Dynamic Trajectories of Sepsis-Induced Coagulopathy and Machine Learning-Based Early Prediction of High-Risk Phenotypes: A Multicenter Cohort Study

तकनीकी सारांश: सेप्सिस-प्रेरित कोगुलोपैथी के गतिशील प्रक्षेपवक्र (Trajectories) और मशीन लर्निंग-आधारित प्रारंभिक भविष्यवाणी

समस्या विवरण (Problem Statement)

सेप्सिस-प्रेरित कोगुलोपैथी (SIC) एक गतिशील प्रक्रिया है जिसमें सूजन (inflammation), एंडोथेलियल इंजरी और फाइब्रिनोलिसिस की कमी शामिल है, फिर भी वर्तमान में इसका मूल्यांकन स्थिर, एकल-समय-बिंदु मापों (SIC स्कोर) का उपयोग करके किया जाता है। यह दृष्टिकोण गंभीर बीमारी के दौरान जमाव (coagulation) और अंग शिथिलता के तीव्र विकास को पकड़ने में विफल रहता है। समान आधारभूत (baseline) SIC स्कोर वाले रोगी भिन्न नैदानिक पथों का अनुसरण कर सकते हैं—जैसे तीव्र सुधार, निरंतर असामान्यता, या क्रमिक समाधान—जिन्हें केवल क्रॉस-सेक्शनल डेटा के माध्यम से पहचानना असंभव है। यह अध्ययन पुनरुत्पादनीय दीर्घकालिक (longitudinal) SIC-स्कोर प्रक्षेपपथों की पहचान करने और विविध क्रिटिकल-केयर आबादी में उनकी रोगनिरोधी प्रासंगिकता निर्धारित करने की आवश्यकता को संबोधित करता है।

कार्यप्रणाली (Methodology)

इस बहुकेंद्रित रेट्रोस्पेक्टिव कोहोर्ट अध्ययन में चार अलग-अलग क्रिटिकल-केयर डेटाबेस का उपयोग किया गया:

• डेवलपमेंट कोहोर्ट: MIMIC-IV (6,416 रोगी)।
• वैलिडेशन कोहोर्ट्स: MIMIC-III CareVue (1,157 रोगी), eICU-CRD (2,077 रोगी), और NWICU (641 रोगी)।

डेटा प्रोसेसिंग और मॉडलिंग:

1. कोहोर्ट चयन: वे वयस्क (≥18 वर्ष) जिनका ICU प्रवास >24 घंटे था, जो Sepsis-3 मानदंडों को पूरा करते थे और जिन्हें SIC (सेपsis के निदान के 24 घंटों के भीतर SIC स्कोर ≥4) का निदान हुआ था, उन्हें शामिल किया गया। रोगियों के लिए ICU प्रवेश के पहले 7 दिनों के भीतर कम से कम तीन गणना योग्य SIC स्कोर होने आवश्यक थे।
2. ट्रैजेक्टरी मॉडलिंग: पहले 7 दिनों के दौरान क्रमिक SIC स्कोर (6-घंटे के अंतराल पर गणना किए गए) पर ग्रुप-बेस्ड ट्रैजेक्टरी मॉडलिंग (GBTM) लागू किया गया। बेयसियन इंफॉर्मेशन क्राइटेरियन (BIC), एंट्रॉपी (entropy), औसत पोस्टीरियर प्रोबेबिलिटी (AvePP), और सही वर्गीकरण की संभावना (OCC) का उपयोग करके 1-6 लेटेंट क्लासेस के साथ क्वाड्रेटिक मॉडल का मूल्यांकन किया गया।
3. सांख्यिकीय विश्लेषण:
   • सर्वाइवल एनालिसिस: 28-दिवसीय सभी-कारण मृत्यु दर (all-cause mortality) के साथ संबंधों का मूल्यांकन मल्टीवेरिएबल कॉक्स प्रोपोर्शनल-हैज़र्ड्स मॉडल (डेमोग्राफिक्स, कोमोरबिडिटीज, वाइटल साइन्स और लैब्स के लिए समायोजित) का उपयोग करके किया गया।
   • बायस मिटिगेशन (Bias Mitigation): विश्लेषणों में मिसिंग डेटा के लिए मल्टीपल इमप्यूटेशन, कोवेरिएट्स को संतुलित करने के लिए कैलिब्रेटेड इनवर्स प्रोबेबिलिटी ऑफ ट्रीटमेंट वेटिंग (IPTW), और इमोर्टल-टाइम बायस (डे-7 लैंडमार्क एनालिसिस द्वारा रोगियों को सीमित करना जो 7वें दिन जीवित थे) को संबोधित किया गया।
   • सबग्रुप विश्लेषण: स्ट्रेटा (जैसे आयु, SOFA स्कोर, कोमोरबिडिटीज) में इंटरैक्शन टर्म्स का परीक्षण किया गया और फॉल्स-डिस्कवरी-रेट (FDR) सुधार लागू किया गया।
4. मशीन लर्निंग (ML) भविष्यवाणी: पहले 24 घंटों के भीतर उपलब्ध बेसलाइन वेरिएबल्स का उपयोग करके "पर्सिस्टेंटली हाई" (Persistently High) ट्रैजेक्टरी फेनोटाइप की भविष्यवाणी करने के लिए एक नेस्टेड ML पाइपलाइन विकसित की गई।
   • फीचर सिलेक्शन: एक 10-फोल्ड नेस्टेड क्रॉस-वैलिडेशन फ्रेमवर्क के भीतर बोरुटा (Boruta) और LASSO विधियों का उपयोग किया गया।
   • एल्गोरिदम: इलास्टिक नेट, रैंडम फॉरेस्ट, XGBoost, SVM, और k-नियरस्ट नेबर्स की तुलना की गई।
   • वैलिडेशन: अंतिम मॉडल (XGBoost) का टेम्पोरल वैलिडेशन (MIMIC-IV 2020–2022) और एक्सटर्नल वैलिडेशन (MIMIC-III, eICU, NWICU) किया गया। प्रदर्शन का मूल्यांकन AUROC, AUPRC, कैलिब्रेशन कर्व्स, डिसीजन-कर्व एनालिसिस, और SHAP (Shapley Additive Explanations) के माध्यम से किया गया।

मुख्य परिणाम (Key Results)

1. तीन प्रक्षेपपथों (Trajectories) की पहचान:
GBTM ने सभी चार डेटाबेस में तीन विशिष्ट, पुनरुत्पादनीय SIC-स्कोर प्रक्षेपपथों की पहचान की:

• लो-रैपिड डिक्लाइन (Low-Rapid Decline) (19.25%): इसने मेडियन SIC 4.0 के साथ शुरुआत की, तेजी से गिरावट आई और स्थिर हो गई।
• पर्सिस्टेंटली हाई (Persistently High) (32.00%): इसने मेडियन SIC 6.0 के साथ शुरुआत की और न्यूनतम सुधार के साथ उच्च बनी रही।
• मॉडरेट-डिक्लाइन (Moderate-Decline) (48.75%): इसने मेडियन SIC 5.0 के साथ शुरुआत की और धीरे-धीरे गिरावट आई।
  तीन-क्लास मॉडल ने उच्च वर्गीकरण गुणवत्ता (Entropy = 0.947; AvePP > 0.97) प्रदर्शित की।

2. रोगनिरोधी संबंध (Prognostic Associations):

• मृत्यु दर जोखिम: "पर्सिस्टेंटली हाई" प्रक्षेपपथ लगातार सभी कोहोर्ट्स में उच्चतम 28-दिवसीय मृत्यु दर जोखिम से जुड़ा था। पूर्णतः समायोजित मॉडलों में, क्लास 2 बनाम क्लास 1 के लिए हैज़र्ड रेशियो (HR) eICU में 2.45 से लेकर NWICU में 3.93 तक रहा।
• मजबूती (Robustness): ये संबंध IPTW कैलिब्रेशन और डे-7 लैंडमार्क एनालिसिस (जैसे MIMIC-IV में क्लास 2 के लिए HR 3.09) के बाद भी महत्वपूर्ण बने रहे।
• इन्क्रीमेंटल वैल्यू: बेसलाइन SOFA स्कोर में ट्रैजेक्टरी क्लास जोड़ने से 28-दिवसीय मृत्यु दर के लिए भेदभाव (discrimination) में मामूली सुधार हुआ (जैसे, MIMIC-IV में ΔAUC = 0.028), जबकि एक एकल बेसलाइन SIC स्कोर जोड़ने से नगण्य सुधार हुआ।

