6.4 மில்லியன் பேரின் சோதனை முக்கிய இதய-ஆபத்து சமன்பாடுகளை உலகளாவிய ஆய்வுக்குள் கொண்டு வருகிறது

நோய் வருவதற்கு முன் risk equations ஏன் முக்கியம்

இதய நோய், stroke, அல்லது heart failure episode ஏற்படுவதற்கு முன்பே cardiovascular care-இல் மிக முக்கியமான சில முடிவுகள் எடுக்கப்படுகின்றன. யாருக்கு நோய் உருவாக அதிக வாய்ப்பு உள்ளது, யாருக்கு preventive treatment பயனளிக்கலாம் என்பதை கணிக்க மருத்தவர்கள் risk equations-ஐ பயன்படுத்துகிறார்கள். அதனால் இந்த சமன்பாடுகளின் துல்லியம் ஒரு clinical issue; வெறும் statistics அல்ல.

Nature Medicine இதழில் early-access வடிவில் வெளியான ஒரு புதிய பன்னாட்டு validation study, PREVENT மற்றும் SCORE2 cardiovascular risk equations-ஐ 64 லட்சம் நபர்களில் ஆய்வு செய்கிறது. அளவிலேயே இந்த paper தனித்து தெரிகிறது. இது குறுகிய single-center test அல்ல, local recalibration exercise அல்ல. இரு பரவலாகப் பயன்படும் frameworks-ஐ எடுத்துக்கொண்டு, மிகப் பெரிய மற்றும் புவியியல் ரீதியாக விரிந்த population base-இல் அவை எப்படி செயல்படுகின்றன என்பதை கேட்கிறது.

ஆய்வு எதை மதிப்பீடு செய்கிறது

வழங்கப்பட்ட source text படி, American Heart Association-ன் PREVENT equations, 30 முதல் 79 வயது வரை உள்ள அமெரிக்கப் பெரியவர்களில் total cardiovascular disease, atherosclerotic cardiovascular disease, மற்றும் heart failure risk-ஐ மதிப்பிடுகின்றன. இந்த மதிப்பீடுகள் lipid-lowering மற்றும் blood-pressure-lowering therapy குறித்த முடிவுகளை வழிநடத்துவதற்காக வடிவமைக்கப்பட்டவை. மற்றொரு விதத்தில் சொல்வதானால், PREVENT என்பது மருத்தவர்கள் எப்போது, எவ்வளவு தீவிரமாக தலையிட வேண்டும் என்பதை வடிவமைப்பதற்கான கருவி.

ஆய்வின் தலைப்பு, PREVENT-உடன் இணைத்து SCORE2-யும் மதிப்பிடப்படுவது தெளிவாகக் காட்டுகிறது. preventive cardiology-இல் இந்த இரண்டு கருவிகளும் முக்கியப் பங்கு வகிக்கின்றன, ஏனெனில் risk calculators treatment thresholds, patient conversations, மற்றும் health-system policy-ஐ பாதிக்கின்றன. ஒரு model risk-ஐ அதிகமாக மதிப்பிட்டால் சில நோயாளிகள் தேவையற்ற சிகிச்சை பெறலாம். குறைவாக மதிப்பிட்டால் சிலர் தீவிர நோயைத் தடுக்கக்கூடிய வாய்ப்பை இழக்கலாம்.

அதனால்தான் validation முக்கியம். ஒரு risk equation, அதை உருவாக்கப் பயன்படுத்திய dataset-இல் வலுவாகத் தோன்றலாம்; ஆனால் வேறு health systems, populations, அல்லது disease patterns-இல் அதை பயன்படுத்தும்போது செயல்திறன் சமமாக இருக்காது. பெரிய external validation studies, ஒரு model transportable-ஆக உள்ளதா, அல்லது பரவலான பயன்பாட்டுக்கு முன் recalibration தேவைப்படுகிறதா என்பதைத் தீர்மானிக்க உதவுகின்றன.

பன்னாட்டு sample ஏன் stakes-ஐ மாற்றுகிறது

இந்த paper-ன் முக்கிய அம்சம் அதன் பரப்பளவு இருக்கலாம். 64 லட்சம் நபர்களை உள்ளடக்கிய validation effort, வயது அமைப்பு, நோய் சுமை, clinical practice, மற்றும் data collection environments ஆகியவற்றில் மாறுபடும் population structures-இல் செயல்திறனை ஆராய ஆராய்ச்சியாளர்களுக்கு வாய்ப்பு தருகிறது. இதய நோய் ஆபத்து உலகெங்கும் ஒரே மாதிரியாக அனுபவிக்கப்படவோ அளவிடப்படவோ செய்யப்படுவதில்லை என்பதால் இது முக்கியம்.

