Development and internal validation of a machine-learning-informed nomogram for predicting severe acute pancreatitis in the intensive care unit: a retrospective cohort study using the MIMIC-IV database
MIMIC-IV डेटाबेस का उपयोग करने वाले इस रेट्रोस्पेक्टिव कोहोर्ट अध्ययन ने पहले 24 घंटों के ICU डेटा पर आधारित एक पारदर्शी, मशीन-लर्निंग-सूचित नोमोग्राम विकसित और आंतरिक रूप से मान्य किया है जो जटिल मशीन लर्निंग एल्गोरिदम के तुलनीय भेदभाव (डिस्क्रिमिनेशन) और अंशांकन (कैलिब्रेशन) के साथ, लेकिन मौजूदा नैदानिक स्कोर की तुलना में बेहतर तरीके से गंभीर तीव्र अग्नाशयशोथ (एक्यूट पैन्क्रियाटाइटिस) की सटीक भविष्यवाणी 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
जब अग्न्याशय (पैनक्रियास), जो पेट के पीछे छिपा एक छोटा सा ग्रंथि है, अचानक सूज जाता है, तो यह एक ऐसी प्रक्रिया को जन्म देता है जो हल्के, अस्थायी असुविधा से लेकर जीवन-घातक संकट तक हो सकती है। अधिकांश लोग जिनमें यह स्थिति विकसित होती है, जिसे तीव्र अग्नाशयशोथ (एक्यूट पैन्क्रियाटाइटिस) कहा जाता है, सहायक देखभाल के साथ जल्दी ठीक हो जाते हैं। हालाँकि, लगभग पाँच में से एक रोगी में, यह सूजन कम नहीं होती; इसके बजाय, यह फैल जाती है, जिससे शरीर की महत्वपूर्ण प्रणालियाँ—फेफड़े, गुर्दे और हृदय—काम करना शुरू कर देती हैं। यह गंभीर तीव्र अग्नाशयशोथ की ओर बढ़ता क्रम ही इन मामलों में मृत्यु का प्राथमिक कारण बनता है। परिणाम बदलने की खिड़की बहुत संकीकृत (नैरो) होती है। डॉक्टर जानते हैं कि तरल प्रबंधन और प्रारंभिक पोषण जैसे हस्तक्षेप तब सबसे अच्छा काम करते हैं जब उन्हें अंग विफलता स्थायी होने (जो आमतौर पर चालीस-आठ घंटों से अधिक समय तक चलने वाली विफलता के रूप में परिभाषित की जाती है) से पहले शुरू किया जाए। चुनौती हमेशा यह पहचानने में रही है कि अस्पताल आने वाले कई रोगियों में से कौन उस रेखा को पार कर गंभीर क्षेत्र में जाएगा, ताकि टीमें समय रहते कदम उठा सकें।
दशकों से, चिकित्सक इन भविष्यवाणियों को करने के लिए स्कोरिंग सिस्टम पर भरोसा करते आए हैं। ये उपकरण डॉक्टरों को रक्तचाप, हृदय गति और लैब परिणामों जैसे नंबर डालने के लिए कहते हैं ताकि एक जोखिम स्कोर बनाया जा सके। हालांकि ये मददगार हैं, लेकिन पारंपरिक स्कोर अक्सर उन रोगियों के बीच स्पष्ट अंतर करने में संघर्ष करते हैं जो ठीक हो जाएंगे और वे जो बिगड़ जाएंगे। हाल के वर्षों में, एक नई उम्मीद उभरी: यह विचार कि जटिल कंप्यूटर एल्गोरिदम, जो डेटा की विशाल मात्रा में छिपे हुए पैटर्न खोजने में सक्षम हैं, सरल स्कोर से बेहतर प्रदर्शन कर सकते हैं। प्रश्न यह था कि क्या ये परिष्कृत मशीन-लर्निंग उपकरण वास्तव में एक सावधानीपूर्वक निर्मित, पारदर्शी मॉडल की तुलना में भविष्य को बेहतर देख सकते हैं जिसे एक डॉक्टर बेडसाइड (मरीज के पास) समझ सके और उपयोग कर सके।
शोधकर्ताओं की एक टीम ने एक नया भविष्यवाणी उपकरण बनाकर इस प्रश्न का उत्तर देने का लक्ष्य रखा, जिसमें हजारों पिछले रोगियों के डेटा का उपयोग किया गया। उन्होंने एक प्रमुख अमेरिकी अस्पताल के इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड के एक विशाल, सार्वजनिक रूप से उपलब्ध डेटाबेस का सहारा लिया, जिसमें तीव्र अग्नाशयशोथ के लगभग छह हजार प्रवेशों की जानकारी थी। इस पूल से, उन्होंने उन 734 रोगियों पर ध्यान केंद्रित किया जो इतने बीमार थे कि उन्हें गहन देखभाल इकाई (आईसीयू) में भर्ती किया गया था। उनका लक्ष्य एक ऐसा मॉडल बनाना था जो रोगी के प्रवास के पहले चौबीस घंटों को देख सके और सटीक रूप से अनुमान लगा सके कि किसे निरंतर अंग विफलता विकसित होने वाली है। उन्होंने पहले दिन उपलब्ध साठ-दो अलग-अलग जानकारियाँ एकत्र कीं, जो उम्र और लिंग से लेकर तापमान और ऑक्सीजन स्तर जैसे महत्वपूर्ण संकेतों से लेकर विस्तृत रक्त परीक्षण परिणामों तक फैली हुई थीं।
