AI-Enabled Early Prediction of Lassa Fever: A Clinical Decision Support System for Endemic Settings

पश्चिम अफ्रीका के गर्म और आर्द्र क्षेत्रों में, भीड़भाड़ वाले क्लीनिकों में हर दिन चिकित्सा ट्राइएज (triage) का एक मौन और खतरनाक खेल खेला जाता है। जब कोई मरीज बुखार, सिरदर्द और बीमारी महसूस करने के साथ आता है, तो डॉक्टर के सामने एक कठिन विकल्प होता है। ये लक्षण मलेरिया से लेकर टाइफाइड जैसी कई बीमारियों के सामान्य लक्षण हैं, लेकिन ये लासा फीवर (Lassa fever) के भी शुरुआती संकेत हैं, जो एक वायरल रक्तस्रावी रोग है और यदि इसका जल्दी इलाज न किया जाए तो घातक हो सकता है। समस्या यह है कि लासा फीवर के मामले की पुष्टि करने के लिए एक विशेष प्रयोगशाला परीक्षण की आवश्यकता होती है जो अक्सर दूर होता है, महंगा होता है, या दूरदराज के क्षेत्रों में उपलब्ध ही नहीं होता। जब तक लैब का परिणाम वापस आता है, तब तक मरीज प्रतीक्षा कक्ष में अन्य लोगों में वायरस फैला चुका होता है, या उसकी अपनी स्थिति सुधार से परे बिगड़ चुकी होती है। दशकों से, डॉक्टरों को अपने स्वयं के निर्णय और सामान्य नियमों के एक सेट पर भरोसा करना पड़ा है ताकि यह तय किया जा सके कि किसे तुरंत आइसोलेट (अलग) करने की आवश्यकता है और कौन प्रतीक्षा कर सकता है। यह अनिश्चितता एक ऐसी बाधा पैदा करती है जहाँ सबसे खतरनाक मामलों को मिस किया जा सकता है, या जहाँ वास्तव में सुरक्षित मरीजों पर सीमित संसाधनों को बर्बाद किया जा सकता है।

नाइजीरिया के शोधकर्ताओं की एक टीम और अंतरराष्ट्रीय भागीदारों ने डॉक्टरों को इस अनिश्चितता से निपटने में मदद करने के लिए एक नया डिजिटल टूल बनाया है, इससे पहले कि लैब टेस्ट संभव हो सके। उन्होंने एक कंप्यूटर सिस्टम बनाया है जो क्लिनिशियनों के लिए 'दूसरी जोड़ी आँखों' के रूप में कार्य करता है, जो मरीज के दरवाजे से अंदर कदम रखते ही उपलब्ध जानकारी का विश्लेषण करता है। लैब का इंतजार करने के बजाय, सिस्टम यह देखता है कि मरीज कौन है, वह कितने समय से बीमार है, और वह ठीक से कौन से लक्षण दिखा रहा है। पिछले मेडिकल रिकॉर्ड के एक विशाल संग्रह से सीखकर, सिस्टम उन पैटर्न को पहचान सकता है जो मानवीय आंखों के लिए लगातार पकड़ पाना बहुत सूक्ष्म होते हैं। यह बीमारी के निदान का दावा निश्चितता के साथ नहीं करता है—इसके लिए लैब की आवश्यकता अभी भी है—लेकिन यह डॉक्टर को बता सकता है कि किन मरीजों में लासा फीवर होने की सबसे अधिक संभावना है और इसलिए उन्हें तत्काल ध्यान देने की आवश्यकता है। यह दृष्टिकोण अनुमान लगाने के बजाय गणना करने पर ध्यान केंद्रित करता है, जिससे उन जगहों पर बीमारी को जल्दी पकड़ने का एक तरीका मिलता है जहाँ हर मिनट मायने रखता है।

