A three-axis burden score and in-hospital mortality in ICU patients with heart failure and atrial fibrillation: limited incremental discrimination and transportability in a retrospective cohort study
यह रेट्रोस्पेक्टिव कोहोर्ट अध्ययन निष्कर्ष निकालता है कि जबकि पोषण संबंधी स्थिति, सूजन और लैक्टेट क्लीयरेंस पर आधारित एक त्रि-अक्षीय बर्डन स्कोर, डेरिवेशन डेटासेट के भीतर अट्रियल फाइब्रिलेशन वाले हार्ट फेल्योर के रोगियों में इन-हॉस्पिटल मृत्यु दर के साथ एक वर्णनात्मक संबंध प्रदर्शित करता है, यह एक बाहरी आईसीयू कोहोर्ट में मान्य होने पर परिवहन योग्य भविष्य कहनेवाला मूल्य या महत्वपूर्ण वृद्धिशील भेदभाव प्रदर्शित करने में विफल रहता 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
इंटेंसिव केयर यूनिट (ICU) के गहन, उच्च-जोखिम वाले वातावरण में, डॉक्टर लगातार ऐसे सुरागों की तलाश करते हैं जो यह भविष्यवाणी कर सकें कि क्या कोई मरीज वहां रहने के दौरान जीवित बचेगा। जब एक मरीज दो गंभीर स्थितियों के साथ आता है—हार्ट फेलियर, जहाँ हृदय रक्त को प्रभावी ढंग से पंप करने के लिए संघर्ष करता है, और एट्रियल फाइब्रिलेशन, एक अराजक लय जो उस पंपिंग को बाधित करती है—तो मृत्यु का जोखिम काफी बढ़ जाता है। इस खतरे से निपटने के लिए, चिकित्सक अक्सर मानक गंभीरता स्कोर (severity scores) पर भरोसा करते हैं जो रक्तचाप से लेकर अंगों के कार्य तक कई कारकों का आकलन करते हैं। हालांकि, शोधकर्ता लंबे समय से यह सोच रहे थे कि क्या तीन विशिष्ट रक्त परीक्षण परिणामों का एक सरल संयोजन अधिक स्पष्ट तस्वीर पेश कर सकता है। ये तीन मार्कर शरीर के संघर्ष के विभिन्न पहलुओं का प्रतिनिधित्व करते हैं: पोषण संबंधी भंडार, जिसे प्रोटीन स्तर और श्वेत रक्त कोशिका गणना को मिलाने वाले एक स्कोर द्वारा मापा जाता है; प्रणालीगत सूजन (systemic inflammation) का स्तर, जो संक्रमण से लड़ने वाली दो प्रकार की कोशिकाओं के अनुपात द्वारा इंगित किया जाता है; और लैक्टेट नामक अपशिष्ट उत्पाद को साफ करने की शरीर की क्षमता, जो तब जमा होता है जब ऊतक ऑक्सीजन से वंचित होते हैं। प्रश्न यह था कि क्या इन तीन मार्करों में से कितने "बुरे" हैं, इसकी गिनती करना डॉक्टरों के लिए एक त्वरित, विश्वसनीय चेतावनी प्रणाली के रूप में काम कर सकता है।
शोधकर्ताओं की एक टीम ने संयुक्त राज्य अमेरिका भर के दो विशाल, गुमनाम डेटाबेस से प्राप्त डेटा का उपयोग करके इस विचार का परीक्षण करने का निर्णय लिया। उन्होंने विशेष रूप से उन वयस्कों पर ध्यान केंद्रित किया जिन्हें हार्ट फेलियर और एट्रियल फाइब्रिलेशन दोनों के साथ ICU में भर्ती किया गया था। टीम ने शून्य से तीन तक के एक सरल "बर्डन स्कोर" (burden score) को परिभाषित किया। एक मरीज को उन तीन मार्करों में से प्रत्येक के लिए एक अंक दिया गया जो उच्च-जोखिम श्रेणी में आते थे: एक कम पोषण स्कोर, एक उच्च सूजन अनुपात, या लैक्टेट निकासी की खराब दर। शोधकर्ताओं ने पहले एक डेटाबेस का उपयोग करके "उच्च जोखिम" के लिए थ्रेशोल्ड (सीमा) निर्धारित किए, और फिर उन्हीं सटीक नियमों को दूसरे, पूरी तरह से अलग डेटाबेस पर लागू किया ताकि यह देखा जा सके कि क्या वह पैटर्न बना रहता है। उनका लक्ष्य यह निर्धारित करना था कि क्या यह सरल गणना मौजूदा जटिल मॉडलों की तुलना में मृत्यु की बेहतर भविष्यवाणी कर सकती है, और क्या यह रोगियों के विभिन्न समूहों में लगातार काम करेगी।