இது மருத்துவத்தின் ஒரு பெரிய மாற்றத்தையும் பிரதிபலிக்கிறது: derivation cohorts-இல் வெற்றி கிடைத்தாலே universal usefulness உறுதி என்ற எண்ணத்தை விட, predictive tools-ஐ நிஜ உலக சூழலில் சோதிக்க வேண்டும் என்ற அணுகுமுறை. Clinical practice-இல் equations messy settings-இல் பயன்படுத்தப்படுகின்றன: வேறு electronic records, முழுமையற்ற histories, மாறும் baseline risk, மற்றும் evolving treatment patterns. இப்படிப்பட்ட சூழலில் ஒரு model நம்பகமாக உள்ளதா என்பதைக் கணிக்கக் கூடிய சில வழிகளில் பெரிய validation studies ஒன்று.

Publication note ஒரு முக்கிய எச்சரிக்கையைச் சேர்க்கிறது. manuscript ஒரு unedited version என்று விவரிக்கப்பட்டுள்ளது, அதன் findings-க்கு early access வழங்குவதற்காக வெளியிடப்பட்டது, final publication-க்கு முன் மேலதிக editing நடைபெறும். இது ஆய்வின் முக்கியத்துவத்தை குறைப்பதில்லை; ஆனால் available text provisional என்று வாசகர்கள் கருத வேண்டும், மேலும் final version-இல் மாறக்கூடிய விவரங்களில் மிகைப்படுத்த வேண்டாம்.

Prevention strategy-க்கு இதன் பொருள்

Preventive cardiology இப்போது அதிகமாக stratification-ஐ சார்ந்திருக்கிறது. எந்த நோயாளிக்கு தீவிரமான counseling தேவை, யாருக்கு medication தொடங்க வேண்டும், cardiovascular risk-இன் பல வடிவங்களை எப்படி எடைபோட வேண்டும் என்பதற்கு health systems-க்கு நடைமுறை வழிகள் தேவை. total cardiovascular disease, atherosclerotic disease, மற்றும் heart failure risk-ஐ மதிப்பிடும் ஒரு model-க்கு சிறப்பு முக்கியத்துவம் உண்டு, ஏனெனில் அது heart attack மற்றும் stroke மட்டும் என்ற பாரம்பரிய கவனத்தைக் கடக்கிறது.

PREVENT equations-ஐ குறிப்பிடத்தக்கதாக 만드는 விஷயம் இதன் பரந்த framing. Heart failure risk-ஐ preventive conversation-இல் சேர்ப்பதன் மூலம், model cardiovascular disease burden-ஐ இன்னும் விரிவாகக் காண்கிறது. மருத்துவர்கள் இதை நம்பிக்கையுடன் பயன்படுத்த விரும்பினால், இந்த அணுகுமுறையை இவ்வளவு பெரிய population-களில் சரிபார்ப்பது மிக அவசியம்.

System அளவில், இதுபோன்ற வேலை guideline discussions-ஐயும் வடிவமைக்க முடியும். Risk equations recommendations, quality measures, மற்றும் insurance-backed prevention pathways-இல் அடிப்படை கருவிகள். இந்த equations வெவ்வேறு populations-இல் எப்படி செயல்படுகின்றன என்பதற்கான புதிய evidence வெளிவரும் போது, அதன் தாக்கம் academic cardiology-யைத் தாண்டி பரவலாம்.

Early report-இன் முக்கிய குறிப்புகள்

• இந்த study PREVENT மற்றும் SCORE2-ஐ 64 லட்சம் நபர்களில் மதிப்பீடு செய்கிறது; இதனால் இந்த வகை analysis-க்கு இது மிகவும் பெரியதாகிறது.
• PREVENT, source text-இல், 30 முதல் 79 வயதுக்குள் உள்ள அமெரிக்கப் பெரியவர்களுக்கு total cardiovascular disease, atherosclerotic cardiovascular disease, மற்றும் heart failure risk-ஐ மதிப்பிடுவதாக விவரிக்கப்படுகிறது.
• Paper இப்போது unedited early-access manuscript ஆக உள்ளது, அதனால் final publication-க்கு முன் விவரங்கள் மாறக்கூடும்.

மிகப் பெரிய signal எளிது: risk prediction-ஐ ஊகமாக எடுத்துக்கொள்ள முடியாது, மேலும் பெரிய அளவிலான external testing ஒரு அடிப்படை எதிர்பார்ப்பாக மாறிக்கொண்டிருக்கிறது. இந்த அளவிலான study, prevention-க்கு எந்த equations பயன்படுத்த வேண்டும் என்ற விவாதத்தை முடிக்காது; ஆனால் அதை இன்னும் உறுதியான empirical ground-க்கு நகர்த்துகிறது. மருத்தவர்கள், கொள்கை உருவாக்குநர்கள், மற்றும் நோயாளிகளுக்கு, இது அறிகுறிகள் தோன்றுவதற்கு முன்பே care-ஐ வடிவமைக்கக்கூடிய அமைதியான infrastructure story.

இந்தக் கட்டுரை Nature Medicine-ன் செய்தியறிக்கையை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.