আসুন প্রথমে স্পষ্ট করা যাক কোন কাজটি "জটিল" বোঝায় সেটি জটিল
জটিল কেসগুলি চিকিৎসা যোগাযোগে সাধারণ, কিন্তু মেশিন লার্নিং ডেটাসেটে কংক্রিট করা আবশ্যক। চিত্র শ্রেণীবিভাগের জন্য, অসুবিধা হতে পারে ছোট ক্ষত, অস্পষ্ট লক্ষণ বা একাধিক রোগের সহাবস্থান; ডায়গনিস্টিক যুক্তির জন্য, অসুবিধা হতে পারে একাধিক ডিফারেনশিয়াল নির্ণয়, রোগের কোর্সের বিবর্তন, এবং অসামঞ্জস্যপূর্ণ পরীক্ষা; চিকিত্সার পথের পূর্বাভাসের জন্য, অসুবিধা হতে পারে কমোর্বিডিটিস, আন্তঃবিভাগীয় যত্ন, বা চিকিত্সার প্রতিক্রিয়ার পার্থক্য।দীর্ঘ হাসপাতালে থাকা, একাধিক রোগ নির্ণয়, এবং একাধিক পরামর্শ শুধুমাত্র প্রক্সি সূচক এবং কাজটির ক্লিনিকাল অসুবিধার সংজ্ঞা প্রতিস্থাপন করতে পারে না।
লক্ষ্য কাজগুলি প্রথমে সংজ্ঞায়িত করা না থাকলে, "জটিলতার" উপর ভিত্তি করে নমুনা সহজেই ধারণাগত বিভ্রান্তি তৈরি করতে পারে: কিছু ক্ষেত্রে গুরুতর অসুস্থতার কারণে জটিল, কিছু নথির বিপুল সংখ্যক কারণে জটিল, এবং কিছু কেবলমাত্র উচ্চ সততার সাথে তথ্য ব্যবস্থা।প্রশিক্ষিত মডেলগুলি হাসপাতালের কার্যপ্রবাহ, নথির দৈর্ঘ্য বা স্থানান্তর প্যাটার্নগুলি লক্ষ্য করা রোগের ফিনোটাইপগুলির পরিবর্তে ভবিষ্যদ্বাণী করতে শিখতে পারে।প্রথম পদক্ষেপটি হওয়া উচিত একটি কেস জটিলতা কাঠামো তৈরি করা যা লক্ষ্য কাজগুলি, ক্লিনিকাল সিদ্ধান্তের পয়েন্ট, উপলব্ধ ইনপুট, আউটপুট লেবেল, প্রযোজ্য জনসংখ্যা এবং ব্যর্থতার পরিস্থিতিগুলিকে তালিকাভুক্ত করে যা কভার করা হবে বলে আশা করা হচ্ছে।
এর সংযুক্তি রোগ নির্ণয়ের পুনর্বিবেচনা, পরামর্শ বিভাগের সংখ্যা, থাকার সময়কাল, ICU/CCU, ঐতিহাসিক পরিদর্শন, স্রাব নির্ণয়ের সংখ্যা, গুরুতর অসুস্থতার বিজ্ঞপ্তি, এবং অ-নিরাময় ফলাফলের মতো ক্ষেত্রগুলি ব্যবহার করে উচ্চ-কঠিন ফাইলগুলি তৈরি করার প্রস্তাব দেয় এবং অস্ত্রোপচারের পরে অস্ত্রোপচার এবং অস্ত্রোপচারের ক্ষেত্রে অগ্রাধিকার দেয়।অসামঞ্জস্যপূর্ণ এই সূচকগুলি গণনাযোগ্য নমুনা ক্লু হিসাবে উপযুক্ত এবং নিরীক্ষণযোগ্য এবং সনাক্তযোগ্য হওয়ার সুবিধা রয়েছে; যাইহোক, তারা শুধুমাত্র প্রজেক্ট স্পেসিফিকেশনে স্ক্রিনিং এজেন্ট এবং কোন স্বীকৃত রোগের তীব্রতা স্কেল নয়, বা এটি অনুমান করা যায় না যে নির্বাচিত কেসগুলি "বাস্তব জগতের সমস্ত জটিল কেস" প্রতিনিধিত্ব করে।
