AI से चलने वाला जीनोमिक्स दुर्लभ किडनी रोगों के निदान में तेज़ी ला सकता है

नई रिसर्च में कहा गया है कि आर्टिफिशियल इंटेलिजेंस (AI) लंबी डायग्नोस्टिक टाइमलाइन को कम करने, जीनोमिक इंटरप्रिटेशन को मज़बूत करने और ज़्यादा पर्सनलाइज़्ड किडनी केयर में मदद कर सकता है, जबकि इसके लिए अभी भी मज़बूत क्लिनिकल निगरानी की ज़रूरत होगी।

यह रिव्यू, जिसका टाइटल आर्टिफिशियल इंटेलिजेंस इन रेयर डिज़ीज़ेज़: वर्कफ़्लो-इंटीग्रेटेड प्रिसिजन किडनी केयर है, क्लिनिक्स एंड प्रैक्टिस में पब्लिश हुआ था और यह जांचता है कि AI को रेयर डिज़ीज़ डायग्नोसिस, नेफ्रोजेनेटिक्स, फ़ेडरेटेड लर्निंग, डिजिटल ट्विन्स और क्लिनिकल डिसीज़न सपोर्ट में कैसे इंटीग्रेट किया जा सकता है।

रेयर डिज़ीज़ डायग्नोसिस में डेटा की समस्या है जिसे AI ठीक करने के लिए बनाया गया है।

रेयर डिज़ीज़ेज़ दुनिया भर में 300 मिलियन से ज़्यादा लोगों को प्रभावित करती हैं, लेकिन उनका कम इंडिविजुअल प्रिवेलेंस, अलग-अलग लक्षण और बिखरे हुए क्लिनिकल रिकॉर्ड डायग्नोसिस को धीमा करते रहते हैं। मरीज़ों को अक्सर साफ़ जवाब मिलने से पहले सालों तक रेफ़रल, गलत डायग्नोसिस और जेनेटिक टेस्टिंग में देरी होती है। इसके नतीजे सिर्फ़ एडमिनिस्ट्रेटिव देरी तक ही सीमित नहीं हैं। देर से डायग्नोसिस से डिज़ीज़-मॉडिफ़ेयरिंग ट्रीटमेंट में देरी हो सकती है, परिवार में अनिश्चितता बढ़ सकती है और साइकोलॉजिकल और फ़ाइनेंशियल तनाव बढ़ सकता है।

लेखकों का कहना है कि पारंपरिक स्टैटिस्टिकल और मशीन-लर्निंग तरीके अक्सर इस माहौल में मुश्किल होते हैं क्योंकि दुर्लभ बीमारियाँ बड़े, एक जैसे डेटासेट के अंदाज़ों में फिट नहीं बैठतीं। मरीज़ों के ग्रुप छोटे होते हैं, लक्षण बहुत अलग-अलग होते हैं, और बीमारी का रास्ता अक्सर कई सालों में सामने आता है, जिससे औसत आबादी के लेवल का अंदाज़ा लगाना, अलग-अलग तर्क से कम काम का हो जाता है।

रिव्यू में कहा गया है कि AI सिस्टम जीनोमिक्स, इमेजिंग, इलेक्ट्रॉनिक हेल्थ रिकॉर्ड, पैथोलॉजी, लैब ट्रेंड और मरीज़ से मिली जानकारी से बिखरे हुए डेटा को मिलाकर मदद कर सकते हैं। दुर्लभ किडनी की बीमारियों में, यह खास तौर पर ज़रूरी है क्योंकि शुरुआती लक्षण खास नहीं हो सकते हैं, जैसे कि अनजान वजह की क्रोनिक किडनी की बीमारी, लगातार खून का थक्का जमना, प्रोटीन्यूरिया, या एक्स्ट्रा-रीनल लक्षण जो तुरंत जेनेटिक नेफ्रोपैथी का इशारा नहीं कर सकते।

