विदेश की खबरें | बीमारियों का पता लगाने वाले परीक्षण आपकी अपेक्षा से कहीं कम विश्वसननीय होते हैं

क्वींसलैंड, 19 सितंबर (द कन्वरसेशन) आप अस्वस्थ महसूस करते हैं और अपने डॉक्टर के पास जाते हैं। डाक्टर आपसे कुछ प्रश्न पूछते हैं और जांच के लिए कुछ रक्त लेते हैं; कुछ दिनों बाद वे फोन करके कहते हैं कि आपको एक बीमारी होने का पता चला है।

इस बात की कितनी संभावना है कि आपको वास्तव में यह रोग हो?

कुछ सामान्य नैदानिक ​​परीक्षणों के लिए, इसकी संभावना आश्चर्यजनक रूप से कम होती है।

कुछ चिकित्सीय परीक्षण 100 प्रतिशत सटीक होते हैं। इसका एक कारण यह है कि लोग स्वाभाविक रूप से अलग-अलग होते हैं, लेकिन कई परीक्षण रोगियों के सीमित या पक्षपाती नमूनों पर भी किए जाते हैं - और हमारे अपने काम से पता चला है कि शोधकर्ता जानबूझकर नए परीक्षणों की प्रभावशीलता को बढ़ा-चढ़ाकर बता सकते हैं।

इसका मतलब यह कतई नहीं है कि हमें नैदानिक ​​परीक्षणों पर भरोसा करना बंद कर देना चाहिए, लेकिन अगर हम उनका बुद्धिमानी से उपयोग करना चाहते हैं तो उनकी ताकत और कमजोरियों की बेहतर समझ आवश्यक है।

लोग अलग-अलग हैं

व्यापक रूप से उपयोग किए जाने वाले अपूर्ण परीक्षण का एक उदाहरण प्रोस्टेट-विशिष्ट एंटीजन (पीएसए) स्क्रीनिंग है, जो प्रोस्टेट कैंसर के संकेतक के रूप में रक्त में एक विशेष प्रोटीन के स्तर को मापता है।

परीक्षण अनुमानित 93 प्रतिशत कैंसर पकड़ता है - लेकिन इसकी झूठी सकारात्मक दर बहुत अधिक है, क्योंकि सकारात्मक परिणाम वाले लगभग 80 प्रतिशत पुरुषों को वास्तव में कैंसर नहीं होता है।

80 प्रतिशत लोगों के लिए, परिणाम अनावश्यक तनाव पैदा करता है और दर्दनाक बायोप्सी सहित आगे के परीक्षण की संभावना पैदा करता है।

कोविड-19 के लिए रैपिड एंटीजन परीक्षण एक और व्यापक रूप से इस्तेमाल किया जाने वाला अपूर्ण परीक्षण है। इन परीक्षणों की समीक्षा में पाया गया कि बिना लक्षण वाले लेकिन सकारात्मक परीक्षण परिणाम वाले लोगों में से केवल 52 प्रतिशत को वास्तव में कोविड था।

जिन लोगों में कोरोना के लक्षण पाए गए और परिणाम सकारात्मक आए, उनमें परीक्षणों की सटीकता 89 प्रतिशत तक बढ़ गई। इससे पता चलता है कि कैसे किसी परीक्षण के प्रदर्शन को एक संख्या से सारांशित नहीं किया जा सकता है और यह व्यक्तिगत संदर्भ पर निर्भर करता है।

डायग्नोस्टिक परीक्षण सही क्यों नहीं हैं?

एक प्रमुख कारण यह है कि हर इनसान का शरीर अलग है। उदाहरण के लिए, आपके लिए उच्च तापमान किसी अन्य व्यक्ति के लिए बिल्कुल सामान्य हो सकता है।

रक्त परीक्षण के लिए, कई बाहरी कारक परिणामों को प्रभावित कर सकते हैं, जैसे दिन का समय या आपने हाल ही में कितना खाया है।

यहां तक ​​कि सर्वव्यापी रक्तचाप परीक्षण भी गलत हो सकता है। परिणाम इस बात पर निर्भर करते हुए भिन्न हो सकते हैं कि कफ आपकी बांह पर ठीक से लगाया गया है या नहीं, यदि आपने अपने पैरों को क्रॉस किया हुआ है, और यदि परीक्षण पूरा होने पर आप बात कर रहे हैं।

छोटे नमूने और सांख्यिकीय खेल

नए डायग्नोस्टिक मॉडल पर भारी शोध चल रहा है। नए मॉडल अक्सर ‘‘चिकित्सीय सफलताओं’’ के रूप में सुर्खियां बटोरते हैं, जैसे कि कैसे आपकी लिखावट पार्किंसंस रोग का पता लगा सकती है, कैसे आपका फार्मेसी लॉयल्टी कार्ड डिम्बग्रंथि के कैंसर का पहले ही पता लगा सकता है, या कैसे आंखों की हरकतें सिज़ोफ्रेनिया का पता लगा सकती हैं।