शोधकर्ताओं ने इस सिस्टम को नाइजीरिया के इरुआ स्पेशलिस्ट टीचिंग हॉस्पिटल से प्राप्त एक दशक के वास्तविक डेटा का उपयोग करके प्रशिक्षित किया है, जो लासा फीवर के इलाज के दुनिया के सबसे बड़े केंद्रों में से एक है। उन्होंने 2015 से 2025 के बीच 31,000 से अधिक रोगी दौरों के रिकॉर्ड एकत्र किए, यह एक ऐसा कालखंड था जिसने कई अलग-अलग प्रकोपों और बीमारी के व्यवहार में आए बदलावों को कवर किया। टूल वास्तविक दुनिया में कैसे काम करेगा, यह सुनिश्चित करने के लिए, वे बहुत सख्त थे कि वे कंप्यूटर को क्या जानकारी देखने की अनुमति देते हैं। उन्होंने केवल वही डेटा फीड किया जो एक डॉक्टर के पास विज़िट की शुरुआत में होता है: मरीज की उम्र, लक्षणों की शुरुआत के बाद कितने दिन बीत चुके हैं, और लक्षणों की एक सूची जैसे बुखार, उल्टी, पेट दर्द, या लाल आँखें। उन्होंने जानबूझकर किसी भी ऐसी जानकारी को बाहर रखा जो केवल लैब टेस्ट के बाद ही ज्ञात होती, यह सुनिश्चित करते हुए कि टूल का उपयोग ठीक उसी समय किया जा सके जब इसकी सबसे अधिक आवश्यकता होती है।

टीम ने कंप्यूटर को बीमारी पहचानने के लिए सिखाने के कई अलग-अलग तरीकों का परीक्षण किया, और अंततः 'XGBoost' नामक एक विधि पर सहमति बनाई, जो एक शक्तिशाली प्रकार का लर्निंग एल्गोरिदम है जो कई सरल नियमों को जोड़कर एक जटिल निर्णय लेने वाली संरचना बनाता है। उन्होंने इस सिस्टम का परीक्षण केवल रैंडम डेटा पर नहीं, बल्कि रिकॉर्ड के सबसे हालिया वर्षों पर किया, जो एक ऐसे भविष्य का अनुकरण करता है जहाँ बीमारी अतीत की तुलना में कम आम हो सकती है। यह एक महत्वपूर्ण परीक्षण था क्योंकि उनके डेटा में पुष्ट मामलों की व्यापकता (prevalence) समय के साथ काफी कम हो गई थी, जो शुरुआती वर्षों में लगभग 11 प्रतिशत से गिरकर हालिया अवधि में 6 प्रतिशत से थोड़ा अधिक रह गई थी। सिस्टम को यह साबित करना था कि वह बीमार मरीजों को तब भी ढूंढ सकता है जब उन्हें ढूंढना कठिन हो।

परिणामों ने दिखाया कि टूल अपने प्राथमिक कार्य में असाधारण रूप से अच्छा था: किसी भी ऐसे व्यक्ति को मिस न करना जो बीमार हो सकता है। हालिया डेटा पर, सिस्टम ने उन मरीजों की लगभग 98 प्रतिशत सटीकता से पहचान की, जो बाद में लासा फीवर से संक्रमित पाए गए। संवेदनशीलता (sensitivity) का यह उच्च स्तर एक प्रकोप की स्थिति में अत्यंत महत्वपूर्ण है, जहाँ एक भी मामला छूट जाने की लागत घातक वायरस के निरंतर प्रसार के रूप में होती है। हालाँकि, शोधकर्ताओं ने इस समझौते (trade-off) के बारे में ईमानदारी से बताया। चूंकि सिस्टम को लगभग हर मामले को पकड़ने के लिए ट्यून किया गया है, इसलिए इसने कई ऐसे लोगों को भी चिह्नित किया जिनमें वास्तव में बीमारी नहीं थी। हाल के परीक्षण समूह में, सिस्टम द्वारा चिह्नित किए गए लोगों में से केवल लगभग 6 प्रतिशत में ही वायरस पाया गया। हालांकि यह बहुत अधिक संख्या में 'फॉल्स अलार्म' जैसा लग सकता है, शोधकर्ता समझाते हैं कि ट्राइएज की स्थिति में, एक भी संक्रमित व्यक्ति को मिस करने के बजाय कुछ स्वस्थ लोगों को आइसोलेट करना और अत्यधिक सावधानी बरतना कहीं बेहतर है।

