Development and Validation of a Machine Learning Model for Predicting Pulmonary Embolism Using Routine Clinical Features
इस अध्ययन ने पल्मोनरी एम्बोलिज्म (pulmonary embolism) की भविष्यवाणी करने के लिए आठ नियमित नैदानिक विशेषताओं का उपयोग करके एक व्याख्या योग्य (interpretable) XGBoost मशीन लर्निंग मॉडल विकसित और आंतरिक रूप से मान्य किया है, जिसका उद्देश्य मध्यम विभेदन क्षमता (discriminative ability) के साथ आपातकालीन चिकित्सकों को जोखिम स्तरीकरण में सहायता करना है, साथ ही व्यापक, कम-प्रचलन वाले आबादी में बाहरी सत्यापन की आवश्यकता पर प्रकाश डालना 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
पल्मोनरी एम्बोलिज्म (Pulmonary embolism) फेफड़ों में अचानक होने वाली एक जानलेवा रुकावट है, जो आमतौर पर पैरों से आए रक्त के थक्के के कारण होती है। यह एक 'साइलेंट किलर' है क्योंकि इसके लक्षण, जैसे कि सांस लेने में कठिनाई या सीने में दर्द, कई अन्य सामान्य और कम खतरनाक स्थितियों जैसे ही दिखते हैं। यह अस्पष्टता आपातकालीन कक्षों में डॉक्टरों के लिए एक कठिन दुविधा पैदा करती है। सुरक्षित रहने के लिए, वे अक्सर एक विशेष सीटी स्कैन का आदेश देते हैं जो रेडिएशन और कंट्रास्ट डाई का उपयोग करता है ताकि सीधे फेफड़ों की धमनियों के अंदर देखा जा सके। हालांकि यह स्कैन क्लॉट (थक्के) को खोजने के लिए स्वर्ण मानक (gold standard) है, लेकिन यह मरीजों को रेडिएशन के संपर्क में लाता है, किडनी पर दबाव डाल सकता है, और महंगा है। यदि डॉक्टर इन स्कैन के बहुत अधिक आदेश देते हैं, तो स्वास्थ्य सेवा प्रणाली बोझिल हो जाती है, और मरीजों को अनावश्यक जोखिमों का सामना करना पड़ता है। यदि वे बहुत कम आदेश देते हैं, तो वे घातक क्लॉट को पहचानने में चूक सकते हैं। दशकों से, डॉक्टरों ने इसे सरल चेकलिस्ट का उपयोग करके हल करने की कोशिश की है जो उम्र, हालिया सर्जरी, या पैरों की सूजन जैसे कारकों को तौलकर अनुमान लगाते हैं कि किसे स्कैन की आवश्यकता है। हालांकि, ये चेकलिस्ट कठोर होती हैं और अक्सर विभिन्न जोखिम कारकों के बीच जटिल अंतःक्रियाओं को समझने में विफल रहती हैं।
चीन के सर रन रन शॉ अस्पताल में एक हालिया अध्ययन में, शोधकर्ताओं ने मरीजों को छांटने का एक स्मार्ट तरीका बनाने का लक्ष्य रखा। उन्होंने मशीन लर्निंग की ओर रुख किया, जो एक प्रकार का कंप्यूटर प्रोग्राम है जो निश्चित नियमों का पालन करने के बजाय पिछले चिकित्सा रिकॉर्ड के विशाल डेटा का अध्ययन करके पैटर्न पहचानना सीखता है। टीम एक ऐसा उपकरण बनाना चाहती थी जो न केवल सटीक हो बल्कि व्यस्त आपातकालीन कक्ष में उपयोग करने के लिए पर्याप्त सरल भी हो, जो केवल उसी जानकारी पर निर्भर हो जो मरीज के आने पर नियमित रूप से उपलब्ध होती है। उन्होंने पल्मोनरी एम्बोलिज्म के संदिग्ध 519 वयस्कों के डेटा को एकत्र किया। प्रत्येक व्यक्ति के लिए, उन्होंने उम्र, महत्वपूर्ण संकेतों (vital signs), और कैंसर या हाई कोलेस्ट्रॉल के इतिहास जैसे बुनियादी विवरणों के साथ-साथ सूजन की जांच के लिए पैर की परिधि (circumference) का माप दर्ज किया। फिर उन्होंने इस जानकारी को छानने और यह पहचानने के लिए एक कंप्यूटर एल्गोरिदम का उपयोग किया कि कारकों का कौन सा विशिष्ट संयोजन सबसे अधिक महत्वपूर्ण था।
