नियमित रक्त परीक्षणों से एआई लीवर कैंसर के जोखिम का अनुमान लगाता है

एक महत्वपूर्ण स्क्रीनिंग अंतर को बंद करना

हेपेटोसेलुलर कार्सिनोमा (HCC), जो लीवर कैंसर का सबसे सामान्य रूप है, अक्सर उन्नत चरणों में पहचाना जाता है, जब उपचार के विकल्प सीमित होते हैं और जीवित रहने की दरें कम होती हैं। मौजूदा नैदानिक दिशानिर्देश उन मरीजों पर स्क्रीनिंग केंद्रित करते हैं जिन्हें सिरोसिस या क्रोनिक लीवर रोग ज्ञात है — लेकिन Cancer Discovery में प्रकाशित एक नया अध्ययन इस दृष्टिकोण की एक गंभीर खामी उजागर करता है: एक बड़े जनसंख्या अध्ययन में HCC के 69 प्रतिशत मामले उन मरीजों में हुए जिन्हें पहले कभी लीवर रोग का निदान नहीं मिला था।

यह एकमात्र निष्कर्ष — कि लीवर कैंसर के अधिकांश मरीजों में निदान से पहले जोखिम की कोई चिह्नित स्थिति नहीं थी — संकेत देता है कि मौजूदा स्क्रीनिंग प्रोटोकॉल जोखिमग्रस्त आबादी के अधिकांश हिस्से को चूक जाते हैं। RWTH Aachen University के शोधकर्ताओं द्वारा, डॉ. कैरोलिन श्नाइडर के नेतृत्व में विकसित एक मशीन लर्निंग मॉडल, इसे बदलने का एक संभावित मार्ग प्रस्तुत करता है। केवल नियमित नैदानिक रिकॉर्ड में पहले से मौजूद डेटा का उपयोग करके, इस मॉडल ने रिसीवर ऑपरेटिंग कैरेक्टेरिस्टिक कर्व (AUROC) के नीचे 0.88 का क्षेत्र हासिल किया — जो HCC जोखिम आकलन में उपयोग किए जाने वाले हर मौजूदा नैदानिक स्कोरिंग टूल से काफी बेहतर है।

मॉडल कैसे काम करता है

शोधकर्ताओं ने एक रैंडम फॉरेस्ट मॉडल को प्रशिक्षित किया — यह एक एन्सेम्बल विधि है जो सैकड़ों निर्णय वृक्ष बनाती है और उनकी भविष्यवाणियों को समेकित करती है — यूके बायोबैंक के 500,000 से अधिक प्रतिभागियों के इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड डेटा और नियमित रक्त परीक्षण परिणामों पर। प्रशिक्षण डेटासेट में 538 पुष्ट HCC मामले शामिल थे, जिससे मॉडल यह सीख सका कि नैदानिक विशेषताओं के कौन-से संयोजन समय के साथ कैंसर के विकास की भविष्यवाणी करते हैं।

इनपुट जानबूझकर व्यावहारिक रखे गए हैं। मॉडल मरीज की जनसांख्यिकीय जानकारी, मानक रक्त रसायन पैनल (लीवर एंजाइम, पूर्ण रक्त गणना, मेटाबोलिक मार्कर), और संरचित EHR डेटा का उपयोग करता है — वह प्रकार की जानकारी जिसे प्राथमिक देखभाल चिकित्सक नियमित जांच में पहले से एकत्र करते हैं। न कोई विशेष इमेजिंग, न जेनेटिक सीक्वेंसिंग, न समर्पित प्रयोगशाला अवसंरचना की जरूरत वाले बायोमार्कर पैनल।

मॉडल का एक सरलीकृत संस्करण, जिसमें केवल 15 नैदानिक विशेषताएं थीं, फिर भी हर मौजूदा जोखिम स्कोरिंग टूल से बेहतर रहा। वास्तविक दुनिया में तैनाती के लिहाज से यह महत्वपूर्ण है: 15-विशेषताओं वाला मॉडल तेज, पारदर्शी, और मौजूदा नैदानिक निर्णय सहायता प्रणालियों में बिना कार्यप्रवाह बदले आसानी से एकीकृत किया जा सकता है।

आश्चर्यजनक निष्कर्ष: अधिकांश मरीजों में पहले कोई निदान नहीं था

69 प्रतिशत का आंकड़ा — यानी वे HCC मामले जिनमें पहले लीवर रोग का निदान नहीं था — अध्ययन का सबसे महत्वपूर्ण परिणाम है। यह मौजूदा रोग श्रेणियों द्वारा पहचाने गए उच्च-जोखिम समूहों तक HCC निगरानी सीमित करने के तर्क को सीधे चुनौती देता है। यदि लीवर कैंसर के अधिकांश मामले उन मरीजों में विकसित होते हैं जो वर्तमान में उन्नत स्क्रीनिंग के योग्य नहीं माने जाएंगे, तो केवल दिशानिर्देश-परिभाषित उच्च-जोखिम मरीजों पर लागू एक पूर्ण स्क्रीनिंग प्रोटोकॉल भी दो-तिहाई से अधिक मामलों को चूक जाएगा।