অতএব, "জটিল ক্ষেত্রে" বিভিন্ন মাত্রায় বিভক্ত করা যেতে পারে: ক্লিনিকাল অনিশ্চয়তা, রোগের সময়কাল, সহনশীলতার বোঝা, বহুবিষয়ক জড়িততা, চিকিত্সার তীব্রতা, ইমেজিং বা প্যাথলজিকাল ব্যাখ্যায় পার্থক্য, ডেটা সম্পূর্ণতা এবং ফলাফলের পরিবর্তন।প্রতিটি মাত্রা আলাদাভাবে রেকর্ড করা হয়, যা রোগীদের কিছু মাত্রায় উচ্চ এবং অন্যের ক্ষেত্রে কম হতে দেয়।ব্যাপক স্তরবিন্যাস নমুনা সংগ্রহে সহায়তা করতে পারে তবে মূল সূচকগুলিকে ওভাররাইট করা উচিত নয়।মডেল স্টাডিজ জটিল ক্ষেত্রে ভিন্নতাকে মুখোশ করে সামগ্রিক স্কোর এড়াতে মাত্রা অনুসারে ফলাফলের প্রতিবেদন করতে পারে।
ফিল্টারিং সূচককে পর্যালোচনাযোগ্য ভেরিয়েবল হিসাবে সংজ্ঞায়িত করুন
প্রতিটি স্ক্রীনিং ভেরিয়েবলের অপারেশনাল সংজ্ঞা প্রয়োজন।ডায়াগনসিস রিভিশনের সংখ্যা: রিভিশন বা সম্পূরক নির্ণয় গণনা করুন যার মধ্যে নথির ধরন, রোগী বা পরিদর্শন দ্বারা গণনা করা হয় এবং বারবার ইস্যু করা থেকে সদৃশগুলি কীভাবে সরানো যায়।পরামর্শ বিভাগের সংখ্যা: আনুষ্ঠানিক পরামর্শের আবেদন, পরামর্শ রেকর্ড বা নথি লেখক বিভাগের উপর ভিত্তি করে, স্থানান্তরিত বিভাগগুলিকে দুইবার গণনা করা হয় কিনা।হাসপাতালে ভর্তির দৈর্ঘ্য: স্বাভাবিক দিন, ঘন্টা বা ভর্তি এবং স্রাবের তারিখের পার্থক্য ব্যবহার করুন এবং ক্রস-হাসপাতাল স্থানান্তর কীভাবে পরিচালনা করবেন।ঐতিহাসিক চিকিৎসা পরিদর্শনের সংখ্যা: কোনো ঐতিহাসিক তথ্য মানে কোনো পূর্ববর্তী চিকিৎসা পরিদর্শন নয় এমন ভুল ধারণা এড়াতে টাইম উইন্ডো এবং অতীত সিস্টেমের পরিসর সীমিত করুন।
ICU/CCU ভর্তির ক্ষেত্রে প্রকৃত বিছানা রেকর্ড, স্থানান্তর-ইন এবং স্থানান্তর-আউটের সময় এবং স্বল্পমেয়াদী পর্যবেক্ষণকে স্পষ্টভাবে সংজ্ঞায়িত করতে হবে; গুরুতর বা গুরুতর অসুস্থতার নোটিশকে অবশ্যই আনুষ্ঠানিক বিজ্ঞপ্তি নথি এবং রোগের কোর্সের বিবরণের মধ্যে পার্থক্য করতে হবে; স্রাব নির্ণয়ের নম্বরটি অবশ্যই নির্দেশ করবে যে এতে লক্ষণ, জটিলতা এবং বারবার কোডিং অন্তর্ভুক্ত রয়েছে কিনা; "নিরাময় হয়নি" এর স্রাব ফলাফলের জন্য মূল গণনা এবং ম্যাপিং নিয়মগুলি স্পষ্ট করতে হবে।পরিবর্তনশীল মানগুলি উত্স বা HIS ক্ষেত্রের সাথে লিঙ্ক করা উচিত এবং নিষ্কাশন সময়, নিয়ম সংস্করণ, যাচাইকারী এবং ব্যতিক্রম হ্যান্ডলিং রেকর্ড করা উচিত।এইভাবে, স্বাধীন পর্যালোচকরা স্ক্রীনিং ফলাফল পুনঃগণনা করতে পারেন।