AI-इनेबल्ड जीनोमिक पाइपलाइन हाई-फिडेलिटी वेरिएंट कॉलिंग, स्प्लिस अंदाज़ा, मिसेंस पैथोजेनिसिटी असेसमेंट और फेनोटाइप-अवेयर रैंकिंग को मिला सकती हैं। DeepVariant, SpliceAI, AlphaMissense, REVEL, और Exomiser जैसे टूल्स को एक बड़े डायग्नोस्टिक आर्किटेक्चर के हिस्से के तौर पर पेश किया गया है, जिसमें जीनोमिक वेरिएंट को मरीज़ के क्लिनिकल फेनोटाइप के हिसाब से फ़िल्टर और रैंक किया जाता है।

यह रिव्यू खास तौर पर ह्यूमन फेनोटाइप ऑन्टोलॉजी के ज़रिए स्ट्रक्चर्ड फेनोटाइप रिप्रेजेंटेशन पर फोकस करता है। बड़े क्लिनिकल डॉक्यूमेंटेशन सिस्टम के उलट, यह फ्रेमवर्क मरीज़-खास असामान्यताओं को इस तरह से एनकोड करने के लिए डिज़ाइन किया गया है कि एल्गोरिदम जाने-पहचाने जीनोटाइप-फेनोटाइप रिश्तों से तुलना कर सकें। असल में, इससे मरीज़ के क्लिनिकल फीचर्स को कैंडिडेट बीमारी जीन के साथ ज़्यादा अच्छे से मैच किया जा सकता है।

इसका असर नेफ्रोलॉजी के लिए काफी हो सकता है। बिना किसी वजह के क्रोनिक किडनी की बीमारी, माइक्रोस्कोपिक हेमट्यूरिया, और किडनी की बीमारी की फैमिली हिस्ट्री वाले मरीज़ को होल-एक्सोम सीक्वेंसिंग से गुज़रना पड़ सकता है। एक आम वर्कफ़्लो में, अनिश्चित महत्व वाले वेरिएंट को समझना मुश्किल हो सकता है। AI-असिस्टेड वर्कफ़्लो में, फ़ीनोटाइप-ड्रिवन प्रायोरिटी एलपोर्ट सिंड्रोम जैसी कंडीशन से जुड़े जीन को हाईलाइट कर सकती है, जिससे डॉक्टरों को पहले डायग्नोसिस तक पहुंचने और सही इलाज और फ़ैमिली स्क्रीनिंग पर विचार करने में मदद मिलती है।

लेखक इस बात पर ज़ोर देते हैं कि AI एक्सपर्ट इंटरप्रिटेशन की जगह नहीं लेता है। इसकी तुरंत वैल्यू मैन्युअल रिव्यू का बोझ कम करने, कैंडिडेट वेरिएंट की ट्राइएज को बेहतर बनाने और डॉक्टरों को बायोलॉजिकली संभावित डायग्नोसिस को जल्दी पहचानने में मदद करने में है। परफ़ॉर्मेंस सीक्वेंसिंग क्वालिटी, फ़ीनोटाइप कम्प्लीटनेस, रेफ़रेंस डेटाबेस, पॉपुलेशन डाइवर्सिटी और लोकल वर्कफ़्लो डिज़ाइन पर निर्भर रहती है।

फ़ेडरेटेड लर्निंग और डिजिटल ट्विन्स रेयर बीमारियों की खोज को बढ़ा सकते हैं

रिव्यू के अनुसार, कोई भी अकेला सेंटर, भले ही उसके पास मज़बूत जीनोमिक इंफ़्रास्ट्रक्चर हो, अकेले रेयर बीमारियों की खोज को पूरी तरह से सॉल्व नहीं कर सकता है। अल्ट्रा-रेयर कंडीशन के लिए इंस्टीट्यूशन में लर्निंग की ज़रूरत होती है, लेकिन मरीज़-लेवल का डेटा शेयर करना अक्सर प्राइवेसी, गवर्नेंस और इंटरऑपरेबिलिटी की चिंताओं से रिस्ट्रिक्टेड होता है।

