Development and preliminary external validation of a machine learning-based model for predicting 28-day mortality in non-HIV patients with Pneumocystis jirovecii pneumonia: a two-centre retrospective study
इस दो-केंद्रित पूर्वव्यापी अध्ययन ने 13 नियमित रूप से उपलब्ध नैदानिक और प्रयोगशाला चरों का उपयोग करके एक LASSO लॉजिस्टिक रिग्रेशन मॉडल विकसित और प्रारंभिक रूप से मान्य किया, जिसने गैर-एचआईवी रोगियों में न्यूमोसिस्टिस जिरोवेसी निमोनिया के लिए 28-दिवसीय मृत्यु दर की भविष्यवाणी करने में आशाजनक प्रदर्शन प्रदर्शित किया, हालांकि इन निष्कर्षों के लिए बड़े भावी अध्ययनों के माध्यम से पुष्टि की आवश्यकता 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
मानव स्वास्थ्य के जटिल परिदृश्य में, कुछ संक्रमण उन लोगों में विशेष तीव्रता के साथ प्रहार करते हैं जिनकी प्रतिरक्षा प्रणाली कमजोर हो चुकी होती है। ऐसा ही एक संक्रमण 'न्यूमोसिस्टिस जोरोवेसीकी' (Pneumocystis jirovecii) नामक एक सूक्ष्म जीव के कारण होता है, जो हवा में चुपचाप रहता है लेकिन जब किसी व्यक्ति की रक्षा प्रणाली कम हो जाती है, तो यह गंभीर निमोनिया का रूप ले सकता है। हालांकि इसे कभी लगभग विशेष रूप से एचआईवी (HIV) से पीड़ित लोगों के लिए खतरा माना जाता था, डॉक्टरों ने एक परेशान करने वाला बदलाव देखा है: यह अन्य गंभीर स्वास्थ्य चुनौतियों, जैसे कि कैंसर, अंग प्रत्यारोपण, या ऑटोइम्यून रोगों से जूझ रहे रोगियों को भी तेजी से प्रभावित कर रहा है। इन गैर-एचआईवी रोगियों के लिए, यह बीमारी अक्सर चौंकाने वाली गति से आगे बढ़ती है, जिससे सांस लेने में तीव्र कठिनाई और शरीर की कार्यक्षमता में अचानक गिरावट आती है। चिकित्सा टीमों के लिए मुख्य चुनौती यह जानना है कि कौन से रोगी जीवित रहने की संभावना रखते हैं और कौन मृत्यु के तत्काल खतरे में है, ताकि वे तेजी से कार्रवाई कर सकें। फिर भी, इस परिणाम का पूर्वानुमान लगाना कठिन है क्योंकि शरीर की प्रतिक्रिया कारकों के एक उलझे हुए जाल से जुड़ी होती है, जिसमें फेफड़ों की कार्यक्षमता से लेकर रक्त का थक्का जमने और अंगों द्वारा तनाव को संभालने की क्षमता तक शामिल है।
इस अनिश्चितता को दूर करने के लिए, चीन की एक शोध टीम एक ऐसा डिजिटल टूल बनाने के उद्देश्य से आगे बढ़ी जो समय रहते घातक परिणाम के चेतावनी संकेतों को पहचान सके। उन्होंने उन वयस्कों के एक विशिष्ट समूह पर ध्यान केंद्रित किया जिन्हें इस निमोनिया की पुष्टि हुई थी लेकिन जिनमें एचआईवी नहीं था। 2020 और 2025 के बीच दो प्रमुख अस्पतालों में उपचारित 165 रोगियों के मेडिकल रिकॉर्ड का विश्लेषण करके, टीम ने निदान के समय प्रत्येक व्यक्ति की स्थिति के बारे में एक विशाल मात्रा में जानकारी एकत्र की। इस डेटा में आयु और लिंग जैसे बुनियादी विवरण, मानक स्कोरिंग सिस्टम द्वारा मापी गई उनकी बीमारी की गंभीरता, उन्हें दिए गए उपचार, और रक्त परीक्षणों का एक विस्तृत दायरा शामिल था। लक्ष्य यह देखना था कि क्या एक कंप्यूटर प्रोग्राम इस डेटा में उन विशिष्ट पैटर्नों को पहचानना सीख सकता है जो जीवित रहने वाले और न जीवित रहने वाले रोगियों के बीच अंतर करते हैं।
