Construction and Multi-Model Performance Evaluation of an Intelligent Screening Model for Meige Syndrome Based on Machine Learning

द दशकों से, डॉक्टर एक निराशाजनक पहेली का सामना कर रहे हैं जब मरीज आंखों की पलकों में अनैच्छिक फड़कन या मुंह के टेढ़ेपन के साथ आते हैं। ये लक्षण, जो मेज सिंड्रोम (Meige syndrome) नामक स्थिति को परिभाषित करते हैं, अक्सर आंखों की सामान्य समस्याओं जैसे कि सूखेपन (dry eye) या पलकों की सूजन के बिल्कुल समान दिखते हैं। क्योंकि बाहरी संकेत इतने समान हैं, मरीजों को अक्सर गलत स्थिति के लिए उपचार मिलता है, जिससे वास्तविक न्यूरोलिकल विकार वर्षों तक अनुपचारित रह जाता है। मुख्य कठिनाई मस्तिष्क से उत्पन्न होने वाली मांसपेशियों की ऐंठन के एक विशिष्ट प्रकार और साधारण आंखों की समस्याओं के बीच अंतर करने में निहित है, जो वर्तमान में स्पष्ट, वस्तुनिष्ठ परीक्षणों के बजाय काफी हद तक एक विशेषज्ञ के अनुभव पर निर्भर करता है। इन स्थितियों के बीच अंतर करने का एक विश्वसनीय तरीका न होने के कारण, मरीज शुरुआती हस्तक्षेप का अवसर खो देते हैं, जैसे कि लक्षित इंजेक्शन जो ऐंठन को स्थायी नुकसान पहुंचाने से पहले रोक सकते हैं।

झेंग्ज़ौ विश्वविद्यालय और हेनान प्रांत के थर्ड पीपल्स हॉस्पिटल के शोधकर्ताओं की एक टीम ने एक नए प्रकार का स्क्रीनिंग टूल बनाकर इस नैदानिक चुनौती का समाधान किया है। रक्त में जटिल रासायनिक मार्करों की तलाश करने के बजाय, जिसमें समय लेने वाले लैब वर्क की आवश्यकता होती है, उन्होंने उस जानकारी की ओर रुख किया जो एक डॉक्टर केवल मरीज से सवाल पूछकर एकत्र करता है। लगभग 4,000 लोगों के मेडिकल रिकॉर्ड का विश्लेषण करके, शोधकर्ताओं ने कंप्यूटर सिस्टम को नियमित क्लिनिकल इतिहास में उन सूक्ष्म पैटर्न को पहचानने के लिए प्रशिक्षित किया जिन्हें इंसान शायद मिस कर दें। उन्होंने यह देखने के लिए चार अलग-अलग गणितीय दृष्टिकोणों का परीक्षण किया कि कौन सा दृष्टिकोण मरीजों को तीन अलग-अलग समूहों में सबसे अच्छी तरह से वर्गीकृत कर सकता है: वे जिनमें मेज सिंड्रोम है, वे जिनमें अन्य नेत्र रोग हैं, और वे जो पूरी तरह से स्वस्थ हैं। लक्ष्य एक तेज़, आसान तरीका बनाना था जिसका उपयोग एक सामान्य चिकित्सक यह तय करने के लिए कर सके कि क्या किसी मरीज को विशेषज्ञ के ध्यान की आवश्यकता है।

अध्ययन की शुरुआत 3,996 व्यक्तियों के डेटा को एकत्र करके हुई, जिन्हें निष्पक्ष तुलना सुनिश्चित करने के लिए तीन समान समूहों में सावधानीपूर्वक विभाजित किया गया था। एक समूह में वे मरीज शामिल थे जिनमें मेज सिंड्रोम की पुष्टि हुई थी, दूसरे में ड्राई आई या ब्लेफेरिटिस जैसी सामान्य नेत्र स्थितियों वाले लोग शामिल थे, और तीसरे समूह में स्वस्थ व्यक्ति शामिल थे जिनमें कोई न्यूरोलॉजिकल या नेत्र संबंधी समस्या नहीं थी। शोधकर्ताओं ने प्रत्येक व्यक्ति की फाइल से बारह जानकारियां निकालीं, जो उनकी उम्र और लिंग से लेकर धूम्रपान और शराब पीने जैसी उनकी जीवनशैली की आदतों और थायराइड रोग, नींद की गुणवत्ता और चेहरे या सिर को प्रभावित करने वाले अन्य रोगों जैसे उनके मेडिकल इतिहास तक फैली हुई थीं। फिर उन्होंने इस डेटा को विभाजित किया, जिसमें अधिकांश का उपयोग कंप्यूटर मॉडल को अंतर पहचानना सिखाने के लिए किया गया और एक छोटा हिस्सा नए, अनदेखे मामलों पर मॉडल के प्रदर्शन का परीक्षण करने के लिए सुरक्षित रखा।