फ़ेडरेटेड लर्निंग उस रुकावट के आसपास एक रास्ता देता है। इंस्टीट्यूशन के बीच रॉ मरीज़ रिकॉर्ड को मूव करने के बजाय, पार्टिसिपेटिंग सेंटर लोकल लेवल पर मॉडल को ट्रेन करते हैं और मॉडल अपडेट या पैरामीटर शेयर करते हैं। इन अपडेट्स को फिर कलेक्टिव लर्निंग को बेहतर बनाने के लिए इकट्ठा किया जा सकता है, जबकि पेशेंट-लेवल का डेटा लोकल सिस्टम में ही रखा जा सकता है।

यह तरीका रेयर जेनेटिक किडनी बीमारियों और रेयर ग्लोमेरुलर डिसऑर्डर के लिए सीधा काम का है, जहाँ अलग-अलग इंस्टीट्यूशन के पास मज़बूत मॉडल बनाने के लिए बहुत कम केस हो सकते हैं। उदाहरण के लिए, बीमारी बढ़ने के लिए एक फ़ेडरेटेड मॉडल, कई हॉस्पिटल को सेंसिटिव डेटा ट्रांसफर किए बिना रिस्क ट्रैजेक्टरी के बारे में जानकारी देने की इजाज़त दे सकता है। ऐसे सिस्टम उन पेशेंट की पहले पहचान करने में मदद कर सकते हैं जिनमें तेज़ी से गिरावट का ज़्यादा रिस्क है, हालाँकि लेखक चेतावनी देते हैं कि सफलता एक जैसे डेटा, लगातार लागू करने और मज़बूत इंफ्रास्ट्रक्चर पर निर्भर करती है।

ऑब्ज़र्वेशनल मेडिकल आउटकम पार्टनरशिप कॉमन डेटा मॉडल को एक मुख्य इनेबलर के तौर पर पहचाना जाता है क्योंकि यह स्टैंडर्ड बनाता है कि इंस्टीट्यूशन डायग्नोसिस, दवाएं, लैबोरेटरी वैल्यू, प्रोसीजर, एनकाउंटर और डेमोग्राफिक्स को कैसे दिखाते हैं। इस तरह के कॉमन स्ट्रक्चर के बिना, मॉडल अलग-अलग कोडिंग प्रैक्टिस या डॉक्यूमेंटेशन स्टाइल से अलग-अलग सिग्नल सीख सकते हैं।

यह रिव्यू भविष्यवाणी से आगे डिजिटल ट्विन्स (DTs) पर भी नज़र डालता है, जो रेयर डिज़ीज़ AI में एक ज़्यादा एक्सपेरिमेंटल फ्रंटियर है। डिजिटल ट्विन्स मरीज़ के लिए खास कम्प्यूटेशनल मॉडल हैं जो बीमारी के रास्ते और इंटरवेंशन के संभावित रिस्पॉन्स को सिमुलेट करने के लिए लॉन्जिट्यूडिनल क्लिनिकल डेटा, जीनोमिक जानकारी, मॉलिक्यूलर पाथवे और ट्रीटमेंट हिस्ट्री को इंटीग्रेट करते हैं।

रेयर किडनी केयर में, एक डिजिटल ट्विन थ्योरी के हिसाब से अलग-अलग ट्रीटमेंट स्ट्रेटेजी, जैसे रेनिन-एंजियोटेंसिन सिस्टम ब्लॉकेड के शुरुआती बनाम देरी से इस्तेमाल के तहत हेरेडिटरी नेफ्रोपैथी के बढ़ने का मॉडल बना सकता है। लेखक इसे स्टैटिस्टिकल एसोसिएशन से बायोलॉजी-इन्फॉर्म्ड रीज़निंग की ओर एक कदम के तौर पर देखते हैं। यह अंतर मायने रखता है क्योंकि रेयर डिज़ीज़ केयर अक्सर मैकेनिज्म को समझने पर निर्भर करती है, न कि सिर्फ़ हिस्टोरिकल पैटर्न से नतीजों का अनुमान लगाने पर।

