Construction of a Retinopathy of Prematurity Onset Prediction Model Using the Random Forest Machine Learning Algorithm

हर साल, समय से पहले जन्मे हजारों शिशुओं को उनकी दृष्टि के लिए एक मौन खतरे का सामना करना पड़ता है। यह स्थिति, जिसे 'रिटिनोपैथी ऑफ प्रीमैचुरिटी' (ROP) के रूप में जाना जाता है, एक विकार है जहाँ आँख के पिछले हिस्से में रक्त वाहिकाएं सही ढंग से विकसित होने में विफल रहती हैं। चूंकि ये शिशु अपनी आँखों के पूरी तरह से विकसित होने से पहले ही पैदा हो जाते हैं, इसलिए रक्त वाहिकाओं का वह नाजुक नेटवर्क, जो अंततः रेटिना तक रक्त ले जाएगा, या तो बढ़ना रुक सकता है या एक अराजक और हानिकारक तरीके से बढ़ सकता है। यदि इसे अनियंत्रित छोड़ दिया गया, तो यह असामान्य विकास रेटिना को आँख के पिछले हिस्से से अलग कर सकता है, जिससे स्थायी अंधापन हो सकता है। इसे रोकने की खिड़की बहुत संकीर्ण है; डॉक्टरों को यह पहचानना होगा कि कौन से बच्चे जोखिम में हैं और इससे पहले कि नुकसान अपरिवर्तनीय हो जाए, उनका उपचार करना होगा। हालांकि, हर समयपूर्व बच्चे की इस स्थिति के लिए जांच करने की वर्तमान प्रणाली एक भारी बोझ है। इनमें से अधिकांश शिशु कभी इस बीमारी से ग्रस्त नहीं होंगे, फिर भी उन्हें बार-बार, अक्सर तनावपूर्ण नेत्र परीक्षणों से गुजरना पड़ता है जो चिकित्सा संसाधनों का उपभोग करते हैं और परिवारों के लिए चिंता का कारण बनते हैं। डॉक्टरों के लिए चुनौती यह है कि वे उन कुछ लोगों को पहचान सकें जिन्हें वास्तव में हस्तक्षेप की आवश्यकता है, उन कई लोगों से अलग जो इसकी आवश्यकता नहीं रखते, बिना एक भी मामला छोड़े।

इस पहेली को सुलझाने के लिए, चीन के गुआंग्सी के शोधकर्ताओं ने कंप्यूटर विज्ञान की दुनिया के एक शक्तिशाली उपकरण की ओर रुख किया: एक मशीन लर्निंग एल्गोरिदम जिसे 'रैंडम फॉरेस्ट' कहा जाता है। एक एकल नियम या सरल चेकलिस्ट पर निर्भर रहने के बजाय, यह दृष्टिकोण इस तरह की नकल करता है जैसे विशेषज्ञों का एक समूह निदान पर बहस करता है, जो एक अधिक विश्वसनीय निष्कर्ष पर पहुँचने के लिए कई अलग-अलग सूचनाओं को जोड़ता है। योंग यांग और मिनली हुआंग के नेतृत्व वाली टीम ने एक ऐसा मॉडल बनाने और परीक्षण करने का लक्ष्य रखा जो यह भविष्यवाणी कर सके कि कौन से समयपूर्व शिशु चिकित्सा इतिहास के आधार पर 'रिटिनोपैथी ऑफ प्रीमैचुरिटी' विकसित करेंगे। उन्होंने जनवरी से सितंबर 2024 के बीच एक स्थानीय अस्पताल में स्क्रीन किए गए 150 बच्चों का डेटा एकत्र किया। इस समूह में प्रत्येक शिशु समय से पहले पैदा हुआ था, जिसका जन्म वजन कम था, या जिसे अन्य गंभीर स्वास्थ्य जटिलताओं का सामना करना पड़ा था जो उन्हें जोखिम में डालते थे। शोधकर्ताओं ने इन बच्चों के इलेक्ट्रॉनिक मेडिकल रिकॉर्ड्स की सावधानीपूर्वक समीक्षा की, और उनके शुरुआती जीवन में उन पैटर्नों की तलाश की जो उनकी आँखों के लिए संकट का संकेत दे सकते थे।

