Machine Learning and Large Language Models for Maternal Cardiometabolic Risk Prediction Across Harmonised Public Pregnancy Datasets

गर्भावस्था एक गहन शारीरिक घटना है जो एक महिला के हृदय और चयापचय (मेटाबॉलिज्म) के लिए एक कठोर 'स्ट्रेस टेस्ट' की तरह कार्य करती है। इन नौ महीनों के दौरान, शरीर को बढ़ते रक्त आयतन, बदलते हार्मोन स्तरों और बढ़ते भ्रूण की चयापचय संबंधी मांगों का प्रबंधन करना होता है। कई लोगों के लिए, यह प्रक्रिया सुचारू रूप से चलती है, लेकिन दूसरों के लिए, यह अंतर्निहित कमजोरियों को उजागर करती है। उच्च रक्तचाप, अनियमित रक्त शर्करा और रक्त में आयरन के निम्न स्तर जैसी स्थितियां उभर सकती हैं या बिगड़ सकती हैं, जो जोखिमों का एक जटिल जाल बना देती हैं जो माँ और बच्चे दोनों के लिए खतरा पैदा करती हैं। ये जटिलताएं अलग-थलग घटनाएं नहीं हैं; वे अक्सर आपस में जुड़ी होती हैं, और उनकी उपस्थिति कठिन प्रसव, समय से पूर्व जन्म, या भविष्य में माँ के जीवन में दीर्घकालिक स्वास्थ्य समस्याओं की उच्च संभावना का संकेत दे सकती है। इन जोखिमों की जल्दी पहचान करने से डॉक्टरों को हस्तक्षेप करने, बारीकी से निगरानी करने और गंभीर परिणामों को रोकने के लिए देखभाल को अनुकूलित करने की अनुमति मिलती है।

द दशकों से, चिकित्सा पेशेवर इन खतरों को पहचानने के लिए विशिष्ट सीमाओं (थ्रेशोल्ड) और व्यक्तिगत संकेतकों पर भरोसा करते रहे हैं। एक निश्चित संख्या से ऊपर का रक्तचाप या सामान्य सीमा से बाहर का ग्लूकोज स्तर एक चेतावनी उत्पन्न करता है। हालांकि, मानव शरीर हमेशा सरल, रैखिक नियमों का पालन नहीं करता है। एक महिला की आयु, उसके वजन बढ़ने, उसके पिछले गर्भधारण के इतिहास और उसके वर्तमान महत्वपूर्ण संकेतों (वाइटल साइन्स) के बीच की परस्पर क्रिया एक ऐसा पैटर्न बनाती है जिसे केवल एक चेकलिस्ट के साथ पकड़ना कठिन है। इस जटिलता ने शोधकर्ताओं को यह तलाशने के लिए प्रेरित किया है कि क्या कंप्यूटर पारंपरिक तरीकों की तुलना में इन सूक्ष्म, गैर-रैखिक पैटर्न को बेहतर ढंग से पहचानना सीख सकते हैं। उम्मीद यह है कि उन्नत एल्गोरिदम में विशाल मात्रा में नैदानिक डेटा फीड करके, मशीनें यह अनुमान लगा सकती हैं कि कौन सबसे अधिक जोखिम में है, यहाँ तक कि लक्षणों के स्पष्ट होने से पहले भी।

एक हालिया अध्ययन ने इस विचार का परीक्षण करने के लिए दो अलग-अलग दृष्टिकोणों का उपयोग करके इस विचार का परीक्षण किया: पारंपरिक मशीन लर्निंग और नए, अधिक संवादात्मक लार्ज लैंग्वेज मॉडल्स (LLMs)। शोधकर्ताओं ने दो सार्वजनिक रूप से उपलब्ध मातृ स्वास्थ्य रिकॉर्ड संग्रहों से डेटा एकत्र करके शुरुआत की। एक डेटासेट में गर्भवती महिलाओं के बारे में सामान्य जानकारी थी, जबकि दूसरा विशेष रूप से प्री-एक्लेम्पसिया नामक स्थिति पर केंद्रित था, जो उच्च रक्तचाप से जुड़ी एक गंभीर विकार है। इन दो अलग-अलग स्रोतों को एक साथ काम करने के योग्य बनाने के लिए, टीम को उनके चरों (वेरिएबल्स) को एक सामान्य भाषा में अनुवाद करना पड़ा। उन्होंने रक्तचाप, हीमोग्लोबिन स्तर और गर्भकालीन आयु जैसे मापों को संरेखित किया ताकि एक डेटासेट में रीडिंग का अर्थ दूसरे में भी वही रहे। उन्होंने जोखिम लेबल को भी मानकीकृत किया, मौजूदा मेडिकल रिकॉर्ड के आधार पर महिलाओं को निम्न, मध्यम और उच्च-जोखिम श्रेणियों में वर्गीकृत किया।

