर्जीवन (resuscitation) की आवश्यकता थी। अन्य कारकों, जैसे कि गर्भावस्था के दौरान माँ को एचआईवी या मलेरिया था या नहीं, और क्या वह चिकित्सा सलाह के विरुद्ध अस्पताल छोड़ रही थी, ने भी भूमिका निभाई। जब शोधकर्ताओं ने इस मॉडल का परीक्षण किया, तो यह उन महिलाओं को पहचानने में काफी प्रभावी साबित हुआ जो दोबारा बीमार होने वाली थीं। इसने संक्रमण के कारण दोबारा भर्ती होने वाली महिलाओं की पहचान करने के लिए 0.8 का AUC प्राप्त किया, जबकि स्वस्थ रहने वाली महिलाओं को सही ढंग से 'क्लियर' करने के लिए 0.7 का AUC प्राप्त किया। इस संतुलन का अर्थ था कि उपकरण गलत अलार्म के साथ सिस्टम को अभिभूत किए बिना सही लोगों को अतिरिक्त देखभाल के लिए चिह्नित कर सकता था।

नवजात शिशुओं के लिए मॉडल थोड़ा अलग था क्योंकि इसे दो चीजों की भविष्यवाणी करनी थी: मृत्यु और पुन: भर्ती। टीम ने पाया कि एक बच्चे के जोखिम के लिए सबसे अच्छे भविष्यवक्ता माँ की एचआईवी स्थिति, माँ की दूध उत्पादन क्षमता में कमी, बच्चे का वजन और परिवार को अस्पताल तक पहुँचने में लगने वाला समय थे। मॉडल ने इस बात पर भी विचार किया कि क्या माँ को गर्भावस्था के दौरान कोई स्थिति निदान की गई थी और क्या प्रसव के दौरान एंटीबायोटिक्स का उपयोग किया गया था। हालांकि नवजात मॉडल जोखिम की पहचान करने में अच्छा था, लेकिन यह मातृ मॉडल की तुलना में कम सटीक था, जिसने मृत्यु या पुन: भर्ती होने वाले बच्चों की पहचान करने के लिए 0.8 का AUC प्राप्त किया, लेकिन इसमें 'फॉल्स अलार्म' (गलत चेतावनी) की दर अधिक थी। ऐसा आंशिक रूप रूप से इसलिए है क्योंकि मृत्यु की संख्या बहुत कम थी, जिससे विशेष रूप से उस परिणाम के लिए एक सटीक भविष्यवक्ता बनाना सांख्यिकीय रूप से कठिन हो गया।

यह सुनिश्चित करने के लिए कि उनके निष्कर्ष केवल एक समूह के लोगों के लिए एक सुभगा संयोग नहीं हैं, शोधकर्ताओं ने अपने मातृ मॉडल का परीक्षण उसी अस्पताल के डेटा के एक अलग सेट पर किया, जो कुछ साल पहले एकत्र किया गया था। मॉडल ने नए डेटा की तुलना में पुराने डेटा पर भी उतना ही अच्छा प्रदर्शन किया, जिससे पता चलता कि जो नियम उसने सीखे हैं वे समय के साथ स्थिर और विश्वसनीय हैं। इससे टीम को विश्वास मिला कि यह उपकरण वास्तविक दुनिया में काम कर सकता है, भले ही रोगी आबादी थोड़ी बदल जाए। अध्ययन ने यह भी रेखांकित किया कि माताओं के दोबारा अस्पताल लौटने के सबसे सामान्य कारण प्रसव से सीधे संबंधित संक्रमण थे, जैसे कि सर्जिकल घाव या गर्भाशय के संक्रमण, न कि मलेरिया जैसे असंबंधित रोग। इसने पुष्टि की कि विशिष्ट, रोकथाम योग्य जटिलताओं पर ध्यान केंद्रित करना डिस्चार्ज टूल के लिए सही रणनीति थी।

शोधकर्ता अपने काम की सीमाओं को बताने में भी सावधान रहे। मॉडल केवल युगांडा में बनाए और परीक्षण किए गए थे, और हालांकि इन अस्पतालों ने एक बड़ी और विविध आबादी की सेवा की, लेकिन परिणाम अन्य देशों या छोटे ग्रामीण क्लीनिकों में बिल्कुल उसी तरह लागू नहीं हो सकते हैं। उन्होंने यह भी बताया कि उनका उपकरण विशेष रूप से 'ऑब्स्टेट्रिक इन्फेक्शन' (प्रसव संबंधी संक्रमण) को पकड़ने के लिए बनाया गया था और यह अन्य कारणों को ध्यान में नहीं रखता है, जैसे मानसिक स्वास्थ्य संबंधी मुद्दे या चोटें। इसके अलावा, चूंकि नवजात मृत्यु की संख्या बहुत कम थी, इसलिए शिशु मृत्यु दर की भविष्यवाणी करने वाला मॉडल पुन: भर्ती की तुलना में कम निश्चित था। इन सीमाओं के बावजूद, अध्ययन ने प्रदर्शित किया कि मौजूदा नियमित देखभाल में एकत्र किए जा रहे डेटा का उपयोग करके एक सरल, जोखिम-आधारित प्रणाली बनाना संभव है।

इस कार्य का अंतिम मूल्य यह है कि यह प्रसवोत्तर देखभाल (postnatal care) के वितरण के तरीके को बदलने की क्षमता रखता है। एक व्यापक दृष्टिकोण के बजाय जहाँ हर परिवार को एक जैसी सलाह दी जाती है, स्वास्थ्य कर्मी इन मॉडलों का उपयोग उन विशिष्ट जोड़ों (माँ और बच्चा) की पहचान करने के लिए कर सकते हैं जिन्हें सबसे अधिक सहायता की आवश्यकता है। उच्च-जोखिम के रूप में चिह्नित माँ को होम विजिट के लिए प्राथमिकता दी जा सकती है, चेतावनी संकेतों पर अधिक विस्तृत परामर्श दिया जा सकता है, या तुरंत सामुदायिक स्वास्थ्य कार्यकर्ता के पास भेजा जा सकता है। यह लक्षित दृष्टिकोण सीमित संसाधनों को उन लोगों की ओर निर्देशित करके बोझ से दबे स्वास्थ्य प्रणालियों की वास्तविकता का सम्मान करता है जिन्हें उनकी सबसे अधिक आवश्यकता है। नियमित नैदानिक टिप्पणियों को कार्रवाई के एक स्पष्ट संकेत में बदलकर, यह अध्ययन रोकथाम योग्य घटनाओं को रोकने का एक मार्ग प्रदान करता है, जिससे यह सुनिश्चित होता है कि माँ और बच्चे की सुरक्षा अस्पताल के दरवाजों के बहुत आगे तक बनी रहे।