शोधकर्ताओं ने चालीस-छह संभावित चेतावनी संकेतों की एक लंबी सूची के साथ शुरुआत की, जो गर्भावस्था के दौरान माँ के स्वास्थ्य से लेकर जन्म के बाद शिशु को दिए जाने वाले विशिष्ट उपचारों तक विस्तृत थी। उन्होंने इस जानकारी को पांच अलग-अलग कंप्यूटर मॉडलों में डाला, जिनमें से प्रत्येक को सबसे महत्वपूर्ण सुराग खोजने के लिए डिज़ाइन किया गया था। लक्ष्य उन कारकों को खोजना था जिन पर सभी मॉडल एकमत थे। गणना चलाने के बाद, कंप्यूटर ने नौ प्रमुख भविष्यवक्ताओं की पहचान की जो विभिन्न तरीकों में लगातार दिखाई दिए। इनमें शिशु की गर्भकालीन आयु और जन्म का वजन, ऑक्सीजन थेरेपी का उपयोग और दी जाने वाली ऑक्सीजन की विशिष्ट सांद्रता, और एनीमिया, श्वसन संकट (रेस्पिरेटरी डिस्ट्रेस), और नेक्रोटाइज़िंग एंटरोकोलाइटिस नामक एक गंभीर आंतों के संक्रमण जैसी स्थितियों की उपस्थिति शामिल थी। इस सूची में यह भी शामिल था कि क्या शिशु का गर्भधारण इन विट्रो फर्टिलाइजेशन (IVF) के माध्यम से हुआ था और अस्पताल में रहने के दौरान एंटीबायोटिक्स का उपयोग किया गया था या नहीं। इन नौ विशिष्ट विवरणों पर ध्यान केंद्रित करके, शोधकर्ताओं ने विशाल चिकित्सा डेटा को सबसे प्रभावशाली संकेतों तक सीमित कर दिया।

इन नौ कारकों के साथ, टीम ने अपना प्रेडिक्शन मॉडल बनाया और 150 शिशुओं के वास्तविक दुनिया के डेटा के विरुद्ध इसका परीक्षण किया। परिणाम उत्साहजनक थे। मॉडल उन शिशुओं की पहचान करने में अत्यधिक प्रभावी साबित हुआ जिन्हें बीमारी नहीं थी, और लगभग सभी को सफलतापूर्वक कम जोखिम वाले के रूप में चिह्नित किया। वास्तव में, अध्ययन ने पुष्टि की कि 135 समयपूर्व शिशुओं में से, जिनमें ROP विकसित नहीं हुआ था, उनमें से एक भी मॉडल द्वारा मिस नहीं किया गया। इसने उन अधिकांश मामलों में भी स्थिति की शुरुआत की सटीक भविष्यवाणी की जहाँ यह घटित हुई थी। स्वस्थ आँखों और बीमारी विकसित करने वाली आँखों के बीच अंतर करने में कंप्यूटर की सटीकता मजबूत थी, जिसका प्रदर्शन स्कोर यह दर्शाता है कि यह एक विश्वसनीय उपकरण है। अध्ययन ने दिखाया कि इन नौ विशिष्ट चिकित्सा संकेतकों का उपयोग करके, मॉडल उच्च स्तर के विश्वास के साथ डेटा को छाँट सकता है, जिससे यह सुझाव मिलता है कि यह डॉक्टरों को यह तय करने में मदद कर सकता है कि किन शिशुओं को सबसे तत्काल ध्यान की आवश्यकता है और किन्हें बार-बार गहन स्क्रीनिंग की आवश्यकता नहीं हो सकती है।

