ஆரம்பகால எக்ஸீமா உள்ள எந்தக் குழந்தைகளுக்கு அதிக ஆஸ்துமா அபாயம் இருக்கலாம் என்பதை AI மாதிரிகள் கண்டறிகின்றன

ஆரம்ப எச்சரிக்கை மாதிரிகள் தடுப்பு பராமரிப்பை இலக்காகக் கொள்ள உதவும் என ஆராய்ச்சியாளர்கள் கூறுகின்றனர்

வாழ்க்கையின் மிக ஆரம்பத்திலேயே எக்ஸீமா உருவாகும் குழந்தைகள் பல நேரங்களில் பிற அலர்ஜி நிலைகளையும் சந்திக்க நேரிடுகிறது, ஆனால் எந்த நோயாளிகள் அதிக கடுமையான சுவாச நோயாக முன்னேற அதிக வாய்ப்பு உள்ளனர் என்பதை மதிப்பிடுவதற்கு மருத்துவர்களிடம் குறைந்தளவு கருவிகளே இருந்துள்ளன. ஒரு புதிய ஆய்வு machine learning இப்போது அந்த அபாயத்தை இன்னும் துல்லியமாக வகைப்படுத்தும் வழியை வழங்கலாம் என்று தெரிவிக்கிறது.

ஏப்ரல் 17 அன்று Journal of Allergy and Clinical Immunology இதழில் ஆன்லைனில் வெளியிடப்பட்ட ஆய்வில், Kaiser Permanente Southern California-வின் ஆராய்ச்சியாளர்கள் 3 வயதிற்குள் atopic dermatitis என கண்டறியப்பட்ட குழந்தைகளுக்கான முன்னறிவு மாதிரிகளை உருவாக்கி சரிபார்த்தனர். 10,688 குழந்தைகளின் electronic health record தரவை பயன்படுத்தி, 5 முதல் 11 வயதுக்குள் மிதமானது முதல் கடுமையானது வரை நிலையான ஆஸ்துமா மற்றும் allergic rhinitis உருவாகும் தனிப்பட்ட அபாயத்தை மதிப்பிடும் மாதிரிகளை குழு உருவாக்கியது.

இந்த முடிவுகள் ஒரு பயனுள்ள மருத்துவ கருவியை சுட்டிக்காட்டுகின்றன, குறிப்பாக அதிக அபாயமுள்ள குழந்தைகளை முன்கூட்டியே கண்டறிந்து, அறிகுறிகள் மோசமாவதற்கு முன்பே தலையிட விரும்பும் சுகாதார அமைப்புகளுக்கு. ஆஸ்துமா கணிப்பில் வலுவான செயல்திறனும், allergic rhinitis-க்கு நடுத்தரமான ஆனால் அர்த்தமுள்ள செயல்திறனும் இருப்பதாக ஆராய்ச்சியாளர்கள் தெரிவித்தனர்.

பெரிய real-world தரவுத் தொகுப்பில் ஆஸ்துமாவுக்கான வலுவான கணிப்பு

ஆஸ்துமா மாதிரிகள், விரிவான பதிப்புக்கு 0.893 மற்றும் எளிமைப்படுத்தப்பட்ட பதிப்புக்கு 0.892 என்ற area-under-the-curve மதிப்பெண்களைப் பெற்றன, இதனால் பின்னர் நோய் உருவாகிய குழந்தைகளையும் உருவாகாத குழந்தைகளையும் பிரித்தறிவதில் வலுவான வேறுபடுத்தும் திறன் இருப்பது தெரிய வருகிறது. 95% specificity எல்லையில், விரிவான மாதிரி 40.4% sensitivity மற்றும் 39.3% positive predictive value-ஐ பெற்றது, அதேசமயம் எளிமைப்படுத்தப்பட்ட மாதிரி 36.2% sensitivity மற்றும் 33.8% positive predictive value-ஐ அடைந்தது.

இந்த எண்ணிக்கைகள் முக்கியமானவை, ஏனெனில் அவை மாதிரிகள் தவறான positive-களை குறைப்பதில் குறிப்பாக சிறப்பாக இருந்ததையும், அதே சமயம் பின்னர் நிலையான ஆஸ்துமாவாக முன்னேறப் போகும் குழந்தைகளில் ஒரு அர்த்தமுள்ள பகுதியை பிடித்ததையும் காட்டுகின்றன. நடைமுறையில், இத்தகைய சமநிலை குழந்தை மருத்துவத்தில் முக்கியமானதாக இருக்கலாம்; தேவையற்ற தீவிரப்படுத்தலுக்கு செலவு உண்டு, ஆனால் அபாயத்தை தவறவிடுவது சிகிச்சை தாமதத்தையும் தவிர்க்கக்கூடிய சிக்கல்களையும் ஏற்படுத்தலாம்.

rhinitis மாதிரிகள் ஆஸ்துமா மாதிரிகளை விட குறைவான துல்லியத்தைக் காட்டின, ஆனால் இன்னும் நடுத்தரமான முன்னறிவு செயல்திறனை வழங்கின. விரிவான rhinitis மாதிரி 0.793 என்ற AUC-ஐ அடைந்தது, எளிமைப்படுத்தப்பட்ட மாதிரி 0.773 மதிப்பெண் பெற்றது. 90% specificity-இல், விரிவான மாதிரி 35.5% sensitivity மற்றும் 72.7% positive predictive value-ஐ பெற்றது, அதேசமயம் எளிமைப்படுத்தப்பட்ட மாதிரி 34.0% sensitivity மற்றும் 69.2% positive predictive value-ஐ வழங்கியது.

