Statistical learning and prediction of diseases associated with the occurrence of death in the emergency department: An observational study on administrative data from Saint Joseph Hospital in Kinshasa-DRC

कल्पना कीजिए कि आप एक हलचल भरे, अराजक रेलवे स्टेशन में प्रवेश कर रहे हैं। लोग हर दिशा से भाग रहे हैं, कुछ के टखने में मोच है, कुछ अपने सीने को पकड़े हुए हैं, और कुछ पूरी तरह से खोए हुए लग रहे हैं। स्टेशन मैनेजर का काम यह पता लगाना है कि किसे तत्काल मदद की ज़रूरत है और कौन इंतज़ार कर सकता है, और साथ ही यह अनुमान लगाना भी है कि कौन स्टेशन से जीवित बाहर नहीं निकल पाएगा। यह बिल्कुल वैसा ही है जैसा एक अस्पताल के इमरजेंसी विभाग (ED) में होता है। यह स्वास्थ्य सेवा का मुख्य द्वार है, एक ऐसी जगह जहाँ जीवन और मृत्यु अक्सर एक दूसरे के सामने खड़ी होती है।

लंबे समय से, डॉक्टर यह अनुमान लगाने की कोशिश करते रहे हैं कि कौन से मरीज सबसे अधिक खतरे में हैं। वे चेकलिस्ट या अपने अनुभव जैसे उपकरणों का उपयोग करते हैं, जो कुछ ऐसा है जैसे कोई मौसम विज्ञानी तूफान की भविष्यवाणी करने के लिए बादलों को देख रहा हो। लेकिन कभी-कभी, बादल धोखेबाज होते हैं, और तूफान तब आता है जब किसी ने इसकी उम्मीद नहीं की होती। यहीं पर "सांख्यिकीय शिक्षण" (statistical learning) काम आता है। इसे एक सुपर-स्मार्ट कंप्यूटर मस्तिष्क देने के रूप में सोचें। केवल कुछ बादलों को देखने के बजाय, यह कंप्यूटर मस्तिष्क पिछले हजारों तूफानों को देखता है, पैटर्न सीखता है, और यह पता लगाता है कि मौसम की कौन सी विशिष्ट स्थितियाँ मिलकर आपदा का कारण बनती हैं। चिकित्सा की दुनिया में, इसका अर्थ है कंप्यूटर को पिछले मरीजों का डेटा खिलाना—वे किस बीमारी से पीड़ित थे, उनकी उम्र क्या थी, और उनके साथ क्या हुआ—यह देखने के लिए कि क्या कंप्यूटर उन छिपे हुए पैटर्न को पहचान सकता है जो मृत्यु की ओर ले जाते हैं, ऐसे पैटर्न जिन्हें एक इंसान शायद मिस कर दे।

---

सेंट जोसेफ अस्पताल में बड़ा प्रयोग

कांगो लोकतांत्रिक गणराज्य में, किनसासा के सेंट जोसेफ अस्पताल नामक स्थान पर, शोधकर्ताओं की एक टीम ने निर्णय लिया कि वे इस "सुपर-स्मार्ट कंप्यूटर मस्तिष्क" को अपने आपातकालीन कक्ष की जांच करने दें। वे जानना चाहते थे कि: अलग-अलग बीमारियों में से, कौन सी मौत के लिए सबसे बड़े खतरे के संकेत (red flags) हैं?

उन्होंने केवल अनुमान नहीं लगाया; वे समय में पीछे गए। उन्होंने 1 जनवरी, 2018 और 31 दिसंबर, 2019 के बीच इमरजेंसी विभाग में आने वाले 5,172 मरीजों के कागजी रिकॉर्ड्स को खंगाला। यह 5,000 से अधिक कहानियों के एक विशाल फोटो एल्बम को देखने जैसा था। उन्होंने मरीज की उम्र, लिंग, कितनी चीजें गलत थीं, और सबसे महत्वपूर्ण बात, यह नोट किया कि वे जीवित बचे या उनकी मृत्यु हो गई। इस समूह में, लगभग 7.5% लोग अपनी यात्रा के दौरान जीवित नहीं बच पाए।

कंप्यूटर को देखना सिखाना

शोधकर्ताओं के सामने एक समस्या थी: डॉक्टरों ने बीमारियों का वर्णन करने के लिए एक हजार से अधिक अलग-अलग तरीके लिखे थे! एक डॉक्टर "पेट में तेज दर्द" लिख सकता है, जबकि दूसरा "सर्जिकल एब्डोमेन" लिख सकता है। इस स्थिति को समझने के लिए, टीम ने एक बिखरी हुई किताबों की अलमारी को व्यवस्थित करने वाले लाइब्रेरियन की तरह काम किया। उन्होंने उन हजारों अस्त-व्यस्त विवरणों को 19 साफ श्रेणियों में समूहीकृत किया, जैसे कि "कैंसर", "मलेरिया", "शॉक" या "मस्तिष्क की चोटें"।

फिर, उन्होंने अपने डेटा को दो ढेरों में विभाजित किया। उन्होंने 70% कहानियाँ कंप्यूटर को अध्ययन करने के लिए दीं ("ट्रेनिंग" सेट) और बाकी 30% को छिपा कर रखा ("टेस्ट" सेट)। उन्होंने कंप्यूटर को सीखने के छह अलग-अलग तरीकों को आजमाने के लिए कहा, जो कुछ ऐसा है जैसे यह देखने के लिए छह अलग-अलग अध्ययन विधियों को आजमाना कि कौन बेहतर ग्रेड प्राप्त करता है।

परिणाम: दौड़ में कौन जीता?

