लवकरच्या एक्जिमा असलेल्या कोणत्या मुलांना अस्थमाचा अधिक धोका असू शकतो हे एआय मॉडेल्स ओळखत आहेत

लवकर इशारा देणारी मॉडेल्स प्रतिबंधात्मक काळजीला लक्ष्यित करण्यात मदत करू शकतात, असे संशोधक म्हणतात

जीवनाच्या अगदी सुरुवातीच्या काळात एक्जिमा विकसित होणारी मुले अनेकदा इतर अलर्जीक स्थितींनाही सामोरे जातात, पण कोणत्या रुग्णांना अधिक गंभीर श्वसनरोगाकडे वाटचाल होण्याची शक्यता जास्त आहे हे मोजण्यासाठी डॉक्टरांकडे मर्यादित साधने आहेत. एक नवीन अभ्यास सूचित करतो की machine learning आता त्या जोखमीचे अधिक अचूक वर्गीकरण करण्याचा मार्ग देऊ शकते.

१७ एप्रिल रोजी Journal of Allergy and Clinical Immunology मध्ये ऑनलाइन प्रकाशित झालेल्या संशोधनात Kaiser Permanente Southern California येथील संशोधकांनी ३ वर्षांच्या आधी atopic dermatitis चे निदान झालेल्या मुलांसाठी prediction models विकसित आणि पडताळले. 10,688 मुलांच्या electronic health record डेटाचा वापर करून, पथकाने 5 ते 11 वयोगटात मध्यम ते गंभीर persistent asthma आणि allergic rhinitis होण्याचा वैयक्तिक धोका मोजणारी मॉडेल्स तयार केली.

हे निष्कर्ष संभाव्य उपयुक्त क्लिनिकल साधनाकडे इशारा करतात, विशेषतः अशा आरोग्यप्रणालींसाठी ज्या उच्च-धोका असलेल्या मुलांना लवकर ओळखून लक्षणे वाढण्यापूर्वी हस्तक्षेप करू इच्छितात. संशोधकांनी अस्थमाच्या अंदाजासाठी मजबूत कामगिरी आणि allergic rhinitis साठी अधिक मध्यम, पण तरीही अर्थपूर्ण, कामगिरी नोंदवली.

मोठ्या real-world डेटासेटमध्ये अस्थमाचा मजबूत अंदाज

अस्थमा मॉडेल्सनी comprehensive version साठी 0.893 आणि simplified version साठी 0.892 area-under-the-curve गुण मिळवले, जे नंतर रोग झालेल्या आणि न झालेल्या मुलांमधील फरक ओळखण्यात मजबूत discrimination दर्शवतात. 95% specificity मर्यादेवर, comprehensive model ने 40.4% sensitivity आणि 39.3% positive predictive value मिळवला, तर simplified model 36.2% sensitivity आणि 33.8% positive predictive value वर पोहोचला.

हे आकडे महत्त्वाचे आहेत कारण ते सूचित करतात की मॉडेल्स false positives मर्यादित करण्यात विशेषतः चांगली होती, तरीही नंतर persistent asthma विकसित होणाऱ्या मुलांचा अर्थपूर्ण हिस्सा पकडत होती. प्रत्यक्षात, असा समतोल बालरोग काळजीत महत्त्वाचा असू शकतो, जिथे अनावश्यक escalation चे खर्च असतात, पण धोका चुकल्यास उपचारात विलंब आणि टाळता येण्याजोग्या गुंतागुंती उद्भवू शकतात.

rhinitis मॉडेल्स अस्थमा मॉडेल्सपेक्षा कमी अचूक होते, तरीही त्यांनी मध्यम पूर्वानुमान कामगिरी दिली. comprehensive rhinitis model ने 0.793 AUC मिळवला, तर simplified model ने 0.773 गुण मिळवले. 90% specificity वर, comprehensive model ने 35.5% sensitivity आणि 72.7% positive predictive value मिळवला, तर simplified model ने 34.0% sensitivity आणि 69.2% positive predictive value दिला.

लेखकांनी स्वीकारार्ह calibration देखील नोंदवली, विशेषतः सर्वाधिक-धोका असलेल्या गटांमध्ये मजबूत जुळवाजुळव दिसून आली. हा मुद्दा महत्त्वाचा आहे कारण अगदी मजबूत discrimination असलेले मॉडेलही कमी उपयुक्त ठरू शकते, जर त्याचे risk estimates प्रत्यक्ष क्लिनिकमध्ये जे घडते त्याशी अचूक जुळत नसतील.

बालरोगातील अलर्जी काळजीसाठी हे का महत्त्वाचे आहे

Atopic dermatitis ही अनेकदा त्या प्रक्रियेतील पहिली दिसणारी पायरी असते, ज्याला डॉक्टर कधी कधी allergic march म्हणतात, ज्यात काही मुलांना पुढे asthma, allergic rhinitis किंवा इतर immune-mediated स्थिती येतात. पण प्रत्येक मूल तोच मार्ग अनुसरत नाही. त्यामुळे वैयक्तिक पूर्वानुमान आकर्षक ठरतो: मर्यादित specialist संसाधने ज्यांना सर्वाधिक फायदा होऊ शकतो अशा रुग्णांवर केंद्रित करण्यात तो मदत करू शकतो.

अभ्यासाच्या लेखकांच्या मते, क्लिनिकल workflows मध्ये एकत्रित केलेली prediction tools providers ना वाढलेल्या धोक्यातील मुलांना ओळखण्यास आणि environmental control, allergist evaluation किंवा preventive therapy लवकर सुरू करण्यासारख्या हस्तक्षेपांसाठी त्यांना प्राधान्य देण्यास मदत करू शकतात.