अनुसंधान के पहले चरण में पहले डेटासेट पर कंप्यूटर मॉडलों के एक सेट को प्रशिक्षित किया गया। इन मॉडलों को एक महिला की नैदानिक प्रोफ़ाइल को देखने और उसकी जोखिम श्रेणी की भविष्यवाणी करने का कार्य दिया गया। शोधकर्ताओं ने यह देखने के लिए कई अलग-अलग प्रकार के एल्गोरिदम का परीक्षण किया कि कौन सा मॉडल पैटर्न को सबसे प्रभावी ढंग से सीखता है। HistGradientBoosting के रूप में जाना जाने वाला एक मॉडल सबसे मजबूत प्रदर्शन करने वाला निकला। जब इसे उस डेटा के विरुद्ध परीक्षण किया गया जिसे इसने सीखा था, तो इसने लगभग 88 प्रतिशत मामलों की जोखिम स्तर को सही ढंग से पहचाना। इसने उच्च जोखिम वाले रोगियों को शेष से अलग करने में मजबूत आंतरिक भेदभाव प्रदर्शित किया, जिसका एरिया अंडर द रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक कर्व (AUC-ROC) 0.989 और एरिया अंडर द प्रिसिजन-रिकॉल कर्व लगभग 0.974 था। मॉडल ने यह भी पहचाना कि किन कारकों ने सबसे अधिक महत्व दिया, जिसमें अस्पताल से दूरी, रक्त ग्लूकोज स्तर और गर्भावस्था के दौरान वजन बढ़ना प्रमुख चालक थे।

हालांकि, किसी भी चिकित्सा भविष्यवाणी उपकरण का वास्तविक परीक्षण यह नहीं है कि वह उस डेटा पर कितनी अच्छी तरह काम करता है जिस पर उसे प्रशिक्षित किया गया है, बल्कि यह है कि वह नए, अनदेखे डेटा पर कितनी अच्छी तरह काम करता है। यहीं पर अध्ययन ने एक महत्वपूर्ण मोड़ लिया। शोधकर्ताओं ने अपने सबसे अच्छे प्रदर्शन करने वाले मॉडल को लिया और उसे सीधे दूसरे डेटासेट पर लागू किया, जो एक अलग स्रोत से आया था और जिसमें अलग मरीज थे। उन्होंने मॉडल को फिर से प्रशिक्षित नहीं किया या इसकी सेटिंग्स को समायोजित नहीं किया; उन्होंने बस इसे उन छह चरों के आधार पर भविष्यवाणियां करने के लिए कहा जो दोनों डेटासेट में साझा थे। परिणाम बिल्कुल अलग थे। मॉडल की सटीकता काफी गिर गई, जिसने केवल लगभग 39 प्रतिशत मामलों को सही ढंग से वर्गीकृत किया। अधिक चिंताजनक बात यह थी कि यह इस नए समूह में वास्तव में उच्च-जोखिम वाली एक भी महिला को पहचानने में विफल रहा। इसके बजाय, इसने सभी 26 उच्च-जोखिम वाली महिलाओं को निम्न या मध्यम जोखिम के रूप में लेबल किया। इस विफलता ने सुझाव दिया कि मॉडल ने जो पैटर्न सीखे थे वे मरीजों के पहले समूह के लिए विशिष्ट थे और दूसरे में स्थानांतरित नहीं हो सके, संभवतः इसलिए क्योंकि दोनों समूहों में मौलिक अंतर थे, जैसे कि माताओं की औसत आयु या उनके रक्त परीक्षण का समय।