প্রতিটি থ্রেশহোল্ডের জন্য, তিনটি বা একাধিক অবস্থা সংরক্ষণ করার সুপারিশ করা হয়: সন্তুষ্ট, সন্তুষ্ট নয় এবং নির্ধারণ করতে অক্ষম; এবং অনুপস্থিত, অনুপলব্ধ ডেটা উত্স, অসম্পূর্ণ সময় উইন্ডো, বা ব্যর্থ নথি স্বীকৃতির কারণগুলিও রেকর্ড করুন।ডেটা সোর্স কভারেজ সম্পূর্ণ না হলে "কোনও আইসিইউ রেকর্ড পাওয়া যায়নি" এর সাথে "রোগীর কোন আইসিইউ অভিজ্ঞতা ছিল না" এর সাথে সমান করা যাবে না।থ্রেশহোল্ডের কাছাকাছি ক্ষেত্রে, ম্যানুয়াল পর্যালোচনা তারিখের নির্ভুলতা, সদৃশ কাগজপত্র বা কোডিং ত্রুটির কারণে ভুল শ্রেণীবিভাগ এড়াতে পারে।থ্রেশহোল্ড নিজেই নমুনা আগে হিমায়িত করা প্রয়োজন; মাঝপথে সামঞ্জস্য করা হলে, সারির সংখ্যার উপর সংস্করণ এবং প্রতিটি নিয়ম পরিবর্তনের প্রভাব বজায় রাখা হবে।
কঠিন নমুনা থেকে প্রতিনিধি দল পর্যন্ত: দুটি লক্ষ্য বিভ্রান্ত করা যাবে না
কঠিন উদাহরণ সমৃদ্ধ করার সুস্পষ্ট মূল্য রয়েছে: প্রান্তের ক্ষেত্রে মোকাবেলা করার সময় মডেল প্রশিক্ষণ কভারেজ উন্নত করা, নিয়মিত ডেটাসেটে দেখা না যাওয়া ত্রুটিগুলি আবিষ্কার করা এবং বিরল উপ-জনসংখ্যা বা ক্রস-মডেল দ্বন্দ্বের দৃঢ়তা মূল্যায়ন করা।যাইহোক, উচ্চ-কঠিন দল এবং লক্ষ্য স্থাপনার জনসংখ্যার ক্ষেত্রে প্রায়ই ভিন্ন ভিন্ন কেস স্পেকট্রাম থাকে।যদি পরীক্ষার সেটে অনেক বেশি আইসিইউ, মাল্টি-অসুস্থতা, বা জটিল অস্ত্রোপচারের ক্ষেত্রে সামগ্রিক কর্মক্ষমতা সাধারণ ক্লিনিকাল ব্যবহারের প্রতিনিধিত্ব নাও হতে পারে; প্রশিক্ষণ সেট অতিরিক্ত সমৃদ্ধ হলে, মডেল সম্ভাব্যতা এবং থ্রেশহোল্ড সত্যিকারের ব্যাপকতার জন্য উপযুক্ত নাও হতে পারে।