शोधकर्ताओं ने यह देखने के लिए तीन अलग-अलग कंप्यूटर लर्निंग विधियों का परीक्षण किया कि कौन सी विधि क्लॉट की उपस्थिति का सबसे अच्छी भविष्यवाणी कर सकती है। एक विधि एक सांख्यिकीय तकनीक थी जो कम महत्वपूर्ण कारकों को हटाकर डेटा को सरल बनाती है, जबकि अन्य दो उन्नत सिस्टम थे जो चरों (variables) के बीच सूक्ष्म, गैर-रेखीय (non-linear) संबंधों को खोजने में सक्षम थे। अपने 70 प्रतिशत रोगी डेटा पर इन प्रणालियों को प्रशिक्षित करने के बाद, उन्होंने शेष 30 प्रतिशत पर परीक्षण किया, जिसे कंप्यूटर ने पहले कभी नहीं देखा था। परिणामों ने दिखाया कि सबसे उन्नत विधि, जिसे XGBoost कहा जाता है, सरल सांख्यिकीय विधि के समान ही प्रदर्शन करती है, जो क्लॉट की उपस्थिति या अनुपस्थिति को लगभग 76 प्रतिशत बार सही ढंग से पहचानती है। वास्तविक मामलों को पकड़ने और गलत अलार्म से बचने के बीच संतुलन बनाने के लिए चुने गए एक विशिष्ट सेटिंग पर, मॉडल ने वास्तव में पल्मोनरी एम्बोलिज्म वाले 74 प्रतिशत रोगियों की सही पहचान की। इसने उन दो-तिहाई रोगियों में भी स्थिति को सही ढंग से खारिज कर दिया जिन्हें यह बीमारी नहीं थी। सटीकता का यह स्तर बताता है कि यह उपकरण डॉक्टरों को यह तय करने में मदद कर सकता है कि किन मरीजों को वास्तव में सीटी स्कैन की आवश्यकता है और किन्हें बिना रेडिएशन के निगरानी में रखना सुरक्षित हो सकता है।
यह सुनिश्चित करने के लिए कि कंप्यूटर केवल अनुमान नहीं लगा रहा है, शोधकर्ताओं ने एल्गोरिदम के "ब्लैक बॉक्स" को खोलने और यह देखने के लिए कि वह अपने निर्णय कैसे लेता है, SHAP नामक तकनीक का उपयोग किया। इस विश्लेषण से पता चला कि कंप्यूटर सबसे तार्किक सुरागों पर ध्यान दे रहा था। मॉडल द्वारा उपयोग किया गया सबसे महत्वपूर्ण कारक रोगी के पैर की परिधि था; सूजा हुआ पैर, जो अंग में संभावित रक्त के थक्के का संकेत देता है, यह सबसे मजबूत संकेत था कि क्लॉट फेफड़ों तक पहुंच सकता है। दूसरा सबसे महत्वपूर्ण कारक रक्त में 'डी-डाइमर' (D-dimer) नामक पदार्थ का स्तर था, जो शरीर द्वारा क्लॉट को तोड़ने के प्रयास के दौरान बढ़ता है। तीसरा महत्वपूर्ण सुराग कैंसर का इतिहास था। दिलचस्प बात यह है कि मॉडल ने यह भी नोट किया कि जो मरीज स्थिर (immobile) थे या जिनमें हाई कोलेस्ट्रॉल था, वे जोखिम में थे, हालांकि गतिहीनता (immobility) के साथ संबंध जटिल था और इसके लिए सावधानीपूर्वक व्याख्या की आवश्यकता थी। इन आठ नियमित विशेषताओं पर ध्यान केंद्रित करके, मॉडल ने प्रदर्शित किया कि बिना किसी दुर्लभ या कठिन चिकित्सा परीक्षणों के एक परिष्कृत भविष्यवाणी की जा सकती है।
लेखक सावधानीपूर्वक यह नोट करते हैं कि उनका काम एक अंतिम समाधान नहीं, बल्कि एक शुरुआत है। यह अध्ययन एक एकल, बड़े अस्पताल में आयोजित किया गया था जो कई उच्च-जोखिम वाले रोगियों को देखता है, जिसका अर्थ है कि जिस समूह का उन्होंने अध्ययन किया, उनमें सामान्य आबादी की तुलना में पल्मोनरी एम्बोलिज्म की दर बहुत अधिक थी। इस कारण से, मॉडल एक छोटे सामुदायिक क्लिनिक में अलग तरह से व्यवहार कर सकता है जहाँ वास्तव में कम लोग इस बीमारी से पीड़ित होते हैं। शोधकर्ता इस बात पर जोर देते हैं कि उनका उपकरण डॉक्टर के निर्णय का समर्थन करने के लिए बनाया गया है, न कि उसे बदलने के लिए। इसे मरीजों की छंटनी (triage) करने में मदद करने के लिए डिज़ाइन किया गया है, जिससे संभावित रूप से कई लोगों को अनावश्यक स्कैन से बचाया जा सके और सबसे खतरनाक मामलों को जल्दी पकड़ा जा सके। इससे पहले कि इस प्रणाली का दुनिया भर के अस्पतालों में उपयोग किया जा सके, इसे लोगों के बहुत व्यापक और विविध समूह पर परीक्षण किया जाना चाहिए ताकि यह साबित हो सके कि यह हर जगह विश्वसनीय रूप से काम करती है। फिलहाल, यह अध्ययन एक आशाजनक झलक प्रदान करता है कि कैसे आधुनिक कंप्यूटरों द्वारा विश्लेषित साधारण, रोजमर्रा के नैदानिक अवलोकन, एक दिन आपातकालीन देखभाल को सभी के लिए सुरक्षित और अधिक कुशल बना सकते हैं।
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।