Machine Learning Models for Predicting Active Bleeding in Patients Presenting to the Emergency Department with Upper Gastrointestinal Bleeding: A Retrospective Cross-Sectional Study

कल्पना कीजिए कि इमरजेंसी डिपार्टमेंट (ED) एक व्यस्त एयरपोर्ट टर्मिनल की तरह है। ऊपरी जठरांत्र संबंधी रक्तस्राव (upper gastrointestinal/GI bleeding) के साथ आने वाले मरीज उन यात्रियों की तरह हैं जिनके अंदर एक खतरनाक "तूफान" (सक्रिय रक्तस्राव) हो सकता है या बस एक मामूली "बूंदाबांदी" (कोई सक्रिय रक्तस्राव नहीं)।

वर्तमान में, एयरपोर्ट के पास एक मानक सुरक्षा स्कैनर है जिसे ग्लासगो-ब्लैचफोर्ड स्कोर (GBS) कहा जाता है। यह स्कैनर उन सभी को पकड़ने में बहुत अच्छा है जिनमें तूफान आने की संभावना होती है, लेकिन यह थोड़ा अधिक संवेदनशील है। यह अक्सर उन लोगों को भी फ्लैग कर देता है जो बिल्कुल ठीक हैं, जिससे उन्हें एक पूर्ण, महंगे और आक्रामक बॉडी स्कैन (एंडोस्कोपी) से गुजरना पड़ता है, भले ही उन्हें इसकी आवश्यकता न हो। इससे टर्मिनल में भीड़ होती है और संसाधनों की बर्वी होती है।

शोधकर्ताओं ने इस पेपर में पूछा: "क्या हम एक स्मार्ट, AI-संचालित स्कैनर बना सकते हैं जो उसी बुनियादी जानकारी का उपयोग करे जो हमारे पास पहले से मौजूद है (जैसे रक्तचाप और रक्त परीक्षण) ताकि यह बता सके कि किन लोगों में निश्चित रूप से तूफान नहीं है, जिससे हम अनावश्यक बॉडी स्कैन को छोड़ सकें?"

यहाँ उन्होंने बताया है कि उन्होंने इस स्मार्ट स्कैनर को कैसे बनाया, जिसे सरल भाषा में समझाया गया है:

1. ट्रेनिंग कैंप (डेटा)

टीम ने 2015 से 2022 के बीच उनके अस्पताल में आए 1,000 से अधिक मरीजों के रिकॉर्ड्स को देखा। उन्होंने वह सब कुछ इकट्ठा किया जो मरीज के आने के समय उपलब्ध था:

• वाइटल साइन्स (Vital signs): हृदय गति, रक्तचाप।
• लैब परिणाम: रक्त गणना (blood counts), किडनी की कार्यक्षमता, आदि।
• शारीरिक जांच: क्या मरीज बेहोश हुआ था? क्या उनके मल में खून था?
• "सत्य" (The Truth): उन्होंने एंडोस्कोपी रिपोर्टों की जांच की ताकि यह देखा जा सके कि वास्तव में किन मरीजों में सक्रिय रक्तस्राव (तूफान) था और किनमें नहीं।

उन्होंने इन मरीजों को दो समूहों में विभाजित किया:

• छात्र (ट्रेनिंग सेट): 666 मरीज जिनका उपयोग कंप्यूटर को यह सिखाने के लिए किया गया कि सक्रिय रक्तस्राव कैसा दिखता है।
• परीक्षा (टेस्ट सेट): 343 मरीज जिनका उपयोग यह देखने के लिए किया गया कि क्या कंप्यूटर वास्तव में नए, अनदेखे डेटा पर परीक्षा पास कर सकता है।

2. पांच AI उम्मीदवार

शोधकर्ताओं ने इस रहस्य को सुलझाने के लिए पांच अलग-अलग प्रकार के "डिजिटल जासूसों" (मशीन लर्निंग मॉडल) को प्रशिक्षित किया। इसे अलग-अलग शैलियों के जासूसों के रूप में सोचें:

• गौसियन नाइव बेयस (Gaussian Naive Bayes): एक जासूस जो सरल संभावनाओं के आधार पर त्वरित अनुमान लगाता है।
• के-नियरएस्ट नेबर्स (KNN): एक जासूस जो अपने पड़ोसियों (समान पिछले मरीजों) को देखता है और मान लेता है कि वे भी वैसे ही हैं।
• सपोर्ट वेक्टर मशीन्स (SVM): एक जासूस जो "रक्तस्राव करने वालों" और "रक्तस्राव न करने वालों" को अलग करने के लिए रेत में एक बहुत ही सटीक रेखा खींचता है।
• रैंडम फॉरेस्ट (Random Forest): एक जासूस जो अन्य जासूसों की एक पूरी समिति से उनकी राय मांगता है और वोट लेकर निर्णय लेता है।
• लॉजिस्टिक्स रिग्रेशन (Logistic Regression): एक जासूस जो यह गणना करता है कि प्रत्येक सुराग कितना महत्वपूर्ण है और उसके आधार पर एक भारित (weighted) स्कोर बनाता है।

3. परिणाम: परीक्षा में कौन पास हुआ?

