क्या एट्रियल फाइब्रिलेशन से पीड़ित रोगियों में स्ट्रोक के जोखिम का बेहतर अनुमान लगाया जा सकता है?

एट्रियल फाइब्रिलेशन दुनिया भर में 58 मिलियन से अधिक लोगों को प्रभावित करता है और स्ट्रोक के जोखिम को काफी बढ़ा देता है। हालांकि, इस जोखिम का आकलन करने के लिए मौजूदा उपकरण, जैसे कि पारंपरिक स्कोर, कम सटीक हैं और रोगियों के विभिन्न स्वास्थ्य कारकों के बीच जटिल अंतःक्रियाओं को ध्यान में नहीं रखते हैं।

शोधकर्ताओं की एक टीम ने कृत्रिम बुद्धिमत्ता के नए मॉडल विकसित किए हैं जो एट्रियल फाइब्रिलेशन का निदान प्राप्त करने वाले रोगियों में एक वर्ष के स्ट्रोक के जोखिम का अनुमान लगा सकते हैं। ये मॉडल केवल आसानी से उपलब्ध जानकारी का उपयोग करते हैं: रोगी की उम्र, चिकित्सीय इतिहास और ली जा रही दवाइयाँ। पारंपरिक विधियों के विपरीत, ये उपकरण इन तत्वों के बीच सूक्ष्म संबंधों का विश्लेषण करते हैं ताकि एक व्यक्तिगत और अधिक विश्वसनीय अनुमान प्रदान किया जा सके।

परिणाम प्रेरक हैं। परीक्षण किए गए दो मॉडलों में से एक पारंपरिक सांख्यिकीय दृष्टिकोण पर आधारित है और दूसरा उन्नत मशीन लर्निंग तकनीक पर आधारित है, दोनों ने मौजूदा विधियों की तुलना में बहुत अधिक सटीकता के साथ जोखिम वाले रोगियों को पहचानने की क्षमता दिखाई है। उनकी प्रदर्शन क्षमता विभिन्न रोगी समूहों पर सत्यापित की गई है, जो विभिन्न नैदानिक संदर्भों में उनकी विश्वसनीयता की पुष्टि करती है। इसके अलावा, ये मॉडल व्यक्तिगत आवश्यकताओं के अनुसार जोखिम के स्तर को समायोजित करने की अनुमति देते हैं, जो विशेष रूप से बुजुर्ग रोगियों या कई स्वास्थ्य समस्याओं वाले रोगियों के लिए उपयोगी है।

एक अन्य प्रमुख लाभ उनकी उपयोग में सरलता है। इनके लिए रक्त परीक्षण या चिकित्सीय इमेजिंग की आवश्यकता नहीं होती है, जो अक्सर निदान के समय उपलब्ध नहीं होते हैं। इससे वे अस्पतालों की दैनिक प्रथा में सुलभ हो जाते हैं। शोधकर्ताओं ने यह भी सत्यापित किया है कि ये उपकरण पुरुषों और महिलाओं दोनों के लिए समान रूप से प्रभावी हैं, जिससे लिंग संबंधी पूर्वाग्रहों से बचा जा सकता है।

लंबे समय में, ये मॉडल उन रोगियों की पहचान करने में भी मदद करते हैं जो एंटीकोआगुलेंट उपचार से सबसे अधिक लाभान्वित होंगे। आंकड़े दिखाते हैं कि इन उपकरणों द्वारा उच्च जोखिम वाले वर्गीकृत रोगियों का स्ट्रोक का जोखिम महत्वपूर्ण रूप से कम हो जाता है यदि वे इन दवाइयों का सेवन करते हैं, जबकि पारंपरिक विधियों द्वारा पहचाने गए रोगियों में ऐसा नहीं होता है।

यह प्रगति अधिक व्यक्तिगत चिकित्सा के मार्ग को खोलती है। डॉक्टर जल्द ही इन भविष्यवाणियों पर भरोसा कर सकते हैं ताकि प्रत्येक रोगी के अद्वितीय प्रोफाइल के अनुसार उपचार को अनुकूलित किया जा सके, जिससे बचाए जा सकने वाले स्ट्रोक की संख्या कम हो और एट्रियल फाइब्रिलेशन के प्रबंधन में सुधार हो सके।

स्रोत और क्रेडिट

स्रोत अध्ययन

DOI: https://doi.org/10.1038/s41746-026-02470-3

शीर्षक: Interpretable machine learning models for stroke risk prediction in patients with newly diagnosed atrial fibrillation

जर्नल: npj Digital Medicine

प्रकाशक: Springer Science and Business Media LLC

लेखक: Jesse Chih-Wei Lin; Chen-Min Chang; Heng-Yu Pan; Yi-Lwun Ho; Yu-Kang Tu; Chao-Lun Lai