শুরুর দিকের একজিমা থাকা কোন শিশুদের অ্যাজমার ঝুঁকি বেশি হতে পারে তা এআই মডেল শনাক্ত করছে

গবেষকদের মতে, আগাম সতর্কতামূলক মডেল প্রতিরোধমূলক চিকিৎসাকে লক্ষ্যভিত্তিক করতে সাহায্য করতে পারে

জীবনের খুব শুরুতেই যেসব শিশুর একজিমা হয়, তারা প্রায়ই অন্যান্য অ্যালার্জিজনিত অবস্থার মুখোমুখি হয়, কিন্তু কোন রোগীদের আরও গুরুতর শ্বাসজনিত রোগে অগ্রসর হওয়ার সম্ভাবনা সবচেয়ে বেশি তা নির্ধারণের জন্য চিকিৎসকদের হাতে সীমিত সরঞ্জাম ছিল। একটি নতুন গবেষণা ইঙ্গিত দিচ্ছে যে machine learning এখন সেই ঝুঁকি আরও সূক্ষ্মভাবে বাছাই করার উপায় দিতে পারে।

১৭ এপ্রিল Journal of Allergy and Clinical Immunology-এ অনলাইনে প্রকাশিত গবেষণায় Kaiser Permanente Southern California-এর গবেষকেরা ৩ বছর বয়সের আগে atopic dermatitis নির্ণয় পাওয়া শিশুদের জন্য পূর্বাভাসমূলক মডেল তৈরি ও যাচাই করেন। ১০,৬৮৮ শিশুর electronic health record তথ্য ব্যবহার করে দলটি ৫ থেকে ১১ বছর বয়সের মধ্যে মাঝারি থেকে গুরুতর persistent asthma এবং allergic rhinitis হওয়ার ব্যক্তিগত ঝুঁকি নির্ধারণের জন্য মডেল তৈরি করে।

ফলাফলগুলো এমন একটি সম্ভাব্য কার্যকর ক্লিনিক্যাল টুলের দিকে ইঙ্গিত করে, বিশেষ করে সেই স্বাস্থ্যব্যবস্থাগুলোর জন্য যারা উচ্চঝুঁকির শিশুদের আগে শনাক্ত করতে এবং উপসর্গ বেড়ে যাওয়ার আগে হস্তক্ষেপ করতে চায়। গবেষকেরা অ্যাজমা পূর্বাভাসে শক্তিশালী পারফরম্যান্স এবং allergic rhinitis-এর ক্ষেত্রে তুলনামূলকভাবে মাঝারি, তবে অর্থবহ, পারফরম্যান্সের কথা জানান।

বড় real-world ডেটাসেটে অ্যাজমার শক্তিশালী পূর্বাভাস

অ্যাজমা মডেলগুলো comprehensive version-এর জন্য 0.893 এবং simplified version-এর জন্য 0.892 area-under-the-curve স্কোর পেয়েছে, যা পরে রোগ হওয়া এবং না হওয়া শিশুদের আলাদা করতে শক্তিশালী discrimination নির্দেশ করে। ৯৫% specificity threshold-এ comprehensive model 40.4% sensitivity এবং 39.3% positive predictive value অর্জন করে, আর simplified model 36.2% sensitivity এবং 33.8% positive predictive value-এ পৌঁছায়।

এই সংখ্যাগুলো গুরুত্বপূর্ণ, কারণ এগুলো দেখায় যে মডেলগুলো false positives কমাতে বিশেষভাবে দক্ষ ছিল, আবার একই সঙ্গে পরে persistent asthma হওয়ার সম্ভাবনা থাকা উল্লেখযোগ্য সংখ্যক শিশুকেও ধরতে পেরেছে। বাস্তবে, এমন ভারসাম্য pediatric care-এ গুরুত্বপূর্ণ হতে পারে, যেখানে অপ্রয়োজনীয় escalation-এর খরচ আছে, কিন্তু ঝুঁকি মিস করলে চিকিৎসা দেরি হতে পারে এবং এড়ানো সম্ভব এমন জটিলতা দেখা দিতে পারে।

rhinitis মডেলগুলো অ্যাজমা মডেলের তুলনায় কম নির্ভুল ছিল, তবে তবুও মাঝারি মাত্রার পূর্বাভাসমূলক পারফরম্যান্স দিয়েছে। comprehensive rhinitis model 0.793 AUC অর্জন করে, আর simplified model 0.773 স্কোর করে। ৯০% specificity-এ comprehensive model 35.5% sensitivity এবং 72.7% positive predictive value পায়, আর simplified model 34.0% sensitivity এবং 69.2% positive predictive value দেয়।