ये निष्कर्ष समयपूर्व जन्म की जटिल जीवविज्ञान को देखने का एक नया तरीका प्रदान करते हैं। अध्ययन ने पुष्टि की कि सबसे महत्वपूर्ण जोखिम शिशु के शरीर की अपरिपक्वता और उन्हें जीवित रखने के लिए आवश्यक हस्तक्षेपों से जुड़े हैं। उदाहरण के लिए, ऑक्सीजन की उच्च सांद्रता की आवश्यकता, जो फेफड़ों के लिए जीवन रक्षक है, आँख की विकसित होती रक्त वाहिकाओं के लिए हानिकारक हो सकती है। इसी तरह, स्थितियाँ जो शरीर में सूजन या तनाव पैदा करती हैं, जैसे कि गंभीर संक्रमण या सांस लेने में कठिनाई, आँख की समस्याओं के विकास से निकटता से जुड़ी हुई प्रतीत होती हैं। मॉडल ने केवल अनुमान नहीं लगाया; इसने 150 वास्तविक रोगियों के वास्तविक परिणामों से सीखा, यह पाया कि ROP विकसित करने वाले शिशु आम तौर पर छोटे, जल्दी जन्मे और अधिक गंभीर चिकित्सा इतिहास वाले थे। शरीर के अस्तित्व के संघर्ष और आँखों के विशिष्ट स्वास्थ्य के बीच यह संबंध एक स्पष्ट चित्र प्रदान करता है कि कौन सबसे अधिक संवेदनशील है।

हालाँकि मॉडल ने बड़ी संभावना दिखाई, शोधकर्ताओं ने नोट किया कि यह कोई पूर्ण 'क्रिस्टल बॉल' (भवि भविष्य बताने वाला यंत्र) नहीं है। अपने परीक्षण में, सिस्टम स्वस्थ शिशुओं में बीमारी को खारिज करने में अत्यंत कुशल था, जिसने बीमारी विकसित न करने वाले सभी 135 शिशुओं की सही पहचान की। हालाँकि, मॉडल को ROP से निदान किए गए उन शिशुओं के बारे में सटीक भविष्यवाणी करने में एक सीमा का सामना करना पड़ा जिन्हें आगे की स्क्रीनिंग की आवश्यकता नहीं थी, क्योंकि प्रभावित शिशुओं के छोटे समूह में स्थिति की शुरुआत का पता लगाने के लिए इसकी संवेदनशीलता (सेंसिटिविटी) कम थी। यह चिकित्सा में एक महत्वपूर्ण अंतर है; कई स्वस्थ परिवारों को झूठी चेतावनी देने के बजाय कुछ संभावित मामलों को छोड़ देना और बाद में उनका इलाज करना अक्सर अधिक सुरक्षित होता है। अध्ययन सुझाव देता है कि इस उपकरण का उपयोग डॉक्टरों को अपने स्क्रीनिंग प्रयासों को प्राथमिकता देने में मदद करने के लिए किया जा सकता है, जिससे यह सुनिश्चित हो सके कि सबसे अधिक जोखिम वाले शिशुओं को पहले देखा जाए। यह डॉक्टर के सावधानीपूर्वक परीक्षण की आवश्यकता को प्रतिस्थापित नहीं करता है, बल्कि देखभाल को व्यवस्थित करने और अनावश्यक प्रक्रियाओं की संख्या को कम करने के लिए एक डेटा-संचालित तरीका प्रदान करता है। इन नौ विशिष्ट कारकों पर ध्यान केंद्रित करके, मेडिकल टीमें समयपूर्व शिशु के स्वास्थ्य के प्रक्षेपवक्र को बेहतर ढंग से समझ सकती हैं और उनकी दृष्टि की रक्षा करने के बारे में अधिक सूचित निर्णय ले सकती हैं।