याचा अर्थ machine learning clinical judgment ची जागा घेते असा नाही. त्याऐवजी, ही मॉडेल्स नियमित काळजीतील डेटामधील नमुन्यांवर तयार केलेला एक triage layer म्हणून समजणे योग्य आहे. काळजीपूर्वक वापरल्यास, ती कुटुंबांशी लवकर चर्चा, अधिक जवळून निरीक्षण, आणि referral किंवा prevention strategies बाबत अधिक माहितीपूर्ण निर्णयांना पाठबळ देऊ शकतात.

simplified model चा वापरही उल्लेखनीय आहे. आरोग्यसेवेत, predictive tools अनेक variables वर अवलंबून असतील तर कागदावर फार मजबूत दिसू शकतात, पण व्यस्त ठिकाणी त्यांची अंमलबजावणी कठीण होते. अधिक गुंतागुंतीच्या आवृत्तीइतकीच जवळपास कामगिरी करणारे simplified model व्यापक वापरासाठी अधिक वास्तववादी ठरू शकते, विशेषतः जर ते standard records मध्ये आधीच नोंदवलेल्या डेटाचा आधार घेत असेल तर.

हा अभ्यास आत्ता तरी डॉक्टरांना काय सांगू शकतो आणि काय सांगू शकत नाही

हे निष्कर्ष आशादायक आहेत, पण मॉडेल्स वापरल्याने परिणाम सुधारतील हे ते आपोआप सिद्ध करत नाहीत. हा अभ्यास prediction performance दाखवतो, model output वर आधारित डॉक्टरांनी काळजी बदललेल्या trial चे परिणाम नाहीत. प्रत्यक्ष लाभ हे स्कोर्स डॉक्टरांना कसे सादर केले जातात, पुढे कोणते हस्तक्षेप केले जातात, आणि ते हस्तक्षेप पुढील रोगाचा बोजा कमी करतात का यावर अवलंबून असेल.

नोंदवलेल्या sensitivities देखील सध्याच्या पद्धतीच्या मर्यादा दाखवतात. उच्च specificity असूनही, नंतर persistent asthma किंवा rhinitis विकसित करणाऱ्या मुलांचा बराच हिस्सा मॉडेल्स चुकवतील. त्यामुळे रोग पूर्णपणे नाकारण्यासाठी नव्हे, तर risk enrichment साठी ती अधिक उपयुक्त आहेत.

तरीही, डेटासेटचा आकार आणि मजबूत अस्थमा परिणाम या अभ्यासाला महत्त्वपूर्ण बनवतात. बालरोगीय risk prediction अनेकदा लहान cohorts, मर्यादित संशोधन वातावरण किंवा प्रत्यक्ष वापरात रूपांतर करणे कठीण असलेल्या मॉडेल्समुळे मर्यादित राहिला आहे. येथे काम मोठ्या electronic health record population वर आधारित होते आणि एक क्लिनिकली परिचित गटावर केंद्रित होते: ३ वर्षांच्या आधी एक्जिमा निदान झालेले मुले.

पुढील validation आणि implementation अभ्यासांनी निष्कर्षांची पुष्टी केल्यास, हे संशोधन बालरोगीय अलर्जी काळजी अधिक proactive management कडे नेण्यास मदत करू शकते. श्वसन लक्षणे दिसण्याची वाट पाहण्याऐवजी, डॉक्टर मुलांच्या एका उपसमूहाची लवकर ओळख करून कोणाला अधिक जवळून surveillance किंवा preventive strategies ची गरज आहे हे ठरवू शकतील.

भविष्यवेधी बालरोगाकडे व्यापक वळण

हा अभ्यास वैद्यकशास्त्रातील एका व्यापक बदलाशीही जुळतो, जिथे आरोग्यप्रणाली रोगाचे निदान करण्यापुरतेच नाही तर रोग व्यवस्थापित करणे कठीण होण्यापूर्वी धोका forecast करण्यासाठीही machine learning साधनांची अधिक चाचणी घेत आहेत. बालरोगात हा दृष्टिकोन विशेष आशादायक आहे, कारण सुरुवातीच्या हस्तक्षेपामुळे पुढील अनेक वर्षांच्या आरोग्यावर परिणाम होऊ शकतो.

तीव्र सुरुवातीच्या एक्जिमा असलेल्या मुलांच्या कुटुंबांसाठी सर्वात कठीण प्रश्नांपैकी एक म्हणजे ही स्थिती फक्त त्वचेपुरती मर्यादित राहील की व्यापक allergic disease मध्ये रूपांतरित होईल. हे संशोधन निश्चितता देत नाही, पण data-driven forecasting त्या प्रश्नाचे उत्तर देण्यात अधिक उपयुक्त ठरू शकते असे सूचित करते.

पुढची मुख्य पायरी केवळ तांत्रिक नाही, तर कार्यान्वयनाशी संबंधित आहे. prediction scores महत्त्वाचे ठरायचे असतील, तर त्यांना सोप्या, स्पष्ट आणि कृतीयोग्य clinical workflows मध्ये बसवावे लागेल. या अभ्यासाने अंतर्निहित signal अस्तित्वात असल्याचे पुरावे दिले आहेत. पुढचे आव्हान म्हणजे त्या signal चे चांगल्या काळजीत रूपांतर करणे.

हा लेख Medical Xpress च्या वार्तांकनावर आधारित आहे. मूळ लेख वाचा.