Preoperative Machine-Learning Models for Predicting Postoperative Morbidity after Anterior Clinoidal Meningioma Surgery: Development and External Validation
इस अध्ययन ने पूर्ववर्ती मशीन लर्निंग मॉडल विकसित और बाह्य रूप से मान्य किए हैं जो एंटीरियर क्लिनोइडल मेनिन्जियोमा सर्जरी के बाद होने वाली चिकित्सा जटिलताओं, मोटर दोषों और संज्ञानात्मक गिरावट की सफलतापूर्वक भविष्यवाणी करते हैं, जिससे एक खोजी ऑनलाइन जोखिम कैलकुलेटर का निर्माण हुआ 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
कल्पना कीजिए कि खोपड़ी के भीतर गहराई में एक ट्यूमर बढ़ रहा है, जो उन नाजुक तारों और पाइपों के पास स्थित है जो एक व्यक्ति को जीवित रखते हैं। यह एंटीरियर क्लिनोइडल मेनिंजियोमा (anterior clinoidal meningioma) वाले रोगियों की वास्तविकता है, जो मस्तिष्क ट्यूमर का एक विशिष्ट प्रकार है जो खोपड़ी के आधार के सामने के हिस्से के पास उत्पन्न होता है। ये विकास निकालना बेहद कठिन होता है क्योंकि ये ऑप्टिक नर्व (दृष्टि तंत्रिका), जो दृष्टि को नियंत्रित करती है, और इंटरनल कैरोटिड आर्टरी (आंतरिक कैरोटिड धमनी), जो मस्तिष्क को रक्त की आपूर्ति करने वाली एक प्रमुख रक्त वाहिका है, जैसी महत्वपूर्ण संरचनाओं के चारों ओर लिपटे होते हैं। दशकों से, सर्जन इस बात का निर्णय लेने के लिए कि क्या ट्यूमर को सुरक्षित रूप से निकाला जा सकता है, शारीरिक मानचित्रों (anatomical maps) पर भरोसा करते आए हैं, जो स्वयं ट्यूमर के आकार और आकृति पर ध्यान केंद्रित करते हैं। हालांकि, ये मानचित्र अक्सर उस व्यक्ति को अनदेखा कर देते हैं जो उस ट्यूमर को लेकर चल रहा है। एक मरीज का समग्र स्वास्थ्य, उसकी उम्र और उसका शरीर तनाव को कैसे संभालता है, यह भी उतना ही महत्वपूर्ण है जितना कि ट्यूमर का स्थान, जब यह अनुमान लगाया जाता है कि क्या सर्जरी से जटिलताएं होंगी। अब तक, यह बताने का कोई विश्वसनीय तरीका नहीं था कि किसी विशेष रोगी के लिए जोखिमों का पूर्वानुमान लगाने हेतु इन व्यक्तिगत स्वास्थ्य कारकों को ट्यूमर की शारीरिक रचना (anatomy) के साथ कैसे जोड़ा जाए, इससे पहले कि पहला चीरा लगाया जाए।
इटली, यूनाइटेड किंगडम और चीन के न्यूरोसर्जन और डेटा वैज्ञानिकों की एक टीम एक नए प्रकार का उपकरण बनाने के लिए आगे आई। उन्होंने 241 वयस्कों से जानकारी एकत्र की जिन्होंने तीन देशों के चार अलग-अलग अस्पतालों में इन ट्यूमर को हटाने के लिए सर्जरी करवाई थी। पारंपरिक सांख्यिकीय विधियों के बजाय, उन्होंने मशीन लर्निंग का उपयोग किया, जो आर्टिफिशियल इंटेलिजेंस का एक रूप है और बड़े डेटा सेट में जटिल पैटर्न खोज सकता है। शोधकर्ताओं ने कंप्यूटर को सर्जरी से पहले उपलब्ध विवरण दिए: रोगी की आयु, उनकी मौजूदा स्वास्थ्य स्थितियां, उनकी शारीरिक शक्ति, और एमआरआई स्कैन में दिखने वाले ट्यूमर की विशिष्ट विशेषताएं, जैसे कि उसका आकार और वह रक्त वाहिकाओं से कितनी मजबूती से चिपका हुआ है। लक्ष्य यह था कि कंप्यूटर को ऑपरेशन के बाद होने वाली तीन मुख्य प्रकार की समस्याओं का पूर्वानुमान लगाने के लिए प्रशिक्षित किया जाए: सामान्य चिकित्सा संबंधी समस्याएं जैसे संक्रमण या रक्त के थक्के, सर्जिकल समस्याएं जैसे रक्तस्राव या तरल पदार्थ का रिसाव, और नई न्यूरोलॉजिकल समस्याएं जैसे कमजोरी, भ्रम या दृष्टि हानि।