जब शोधकर्ताओं ने चार कंप्यूटर मॉडलों की तुलना की, तो उन्होंने पाया कि एक दृष्टिकोण, जिसे आर्टिफिशियल न्यूरल नेटवर्क कहा जाता है, अन्य सभी से बेहतर प्रदर्शन करता है। इस प्रकार का मॉडल इस तरह से डिज़ाइन किया गया है जो मानव मस्तिष्क द्वारा जटिल जानकारी को संसाधित करने के तरीके की नकल करता है, जिससे यह विभिन्न लक्षणों के बीच जटिल संबंधों को पहचान सकता है। अंतिम परीक्षण में, इस मॉडल ने लगभग 77.7% बार मरीज के समूह की सही पहचान की और तीनों स्थितियों के बीच अंतर करने की उच्च क्षमता दिखाई। जबकि 'रैंडम फॉरेस्ट' नामक एक अन्य मॉडल दूसरे स्थान पर रहा, लेकिन यह सबसे संभावित मामलों की भविष्यवाणी करने में कम सुसंगत था। अन्य दो विधियां, जो पारंपरिक सांख्यिकीय सूत्रों पर आधारित हैं, इस विशिष्ट कार्य में उतना अच्छा प्रदर्शन नहीं कर पाईं। परिणाम बताते हैं कि न्यूरल नेटवर्क इस विशेष कार्य के लिए सबसे विश्वसनीय उपकरण है।

शोध का एक महत्वपूर्ण हिस्सा टूल को रोजमर्रा के उपयोग के लिए सरल बनाना था। टीम ने पाया कि बारह प्रश्नों की पूरी सूची आवश्यक नहीं थी; केवल पांच विशिष्ट कारकों में सटीक निदान करने के लिए सबसे अधिक महत्व था। ये पांच प्रमुख संकेतक थे: मरीज की उम्र, उनकी नींद की गुणवत्ता, शराब पीने का इतिहास, थायराइड रोग का इतिहास, और क्या उनके पास चेहरे, आंखों, नाक या मस्तिष्क को प्रभावित करने वाली कोई अन्य स्थिति थी। केवल इन पांच मदों पर ध्यान केंद्रित करके, शोधकर्ताओं ने मॉडल का एक सुव्यवस्थित संस्करण बनाया जो बारह चरों का उपयोग करने वाले जटिल संस्करण के लगभग समान प्रदर्शन करता है। इस सरलीकृत टूल के लिए किसी रक्त परीक्षण की आवश्यकता नहीं है और इसे एक मिनट से कम समय में पूरा किया जा सकता है, जिससे यह प्राथमिक देखभाल क्लीनिकों में उपयोग के लिए व्यवहार्य हो जाता है जहाँ समय और संसाधन सीमित होते हैं।

निष्कर्षों ने उन विशिष्ट विशेषताओं पर भी प्रकाश डाला जो इन समूहों के बीच अंतर करती हैं। डेटा ने पुष्टि की कि मेज सिंड्रोम 55 से 60 वर्ष की आयु की महिलाओं में सबसे आम है, एक ऐसा जनसांख्यिकीय समूह जिसने स्वस्थ समूह की तुलना में इस स्थिति की बहुत अधिक व्यापकता दिखाई। नींद की गुणवत्ता एक महत्वपूर्ण कारक के रूप में उभरी, जिसमें मेज सिंड्रोम से पीड़ित मरीजों ने नेत्र रोगों वाले लोगों या स्वस्थ व्यक्तियों की तुलना में बहुत अधिक खराब नींद की रिपोर्ट की। दिलचस्प बात यह है कि अध्ययन में पाया गया कि स्वस्थ वयस्कों की तुलना में मेज सिंड्रोम वाले मरीजों में शराब पीने का इतिहास कम था, जिसे शोधकर्ता आंशिक रूप रूप से रोगी समूह में अधिक उम्र और महिला प्रधानता के कारण बताते हैं, हालांकि उन्होंने उल्लेख किया कि शराब कभी-कभी कुछ मूवमेंट डिसऑर्डर में लक्षणों को अस्थायी रूप से कम कर सकती है। एक अन्य मजबूत विभेदक अन्य क्रैनियोफेशियल स्थितियां थीं; जबकि स्वस्थ लोगों में ये दुर्लभ थीं, अन्य नेत्र रोगों वाले समूह में ये आश्चर्यजनक रूप से आम थीं, जिससे मॉडल को एक साधारण नेत्र समस्या और अधिक जटिल न्यूरोलॉजिकल विकार के बीच अंतर करने में मदद मिली।

शोधकर्ताओं ने सावधानीपूर्वक नोट किया कि उनके काम की कुछ सीमाएं हैं। चूंकि डेटा एक ही अस्पताल से आया था और पिछले रिकॉर्ड को देखकर एकत्र किया गया था, इसलिए परिणामों को विभिन्न अस्पतालों के मरीजों पर और वास्तविक समय की सेटिंग्स में परीक्षण करके पुष्ट करने की आवश्यकता है। इसके अतिरिक्त, तनाव के स्तर और नींद की गुणवत्ता जैसी कुछ जानकारी मरीजों के अपने विवरणों पर आधारित थी, जो व्यक्तिपरक हो सकती है। इन बाधाओं के बावजूद, अध्ययन यह प्रदर्शित करता है कि एक सरल, गैर-आक्रामक स्क्रीनिंग टूल संभव है। केवल पांच नियमित प्रश्नों पर प्रशिक्षित एक कंप्यूटर मॉडल का उपयोग करके, डॉक्टर जल्द ही मेज सिंड्रोम की पहचान करने के लिए एक व्यावहारिक तरीका पा सकते हैं, जिससे यह सुनिश्चित होगा कि मरीजों को आज की तुलना में बहुत पहले सही निदान और उपचार मिल सके।