Development of a predictive model for sepsis‑induced immunosuppression using neural networks

तकनीकी सारांश: न्यूरल नेटवर्क का उपयोग करके सेप्सिस-प्रेरित इम्यूनोसप्रेशन (प्रतिरक्षा दमन) के लिए एक प्रेडिक्टिव मॉडल का विकास

समस्या विवरण
सेप्सिस संक्रमण के प्रति एक अनियमित होस्ट रिस्पॉन्स (मेजबान प्रतिक्रिया) द्वारा पहचाना जाता है, जो हाइपरइम्युनिटी (अति-प्रतिरक्षा) और हाइपोइम्युनिटी (अल्प-प्रतिक्षा) की दोहरी अवस्था की ओर ले जाता है। जब हाइपोइम्युनिटी की स्थिति हावी होती है, तो यह सेप्सिस-प्रेरित इम्यूनोसप्रेशन (प्रतिरक्षा दमन) का परिणाम होती है, जो माध्यमिक संक्रमण, बहु-अंग शिथिलता और बढ़ती मृत्यु दर से जुड़ी स्थिति है। हालांकि नैदानिक समुदाय इम्यून होमियोस्टेसिस के महत्व को पहचानता है, लेकिन इम्यूनोसप्रेशन की शुरुआत का सटीक पूर्वानुमान लगाना अभी भी एक खोजपूर्ण चरण में है। वर्तमान मार्कर, जैसे कि मोनोसाइट HLA-DR (mHLA-DR), बड़े पैमाने पर डेटाबेस विश्लेषण के लिए अक्सर बहुत जटिल या महंगे होते हैं। इसके विपरीत, लिम्फोसाइट काउंट अधिक सुलभ हैं लेकिन मौजूदा साहित्य में निगरानी के लिए कोई स्पष्ट रूप से परिभाषित थ्रेशोल्ड (सीमा) की कमी है। यह अध्ययन सेप्सिस रोगियों में इम्यूनोसप्रेशन के शीघ्र और सटीक पूर्वानुमान की आवश्यकता को संबोधित करने का लक्ष्य रखता है ताकि सटीक उपचार और गतिशील रोगनिदान मूल्यांकन की सुविधा मिल सके।

कार्यप्रणाली
इस अध्ययन में MIMIC-IV डेटाबेस के डेटा का उपयोग करते हुए एक रेट्रोस्पेक्टिव कोहॉर्ट डिज़ाइन का उपयोग किया गया।

• डेटा स्रोत और कोहॉर्ट: विश्लेषण में 6,954 वयस्क रोगियों (≥18 वर्ष) को शामिल किया गया, जिन्हें पहली बार Sepsis-3.0 निदान के साथ ICU में भर्ती किया गया था।
• परिणाम की परिभाषा: इम्यूनोसप्रेशन को लिम्फोसाइट काउंट < 1.0 × 10⁹/L के रूप में परिभाषित किया गया।
• भवि 예측 चर (Predictive Variables): अध्ययन में 14 चरों को एकत्र किया गया, जिसमें जनसांख्यिकीय डेटा (आयु, लिंग, जातीयता), नैदानिक मेट्रिक्स (BMI, SOFA स्कोर, चार्ल्सन कोमोरबिडिटी इंडेक्स, अधिकतम लैक्टेट मान), और उपचार कारक (आपातकालीन प्रवेश, वासोएक्टिव ड्रग का उपयोग/अवधि, मैकेनिकल वेंटिलेशन/अवधि, कॉर्टिकोइड का उपयोग, फंगल संक्रमण और मैलिग्नेंट इतिहास) शामिल थे।
• डेटा प्रोसेसिंग: लुप्त डेटा (missing data) को मल्टीपल इम्प्यूटेशन (विशेष रूप से लैक्टेट डेटा के लिए, जिसमें 22.16% की कमी थी) के माध्यम से संभाला गया। BMI चर को 51.13% की कमी के कारण बाहर कर दिया गया। डेटा को प्रशिक्षण (80%) और सत्यापन (20%) सेटों में विभाजित किया गया।
• मॉडलिंग दृष्टिकोण: तीन मशीन लर्निंग एल्गोरिदम का निर्माण और तुलना की गई:
  1. मल्टीलेयर पर्सेप्ट्रॉन (MLP): एक न्यूरल नेटवर्क दृष्टिकोण।
  2. लॉजिस्टिक रिग्रेशन (LR): एक पारंपरिक सांख्यिकीय बेसलाइन।
  3. XGBoost: एक ग्रेडिएंट बूस्टिंग निर्णय वृक्ष मॉडल।
• मूल्यांकन मेट्रिक्स: मॉडल के प्रदर्शन का मूल्यांकन एरिया अंडर द कर्व (AUC), प्रिसिजन (Precision), रिकॉल (Recall), F1 स्कोर, कैलिब्रेशन कर्व्स (होस्मर-लेमेशो टेस्ट), और डिसीजन कर्व एनालिसिस (DCA) का उपयोग करके किया गया।