परिणामों से पता चला कि कंप्यूटर कुछ जोखिमों का सफलतापूर्वक पूर्वानुमान लगा सकता है लेकिन अन्य का नहीं। मॉडल सामान्य चिकित्सा संबंधी जटिलताओं, जैसे संक्रमण या हृदय संबंधी समस्याओं, का पूर्वानुमान लगाने में काफी अच्छा साबित हुआ। इसने सीखा कि बड़े ट्यूमर, रक्त वाहिकाओं के चारों ओर मजबूती से लिपटे हुए ट्यूमर, और अधिक मौजूदा स्वास्थ्य स्थितियों वाले या कम शारीरिक फिटनेस वाले रोगी उच्च जोखिम पर थे। जब इसे उन अस्पतालों के रोगियों पर परखा गया जिन्हें कंप्यूटर ने पहले कभी नहीं देखा था, तो इसने इन जोखिमों के लिए 0.77 का AUC प्राप्त किया। यह सुझाव देता है कि एक रोगी की समग्र संवेदनशीलता (vulnerability) एक प्रमुख कारक है कि क्या वे सर्जरी के बाद प्रणालीगत स्वास्थ्य समस्याओं का विकास करेंगे। मॉडल ने नए मोटर विकारों, जैसे हाथ या पैर में कमजोरी, की भविष्यवाणी करने में भी संभावना दिखाई, जिसमें यह पहचाना गया कि ट्यूमर का आकार और विशिष्ट रक्त वाहिकाओं की भागीदारी प्रमुख चेतावनी संकेत थे। इसी तरह, यह रोगी की आयु और वर्तमान शारीरिक स्थिति को तौलकर संज्ञानात्मक गिरावट (cognitive decline), या स्मृति और सोचने की समस्याओं का अनुमान लगा सकता था।
हालांकि, अध्ययन ने सर्जरी शुरू होने से पहले क्या अनुमानित किया जा सकता है, इसकी सीमाओं को भी रेखांकित किया। कंप्यूटर सर्जरी के दौरान होने वाली जटिलताओं जैसे रक्तस्राव या घाव स्थल पर संक्रमण की विश्वसनीय रूप से भविष्यवाणी करने में विफल रहा। शोधकर्ताओं ने निष्कर्ष निकाला कि ये विशिष्ट समस्याएं संभवतः प्रक्रिया के दौरान ऑपरेटिंग रूम के भीतर क्या होता है, उससे निर्धारित होती हैं, न कि उनके आगमन से पहले रोगी की स्थिति से। इसके अलावा, मॉडल नई दृष्टि संबंधी कमियों की भविष्यवाणी नहीं कर सका। हालांकि अध्ययन में पाया गया कि लगभग 8 प्रतिशत रोगियों को सर्जरी के बाद दृष्टि संबंधी समस्याएं हुईं, लेकिन ये समस्याएं लगभग हमेशा एक वर्ष के भीतर ठीक हो गईं, और शोधकर्ता किसी भी पूर्व-ऑपरेटिव कारक को नहीं ढूंढ सके जो यह संकेत दे सके कि कौन प्रभावित होगा। यह सुझाव देता है कि दृष्टि संबंधी परिणाम बहुत अप्रत्याशित हैं या वर्तमान डेटा के आधार पर, या उन कारकों से प्रभावित हैं जिन्हें टीम ने मापा नहीं है, जैसे कि ऑप्टिक नर्व का विशिष्ट स्वास्थ्य।
टीम ने अपने सफल मॉडलों को एक ऑनलाइन कैलकुलेटर में अनुवादित किया जिसका उपयोग डॉक्टर रोगी के जोखिम प्रोफाइल का अनुमान लगाने के लिए कर सकते हैं। हालांकि यह उपकरण अभी नियमित नैदानिक उपयोग के लिए तैयार नहीं है और इसे यह सुनिश्चित करने के लिए और परीक्षण की आवश्यकता है कि यह प्रत्येक अस्पताल के लिए पूरी तरह से काम करे, फिर भी यह एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। यह बातचीत को ट्यूमर के सामान्य मूल्यांकन से बदलकर एक व्यक्तिगत जोखिम पूर्वानुमान की ओर ले जाता है, जिससे सर्जनों और रोगियों को उन विशिष्ट खतरों को समझने में मदद मिलती है जिनका उन्हें सामना करना पड़ सकता है। ट्यूमर की शारीरिक रचना के साथ-साथ रोगी के स्वास्थ्य पर ध्यान केंद्रित करके, यह कार्य सबसे चुनौतीपूर्ण मस्तिष्क सर्जरी के लिए सुरक्षित और अधिक अनुकूलित सर्जिकल योजना की ओर एक स्पष्ट मार्ग प्रदान करता 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।