लेकिन सुर्खियों में बने रहना अक्सर एक अलग कहानी होती है।

कई नैदानिक ​​मॉडल छोटे नमूना आकारों के आधार पर विकसित किए जाते हैं। एक समीक्षा में पाया गया कि आधे नैदानिक ​​अध्ययनों का उपयोग केवल 100 से अधिक रोगियों पर किया गया। इतने छोटे नमूनों से नैदानिक ​​परीक्षण की सटीकता की सही तस्वीर प्राप्त करना कठिन है।

सटीक परिणामों के लिए, परीक्षण का उपयोग करने वाले मरीज़ उन लोगों के समान होने चाहिए जिनका उपयोग परीक्षण विकसित करने के लिए किया गया था। उदाहरण के लिए, हृदय रोग के उच्च जोखिम वाले लोगों की पहचान करने के लिए व्यापक रूप से इस्तेमाल किया जाने वाला फ्रेमिंघम रिस्क स्कोर अमेरिका में विकसित किया गया था और इसे आदिवासी और टोरेस स्ट्रेट आइलैंडर लोगों में खराब प्रदर्शन के लिए जाना जाता है।

सटीकता में समान असमानताएं ‘‘पॉलीजेनिक जोखिम स्कोर’’ के लिए पाई गई हैं। ये रोग के जोखिम की भविष्यवाणी करने के लिए हजारों जीनों की जानकारी को जोड़ते हैं, लेकिन यूरोपीय आबादी में विकसित किए गए थे और गैर-यूरोपीय आबादी में खराब प्रदर्शन करते हैं।

हाल ही में, हमने एक और महत्वपूर्ण समस्या की पहचान की है: शोधकर्ताओं ने जर्नल प्रकाशन हासिल करने के लिए कुछ मॉडलों की सटीकता को बढ़ा-चढ़ाकर पेश किया है।

किसी परीक्षण के प्रदर्शन को बढ़ा-चढ़ाकर पेश करने के कई तरीके हैं, जैसे कि मुश्किल से अनुमान लगाने वाले रोगियों को नमूने से हटा देना। कुछ परीक्षण भी वास्तव में पूर्वानुमानित नहीं होते हैं, क्योंकि उनमें भविष्य की जानकारी शामिल होती है, जैसे कि संक्रमण का एक पूर्वानुमानित मॉडल जिसमें यह शामिल होता है कि क्या रोगी को एंटीबायोटिक्स लेने की सलाह दी गई थी।

शायद नैदानिक ​​परीक्षण की शक्ति को बढ़ा-चढ़ाकर पेश करने का सबसे चरम उदाहरण थेरानोस घोटाला था, जिसमें कई स्वास्थ्य स्थितियों का निदान करने वाले एक उंगली में सुई चुभाकर लिए जाने वाले रक्त परीक्षण ने निवेशकों से करोड़ों डॉलर आकर्षित किए।

यह सच नहीं था - और मास्टरमाइंड को अब धोखाधड़ी का दोषी ठहराया गया है।

बड़ा डेटा परीक्षणों को उत्तम नहीं बना सकता

सटीक चिकित्सा और बड़े डेटा के युग में, अत्यधिक सटीक भविष्यवाणियां प्रदान करने के लिए किसी मरीज के बारे में जानकारी के दसियों या सैकड़ों टुकड़ों को संयोजित करना - शायद मशीन लर्निंग या कृत्रिम बुद्धिमत्ता का उपयोग करना आकर्षक लगता है। हालाँकि, यह वादा अब तक हकीकत से आगे निकल चुका है।

एक अध्ययन में अनुमान लगाया गया है कि 1995 और 2020 के बीच 80,000 नए भविष्यवाणी मॉडल प्रकाशित किए गए थे। यानी हर महीने लगभग 250 नए मॉडल।

क्या ये मॉडल स्वास्थ्य सेवा में बदलाव ला रहे हैं? हमें इसका कोई संकेत नहीं दिख रहा है - और यदि उनका वास्तव में बड़ा प्रभाव पड़ रहा होता, तो निश्चित रूप से हमें नए मॉडलों की इतनी बड़ी मात्रा में आवश्यकता नहीं होती।

कई बीमारियों के लिए ऐसी डेटा समस्याएं हैं जिन्हें कोई भी परिष्कृत मॉडलिंग ठीक नहीं कर सकती है, जैसे माप त्रुटियां या गुम डेटा जो सटीक भविष्यवाणियों को असंभव बना देता है।

कुछ बीमारियाँ स्वाभाविक रूप से यादृच्छिक होती हैं, और इसमें घटनाओं की जटिल श्रृंखलाएँ शामिल होती हैं जिनका कोई मरीज वर्णन नहीं कर सकता है और कोई मॉडल भविष्यवाणी नहीं कर सकता है।

उदाहरणों में दशकों पहले किसी मरीज को लगी चोटें या पिछली बीमारियाँ शामिल हो सकती हैं, जिन्हें वे याद नहीं कर पाते हैं और जो उनके मेडिकल नोट्स में भी नहीं हैं।

(यह सिंडिकेटेड न्यूज़ फीड से अनएडिटेड और ऑटो-जेनरेटेड स्टोरी है, ऐसी संभावना है कि लेटेस्टली स्टाफ द्वारा इसमें कोई बदलाव या एडिट नहीं किया गया है)