आपातकालीन कक्ष ट्राइएज सिस्टम में जोखिम वाले रोगी समूहों की पहचान करने के लिए एआई का उपयोग करना

बर्गेन, नॉर्वे में ईट्री मेडिकल इनोवेशन सेंटर में एक बहुराष्ट्रीय सहयोग ने दुर्व्यवहार के जोखिम वाले रोगी समूहों की पहचान करने के लिए मशीन लर्निंग मॉडल का उपयोग किया है।

आपातकालीन विभाग (जिसे अक्सर ईडी या ईआर कहा जाता है) में डॉक्टरों को हर दिन कठिन विकल्प चुनने पड़ते हैं। उनके पास आम तौर पर एक प्रणाली होती है जो उन्हें मरीजों के लिए सही स्तर की देखभाल प्राप्त करने में मदद करती है, जिसे ट्राइएज कहा जाता है।

नॉर्वे के बर्गेन विश्वविद्यालय के मेडिसिन संकाय में डॉ. सेज व्याट कहते हैं, “ट्राएज सिस्टम डॉक्टरों को यह निर्धारित करने में मदद करता है कि कब कोई मरीज वास्तविक चिकित्सा आपात स्थिति का सामना कर रहा है और उसे तुरंत उपचार की आवश्यकता है, या जब उपचार में देरी करना संभवतः सुरक्षित है। फिर भी, गलतियाँ हो सकती हैं, और कभी-कभी मरीजों को वह मदद नहीं मिलती है जिसकी उन्हें ज़रूरत होती है।”

कोई सार्वभौमिक ट्राइएज प्रणाली नहीं है, और यह मूल्यांकन करना मुश्किल हो सकता है कि विभिन्न प्रणालियाँ कितनी अच्छी तरह काम करती हैं।

अब, शैक्षणिक, उद्योग और चिकित्सा क्षेत्रों के नॉर्वेजियन और जर्मन शोधकर्ताओं की एक उदार टीम ने बर्गेन और ट्रॉनहैम, नॉर्वे में ट्राइएज सिस्टम कितनी अच्छी तरह काम करते हैं, इस पर प्रकाश डालने के लिए मशीन लर्निंग का उपयोग किया है।

यह सहयोग 2022 में ईट्री मेडिकल इनक्यूबेटर, बर्गन में एक “डेटाथॉन” से शुरू हुआ, जिसकी देखरेख जर्मनी के एसेन के इंस्टीट्यूट फॉर एआई इन मेडिसिन के ऑन्कोलॉजिस्ट डॉ. क्रिस्टोफर सॉयर ने की। यह परियोजना अंततः एक की ओर ले गई प्रकाशनों में जर्नल ऑफ मेडिकल इंटरनेट रिसर्च,

पहले लेखक, डॉ. सेज व्याट, चिकित्सा डेटा का विश्लेषण करने के लिए मशीन लर्निंग का उपयोग करने के मूल्य का बचाव करते हैं। वह कहती हैं, “इस सेटिंग में, मशीन सीखने के तरीकों ने हमें कई जटिल कारकों के महत्व पर विचार करने की इजाजत दी जो ट्राइएज वर्गीकरण को एक साथ प्रभावित करते हैं, पारंपरिक तरीकों की तुलना में अधिक सूक्ष्म परिणाम प्रदान करते हैं।”

परिणाम आश्चर्यजनक थे.

व्याट की टीम के डेटा वैज्ञानिक यह पता लगाना चाहते थे कि ट्राइएज प्रणाली द्वारा किस प्रकार के रोगियों को विफल कर दिया गया था, जैसे कि ऐसे रोगी जिन्हें कम प्राथमिकता दी गई थी लेकिन जिनकी बाद में मृत्यु हो गई या उन्हें गहन देखभाल इकाई (अंडरट्राइज) में स्थानांतरित कर दिया गया या ऐसे रोगी जिन्हें अनावश्यक रूप से उच्च प्राथमिकता दी गई (ओवरट्राइज)।

सौभाग्य से, गलत ट्राइएज बहुत दुर्लभ था, जिससे एक प्रतिशत से भी कम मरीज़ प्रभावित हुए।