परिणामों ने दिखाया कि यह स्कोर एक कहानी तो बताता है, लेकिन उस तरह की नहीं जिसकी शोधकर्ताओं को एक स्वतंत्र उपकरण के रूप में उम्मीद थी। पहले डेटाबेस में, जिसमें 7,500 से अधिक मरीज शामिल थे, अस्पताल में मृत्यु का जोखिम स्कोर बढ़ने के साथ स्पष्ट रूप से बढ़ता गया। शून्य स्कोर वाले मरीजों की मृत्यु दर लगभग 11 प्रतिशत थी, जबकि तीन स्कोर वाले मरीजों के लिए जोखिम लगभग 25 प्रतिशत था। यह रुझान दूसरे डेटाबेस में भी दिखाई दिया, जिससे पता चलता है कि इन नकारात्मक मार्करों में से अधिक होना वास्तव में खराब परिणाम से जुड़ा हुआ है। हालांकि, जब शोधकर्ताओं ने इस स्कोर का उपयोग मौजूदा विस्तृत चिकित्सा मॉडलों में सुधार करने के लिए करने की कोशिश की, तो परिणाम बहुत कम प्रभावशाली थे। मानक मॉडल, जिनमें एल्ब्यूमिन स्तर, श्वेत रक्त कोशिका गणना और लैक्टेट जैसी जानकारी पहले से ही शामिल होती है, जोखिम की भविष्यवाणी करने में पहले से ही काफी अच्छे हैं। इन मॉडलों में इस सरल तीन-बिंदु गणना को जोड़ने से सटीकता में केवल मामूली, लगभग अदृश्य सुधार हुआ।
जब शोधकर्ताओं ने दूसरे डेटाबेस को अधिक बारीकी से देखा, तो स्थिति और भी जटिल हो गई। हालांकि उच्च स्कोर और उच्च मृत्यु दर के बीच संबंध का समग्र रुझान बना रहा, लेकिन जोखिम के स्तरों की विशिष्ट रैंकिंग अव्यवस्थित हो गई। इस दूसरे समूह में, एक स्कोर वाले मरीजों में वास्तव में दो स्कोर वाले मरीजों की तुलना में मृत्यु का जोखिम अधिक दिखाई दिया, जिससे वह सुचारू, अनुमानित पैटर्न टूट गया जो पहले समूह में देखा गया था। इसके अलावा, जब शोधकर्ताओं ने मानक मॉडलों में पहले से शामिल कई अन्य कारकों के लिए समायोजन किया, तो इस स्कोर ने दूसरे डेटाबेस में अपनी सांख्यिकीय शक्ति खो दी। यह अब मृत्यु दर के साथ एक स्पष्ट, स्वतंत्र संबंध नहीं दिखा रहा था। यह सुझाव देता है कि इन तीन रक्त परीक्षणों द्वारा प्रदान की गई जानकारी काफी हद तक उस डेटा द्वारा पहले से ही कैप्चर की जा चुकी है जिसे डॉक्टर पहले से ही एकत्र कर रहे हैं। इस स्कोर ने किसी छिपे हुए खतरे का खुलासा नहीं किया जिसे मानक मॉडल मिस कर रहे थे; बल्कि, यह उन जोखिमों का एक मोटा सारांश प्रतीत हुआ जिन्हें अधिक सटीक तरीकों से पहले से ही मापा जा रहा था।
इस अध्ययन ने वास्तविक अस्पतालों में इस स्कोर के उपयोग के लिए एक व्यावहारिक बाधा पर भी प्रकाश डाला। स्कोर के तीसरे भाग, यानी लैक्टेट को साफ करने की शरीर की क्षमता को मापने के लिए, डॉक्टरों को अलग-अलग समय पर लिए गए दो अलग-अलग रक्त परीक्षणों की आवश्यकता होती है। दूसरे डेटाबेस में, यह दूसरा परीक्षण अधिकांश मरीजों के लिए गायब था, जिससे अधिकांश मरीजों के लिए स्कोर की गणना करना असंभव हो गया। पहले डेटाबेस में भी, यह परीक्षण मरीजों के एक महत्वपूर्ण हिस्से के लिए अनुपलब्ध था। इसका मतलब है कि हालांकि यह स्कोर उन लोगों के लिए सिद्धांत रूप में काम करता है जिनके पास डेटा है, इसे एक व्यस्त अस्पताल सेटिंग में सार्वभौमिक रूप से लागू नहीं किया जा सकता है जहां हर मरीज का दूसरा लैक्टेट परीक्षण नहीं किया जाता है। शोधकर्ताओं ने निष्कर्ष निकाला कि हालांकि इन तीन मार्करों की गिनती एक शोध सेटिंग में मरीज की स्थिति की गंभीरता का वर्णन करने का एक उपयोगी तरीका है, लेकिन यह किसी नए अस्पताल में व्यक्तिगत परिणामों की भविष्यवाणी करने के लिए एक प्रमाणित या विश्वसनीय उपकरण नहीं है। यह उन जटिल, स्थापित तरीकों में सुधार करने वाला कोई शॉर्टकट प्रदान नहीं करता है जिनका उपयोग डॉक्टर वर्तमान में गंभीर रूप से बीमार मरीजों की देखभाल के लिए करते हैं।
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।