লেখকেরা acceptable calibration-এর কথাও জানান, বিশেষ করে সর্বোচ্চ ঝুঁকির গোষ্ঠীগুলোর মধ্যে শক্তিশালী সামঞ্জস্য দেখা গেছে। এটি গুরুত্বপূর্ণ, কারণ শক্তিশালী discrimination থাকা সত্ত্বেও যদি risk estimates বাস্তবে ক্লিনিকের ঘটনার সঙ্গে ঠিকমতো মেলে না, তাহলে মডেলটি কম উপযোগী হতে পারে।

শিশুদের অ্যালার্জি চিকিৎসায় এর গুরুত্ব

Atopic dermatitis প্রায়ই সেই প্রক্রিয়ার প্রথম দৃশ্যমান ধাপ, যাকে চিকিৎসকেরা কখনও কখনও allergic march বলেন, যেখানে কিছু শিশুর পরে অ্যাজমা, allergic rhinitis বা অন্য immune-mediated অবস্থা দেখা দেয়। কিন্তু সব শিশু একই পথ অনুসরণ করে না। তাই ব্যক্তিগত পূর্বাভাস আকর্ষণীয়: এটি সীমিত specialist resource এমন রোগীদের দিকে কেন্দ্রীভূত করতে সাহায্য করতে পারে যাদের সবচেয়ে বেশি লাভ হওয়ার সম্ভাবনা আছে।

গবেষণার লেখকদের মতে, clinical workflow-এ একীভূত prediction tools providers-দের উচ্চঝুঁকির শিশুদের শনাক্ত করতে এবং environmental control, allergist evaluation, বা preventive therapy আগেভাগে শুরু করার মতো intervention-এর জন্য তাদের অগ্রাধিকার দিতে সাহায্য করতে পারে।

এর মানে এই নয় যে machine learning clinical judgment-এর জায়গা নেয়। বরং এসব মডেলকে নিয়মিত যত্নের ডেটা থেকে তৈরি একটি triage layer হিসেবে বোঝাই ভালো। সতর্কভাবে ব্যবহার করলে, এগুলো পরিবারগুলোর সঙ্গে আগাম আলোচনা, আরও ঘনিষ্ঠ পর্যবেক্ষণ, এবং referral বা prevention strategy সম্পর্কে বেশি তথ্যভিত্তিক সিদ্ধান্তকে সমর্থন করতে পারে।

simplified model-এর ব্যবহারও লক্ষণীয়। স্বাস্থ্যসেবায় predictive tool-গুলো অনেক variable-এর ওপর নির্ভর করলে কাগজে খুব শক্তিশালী দেখায়, কিন্তু ব্যস্ত পরিবেশে সেগুলো চালু করা কঠিন হয়। আরও জটিল সংস্করণের প্রায় সমান পারফরম্যান্স করা একটি simplified model, বিশেষ করে যদি এটি standard record-এ আগেই থাকা data ব্যবহার করে, তবে ব্যাপক ব্যবহারের জন্য বেশি বাস্তবসম্মত হতে পারে।

গবেষণাটি এখন পর্যন্ত চিকিৎসকদের কী বলতে পারে এবং কী বলতে পারে না

ফলাফলগুলো আশাব্যঞ্জক, কিন্তু শুধু এগুলো দিয়ে প্রমাণ হয় না যে মডেল ব্যবহার করলে outcome উন্নত হবে। গবেষণাটি prediction performance দেখায়, এমন কোনো trial-এর ফল নয় যেখানে চিকিৎসকেরা model output অনুযায়ী চিকিৎসা বদলেছেন। বাস্তব জীবনের লাভ নির্ভর করবে এই scores কীভাবে ডাক্তারদের সামনে উপস্থাপন করা হয়, এরপর কী ধরনের intervention নেওয়া হয়, এবং সেগুলো পরবর্তী রোগের চাপ কমায় কি না তার ওপর।