ஆசிரியர்கள் ஏற்றுக்கொள்ளத்தக்க calibration-ஐயும் தெரிவித்தனர், குறிப்பாக அதிகபட்ச அபாயக் குழுக்களில் வலுவான ஒத்திசைவு இருந்தது. இது முக்கியமானது, ஏனெனில் வலுவான வேறுபடுத்தும் திறன் கொண்ட மாதிரியும், அதன் அபாய மதிப்பீடுகள் மருத்துவத்தில் நிகழ்வவற்றுடன் சரியாக பொருந்தாவிட்டால் குறைந்த பயனுள்ளதாக இருக்கலாம்.

குழந்தை அலர்ஜி பராமரிப்பிற்கு இது ஏன் முக்கியம்

Atopic dermatitis என்பது மருத்துவர்கள் சில சமயம் allergic march என்று விவரிக்கும் செயல்முறையின் முதல் தெளிவான படியாக இருக்கும்; இதில் சில குழந்தைகளில் பின்னர் ஆஸ்துமா, allergic rhinitis அல்லது பிற immune-mediated நிலைகள் உருவாகின்றன. ஆனால் எல்லா குழந்தைகளும் ஒரே பாதையைப் பின்பற்றுவதில்லை. அதனால் தனிப்பட்ட முன்னறிவு ஈர்ப்பானதாகிறது: இது குறைந்தளவு நிபுணர் வளங்களை பயனடைய அதிக வாய்ப்புள்ள நோயாளிகளுக்கு கவனம் செலுத்த உதவும்.

ஆய்வின் ஆசிரியர்களின் படி, clinical workflows-இல் இணைக்கப்படும் முன்னறிவு கருவிகள் அதிக அபாயமுள்ள குழந்தைகளை providers கண்டறிந்து, environmental control, allergist evaluation அல்லது preventive therapy-யை விரைவில் தொடங்குதல் போன்ற தலையீடுகளுக்கு முன்னுரிமை அளிக்க உதவும்.

இதன் பொருள் machine learning மருத்துவ தீர்ப்பை மாற்றுகிறது என்பதல்ல. மாறாக, இம்மாதிரிகள் வழக்கமான பராமரிப்பு தரவுகளில் உள்ள முறைகளிலிருந்து உருவான ஒரு triage அடுக்காகப் புரிந்துகொள்வது சிறந்தது. கவனமாகப் பயன்படுத்தினால், குடும்பங்களுடன் முன்கூட்டியே உரையாடல்கள், நெருக்கமான கண்காணிப்பு, மற்றும் referral அல்லது prevention strategies பற்றிய மேலும் தகவலுடனான முடிவுகளை ஆதரிக்கலாம்.

எளிமைப்படுத்தப்பட்ட மாதிரியின் பயன்பாடும் குறிப்பிடத்தக்கது. சுகாதாரத்தில், predictive tools பல variables-இல் சார்ந்திருந்தால் காகிதத்தில் மிக வலுவாகத் தோன்றலாம், ஆனால் பிஸியான சூழலில் அவற்றை செயல்படுத்துவது கடினமாக இருக்கும். மேலும் சிக்கலான பதிப்புக்கு அருகாமையில் செயல்படும் எளிமைப்படுத்தப்பட்ட மாதிரி, குறிப்பாக ஏற்கனவே standard records-இல் சேகரிக்கப்படும் தரவைப் பயன்படுத்தினால், பரவலான பயன்பாட்டிற்கு மேலும் நடைமுறையாக இருக்கலாம்.

ஆய்வு மருத்தவர்களுக்கு இதுவரை என்ன சொல்ல முடியும், என்ன சொல்ல முடியாது

இந்தக் கண்டுபிடிப்புகள் நம்பிக்கையளிப்பவை, ஆனால் மாதிரிகளைப் பயன்படுத்துவதால் முடிவுகள் மேம்படும் என்பதை அவை தனக்குத்தானே நிரூபிக்கவில்லை. ஆய்வு prediction performance-ஐ காட்டுகிறது; model output அடிப்படையில் மருத்துவர்கள் பராமரிப்பை மாற்றிய trial-ன் முடிவுகளை அல்ல. நிஜ உலக நன்மை, இந்த மதிப்பெண்கள் மருத்துவர்களுக்கு எவ்வாறு வழங்கப்படுகின்றன, அதனைத் தொடர்ந்து என்ன தலையீடுகள் மேற்கொள்ளப்படுகின்றன, மற்றும் அவை பின்னர் நோய்ப் பாரத்தை குறைக்கிறதா என்பதில்தான் இருக்கும்.