उद्योग प्रशिक्षण के साथ डेटा विज्ञान टीम के सदस्यों ने एक साथ कई अलग-अलग रोगी विशेषताओं के महत्व को निर्धारित करने के लिए मशीन लर्निंग मॉडल का उपयोग किया, एक उपन्यास विधि जिसका उपयोग इस सेटिंग में पहले नहीं किया गया है।

मशीन लर्निंग मॉडल ने डेटासेट में वेरिएबल्स के महत्व को “SHAP-वैल्यू” नामक मीट्रिक द्वारा रैंक किया।

व्याट बताते हैं, “SHAP गेम थ्योरी से एक मीट्रिक है और यह निर्धारित करने का एक तरीका है कि एक चर भविष्यवाणी में कितना योगदान देता है।”

जब उन्होंने इन तरीकों को आपातकालीन विभाग के डेटा पर लागू किया, तो परिणाम आश्चर्यजनक थे:

व्याट का कहना है, “बर्गन में पारंपरिक तरीकों का उपयोग करते हुए एक पिछले अध्ययन से पता चला है कि 18 साल से कम उम्र के मरीजों में ओवरट्राईज सबसे अधिक प्रचलित था, जिसका अर्थ है कि उम्र ओवरट्राईज में योगदान देने वाले सबसे महत्वपूर्ण चर में से एक है।”

“फिर भी हमारे अध्ययन में SHAP-मूल्यों के आधार पर स्वचालित चर चयन से पता चला कि उम्र बर्गेन में ओवरट्रायज में योगदान देने वाली सबसे महत्वपूर्ण विशेषता नहीं हो सकती है, जैसा कि डोमेन ज्ञान द्वारा निर्देशित एक अध्ययन में एक धारणा रही होगी।”

धारणाओं को सुधारना

“डोमेन ज्ञान” से व्याट का तात्पर्य सिस्टम का उपयोग करने वाले डॉक्टरों की विशेषज्ञ राय से प्राप्त ज्ञान से है। व्याट का कहना है कि किसी अध्ययन को केवल विशेषज्ञ की राय पर आधारित करने के नकारात्मक पहलू हो सकते हैं।

व्याट कहते हैं, “हालांकि उन लोगों की राय सुनना मूल्यवान है जो ट्राइएज सिस्टम को सबसे अच्छी तरह से जानते हैं, यह जानकारी टूल से असंबंधित दृष्टिकोण और धारणाओं पर भी आधारित हो सकती है।” “समाज में लैंगिक समानता पर बहुत अधिक ध्यान दिए जाने के कारण, जो कि चर्चा के लिए एक महत्वपूर्ण विषय है, डॉक्टर और मरीज़ यह मान सकते हैं कि गलत ट्राइएज लैंगिक पूर्वाग्रह के कारण भी हो सकता है।”

पहले के अध्ययन में पाया गया कि रोगी का लिंग एक महत्वपूर्ण कारक था। हालाँकि, जैसा कि डॉ. व्याट बताते हैं, “इसके बजाय, मशीन लर्निंग विधियों के साथ, हमने पहचाना कि क्लिनिकल रेफरल विभाग और डायग्नोस्टिक कोड बर्गन डेटासेट में ओवरट्रायज से जुड़े अधिक महत्वपूर्ण कारक हैं।”

एआई विज्ञान में नए दृष्टिकोण प्रदान कर सकता है

जबकि मशीन सीखने के तरीके और कृत्रिम बुद्धिमत्ता सही उपकरण नहीं हैं, व्याट को उम्मीद है कि इन उपकरणों का उपयोग विज्ञान में नए दृष्टिकोण प्रदान करने के लिए किया जा सकता है।

वह कहती हैं, “इष्टतम उपयोग के लिए, उपयुक्त तरीकों को विशिष्ट शोध संदर्भ के अनुरूप बनाया जाना चाहिए, और सामान्य नुकसान से बचा जाना चाहिए,” वह कहती हैं, और निष्कर्ष निकालती हैं:

“भविष्य में ट्राइएज सिस्टम और मशीन लर्निंग विधियों के नए अनुप्रयोगों, जैसे स्वचालित ट्राइएज वर्गीकरण सिस्टम, के बारे में अधिक शोध की आवश्यकता है।”