जब जासूसों का 343 मरीजों पर परीक्षण किया गया, तो यहाँ क्या हुआ:

• "सुरक्षा जाल" के विजेता: रैंडम फॉरेस्ट, लॉजिस्टिक्स रिग्रेशन, और SVM जासूस वास्तव में सुरक्षित रहने वाले मरीजों की पहचान करने में उत्कृष्ट थे।

  • उपमा: कल्पना करें कि एक सुरक्षा जाल है जो वास्तव में सुरक्षित रहने वाले 97% लोगों को पकड़ लेता है। यदि रैंडम फॉरेस्ट मॉडल कहता है, "यह मरीज सुरक्षित है," तो आप 97% सुनिश्चित हो सकते हैं कि उनमें सक्रिय रक्तस्राव नहीं है।
  • यह क्यों मायने रखता है: टेस्ट ग्रुप में, 100 में से केवल लगभग 9 मरीजों में वास्तव में सक्रिय रक्तस्राव था। इन मॉडलों ने सुरक्षित 91 मरीजों की सफलतापूर्वक पहचान की, जिसका अर्थ है कि वे उन विशिष्ट लोगों पर एंडोस्कोपी न करने का निर्णय लेने में मदद कर सकते हैं।

• "अति-आत्मविश्वासी" हारने वाला: KNN जासूस अजीब था। यह "ना" कहने में अविश्वसनीय रूप से सटीक था (99% सटीकता), लेकिन इसने लगभग हर एक वास्तविक रक्तस्राव के मामले को मिस कर दिया (केवल 100 में से 3 को पकड़ा)।

  • उपमा: यह जासूस तूफान को मिस करने से इतना डरता है कि यह किसी को भी देखने से इनकार कर देता है। यह तकनीकी रूप से "सटीक" है क्योंकि अधिकांश लोग सुरक्षित हैं, लेकिन यह बेकार है क्योंकि यह खतरनाक मामलों को खोजने में विफल रहता है।

• "मिस" हुए मामले: यहाँ तक कि सबसे अच्छे मॉडलों (जैसे रैंडम फॉरेस्ट) ने भी कुछ सक्रिय रक्तस्राव वाले मरीजों को मिस किया (इनकी संवेदनशीलता 80% थी, जिसका अर्थ है कि इन्होंने वास्तविक तूफानों में से 20% को मिस कर दिया)। यही कारण है कि पेपर कहता है कि ये उपकरण मौजूदा स्कोर को पूरक (complementing) बनाने के लिए हैं, न कि उन्हें बदलने (replacing) के लिए।

4. बड़ी सीख

पेपर निष्कर्ष निकालता है कि ये AI मॉडल, विशेष रूप से रैंडम फॉरेस्ट, लॉजिस्टिक्स रिग्रेशन और SVM, एक अत्यधिक विश्वसनीय "ऑल क्लियर" (सब ठीक है) सिग्नल के रूप में कार्य करते हैं।

यदि AI कहता है कि मरीज कम जोखिम वाला है, तो इसकी बहुत अधिक संभावना है (95% से अधिक संभावना) कि वास्तव में उनमें सक्रिय रक्तस्राव नहीं है। यह डॉक्टरों को उन विशिष्ट मरीजों के लिए एंडोस्कोपी को टालने या छोड़ने के बारे में अधिक आश्वस्त होने में मदद कर सकता है, जिससे समय और संसाधनों की बचत हो सकती है।

हालांकि, पेपर बहुत सावधानी से कहता है कि:

• यह एक "पीछे की ओर देखने वाला" (backwards-looking) अध्ययन था (पुराने रिकॉर्ड्स को देखना), न कि अभी अस्पताल में चल रहा कोई लाइव टेस्ट।
• यह केवल एक ही अस्पताल में किया गया था।
• AI अभी डॉक्टर के निर्णय को बदलने के लिए तैयार नहीं है। इसे वास्तविक जीवन के निर्णय लेने से पहले कई अलग-अलग अस्पतालों में परीक्षण (प्रोस्पेक्टिव वैलिडेशन) की आवश्यकता है।

संक्षेप में, शोधकर्ताओं ने एक डिजिटल टूल बनाया है जो यह कहने में बहुत अच्छा है कि, "आप शायद सुरक्षित हैं," जो अनावश्यक बॉडी स्कैन की संख्या को कम करने में मदद कर सकता है, लेकिन इसे एयरपोर्ट चलाने के लिए भरोसेमंद बनने से पहले अभी और अभ्यास की आवश्यकता है।