Validating Acute Coronary Syndrome ICD Codes as Training Labels for Clinical AI
लगभग 620,000 आपातकालीन विभाग के अनुभवों के इस 10-वर्षीय पूर्वव्यापी अध्ययन से यह प्रमाणित होता है कि यद्यपि ICD-कोडेड एक्यूट कोरोनरी सिंड्रोम लेबल उच्च संवेदनशीलता और विशिष्टता प्रदर्शित करते हैं, उनका मध्यम सकारात्मक भविष्य कहनेवाला मूल्य (पॉजिटिव प्रेडिक्टिव वैल्यू) व्यवस्थित, व्याख्या योग्य त्रुटियों—मुख्य रूप से बाद में खारिज किए गए संदिग्ध मामलों या कोडर की चूक—द्वारा संचालित है, जो उन्हें उन AI स्क्रीनिंग मॉडल के लिए उपयुक्त प्रशिक्षण लेबल बनाता है जहाँ किसी निदान को चूक जाना, अति-पहचान से अधिक महत्वपूर्ण 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
आपातकालीन विभाग (इमरजेंसी डिपार्टमेंट) में, समय सबसे महत्वपूर्ण संसाधन है। जब कोई मरीज सीने में दर्द के साथ आता है, तो डॉक्टरों को तुरंत यह निर्णय लेना होता है कि क्या वे तीव्र कोरोनरी सिंड्रोम (एक्यूट कोरोनरी सिंड्रोम) से पीड़ित हैं, जो एक जीवन-घातक स्थिति है जहाँ हृदय तक रक्त का प्रवाह बाधित हो जाता है। इस निदान (डायग्नोसिस) को चूकना घातक हो सकता है, लेकिन दरवाजे से अंदर आने वाले हर व्यक्ति पर हृदय संबंधी सभी परीक्षणों की एक पूरी श्रृंखला का आदेश देना असंभव है। इस समस्या को हल करने के लिए, अस्पताल तेजी से आर्टिफिशियल इंटेलिजेंस (एआई) की ओर मुड़ रहे हैं। ये कंप्यूटर प्रोग्राम लाखों पुराने मेडिकल रिकॉर्ड्स का अध्ययन करके खतरे को पहचानना सीखते हैं, और उन पैटर्नों को ढूंढते हैं जिन्हें मानवीय आँखें शायद अनदेखा कर दें। हालाँकि, एक कंप्यूटर के सही ढंग से सीखने के लिए, उसे एक ऐसे शिक्षक की आवश्यकता होती है जो सत्य को जानता हो। मेडिकल डेटा की दुनिया में, वह शिक्षक अक्सर एक 'बिलिंग कोड' होता है—बीमा और अस्पताल के लेखांकन (अकाउंटिंग) को संभालने के लिए मरीज के दौरे (विजिट) को दिया गया एक संक्षिप्त, मानकीकृत लेबल। बड़ा सवाल जो शोधकर्ताओं के सामने है वह यह है कि क्या ये प्रशासनिक लेबल मशीन को जीवन बचाने के लिए प्रशिक्षित करने हेतु पर्याप्त सटीक हैं, या क्या इनमें इतने बहुत सारे दोष हैं कि इन पर भरोसा नहीं किया जा सकता।
स्टैनफोर्ड यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने एक दशक के आपातकालीन कक्ष के दौरों को देखकर इस प्रश्न का उत्तर देने का प्रयास किया। उन्होंने 2015 और 2024 के बीच लगभग 6,20,000 वयस्क मुलाकातों (एनकाउंटर्स) का परीक्षण किया, जिसमें मरीजों को दिए गए बिलिंग कोड की तुलना उपचार करने वाली मेडिकल टीम द्वारा लिखे गए वास्तविक अंतिम निदान (फाइनल डायग्नोसिस) से की गई। शोधकर्ता यह देखना चाहते थे कि क्या कंप्यूटर-पठनीय कोड मानव डॉक्टरों के निष्कर्षों से मेल खाते हैं। उन्होंने पाया कि बिलिंग कोड अपने इच्छित उद्देश्य के लिए उल्लेखनीय रूप से विश्वसनीय थे। जब कोड कहते थे कि