कंप्यूटर ने छह अलग-अलग "सीखने की शैलियों" का परीक्षण किया:

1. ElasticNet (एक विधि जो विभिन्न संकेतों के बीच संतुलन बनाती है)
2. Logistic Regression (एक क्लासिक गणितीय विधि)
3. Neural Networks (मानव मस्तिष्क की नकल करना)
4. xGBoost (एक शक्तिशाली बूस्टिंग विधि)
5. Decision Trees (फ्लोचार्ट की तरह हाँ/ना के विकल्प बनाना)
6. Random Forest (निर्णय वृक्षों का एक पूरा समूह जो मिलकर काम करता है)

जब उन्होंने इन विधियों का परीक्षण छिपे हुए 30% मरीजों पर किया, तो परिणाम स्पष्ट थे। चार मॉडलों ने काफी अच्छा काम किया, लेकिन दो मॉडल बुरी तरह लड़खड़ा गए। Decision Trees और Random Forest मॉडल उन छात्रों की तरह थे जो पढ़ाई करना भूल गए; उनका प्रदर्शन इतना खराब था कि वे सिक्का उछालने से थोड़े ही बेहतर थे।

विजेता ElasticNet, Logistic Regression, Neural Networks, और xGBoost थे। उनमें से, ElasticNet चैंपियन था, जिसने उच्चतम "सटीकता" (तकनीकी रूप से जिसे AUC 0.736 कहा जाता है) प्राप्त की। यह स्कोर बताता है कि मॉडल उन मरीजों के बीच अंतर बताने में काफी अच्छा है जो जीवित रहेंगे और जो नहीं रहेंगे, हालांकि यह पूर्ण नहीं है।

शीर्ष छह खतरे के संकेत

तो, उस विजेता कंप्यूटर मस्तिष्क ने क्या सीखा? इसने उन छह विशिष्ट प्रकार की बीमारियों की पहचान की जो उस अस्पताल में मृत्यु से सबसे मजबूती से जुड़ी हुई थीं। यदि आप सेंट जोसेफ अस्पताल में एक डॉक्टर होते, तो ये छह स्थितियां हैं जो आपको "हाई अलर्ट" बटन दबाने के लिए प्रेरित करतीं:

1. शॉक स्टेट्स (Shock states): जब शरीर की प्रणालियाँ क्रैश हो रही हों (जैसे कार का इंजन ओवरहीट होकर बंद हो जाना)।
2. सेप्सिस (Sepsis): एक गंभीर, शरीरव्यापी संक्रमण।
3. तपेदिक या फेफड़ों के रोग (Tuberculosis or lung diseases): सांस लेने और फेफड़ों से जुड़ी समस्याएं।
4. कोमा (Coma): अचेत अवस्था की एक गहरी स्थिति।
5. मेनिन्गोएन्सेफलाइटिस (Meningoencephalitis): मस्तिष्क और उसके आवरण की सूजन।
6. कैंसर (Cancer): ट्यूमर और संबंधित रोग।

दिलचस्प बात यह है कि कंप्यूटर ने पाया कि मलेरिया, जो उस क्षेत्र में बहुत आम है, मृत्यु का सातवां सबसे महत्वपूर्ण भविष्यवक्ता था, भले ही पारंपरिक गणितीय विधियों ने इसे इतना महत्वपूर्ण नहीं माना था। इसने यह भी देखा कि "अन्य आघात" (जैसे कार दुर्घटनाएं और गिरना) महत्वपूर्ण थे, संभवतः इसलिए क्योंकि अस्पताल एक व्यस्त सड़क के ठीक बगल में है जो हवाई अड्डे की ओर जाती है।

इसका क्या अर्थ है (और क्या नहीं है)

शोधकर्ता सावधानीपूर्वक कहते हैं कि यह कोई जादुई छड़ी नहीं है जो सब कुछ हल कर देती है। वे स्वीकार करते हैं कि उनके अध्ययन की सीमाएं हैं। उन्होंने केवल एक अस्पताल को देखा है, इसलिए हम 100% निश्चित नहीं हो सकते कि ये सटीक नियम दुनिया के हर अस्पताल पर लागू होते हैं। इसके अलावा, क्योंकि उन्होंने पुराने कागजी रिकॉर्ड का उपयोग किया, इसलिए कुछ जानकारी अलग-अलग डॉक्टरों द्वारा थोड़ी अलग तरह से लिखी गई होगी, जिससे कंप्यूटर थोड़ा भ्रमित हो सकता था। कंप्यूटर अक्सर उन दुर्लभ मामलों की भविष्यवाणी करने में संघर्ष करता था जहाँ लोगों की मृत्यु हुई थी, अक्सर सुरक्षित रहने के लिए "जीवित रहने" का अनुमान लगाता था, जो कि एक सामान्य समस्या है जब मृत्यु एक दुर्लभ घटना होती है।

हालाँकि, यह अध्ययन सुझाव देता है कि इन सांख्यिकीय शिक्षण उपकरणों का उपयोग करके डॉक्टर और अस्पताल प्रबंधक बेहतर निर्णय ले सकते हैं। यह जानकर कि शॉक, सेप्सिस और फेफड़ों की समस्याएं शीर्ष हत्यारे हैं, अस्पताल अपने सीमित संसाधनों को उन मरीजों की निगरानी करने पर केंद्रित कर सकता है। यह एक स्मार्ट अलार्म सिस्टम होने जैसा है जो आपको बताता है कि तूफान आने पर पहले कौन से दरवाजे लॉक करने चाहिए। लेखक आशा करते हैं कि भविष्य में अधिक अध्ययन इन निष्कर्षों की पुष्टि करेंगे, जिससे कम संसाधनों वाले स्थानों में डॉक्टरों को अधिक जीवन बचाने में मदद मिलेगी।