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।