3. मशीन लर्निंग प्रदर्शन:

• प्रेडिक्टर्स: XGBoost मॉडल ने 10 बेसलाइन वेरिएबल्स की पहचान की, जिसमें बेसलाइन SOFA स्कोर और SIC प्लेटलेट घटक सबसे प्रभावशाली भविष्यवक्ता थे।
• डिस्क्रिमिनेशन: मॉडल ने टेम्पोरल और एक्सटर्नल वैलिडेशन कोहोर्ट्स में 0.830 और 0.862 के बीच AUROC प्राप्त किया।
• कैलिब्रेशन और उपयोगिता: मॉडल ने स्वीकार्य कैलिब्रेशन (Brier scores 0.141–0.154) और नैदानिक रूप से प्रासंगिक थ्रेसहोल्ड पर सकारात्मक नेट बेनिफिट दिखाया। SHAP विश्लेषण ने कोहोर्ट्स के बीच सुसंगत फीचर महत्व रैंकिंग की पुष्टि की।

महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि ICU प्रवेश के पहले सप्ताह के दौरान अनुदैर्ध्य (longitudinal) SIC माप उन पुनरुत्पादनीय रोगनिरोधी उप-फेनोटाइपों को प्रकट करते हैं जिन्हें स्थिर आकलन नहीं पकड़ पाते। विशेष रूप से:

• रोगनिरोधी उप-फेनोटाइप (Prognostic Subphenotypes): "पर्सिस्टेंटली हाई" प्रक्षेपपथ उन रोगियों की पहचान करता है जिनमें निरंतर अत्यधिक मृत्यु दर जोखिम होता है, जबकि "लो-रैपिड डिक्लाइन" एक अनुकूल मार्ग को दर्शाता है।
• टेम्पोरल आयाम (Temporal Dimension): प्रक्षेपपथ की जानकारी मानक गंभीरता मूल्यांकन (SOFA) में एक मामूली लेकिन सार्थक टेम्पोरल आयाम जोड़ती है, जो उन रोगियों के बीच अंतर करती है जिनकी जमाव संबंधी शिथिलता ठीक हो जाती है और वे जिनके लक्षण निरंतर बने रहते हैं।
• प्रारंभिक भविष्यवाणी: यह अध्ययन प्रदर्शित करता है कि मशीन लर्निंग के माध्यम से नियमित रूप से उपलब्ध नैदानिक डेटा का उपयोग करके, "पर्सिस्टेंटली हाई" फेनोटाइप की 24 घंटों के भीतर सटीक भविष्यवाणी की जा सकती है, जिसमें विभिन्न संस्थानों और समय अवधियों में उच्च सामान्यीकरण क्षमता है।

सीमाएं और सावधानियां (Limitations and Cautions):
लेखक स्पष्ट रूप से कहते हैं कि ये अवलोकन संबंधी निष्कर्ष हैं और ये कारणता (causality) स्थापित नहीं करते हैं या विशिष्ट उपचार प्रोटोकॉल को परिभाषित नहीं करते हैं। अध्ययन यह दावा नहीं करता कि प्रक्षेपपथ-सूचित हस्तक्षेपों से परिणामों में सुधार होता है; बल्कि, यह इन प्रक्षेपपथों को भविष्य के प्रोस्पेक्टिव वैलिडेशन के लिए लक्ष्यों के रूप में प्रस्तावित करता है। लेखक चेतावनी देते हैं कि रेट्रोस्पेक्टिव डिज़ाइन के कारण अवशिष्ट कन्फाउंडिंग (residual confounding) की संभावना बनी रहती है, और कई SIC स्कोर की आवश्यकता वाले समावेशन मानदंड (inclusion criteria) लंबे ICU प्रवास वाले रोगियों की ओर चयन पूर्वाग्रह (selection bias) पैदा कर सकते हैं। नैदानिक कार्यान्वयन से पहले इन निष्कर्षों के प्रोस्पेक्टिव वैलिडेशन की आवश्यकता है।