पारंपरिक मॉडलों के इस सामान्यीकरण (जनरलाइज़ेबिलिटी) की कमी से जूझने की संभावना को पहचानते हुए, शोधकर्ता लार्ज लैंग्वेज मॉडल्स की ओर मुड़े। ये वही प्रकार के आर्टिफिशियल इंटेलिजेंस सिस्टम हैं जो निबंध लिख सकते हैं, प्रश्नों के उत्तर दे सकते हैं और बातचीत कर सकते हैं। टीम ने संरचित मेडिकल रिकॉर्ड को सरल अंग्रेजी आख्यानों (नैरेटिव्स) में बदल दिया, जिसमें प्रत्येक रोगी के इतिहास और वर्तमान स्थिति का कुछ वाक्यों में वर्णन किया गया। फिर उन्होंने दो अलग-अलग भाषा मॉडलों, DeepSeek और Qwen, को ये कहानियाँ पढ़ने और जोखिम स्तर की भविष्यवाणी करने के लिए कहा। उन्होंने मॉडलों को प्रॉम्प्ट देने के विभिन्न तरीकों का परीक्षण किया, जिसमें नए प्रश्न को हल करने से पहले उन्हें समान समस्याओं को हल करने के उदाहरण देना शामिल था। सबसे अच्छा प्रदर्शन करने वाला कॉन्फ़िगरेशन, जिसने एक विशिष्ट प्रकार के रीजनिंग प्रॉम्प्ट का उपयोग किया, लगभग 58 प्रतिशत मामलों को सही ढंग से पहचानने में सफल रहा। हालांकि यह नए डेटा पर पारंपरिक मॉडल के प्रदर्शन से बेहतर था, लेकिन यह अभी भी पूर्णता से दूर था। मॉडल ने एक स्पष्ट पूर्वाग्रह दिखाया: इसने छोटे परीक्षण समूह के सभी चार उच्च-जोखिम वाले मामलों की सफलतापूर्वक पहचान की लेकिन निम्न-जोखिम वाले किसी भी मामले की पहचान करने में विफल रहा, जो अनिवार्य रूप से यह अनुमान लगा रहा था कि हर कोई कम से कम कुछ हद तक जोखिम में है।

शोधकर्ताओं ने यह भी देखा कि ये विभिन्न सिस्टम अपने निर्णयों की व्याख्या कैसे करते हैं। उन्होंने उन कारकों की तुलना की जिन्हें पारंपरिक मशीन लर्निंग मॉडल ने महत्वपूर्ण माना था और उन कीवर्ड्स से जिनका उपयोग भाषा मॉडलों ने अपने लिखित स्पष्टीकरणों में किया था। दोनों सिस्टम इस बात पर सहमत थे कि रक्तचाप, रक्त शर्करा और हीमोग्लोबिन स्तर जोखिम के महत्वपूर्ण संकेतक हैं। हालांकि, वे अन्य कारकों पर भिन्न थे। पारंपरिक मॉडल ने इस बात पर महत्वपूर्ण भार दिया कि एक रोगी अस्पताल से कितनी दूर रहता है और उसका वजन कितना बढ़ा है, क्योंकि ये डेटा में मजबूत सांख्यिकीय संकेत थे। इसके विपरीत, भाषा मॉडलों ने इन लॉजिस्टिक और भौतिक कारकों का शायद ही कभी उल्लेख किया। इसके बजाय, उन्होंने रोगी के पिछले चिकित्सा इतिहास और पिछली जटिलताओं पर अधिक ध्यान केंद्रित किया, जो उनके प्रशिक्षण में निहित नैदानिक ज्ञान का उपयोग करते हैं। यह अंतर इस बात को रेखांकित करता है कि डेटा सांख्यिकीय रूप से क्या सुझाता है और मॉडल नैदानिक रूप से क्या उचित पाते हैं।

अध्ययन निष्कर्ष निकालता है कि हालांकि ये उपकरण आशाजनक हैं, लेकिन वे नैदानिक उपयोग के लिए अभी तैयार नहीं हैं। पारंपरिक मशीन लर्निंग मॉडल उस वातावरण के भीतर अच्छा प्रदर्शन करता था जिसमें इसे बनाया गया था, लेकिन यह एक नई आबादी के अनुकूल नहीं हो सका, जो चिकित्सा आर्टिफिशियल इंटेलिजेंस में एक सामान्य बाधा है। लार्ज लैंग्वेज मॉडल्स ने केस नोट्स पढ़ने और मानव-पठनीय स्पष्टीकरण उत्पन्न करने की क्षमता दिखाई, लेकिन उनके पूर्वानुमान अस्थिर और पूर्वाग्रह के प्रति संवेदनशील थे। शोधकर्ता इस बात पर जोर देते हैं कि इस कार्य का मूल्य एक एकल पूर्ण भविष्यवक्ता बनाने में नहीं है, बल्कि एक डेटासेट से दूसरे डेटासेट में मॉडल ले जाने की कठिनाई को प्रदर्शित करने में है। वे सुझाव देते हैं कि इन तकनीकों को वास्तविक दुनिया के अस्पतालों में उपयोगी होने के लिए, उन्हें बहुत बड़े, अधिक विविध रोगी समूहों पर परखा जाना चाहिए और केवल मौजूदा लेबल के बजाय वास्तविक स्वास्थ्य परिणामों के विरुद्ध मान्य किया जाना चाहिए। तब तक, ये सिस्टम प्रयोगात्मक उपकरण बने हुए हैं जो जानकारी को व्यवस्थित कर सकते हैं और संभावनाओं का सुझाव दे सकते हैं, लेकिन वे अभी तक एक चिकित्सक के निर्णय का स्थान नहीं ले सकते।