একটি গুরুত্বপূর্ণ screening gap বন্ধ করা
Hepatocellular carcinoma (HCC), liver cancer এর সবচেয়ে সাধারণ রূপ, প্রায়শই advanced stages এ নির্ণয় করা হয় যখন treatment options সীমিত এবং survival rates কম। বর্তমান clinical guidelines screening প্রচেষ্টা সেই সব রোগীদের উপর কেন্দ্রীভূত করে যাদের cirrhosis বা chronic liver disease এর পরিচিত নির্ণয় রয়েছে — কিন্তু Cancer Discovery এ প্রকাশিত একটি নতুন গবেষণা এই পদ্ধতিতে একটি critical flaw প্রকাশ করে: একটি বড় population study এ 69 শতাংশ HCC মামলা এমন রোগীদের মধ্যে ঘটেছিল যাদের কখনো prior liver disease diagnosis পাননি।
এই একক আবিষ্কার — যে বেশিরভাগ liver cancer রোগীদের নির্ণয়ের আগে কোনো flagged risk status ছিল না — এটি পরামর্শ দেয় যে current screening protocols ঝুঁকিতে থাকা বেশিরভাগ জনগোষ্ঠীকে মিস করে। RWTH Aachen University তে Dr. Carolin Schneider এর নেতৃত্বে গবেষকদের দ্বারা developed একটি machine learning model এই পরিস্থিতি পরিবর্তনের একটি সম্ভাব্য পথ প্রদান করে। শুধুমাত্র সেই ডেটা ব্যবহার করে যা ইতিমধ্যে routine clinical records এ বিদ্যমান, এই model area under the receiver operating characteristic curve (AUROC) এর 0.88 অর্জন করেছে — যা HCC risk assessment এর জন্য ব্যবহৃত প্রতিটি বিদ্যমান clinical scoring tool কে substantially outperform করে।
Model কীভাবে কাজ করে
গবেষকরা একটি random forest model প্রশিক্ষণ দিয়েছেন — একটি ensemble approach যা শত শত decision trees তৈরি করে এবং তাদের predictions সমন্বয় করে — UK Biobank এ 500,000 এর বেশি অংশগ্রহণকারীদের electronic health record data এবং routine blood test results এর উপর। প্রশিক্ষণ dataset এ 538 টি confirmed HCC cases অন্তর্ভুক্ত ছিল, যা model কে clinical features এর কোন সমন্বয় সময়ের সাথে cancer development পূর্বাভাস দেয় তা শিখতে সক্ষম করেছে।
Inputs ইচ্ছাকৃতভাবে practical। Model patient demographics, standard blood chemistry panels (liver enzymes, complete blood count, metabolic markers), এবং structured EHR data ব্যবহার করে — সেই তথ্য যা primary care physicians ইতিমধ্যে routine check-ups এ সংগ্রহ করে। কোনো specialized imaging নেই, কোনো genetic sequencing নেই, কোনো biomarker panels নেই যা dedicated laboratory infrastructure প্রয়োজন।
Model এর একটি simplified version, মাত্র 15 টি clinical features ব্যবহার করে, প্রতিটি বিদ্যমান risk scoring tool কে outperform করে। এটি real-world deployment এর জন্য গুরুত্বপূর্ণ: একটি 15-feature model দ্রুত, স্বচ্ছ, এবং existing clinical decision support systems এ সহজে integrated হতে পারে workflow changes ছাড়াই।
আশ্চর্যজনক আবিষ্কার: বেশিরভাগ রোগীর Prior Diagnosis ছিল না
69 শতাংশ পরিসংখ্যান — HCC cases যাদের prior liver disease diagnosis ছিল না — এটি এই গবেষণায় সবচেয়ে provocative ফলাফল। এটি সরাসরি বিদ্যমান রোগ categories দ্বারা চিহ্নিত guideline-defined high-risk groups এ HCC surveillance সীমাবদ্ধ করার rationale কে চ্যালেঞ্জ করে। যদি liver cancers এর বেশিরভাগ guideline-defined high-risk patients এ develop হয়, তাহলে একটি perfect screening protocol এমনকি guideline-defined high-risk patients এ প্রয়োগ করলেও দুই-তৃতীয়াংশ এর বেশি cases মিস করবে।