அறிக்கையிடப்பட்ட sensitivity-களும் தற்போதைய அணுகுமுறையின் வரம்புகளை காட்டுகின்றன. உயர்ந்த specificity இருந்தபோதிலும், பின்னர் நிலையான ஆஸ்துமா அல்லது rhinitis உருவாகும் குழந்தைகளில் ஒரு கணிசமான பகுதியை மாதிரிகள் தவறவிடும். அதனால் முழுமையாக நோயை நிராகரிப்பதைவிட risk enrichment-க்கு இவை அதிக பயனுள்ளதாக உள்ளன.

அதையும்தாண்டி, தரவுத் தொகுப்பின் அளவும் வலுவான ஆஸ்துமா முடிவுகளும் இந்த ஆய்வை குறிப்பிடத்தக்கதாக மாற்றுகின்றன. குழந்தை அபாய முன்னறிவு பெரும்பாலும் சிறிய குழுக்கள், குறுகிய ஆராய்ச்சி சூழல்கள், அல்லது நடைமுறையில் மாற்றுவது கடினமான மாதிரிகளால் கட்டுப்படுத்தப்பட்டிருந்தது. இங்கு வேலை ஒரு பெரிய electronic health record மக்கள் தொகுப்பை அடிப்படையாகக் கொண்டு, மருத்துவ ரீதியாக பரிச்சயமான குழுவில் கவனம் செலுத்தியது: 3 வயதிற்குள் எக்ஸீமா diagnosis பெற்ற குழந்தைகள்.

பின்னர் validation மற்றும் implementation ஆய்வுகள் முடிவுகளை உறுதிப்படுத்தினால், இந்த ஆராய்ச்சி குழந்தை அலர்ஜி பராமரிப்பை மேலும் proactive management-க்கு நகர்த்த உதவலாம். சுவாச அறிகுறிகள் உருவாவதற்காக காத்திருக்காமல், மருத்துவர்கள் குழந்தைகளின் ஒரு துணைக்குழுவை முன்பே அடையாளம் கண்டு, யாருக்கு நெருக்கமான கண்காணிப்பு அல்லது preventive strategies தேவை என்பதை தீர்மானிக்க முடியும்.

முன்கணிப்பு குழந்தை மருத்துவத்துக்கான விரிவான மாற்றம்

இந்த ஆய்வு மருத்துவத்தில் நடைபெறும் ஒரு பரந்த மாற்றத்துடனும் பொருந்துகிறது; இதில் சுகாதார அமைப்புகள் diagnosis-க்கு மட்டும் அல்ல, நோய் நிர்வகிக்க கடினமாகுமுன் அபாயத்தை முன்னறிவிப்பதற்கும் machine learning கருவிகளை அதிகமாகச் சோதிக்கின்றன. குழந்தை மருத்துவத்தில், ஆரம்ப தலையீடு பின்னர் வரும் பல ஆண்டுகளின் ஆரோக்கியத்தை வடிவமைக்க முடியும் என்பதால், இந்த அணுகுமுறை குறிப்பாக நம்பிக்கை அளிக்கிறது.

கடுமையான ஆரம்பகால எக்ஸீமா கொண்ட குழந்தைகளின் குடும்பங்களுக்கு, மிகக் கடினமான கேள்விகளில் ஒன்று இந்த நிலை தோலில் மட்டுமே வரையறுக்கப்பட்டிருக்குமா அல்லது விரிவான allergic disease-ஆக மாறுமா என்பதுதான். இந்த ஆராய்ச்சி உறுதியை வழங்கவில்லை, ஆனால் data-driven forecasting அந்த கேள்விக்கு பதிலளிக்க மேலும் பயனுள்ளதாக மாறக்கூடும் என்பதை அது சுட்டிக்காட்டுகிறது.

அடுத்த முக்கிய படி தொழில்நுட்பம் மட்டுமல்ல, செயல்பாட்டு ரீதியானதும் ஆகும். முன்னறிவு மதிப்பெண்கள் முக்கியமாவதற்கானது என்றால், அவை எளிமையான, விளக்கக்கூடிய, மற்றும் செயல்படுத்தக்கூடிய clinical workflows-இல் பொருந்த வேண்டும். அடிப்படை signal அங்கே இருப்பதை இந்த ஆய்வு காட்டுகிறது. அடுத்த சவால் அந்த signal-ஐ சிறந்த பராமரிப்பாக மாற்றுவதே.

இந்தக் கட்டுரை Medical Xpress செய்திப்பரப்பின் அடிப்படையில் உருவாக்கப்பட்டது. மூலக் கட்டுரையைப் படிக்கவும்.