AI मॉडल्स ने यह पहचानने में मदद की कि शुरुआती एक्ज़िमा वाले किन बच्चों में अस्थमा का जोखिम अधिक हो सकता है

शोधकर्ताओं का कहना है कि शुरुआती चेतावनी वाले मॉडल निवारक देखभाल को लक्षित करने में मदद कर सकते हैं

जो बच्चे बहुत कम उम्र में ही एक्ज़िमा विकसित करते हैं, वे अक्सर अन्य एलर्जिक स्थितियों का भी सामना करते हैं, लेकिन चिकित्सकों के पास यह अनुमान लगाने के लिए सीमित उपकरण रहे हैं कि किन मरीजों में अधिक गंभीर श्वसन रोग विकसित होने की सबसे अधिक संभावना है। एक नया अध्ययन सुझाव देता है कि मशीन लर्निंग अब इस जोखिम को छांटने का और अधिक सटीक तरीका दे सकती है।

17 अप्रैल को Journal of Allergy and Clinical Immunology में ऑनलाइन प्रकाशित शोध में, Kaiser Permanente Southern California के अन्वेषकों ने 3 वर्ष की आयु से पहले एटोपिक डर्मेटाइटिस से निदान किए गए बच्चों के लिए पूर्वानुमान मॉडल विकसित और मान्य किए। 10,688 बच्चों के इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड डेटा का उपयोग करते हुए, टीम ने 5 से 11 वर्ष की आयु के बीच मध्यम से गंभीर लगातार अस्थमा और एलर्जिक राइनाइटिस विकसित होने के व्यक्तिगत जोखिम का अनुमान लगाने के लिए मॉडल बनाए।

परिणाम एक संभावित रूप से उपयोगी नैदानिक उपकरण की ओर संकेत करते हैं, खासकर उन स्वास्थ्य प्रणालियों के लिए जो उच्च जोखिम वाले बच्चों की पहले पहचान करना और लक्षणों के बढ़ने से पहले हस्तक्षेप करना चाहती हैं। शोधकर्ताओं ने अस्थमा पूर्वानुमान के लिए मजबूत प्रदर्शन और एलर्जिक राइनाइटिस के लिए अधिक मध्यम, लेकिन फिर भी अर्थपूर्ण, प्रदर्शन की रिपोर्ट दी।

बड़े वास्तविक-विश्व डेटा सेट में अस्थमा की मजबूत भविष्यवाणी

अस्थमा मॉडलों ने व्यापक संस्करण के लिए 0.893 और सरलीकृत संस्करण के लिए 0.892 का एरिया-अंडर-द-कर् व (AUC) स्कोर दर्ज किया, जो बाद में बीमारी विकसित करने वाले बच्चों और न करने वालों के बीच मजबूत भेद क्षमता को दर्शाता है। 95% विशिष्टता सीमा पर, व्यापक मॉडल ने 40.4% संवेदनशीलता और 39.3% पॉजिटिव प्रेडिक्टिव वैल्यू हासिल की, जबकि सरलीकृत मॉडल 36.2% संवेदनशीलता और 33.8% पॉजिटिव प्रेडिक्टिव वैल्यू तक पहुंचा।

ये आंकड़े महत्वपूर्ण हैं क्योंकि वे संकेत देते हैं कि मॉडल गलत-सकारात्मक परिणामों को सीमित करने में विशेष रूप से अच्छे थे, जबकि अभी भी उन बच्चों का एक अर्थपूर्ण हिस्सा पकड़ रहे थे जिनमें आगे चलकर लगातार अस्थमा विकसित होने वाला था। व्यवहार में, ऐसा संतुलन बाल रोग देखभाल में महत्वपूर्ण हो सकता है, जहां अनावश्यक बढ़ोतरी की लागत होती है, लेकिन जोखिम छूट जाने से उपचार में देरी और टाली जा सकने वाली जटिलताएं हो सकती हैं।