Machine learning model এর এই বৃহত্তর জনগোষ্ঠীতে elevated HCC risk চিহ্নিত করার ক্ষমতা — শুধুমাত্র routine clinical data ব্যবহার করে — এটি পরামর্শ দেয় যে এটি primary care settings এ একটি first-pass triage tool হিসাবে কাজ করতে পারে। High risk দিয়ে চিহ্নিত রোগীদের পরে imaging বা blood-based cancer screening tests এর জন্য refer করা যেতে পারে, earlier detection সক্ষম করে এমন stages এ যখন curative treatment আরও feasible।
বৈচিত্র্যময় Populations জুড়ে Validation
একটি model যা primarily UK Biobank data এর উপর প্রশিক্ষিত — যা white, older British participants দিকে skew করে — অন্যান্য populations এ generalize নাও করতে পারে। গবেষকরা এই concern টি All of Us registry এ validation এর মাধ্যমে address করেছেন, একটি US National Institutes of Health dataset যাতে বৈচিত্র্যময় ethnic এবং socioeconomic backgrounds থেকে 400,000 এর বেশি participants রয়েছে।
All of Us validation cohort এ demographic groups জুড়ে model এর performance ধরে রেখেছে, যা পরামর্শ দেয় যে HCC risk prediction কে drive করা clinical features populations জুড়ে consistent যা US, Europe, এবং beyond এর health systems এ broad deployment কে support করে। এটি একটি tool এর জন্য একটি গুরুত্বপূর্ণ ফলাফল যা diverse patient populations জুড়ে ব্যবহারের জন্য intended।
গবেষকরা এটিও test করেছেন যে genomic data বা metabolomic biomarker panels যোগ করা prediction উন্নত করে কিনা। উল্লেখযোগ্যভাবে, এই expensive additional data types baseline clinical model এর উপরে minimal performance lift প্রদান করে। Implication হল যে সবচেয়ে useful HCC risk signal ইতিমধ্যে routine data এ embedded যা health systems সংগ্রহ করে, এবং এটি extract করতে more data collection এর চেয়ে better analytics প্রয়োজন।
Clinical Deployment এর জন্য Path
এই গবেষণা retrospective, অর্থাৎ এটি prospectively রোগীদের follow করার বদলে historical records analyze করেছে। Prospective validation — একটি জনগোষ্ঠী forward follow করা এবং measure করা যে model-flagged রোগীরা আসলে উচ্চতর হারে HCC develop করে কিনা — clinical adoption এর আগে পরবর্তী প্রয়োজনীয় step।
গবেষকরা বেশ কয়েকটি additional limitations note করেন: UK Biobank জনগোষ্ঠী hepatitis B এবং C virus infections সহ রোগীদের underrepresent করে, যা globally major HCC risk factors। ভবিষ্যত model iterations viral hepatitis data incorporate করা উচিত এবং high-prevalence hepatitis regions এ performance validate করা উচিত।
এই caveats সত্ত্বেও, এই গবেষণার core contribution substantial। একটি tool যা primary care physician existing patient data এ run করতে পারে, কোনো additional tests প্রয়োজন নেই, এবং যা 0.88 AUROC performance দিয়ে elevated liver cancer risk সহ রোগীদের চিহ্নিত করে, এটি clinical status quo এর উপরে একটি meaningful advance প্রতিনিধিত্ব করে। যদি prospectively validated এবং EHR workflows এ integrated হয়, এটি one of the most impactful AI screening tools হয়ে উঠতে পারে যা clinical practice এ reach করে।
এই article Medical Xpress দ্বারা reporting এর উপর ভিত্তি করে। মূল article পড়ুন।