किसी मरीज को हृदय संबंधी स्थिति है, तो डॉक्टरों ने 100 में से 94 मामलों में इसकी पुष्टि की। इससे भी महत्वपूर्ण बात यह है कि कोड वास्तविक मामलों को शायद ही कभी चूकते थे; वे हर 10,000 दौरों में से केवल 4 बार ही उस मरीज को पहचानने में विफल रहे जिसे हृदय की स्थिति (हार्ट कंडीशन) थी। इसका अर्थ है कि प्रणाली उन लोगों को पकड़ने में अत्यंत कुशल है जिन्हें मदद की आवश्यकता है, जो कि एक स्क्रीनिंग टूल के लिए सबसे महत्वपूर्ण लक्ष्य है।
अध्ययन ने यह भी स्पष्ट किया कि कोड त्रुटिहीन नहीं थे, लेकिन त्रुटियां यादृच्छिक (रैंडम) गलतियों के बजाय एक स्पष्ट और समझने योग्य पैटर्न का पालन करती थीं। जब कोड गलत होते थे, तो इसका कारण आमतौर पर यह था कि उन्होंने एक ऐसे मरीज को चिह्नित किया था जिस पर दिल का दौरा पड़ने का संदेह था लेकिन बाद में डॉक्टरों द्वारा उसे सुरक्षित घोषित कर दिया गया था। इन मामलों में, मरीज के लक्षण बिल्कुल दिल के दौरे जैसे दिख रहे थे, जैसे कि हृदय की मांसपेशियों में सूजन या तनाव-प्रेरित हृदय संबंधी समस्याएं, और मेडिकल टीम ने सबसे खतरनाक संभावनाओं को खारिज करने में समय बिताया था। खतरे की जांच करने के लिए डिज़ाइन किए गए एक आर्टिफिशियल इंटेलिजेंस के दृष्टिकोण से, ये विफलताएं नहीं हैं। एक प्रणाली जो इन मरीजों को चिह्नित करती है, वह यह सुनिश्चित करती है कि हृदय संकट की किसी भी संभावित स्थिति वाले व्यक्ति को अनदेखा न किया जाए, भले ही इसका अर्थ यह हो कि कुछ लोग जो सुरक्षित पाए जाते हैं, उन्हें भी बारीकी से देखा जाए। जिन कुछ मौकों पर सिस्टम वास्तविक दिल का दौरा मिस कर गया, वह इसलिए हुआ क्योंकि मेडिकल कोडर ने डॉक्टर के नोट्स को बस अनदेखा कर दिया था, न कि इसलिए कि निदान अस्पष्ट था।
ये निष्कर्ष बताते हैं कि आर्टिफिशियल इंटेलिजेंस को प्रशिक्षित करने के लिए बिलिंग कोड का उपयोग करना एक ठोस रणनीति है। कंप्यूटर हृदय संबंधी समस्याओं के व्यापक और तत्काल पैटर्न को पहचानना सीखता है, जिसमें वे मामले भी शामिल हैं जो कम गंभीर साबित होते हैं, क्योंकि वास्तविक दिल के दौरे को चूकने की लागत, किसी सुरक्षित व्यक्ति पर अतिरिक्त परीक्षण करने की लागत से कहीं अधिक है। शोधकर्ताओं ने पुष्टि की है कि डेटा में त्रुटियां व्यवस्थित और पूर्वानुमानित हैं, जिसका अर्थ है कि इन मॉडलों को बनाते समय इन्हें ध्यान में रखा जा सकता है। इन कोड्स पर भरोसा करके, अस्पताल ऐसे उपकरण विकसित कर सकते हैं जो एक अत्यधिक संवेदनशील सुरक्षा जाल के रूप में कार्य करें, जिससे यह सुनिश्चित हो सके कि सबसे महत्वपूर्ण मरीजों की पहचान आगमन पर ही तुरंत हो जाए। अध्ययन निष्कर्ष निकालता है कि हालांकि कोई भी एकल डेटा बिंदु दोषरहित नहीं है, फिर भी इन कोड्स की सामूहिक सटीकता अगली पीढ़ी की जीवन रक्षक चिकित्सा तकनीक का समर्थन करने के लिए पर्याप्त है।
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।