প্রতিবেদিত sensitivity-ও বর্তমান পদ্ধতির সীমা দেখায়। উচ্চ specificity থাকা সত্ত্বেও, মডেলগুলো এমন উল্লেখযোগ্য সংখ্যক শিশুকে মিস করবে যারা পরে persistent asthma বা rhinitis তৈরি করে। তাই এগুলো disease পুরোপুরি বাতিল করার চেয়ে risk enrichment-এর জন্য বেশি উপযোগী।

তবুও, ডেটাসেটের আকার এবং শক্তিশালী অ্যাজমা ফলাফল এই গবেষণাকে উল্লেখযোগ্য করে তোলে। Pediatric risk prediction প্রায়ই ছোট cohort, সংকীর্ণ গবেষণা পরিবেশ, বা এমন মডেল দ্বারা সীমাবদ্ধ ছিল যেগুলো বাস্তবে প্রয়োগ করা কঠিন। এখানে কাজটি বড় electronic health record population-এর ওপর ভিত্তি করে এবং ক্লিনিক্যালি পরিচিত একটি গোষ্ঠীর ওপর কেন্দ্রীভূত: ৩ বছর বয়সের আগে একজিমা নির্ণয় পাওয়া শিশু।

পরবর্তী validation ও implementation গবেষণা যদি ফলাফল নিশ্চিত করে, তবে এই গবেষণা pediatric allergy care-কে আরও proactive management-এর দিকে এগিয়ে নিতে সাহায্য করতে পারে। শ্বাসজনিত উপসর্গ দেখা দেওয়ার অপেক্ষা না করে, চিকিৎসকেরা শিশুদের একটি উপগোষ্ঠীকে আগে শনাক্ত করতে এবং কারা আরও ঘনিষ্ঠ নজরদারি বা preventive strategy-র প্রয়োজন তা নির্ধারণ করতে পারেন।

পূর্বাভাসভিত্তিক শিশু চিকিৎসার দিকে বড় পরিবর্তন

এই গবেষণা চিকিৎসাবিজ্ঞানে একটি বৃহত্তর পরিবর্তনের সঙ্গেও মিলে যায়, যেখানে স্বাস্থ্যব্যবস্থাগুলো রোগ নির্ণয়ের পাশাপাশি রোগ নিয়ন্ত্রণ কঠিন হয়ে যাওয়ার আগে ঝুঁকি অনুমান করার জন্যও machine learning tool পরীক্ষা বাড়াচ্ছে। শিশু চিকিৎসায় এই পদ্ধতি বিশেষভাবে সম্ভাবনাময়, কারণ আগাম হস্তক্ষেপ পরবর্তী বহু বছরের স্বাস্থ্যে প্রভাব ফেলতে পারে।

তীব্র early eczema থাকা শিশুদের পরিবারের জন্য সবচেয়ে কঠিন প্রশ্নগুলোর একটি হলো, এই অবস্থা কি কেবল ত্বকেই সীমাবদ্ধ থাকবে, নাকি বিস্তৃত allergic disease-এ রূপ নেবে। এই গবেষণা নিশ্চিততা দেয় না, তবে এটি ইঙ্গিত করে যে data-driven forecasting এই প্রশ্নের উত্তর দিতে আরও কার্যকর হতে পারে।

পরবর্তী প্রধান ধাপটি কেবল প্রযুক্তিগত নয়, কার্যকরীও। prediction score যদি গুরুত্বপূর্ণ হতে হয়, তবে সেগুলোকে এমন clinical workflow-এ মানিয়ে নিতে হবে যা সহজ, ব্যাখ্যাযোগ্য এবং কার্যকরযোগ্য। গবেষণাটি দেখায় যে অন্তর্নিহিত signal আছে। পরবর্তী চ্যালেঞ্জ হলো সেই signal-কে উন্নত চিকিৎসায় রূপান্তর করা।

এই নিবন্ধটি Medical Xpress-এর প্রতিবেদনের ভিত্তিতে লেখা। মূল নিবন্ধটি পড়ুন.