शोधकर्ताओं ने विभिन्न गणितीय दृष्टिकोणों का परीक्षण किया, जिन्हें मशीन लर्निंग एल्गोरिदम कहा जाता है, यह देखने के लिए कि कौन सा एक सूचना को सर्वोत्तम रूप से व्यवस्थित कर सकता है। उन्होंने उन तरीकों की तुलना की जो मानवीय निर्णय लेने की प्रक्रिया की नकल करते हैं, जो विकल्पों के जटिल वृक्ष (trees) बनाते हैं, और अन्य जो चरों (variables) के बीच सूक्ष्म संबंधों को देखते हैं। पहले अस्पताल के डेटा के विरुद्ध इन विभिन्न मॉडलों को चलाने के बाद, उन्होंने पाया कि एक विशिष्ट दृष्टिकोण, जो कम महत्वपूर्ण जानकारी को छानने की तकनीक का उपयोग करता है, सबसे अच्छा प्रदर्शन करता है। इस मॉडल ने उन तेरह प्रमुख कारकों की पहचान की जो मृत्यु के जोखिम से सबसे निकटता से जुड़े थे। इन कारकों में रोगी का समग्र गंभीरता स्कोर, क्या वे रक्तचाप को सहारा देने वाली दवाओं का उपयोग कर रहे थे, रक्त में कुछ विशेष प्रोटीनों का स्तर (जो सूजन या थक्के जमने का संकेत देते हैं), और उनके फेफड़े ऑक्सीजन का आदान-प्रदान कितनी अच्छी तरह कर रहे थे, शामिल थे।
जब टीम ने इस सर्वश्रेष्ठ प्रदर्शन करने वाले मॉडल को एक अलग अस्पताल के 23 रोगियों के एक अलग समूह पर परखा, तो परिणाम आश्चर्यजनक थे। मॉडल ने उच्च सटीकता के साथ उन रोगियों की पहचान की जो जीवित रहने वाले थे, और जबकि इसने उन लोगों की पहचान करने में पूर्ण विशिष्टता (specificity) प्राप्त की जो जीवित नहीं रहने वाले थे, सभी गैर-जीवित रहने वालों का पता लगाने की इसकी क्षमता सीमित थी; मॉडल ने केवल लगभग दो-तिहाई को ही सही ढंग से पहचाना; हालांकि, इस दूसरे समूह का छोटा आकार यह बताता है कि इन परिणामों को अंतिम प्रमाण के बजाय एक आशाजनक शुरुआत के रूप में देखा जाना चाहिए। विश्लेषण ने यह भी प्रकट किया कि किस जानकारी ने कंप्यूटर के निर्णय में सबसे अधिक महत्व निभाया। यह पता चला कि रक्त में लैक्टेट नामक पदार्थ का स्तर, जो संकेत देता है कि शरीर के ऊतकों को पर्याप्त ऑक्सीजन नहीं मिल पा रही है, डी-डिमर (D-dimer) नामक क्लॉटिंग मार्कर का स्तर, और रक्तचाप को सहारा देने वाली दवाओं का उपयोग, तीन सबसे प्रभावशाली कारक थे। ये चर अनिवार्य रूप से मॉडल को बताते थे कि रोगी का शरीर गंभीर तनाव में है, जो रक्त संचार बनाए रखने और बुनियादी कार्यों को संचालित करने के लिए संघर्ष कर रहा है।
अध्ययन यह निष्कर्ष निकालता है कि ऐसा उपकरण, जो नियमित चिकित्सा परीक्षणों और अवलोकनों से निर्मित है, डॉक्टरों को रोग के शुरुआती चरण में जोखिम का आकलन करने में मदद करने के लिए वास्तविक क्षमता रखता है। हालांकि, लेखक सावधानीपूर्वक यह नोट करते हैं कि यह कार्य प्रारंभिक है। चूंकि अध्ययन में पिछले रिकॉर्ड देखे गए और इसमें रोगियों की संख्या अपेक्षाकृत कम थी, इसलिए निष्कर्षों को आगे के परीक्षण की आवश्यकता वाले एक परिकल्पना के रूप में देखा जाना सबसे उचित है। इस मॉडल को अभी तक यह सिद्ध नहीं किया गया है कि यह डॉक्टरों के इलाज के तरीके को बदलता है या जीवित रहने की दर में सुधार करता है। इससे पहले कि इस टूल का उपयोग जीवन-मृत्यु के निर्णयों के मार्गदर्शन के लिए किया जा सके, इसे विभिन्न क्षेत्रों और स्वास्थ्य प्रणालियों में लोगों के बहुत बड़े समूहों में मान्य (validate) करने की आवश्यकता होगी। फिलहाल, यह एक स्पष्ट प्रदर्शन है कि एक गंभीर संक्रमण के जटिल और अराजक संकेतों को एक सुसंगत भविष्यवाणी में व्यवस्थित किया जा सकता है, जो रोगी के स्वास्थ्य लाभ के भविष्य को देखने का एक संभावित नया तरीका 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।