केवल नियमित नैदानिक डेटा का उपयोग करके व्यापक आबादी में बढ़े हुए HCC जोखिम की पहचान करने की मशीन लर्निंग मॉडल की क्षमता बताती है कि यह प्राथमिक देखभाल सेटिंग्स में एक प्रथम-पास ट्रायेज टूल के रूप में काम कर सकता है। उच्च जोखिम के रूप में चिह्नित मरीजों को फिर इमेजिंग या रक्त-आधारित कैंसर स्क्रीनिंग परीक्षणों के लिए भेजा जा सकता है, जिससे उन चरणों में जल्दी पहचान संभव होगी जब उपचारात्मक इलाज अधिक व्यवहार्य होता है।

विविध आबादियों में सत्यापन

मुख्य रूप से यूके बायोबैंक डेटा पर प्रशिक्षित मॉडल — जो श्वेत, वृद्ध ब्रिटिश प्रतिभागियों की ओर झुका हुआ है — अन्य आबादियों पर सामान्यीकृत नहीं भी हो सकता था। शोधकर्ताओं ने इस चिंता का समाधान All of Us रजिस्ट्री पर सत्यापन के माध्यम से किया, जो यू.एस. नेशनल इंस्टीट्यूट्स ऑफ हेल्थ का एक डेटासेट है, जिसमें विविध जातीय और सामाजिक-आर्थिक पृष्ठभूमि से आए 400,000 से अधिक प्रतिभागी शामिल हैं।

All of Us सत्यापन समूह में मॉडल का प्रदर्शन जनसांख्यिकीय समूहों के बीच बरकरार रहा, जिससे संकेत मिलता है कि HCC जोखिम पूर्वानुमान को संचालित करने वाली नैदानिक विशेषताएं आबादियों में पर्याप्त रूप से सुसंगत हैं और व्यापक तैनाती का समर्थन कर सकती हैं। यह उन विविध रोगी आबादियों में उपयोग के लिए बनाए गए टूल के लिए एक महत्वपूर्ण परिणाम है, जो अमेरिका, यूरोप और उससे आगे की स्वास्थ्य प्रणालियों में हैं।

शोधकर्ताओं ने यह भी परखा कि क्या जीनोमिक डेटा या मेटाबोलोमिक बायोमार्कर पैनलों को जोड़ने से पूर्वानुमान बेहतर हुआ। उल्लेखनीय रूप से, इन महंगे अतिरिक्त डेटा प्रकारों से बेसलाइन नैदानिक मॉडल की तुलना में प्रदर्शन में बहुत कम वृद्धि हुई। इसका निहितार्थ यह है कि सबसे उपयोगी HCC जोखिम संकेत पहले से ही स्वास्थ्य प्रणालियों द्वारा एकत्रित नियमित डेटा में मौजूद है, और उसे निकालने के लिए अधिक डेटा संग्रह की नहीं बल्कि बेहतर विश्लेषण की आवश्यकता है।

नैदानिक तैनाती का रास्ता

यह अध्ययन रेट्रोस्पेक्टिव है, अर्थात इसने मरीजों का आगे की ओर प्रॉस्पेक्टिव रूप से अनुसरण करने के बजाय ऐतिहासिक रिकॉर्ड का विश्लेषण किया। नैदानिक उपयोग से पहले अगला आवश्यक कदम प्रॉस्पेक्टिव सत्यापन है — किसी आबादी का आगे की ओर अनुसरण करना और मापना कि क्या मॉडल द्वारा चिह्नित मरीज वास्तव में HCC अधिक दरों पर विकसित करते हैं।

शोधकर्ता कई अतिरिक्त सीमाओं की ओर भी इशारा करते हैं: यूके बायोबैंक की आबादी में हेपेटाइटिस B और C वायरस संक्रमण वाले मरीजों का प्रतिनिधित्व कम है, जबकि ये वैश्विक स्तर पर HCC के प्रमुख जोखिम कारक हैं। भविष्य के मॉडल संस्करणों में वायरल हेपेटाइटिस डेटा शामिल किया जाना चाहिए और उच्च-प्रचलन वाले हेपेटाइटिस क्षेत्रों में प्रदर्शन का सत्यापन होना चाहिए।

इन सावधानियों के बावजूद, अध्ययन का मूल योगदान पर्याप्त है। ऐसा टूल जिसे प्राथमिक देखभाल चिकित्सक मौजूदा मरीज डेटा पर, बिना किसी अतिरिक्त परीक्षण के चला सके, और जो 0.88 AUROC प्रदर्शन के साथ बढ़े हुए लीवर कैंसर जोखिम वाले मरीजों की पहचान करे, नैदानिक स्थिति-यथावत की तुलना में एक महत्वपूर्ण प्रगति दर्शाता है। यदि इसे प्रॉस्पेक्टिव रूप से सत्यापित किया जाता है और EHR कार्यप्रवाहों में एकीकृत किया जाता है, तो यह क्लीनिकल प्रैक्टिस तक पहुंचने वाले सबसे प्रभावशाली एआई स्क्रीनिंग टूल्स में से एक बन सकता है।

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