राइनाइटिस मॉडलों की सटीकता अस्थमा मॉडलों से कम थी, लेकिन उन्होंने फिर भी मध्यम पूर्वानुमान प्रदर्शन दिया। व्यापक राइनाइटिस मॉडल ने 0.793 का AUC हासिल किया, जबकि सरलीकृत मॉडल का स्कोर 0.773 रहा। 90% विशिष्टता पर, व्यापक मॉडल ने 35.5% संवेदनशीलता और 72.7% पॉजिटिव प्रेडिक्टिव वैल्यू हासिल की, जबकि सरलीकृत मॉडल ने 34.0% संवेदनशीलता और 69.2% पॉजिटिव प्रेडिक्टिव वैल्यू दी।

लेखकों ने स्वीकार्य कैलिब्रेशन भी बताया, जिसमें विशेष रूप से उच्च-जोखिम समूहों में मजबूत सामंजस्य था। यह महत्वपूर्ण है क्योंकि मजबूत भेद क्षमता वाला मॉडल भी कम उपयोगी हो सकता है यदि उसके जोखिम अनुमान क्लिनिक में वास्तव में होने वाली घटनाओं से ठीक मेल नहीं खाते।

बाल-एलर्जी देखभाल के लिए यह क्यों महत्वपूर्ण है

एटोपिक डर्मेटाइटिस अक्सर उस प्रक्रिया का पहला दिखाई देने वाला चरण होता है जिसे चिकित्सक कभी-कभी एलर्जिक मार्च कहते हैं, यानी ऐसी प्रगति जिसमें कुछ बच्चों में बाद में अस्थमा, एलर्जिक राइनाइटिस या अन्य प्रतिरक्षा-मध्यस्थ स्थितियां विकसित हो जाती हैं। लेकिन हर बच्चा एक ही रास्ता नहीं अपनाता। यही व्यक्तिगत भविष्यवाणी को आकर्षक बनाता है: यह चिकित्सकों को सीमित विशेषज्ञ संसाधनों को उन मरीजों पर केंद्रित करने में मदद कर सकता है जिन्हें सबसे अधिक लाभ होने की संभावना है।

अध्ययन लेखकों के अनुसार, नैदानिक कार्यप्रवाह में एकीकृत पूर्वानुमान उपकरण प्रदाताओं को बढ़े हुए जोखिम वाले बच्चों की पहचान करने और उन्हें पर्यावरणीय नियंत्रण, एलर्जिस्ट मूल्यांकन, या निवारक चिकित्सा की प्रारंभिक शुरुआत जैसे हस्तक्षेपों के लिए प्राथमिकता देने में मदद कर सकते हैं।

इसका यह मतलब नहीं है कि मशीन लर्निंग नैदानिक निर्णय का स्थान ले लेती है। इसके बजाय, इन मॉडलों को नियमित देखभाल डेटा में मौजूद पैटर्न से बना एक ट्रायेज स्तर समझना बेहतर है। सावधानी से उपयोग किए जाने पर, वे परिवारों के साथ पहले बातचीत, करीब से निगरानी, और रेफरल या रोकथाम रणनीतियों पर अधिक सूचित निर्णयों में सहायता कर सकते हैं।

सरलीकृत मॉडल का उपयोग भी उल्लेखनीय है। स्वास्थ्य देखभाल में, पूर्वानुमान उपकरण अक्सर कागज़ पर सबसे मजबूत दिखते हैं जब वे कई चर पर निर्भर होते हैं, लेकिन व्यस्त सेटिंग्स में उन्हें लागू करना कठिन होता है। एक सरलीकृत मॉडल जो अधिक जटिल संस्करण के लगभग समान प्रदर्शन करता है, व्यापक उपयोग के लिए अधिक व्यावहारिक हो सकता है, विशेषकर यदि वह पहले से मानक रिकॉर्ड में संचित डेटा का उपयोग करता है।