डॉक्टरों के लिए इस टूल को उपयोगी बनाने के लिए, टीम ने केवल एक साधारण "हाँ" या "नहीं" का उत्तर नहीं दिया। इसके बजाय, उन्होंने कंप्यूटर के भविष्यवाणियों को तीन स्पष्ट श्रेणियों में व्यवस्थित किया: कम जोखिम (low risk), मध्यम जोखिम (moderate risk), और उच्च जोखिम (high risk)। इसने सिस्टम को मरीजों को विभिन्न स्तर की तात्कालिकता के अनुसार समूहों में वर्गीकृत करने की अनुमति दी। उदाहरण के लिए, हाल के परीक्षण डेटा में, "उच्च जोखिम" समूह में सभी मरीजों का केवल लगभग 11 प्रतिशत हिस्सा था, फिर भी इसमें लासा फीवर के लगभग 30 प्रतिशत पुष्ट मामले शामिल थे। इसका मतलब है कि टूल ने सफलतापूर्वक सबसे खतरनाक मामलों को एक छोटे समूह में केंद्रित किया, जिससे अस्पतालों को अपने सीमित आइसोलेशन रूम और लैब टेस्ट उन लोगों पर केंद्रित करने में मदद मिली जिन्हें उनकी सबसे अधिक आवश्यकता थी। "मध्यम जोखिम" समूह ने पुष्ट मामलों का अन्य 22 प्रतिशत हिस्सा भी पकड़ा, जिससे यह सुनिश्चित हुआ कि संभावित खतरों का एक बड़ा हिस्सा आगे की समीक्षा के लिए भेजा जा सके।

सिस्टम अपने निर्णय का कारण भी प्रदान करता है, जो डॉक्टर को दिखाता है कि किन विशिष्ट कारकों ने जोखिम स्कोर को ऊपर या नीचे धकेला है। उदाहरण के लिए, यदि कोई मरीज उम्र में बड़ा है और उसे लक्षण शुरू हुए केवल कुछ ही दिन हुए हैं, तो सिस्टम उन्हें उच्च जोखिम के रूप में चिह्नित कर सकता है। यदि उनकी आँखें लाल हैं या सामान्य कमजोरी है, तो वे लक्षण जोखिम स्कोर को बढ़ा सकते हैं। यह पारदर्शिता डॉक्टरों को टूल पर भरोसा करने में मदद करती है, क्योंकि वे देख सकते हैं कि सुझाव के पीछे का तर्क क्या है, बजाय इसके कि वे इसे एक 'ब्लैक बॉक्स' की तरह मानें। पूरा सिस्टम हल्का और सुलभ बनाया गया है, जो एक साधारण वेब पेज पर चलता है जिसे बिना किसी शक्तिशाली सर्वर या महंगे इंटरनेट कनेक्शन के मानक कंप्यूटर या टैबलेट पर खोला जा सकता है। यह डिज़ाइन सुनिश्चित करता है कि तकनीक का उपयोग उन्हीं क्लीनिकों में किया जा सके जहाँ इसकी सबसे अधिक आवश्यकता है।

अध्ययन यह निष्कर्ष निकालता है कि हालांकि यह टूल प्रयोगशाला परीक्षण या डॉक्टर के निर्णय का विकल्प नहीं है, लेकिन यह रोगी देखभाल के महत्वपूर्ण क्षणों के लिए एक शक्तिशाली सहायक है। एक दशक के वास्तविक डेटा का उपयोग करके बीमारी के सूक्ष्म पैटर्न को सीखने के साथ, यह सिस्टम एक अराजक वातावरण में तेज़ और अधिक सुसंगत निर्णय लेने का एक तरीका प्रदान करता है। शोधकर्ता स्वीकार करते हैं कि इस टूल का परीक्षण एक ही स्थान पर किया गया था और इसका प्रदर्शन अन्य स्थानों या अन्य स्थितियों में भिन्न हो सकता है। वे यह भी नोट करते हैं कि 'फॉल्स अलार्म' की उच्च संख्या एक सुरक्षा-प्रथम रणनीति का अपेक्षित हिस्सा है। फिर भी, लगभग हर पुष्ट मामले को पकड़ने और मरीजों को स्पष्ट जोखिम समूहों में वर्गीकृत करने की क्षमता यह सुझाव देती है कि इस तरह का डिजिटल समर्थन लासा फीवर से लड़ने के तरीके का एक मानक हिस्सा बन सकता है, जो उपचार की प्रतिक्रियात्मक पद्धति से सक्रिय रोकथाम की ओर बदलाव ला सकता है।