लेकिन, रिव्यू से यह साफ़ है कि DTs अभी भी रेगुलर क्लिनिकल इस्तेमाल से बहुत दूर हैं। उन्हें हाई-क्वालिटी लॉन्जिट्यूडिनल और मल्टीमॉडल डेटा, मज़बूत बायोलॉजिकल अंदाज़ों और कड़े वैलिडेशन की ज़रूरत होती है। कई मौजूदा एप्लीकेशन कॉन्सेप्चुअल, रेट्रोस्पेक्टिव या छोटे लेवल की स्टडीज़ तक ही सीमित हैं। रिस्क यह है कि मॉडल अधूरे डेटा या सिंप्लिफाइड बायोलॉजी पर निर्भर रहते हुए भी सटीक लग सकते हैं।

जेनरेटिव AI और सिंथेटिक पेशेंट डेटा पर भी डेटा की कमी को दूर करने के संभावित टूल के तौर पर चर्चा की गई है। सिंथेटिक कोहोर्ट रिसर्चर्स को एल्गोरिदम टेस्ट करने, ट्रायल डिज़ाइन करने या असली पेशेंट डेटा को सामने लाए बिना अल्ट्रा-रेयर बीमारियों के ट्रैजेक्टरी को मॉडल करने में मदद कर सकते हैं। लेकिन पेपर में चेतावनी दी गई है कि रेयर बीमारियों में सिंथेटिक डेटा को वैलिडेट करना मुश्किल है क्योंकि छोटे सैंपल साइज़ और ज़्यादा हेटेरोजेनिटी यह पक्का करना मुश्किल बना देती है कि जेनरेट किया गया डेटा असली क्लिनिकल पैटर्न को दिखाता है।

एजेंटिक AI सिस्टम, जो कामों की प्लानिंग कर सकते हैं और बाहरी टूल के साथ इंटरैक्ट कर सकते हैं, उन्हें और भी ज़्यादा इन्वेस्टिगेशनल माना जाता है। उनका पोटेंशियल मल्टी-स्टेप रीज़निंग और वर्कफ़्लो सपोर्ट में है, लेकिन उनके रिस्क में रीज़निंग एरर, लिमिटेड ट्रांसपेरेंसी, वेरिएबल परफॉर्मेंस और साफ़ अकाउंटेबिलिटी नहीं होना शामिल है। लेखकों का तर्क है कि क्लिनिकल रेयर बीमारियों की देखभाल में, ऐसे सिस्टम पर कड़ी निगरानी रखनी चाहिए और उन्हें स्वतंत्र फ़ैसले लेने वालों की तरह काम नहीं करना चाहिए।

क्लिनिकल अपनाना वैलिडेशन, गवर्नेंस और वर्कफ़्लो फ़िट पर निर्भर करता है।

रेयर बीमारियों की देखभाल में AI को सिर्फ़ पारंपरिक बेंचमार्क मेट्रिक्स से नहीं आंका जाना चाहिए। आम बीमारियों में, मॉडल्स को अक्सर बड़े ग्रुप्स में औसत सटीकता या कर्व के नीचे के एरिया के आधार पर जांचा जाता है। रेयर बीमारियों में, वे उपाय सबसे ज़रूरी चीज़ों को मिस कर सकते हैं: मरीज़-खास पैथोजेनिक सिग्नल का पता लगाना, एटिपिकल फ़ीनोटाइप कॉम्बिनेशन की पहचान करना, और जब स्टैंडर्ड सबूत सीमित हों तो फ़ैसलों का समर्थन करना।