मुख्य परिणाम

• कोहॉर्ट विशेषताएँ: कोहॉर्ट में इम्यूनोसप्रेशन की घटना 28.5% (6,954 में से 1,983 रोगी) थी।
• यूनिवेरिएट विश्लेषण: इम्यूनोसप्रेशन और आयु, लिंग, आपातकालीन प्रवेश, SOFA स्कोर, चार्ल्सन कोमोरबिडिटी इंडेक्स, फंगल संक्रमण, वासोएक्टिव ड्रग का उपयोग, वासोएक्टिव ड्रग की अवधि, मैकेनिकल वेंटिलेशन और लैक्टेट स्तर के बीच महत्वपूर्ण संबंध पाए गए।
• मल्टीवेरिएट विश्लेषण: अंतिम लॉजिस्टिक रिग्रेशन मॉडल ने आठ स्वतंत्र भविष्यवक्ताओं की पहचान की: आयु, आपातकालीन प्रवेश, चार्ल्सन कोमोरबिडिटी इंडेक्स, फंगल संक्रमण, वासोएक्टिव ड्रग का उपयोग, कुल वासोएक्टिव अवधि, मैकेनिकल वेंटिलेशन और लैक्टेट स्तर। विशेष रूप से, लिंग, SOFA स्कोर, मैलिग्नेंट ट्यूमर और मैकेनिकल वेंटिलेशन की अवधि मल्टीवेरिएट लॉजिस्टिक मॉडल में सांख्यिकीय रूप से महत्वपूर्ण नहीं थे, हालांकि वे मशीन लर्निंग के संदर्भ में प्रासंगिक बने रहे।
• मॉडल प्रदर्शन:
  • MLP मॉडल: 0.82 के AUC, 0.7208 की प्रिसिजन, 0.8441 के रिकॉल और 0.7776 के F1 स्कोर के साथ श्रेष्ठ प्रदर्शन प्रदर्शित किया।
  • XGBoost मॉडल: खराब प्रदर्शन किया, जिसका AUC 0.602, रिकॉल 0.113 और F1 स्कोर 0.177 था।
  • लॉजिस्टिक्स रिग्रेशन: 0.686 के AUC के साथ मध्यम प्रदर्शन दिखाया।
• फीचर इम्पॉर्टेंस (विशेषता महत्व): MLP मॉडल में, इम्यूनोसप्रेशन की भविष्यवाणी करने वाले सबसे प्रभावशाली कारक क्रमवार इस प्रकार थे: आपातकालीन प्रवेश, SOFA स्कोर, आयु, अधिकतम लैक्टेट मान, मैकेनिकल वेंटिलेशन अवधि, कुल वासोएक्टिव अवधि, चार्ल्सन कोमोरबिडिटी इंडेक्स, लिंग, मैलिग्नेंसी, रेस, कॉर्टिकोइड उपयोग और फंगल संक्रमण।

महत्व और दावे
लेखक दावा करते हैं कि विकसित MLP मॉडल सेप्सिस-प्रेरित इम्यूनोसप्रेशन जोखिम की शीघ्र पहचान के लिए एक विश्वसनीय उपकरण के रूप में कार्य करता है। अध्ययन का तर्क है कि विविध नैदानिक चरों को एकीकृत करने की मॉडल की क्षमता निम्नलिखित को सक्षम बनाती है:

1. शीघ्र हस्तक्षेप: उच्च जोखिम वाले रोगियों की पहचान करना ताकि उपचार में समय पर समायोजन (जैसे कि इम्यून एनहेंसर जैसे कि थाइमोसिन पेप्टाइड्स, ग्रेन्युलोसाइट कॉलोनी-स्टिम्युलेटिंग फैक्टर्स का उपयोग) को सक्षम बनाया जा सके।
2. प्रिसिजन मेडिसिन (सटीक चिकित्सा): व्यक्तिगत उपचार योजनाओं को सुगम बनाना, जैसे कि इम्यूनोसप्रेसेंट्स के अत्यधिक उपयोग से बचना या हार्मोन बंद करने के समय को अनुकूलित करना।
3. संसाधन अनुकूलन: गहन देखभाल संसाधनों को बेहतर ढंग से आवंटित करने के लिए रोगी के रोगनिदान के मूल्यांकन में सुधार करना।

यह शोध निष्कर्ष निकालता है कि जबकि मॉडल में नैदानिक मूल्य की क्षमता है, व्यापक नैदानिक कार्यान्वयन से पहले सटीकता और सार्वभौमिकता में सुधार के लिए इसे मल्टी-सेंटर और बड़े-नमूने वाले डेटासेट में और अधिक सत्यापन की आवश्यकता है। लेखक रेट्रोस्पेक्टिव अध्ययनों में निहित सीमाओं को स्वीकार करते हैं, जिसमें चयन पूर्वाग्रह (selection bias) और डेटा हानि के कारण BMI जैसे चरों को बाहर करना शामिल है, और यह भी नोट करते हैं कि कारण संबंधों (causal relationships) के लिए आगे के सत्यापन की आवश्यकता है।