अध्ययन अभी चिकित्सकों को क्या बता सकता है और क्या नहीं

निष्कर्ष आशाजनक हैं, लेकिन वे स्वयं यह सिद्ध नहीं करते कि इन मॉडलों का उपयोग करने से परिणाम बेहतर होंगे। अध्ययन केवल पूर्वानुमान प्रदर्शन दिखाता है, न कि उस परीक्षण के परिणाम जहां चिकित्सकों ने मॉडल आउटपुट के आधार पर देखभाल बदली हो। वास्तविक-विश्व लाभ इस बात पर निर्भर करेगा कि ये स्कोर डॉक्टरों को कैसे प्रस्तुत किए जाते हैं, उसके बाद कौन से हस्तक्षेप किए जाते हैं, और क्या वे हस्तक्षेप बाद में बीमारी के बोझ को कम करते हैं।

रिपोर्ट की गई संवेदनशीलताएं मौजूदा दृष्टिकोण की सीमाएं भी दिखाती हैं। उच्च विशिष्टता के बावजूद, मॉडल अभी भी उन बच्चों के एक बड़े हिस्से को चूक जाएंगे जिनमें बाद में लगातार अस्थमा या राइनाइटिस विकसित होता है। इसलिए वे रोग को पूरी तरह बाहर करने की तुलना में जोखिम-समृद्धि के लिए अधिक उपयोगी हैं।

फिर भी, डेटा सेट का पैमाना और मजबूत अस्थमा परिणाम इस अध्ययन को उल्लेखनीय बनाते हैं। बाल-स्वास्थ्य जोखिम पूर्वानुमान अक्सर छोटे समूहों, सीमित शोध परिवेशों, या ऐसे मॉडलों से बंधा रहा है जिन्हें व्यवहार में बदलना कठिन है। यहां, काम एक बड़े इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड जनसंख्या पर आधारित था और एक चिकित्सकीय रूप से परिचित समूह पर केंद्रित था: 3 वर्ष से पहले एक्ज़िमा से निदान बच्चे।

यदि आगे के सत्यापन और कार्यान्वयन अध्ययन परिणामों की पुष्टि करते हैं, तो यह शोध बाल-एलर्जी देखभाल को अधिक सक्रिय प्रबंधन की ओर ले जाने में मदद कर सकता है। श्वसन लक्षणों के उभरने का इंतजार करने के बजाय, चिकित्सक बच्चों के एक उपसमूह की पहले पहचान कर सकते हैं और तय कर सकते हैं कि किसे करीब निगरानी या निवारक रणनीतियों की जरूरत है।

पूर्वानुमानात्मक बाल-चिकित्सा की ओर एक व्यापक बदलाव

यह अध्ययन चिकित्सा में एक व्यापक बदलाव से भी मेल खाता है, जहां स्वास्थ्य प्रणालियां केवल निदान के लिए नहीं, बल्कि बीमारी के प्रबंधन कठिन होने से पहले जोखिम का अनुमान लगाने के लिए भी मशीन लर्निंग उपकरणों का परीक्षण तेजी से कर रही हैं। बाल चिकित्सा में, यह दृष्टिकोण विशेष रूप से आशाजनक है क्योंकि प्रारंभिक हस्तक्षेप वर्षों के आगे के स्वास्थ्य को प्रभावित कर सकता है।

गंभीर शुरुआती एक्ज़िमा वाले बच्चों के परिवारों के लिए सबसे कठिन प्रश्नों में से एक यह है कि क्या यह स्थिति केवल त्वचा तक सीमित रहेगी या व्यापक एलर्जिक रोग में बदल जाएगी। यह शोध निश्चितता तो नहीं देता, लेकिन यह सुझाव देता है कि डेटा-आधारित पूर्वानुमान इस प्रश्न का उत्तर देने में अधिक उपयोगी हो सकता है।

मुख्य अगला कदम केवल तकनीकी नहीं, बल्कि परिचालन भी है। यदि पूर्वानुमान स्कोर वास्तव में मायने रखने हैं, तो उन्हें ऐसे नैदानिक कार्यप्रवाह में फिट होना होगा जो सरल, समझने योग्य और कार्रवाई योग्य हों। अध्ययन यह सबूत देता है कि अंतर्निहित संकेत मौजूद है। अगली चुनौती उस संकेत को बेहतर देखभाल में बदलने की है।

यह लेख Medical Xpress की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.