लेखक ऐसे वैलिडेशन फ़्रेमवर्क की मांग करते हैं जिनमें बायोलॉजिकल संभावना, अलग-अलग पैथोजेनिक सिग्नल के प्रति संवेदनशीलता, लॉन्जिट्यूडिनल कंसिस्टेंसी और रियल-वर्ल्ड वर्कफ़्लो इंटीग्रेशन शामिल हों। एक मॉडल जो स्टैटिक डेटासेट में अच्छा परफ़ॉर्म करता है, वह क्लिनिक में तब भी फ़ेल हो सकता है जब वह अधूरे फ़ीनोटाइप, बदलते डेटा पैटर्न, लोकल कोडिंग अंतर, या कम प्रतिनिधित्व वाली आबादी को हैंडल नहीं कर सकता।

बायस एक बड़ी चिंता है। सीमित या असंतुलित डेटासेट पर ट्रेन किए गए AI सिस्टम उन आबादी के लिए कम अच्छा काम कर सकते हैं जिनका जीनोमिक और क्लिनिकल रेफरेंस रिसोर्स में कम रिप्रेजेंटेशन है। रेयर बीमारियों की देखभाल में, यह मौजूदा डायग्नोस्टिक अंतरों को और बढ़ा सकता है, क्योंकि इससे कुछ मरीज़ों को दूसरों की तुलना में उपयोगी AI-सपोर्टेड इंटरप्रिटेशन मिलने की संभावना ज़्यादा हो जाती है।

पेपर में गलत पॉजिटिव को एक बड़े क्लिनिकल बोझ के रूप में भी पहचाना गया है। जीनोमिक पाइपलाइन में, AI कई कैंडिडेट वेरिएंट बना सकता है जिनके लिए अभी भी एक्सपर्ट रिव्यू की ज़रूरत होती है। हाई सेंसिटिविटी ज़रूरी है क्योंकि किसी पैथोजेनिक वेरिएंट को मिस करने के गंभीर नतीजे हो सकते हैं, लेकिन सेंसिटिविटी थ्रेशहोल्ड पूरा होने के बाद प्रिसिजन में भी सुधार होना चाहिए। लेखक जाने-पहचाने पैथोजेनिक वेरिएंट के लिए हाई सेंसिटिविटी, फेनोटाइप-ड्रिवन प्रायोरिटी में मज़बूत टॉप-रैंक्ड रिकॉल, और ऑप्टिमाइज़्ड क्लिनिकल सेटिंग्स में कम टर्नअराउंड टाइम जैसे बेंचमार्क को यूनिवर्सल स्टैंडर्ड के बजाय एस्पिरेशनल बताते हैं।

जैसे-जैसे सिस्टम स्टैटिक मॉडल से फेडरेटेड, अडैप्टिव और एजेंटिक आर्किटेक्चर में जाते हैं, गवर्नेंस और ज़्यादा कॉम्प्लेक्स हो जाता है। फेडरेटेड लर्निंग नेटवर्क में, लोकल इंस्टीट्यूशन, मॉडल डेवलपर्स और कोऑर्डिनेटिंग बॉडीज़ के बीच ज़िम्मेदारी साफ़ तौर पर बांटी जानी चाहिए। अगर समय के साथ परफॉर्मेंस में बदलाव आता है, तो इंस्टीट्यूशन को मॉनिटरिंग, ऑडिटिंग, रीकैलिब्रेशन और सुधार के लिए सिस्टम की ज़रूरत होती है।

रेगुलेशन एक और अनसुलझा मुद्दा है। पुराने अप्रूवल सिस्टम फिक्स्ड एल्गोरिदम मानते हैं, लेकिन कई नए AI सिस्टम समय के साथ अपडेट हो सकते हैं या अलग-अलग साइट्स पर अडैप्ट हो सकते हैं। रिव्यू में लाइफसाइकल-बेस्ड ओवरसाइट और पहले से तय चेंज कंट्रोल प्लान को संभावित रास्तों के तौर पर बताया गया है, साथ ही यह भी बताया गया है कि ये तरीके