अपने मॉडल को बनाने के लिए, शोधकर्ताओं ने एक सांख्यिकीय पद्धति का उपयोग किया जो एक छलनी की तरह कार्य करती है, जो कम महत्वपूर्ण सुरागों को स्वचालित रूप से छान देती है और केवल सबसे मजबूत भविष्यवक्ताओं को रखती है। अंत में उनके पास उन इक्कीस चरों (वेरिएबल्स) की सूची आई जो सबसे अधिक महत्वपूर्ण थे। इनमें रोगी का न्यूनतम तापमान, क्या उन्हें सांस लेने में मदद के लिए मशीन की आवश्यकता थी, क्या उन्हें रक्तचाप बनाए रखने के लिए दवा की आवश्यकता थी, और रक्त में विशिष्ट मार्कर शामिल थे जो गुर्दे के तनाव या सूजन का संकेत देते थे। उन्होंने इन इक्कीस कारकों को एक विजुअल चार्ट में अनुवादित किया जिसे नोमोग्राम कहा जाता है। यह उपकरण डॉक्टर को रोगी के विशिष्ट मापों के आधार पर अंक जोड़कर गंभीर बीमारी की एक एकल संभावना प्राप्त करने की अनुमति देता है। इसे व्यावहारिक बनाया गया है, जो ठीक उन्हीं संख्याओं का उपयोग करता है जो एक नर्स या डॉक्टर मॉनिटर या लैब रिपोर्ट पर देखते हैं, बिना किसी इकाई परिवर्तन या जटिल गणनाओं की आवश्यकता के।
इसके बाद शोधकर्ताओं ने अपने नए मॉडल का परीक्षण किया। उन्होंने अपने मॉडल के प्रदर्शन की तुलना वर्तमान में अस्पतालों में उपयोग किए जाने वाले मानक स्कोरिंग सिस्टम और आठ अलग-अलग प्रकार के उन्नत मशीन-लर्निंग एल्गोरिदम के विरुद्ध की। परिणाम स्पष्ट और आश्चर्यजनक थे। उनका नया मॉडल, जो सरल इक्कीस चरों पर आधारित था, अत्यधिक सटीक साबित हुआ, जिसने लगभग नब्बे प्रतिशत मामलों में गंभीर और गैर-गंभीर मामलों के बीच सफलतापूर्वक अंतर किया। इससे भी महत्वपूर्ण बात यह है कि जब उन्होंने इस पारदर्शी मॉडल को आठ जटिल मशीन-लर्निंग सिस्टम के विरुद्ध खड़ा किया, तो कोई भी उन्नत एल्गोरिदम इससे बेहतर प्रदर्शन नहीं कर सका। परिष्कृत कंप्यूटर मॉडल भी साधारण मॉडल के समान ही प्रदर्शन कर रहे थे, लेकिन कोई भी उल्लेखनीय रूप से उससे बेहतर नहीं था। वास्तव में, कुछ जटिल मॉडल प्रशिक्षण डेटा को बहुत अधिक सटीकता से याद कर रहे थे, जो इस बात का संकेत है कि वे नए रोगियों के सामने विफल हो सकते हैं, जबकि सरल मॉडल मजबूत और विश्वसनीय बना रहा।
अध्ययन ने यह भी जांचा कि क्या मॉडल केवल उस जानकारी का उपयोग कर रहा था जो पहले से ही विफलता का संकेत थी। उदाहरण के लिए, यदि कोई रोगी पहले से ही वेंटिलेटर पर है, तो क्या इसका मतलब केवल यह है कि वह पहले से ही विफल हो रहा है, बजाय इसके कि यह भविष्यवाणी करे कि वह विफल होगा? शोधकर्ताओं ने जीवन रक्षक उपकरणों से संबंधित चरों को हटा दिया, जैसे वेंटिलेटर और रक्तचाप की दवाएं, और पाया कि मॉडल की सटीकता केवल मामूली रूप से गिरी। इसने पुष्टि की कि मॉडल वास्तव में रोगी के अंतर्निहित शरीर विज्ञान के आधार पर भविष्य की भविष्यवाणी कर रहा था, न कि केवल यह रिकॉर्ड कर रहा था कि पहले से क्या हो रहा है। उन्होंने यह भी जांचा कि क्या दुर्लभ, कठिन-से-प्राप्त रक्त परीक्षण जोड़ने से मदद मिलेगी, लेकिन पाया कि इन अतिरिक्त मार्करों ने कोई मूल्य नहीं जोड़ा। सबसे शक्तिशाली भविष्यवक्ता देखभाल के पहले दिन उपलब्ध नियमित, रोजमर्रा के माप थे।
अंततः, यह कार्य सुझाव देता है कि गंभीर अग्नाशयशोथ की भविष्यवाणी करने की दौड़ में, जटिलता उत्तर नहीं है। शोधकर्ताओं ने प्रदर्शित किया कि नियमित डेटा पर निर्मित एक स्पष्ट, समझने योग्य मॉडल उन्नत कृत्रिम बुद्धिमत्ता (एआई) उपकरणों के प्रदर्शन का मुकाबला कर सकता है। कौन अधिक बीमार होगा, इसका सबसे अच्छा भविष्यवक्ता कोई छिपा हुआ पैटर्न नहीं है जिसे केवल एक सुपरकंप्यूटर ढूंढ सकता है, बल्कि तापमान, श्वसन सहायता, गुर्दे की कार्यक्षमता और चेतना के स्तरों का एक संयोजन है जिसे डॉक्टर तुरंत आंक सकते हैं। हालांकि इस मॉडल को व्यापक रूप से उपयोग करने से पहले अन्य अस्पतालों में परीक्षण करने की आवश्यकता है, लेकिन इसके निष्कर्ष एक आश्वस्त करने वाला संदेश देते हैं: कभी-कभी, सबसे प्रभावी उपकरण वह होता है जो इतना सरल हो कि एक मानव बिना किसी हिचकिचाहट के उसे समझ सके और उपयोग कर सके।
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।