অন্তত তিনটি সারি আলাদা করা উচিত।প্রথমটি হল প্রতিনিধি সারি, যা লক্ষ্য দৃশ্যের সামগ্রিক কর্মক্ষমতা অনুমান করতে ব্যবহৃত হয়; দ্বিতীয়টি হল চ্যালেঞ্জ কিউ, যা বিশেষভাবে জটিল, বিরল বা উচ্চ-ঝুঁকিপূর্ণ পরিস্থিতিকে কভার করে; এবং তৃতীয়টি হল উন্নয়ন সারি, যা প্রশিক্ষণ বা অ্যালগরিদম প্যারামিটার টিউনিংয়ের জন্য ব্যবহৃত হয়।তারা কিছু সংজ্ঞা শেয়ার করতে পারে তবে উদ্দেশ্য, নমুনা অনুপাত এবং প্রতিবেদনের পদ্ধতিতে ভিন্ন।চ্যালেঞ্জ সেটে ফলাফল পাস করা প্রতিনিধি বৈধতা প্রতিস্থাপন করতে পারে না; প্রতিনিধি গড় মেট্রিক্স কঠিন উপগোষ্ঠীতে ব্যর্থতাকে মুখোশ করতে পারে না।
সমৃদ্ধ নমুনা থেকে নিয়োজিত জনসংখ্যার সামগ্রিক কর্মক্ষমতা অনুমান করার জন্য, নমুনা সম্ভাব্যতা, লক্ষ্য জনসংখ্যা বন্টন বোঝা এবং ওজন বা পুনঃক্রমিককরণ বিবেচনা করা প্রয়োজন; কিন্তু এটি একটি যুক্তিসঙ্গত নমুনা পদ্ধতি এবং পর্যাপ্ত লক্ষ্য জনসংখ্যার তথ্যের উপর নির্ভর করে।প্রাকৃতিক ঘটনার হার অনুমান করার জন্য আমরা কেবল "উচ্চ অসুবিধা স্তরের জন্য 20% এবং স্বাভাবিক স্তরের জন্য 80%" ব্যবহার করতে পারি না।যদি সংযুক্তিতে 200/800 স্তরবিন্যাস শুধুমাত্র একটি সংগ্রহের অনুপাত হয়, তবে এটি একটি ডেলিভারি উপাদান প্রয়োজন, একটি ক্লিনিকাল মহামারী সংক্রান্ত অনুমান নয়।গবেষণা রিপোর্ট স্পষ্টভাবে লক্ষ্য জনসংখ্যা থেকে নমুনা নকশা পার্থক্য করা উচিত.
মডেলের জন্য, কঠিন নমুনার প্রতিনিধিত্ব শুধুমাত্র শর্ত নির্দেশকগুলিতেই প্রতিফলিত হয় না, তবে সাইট, সরঞ্জাম, বয়স, লিঙ্গ, ভাষা, রেফারেল পদ্ধতি, নথির গুণমান এবং উপলব্ধ পদ্ধতিতেও প্রতিফলিত হয়।যদি জটিল কেসগুলি শুধুমাত্র কয়েকটি বড় হাসপাতাল, একটি নির্দিষ্ট বিভাগ বা একটি নির্দিষ্ট সুবিধা থেকে আসে, মডেলটি প্রাতিষ্ঠানিক বৈশিষ্ট্যগুলিকে অসুবিধা হিসাবে বিবেচনা করতে পারে।কেন্দ্র এবং বিভাগ দ্বারা স্তরিত নমুনা, প্রতিটি মাত্রার জন্য বিতরণ পরিদর্শন দ্বারা অনুসরণ করা এই ধরনের পক্ষপাতগুলি সনাক্ত করতে সহায়তা করতে পারে।
প্যাথলজি এবং প্রিপারেটিভ ডায়াগনোসিস অসঙ্গতিপূর্ণ: একীকরণ জোরপূর্বক করার চেয়ে পার্থক্য ধরে রাখা বেশি মূল্যবান
ক্লিনিকাল ডায়াগনসিস প্রক্রিয়ার গুরুত্বপূর্ণ তথ্য।এটি অ্যাটিপিকাল ইমেজিং ফাইন্ডিং, সীমিত নমুনা পরিসীমা, ক্ষত ভিন্নতা, ইন্ট্রাঅপারেটিভ ফাইন্ডিং, প্যাথলজিকাল পর্যালোচনা, বা ডায়াগনস্টিক স্ট্যান্ডার্ড সংস্করণে পরিবর্তনের ফলে হতে পারে।পার্থক্যটি স্বয়ংক্রিয়ভাবে এই নয় যে প্রিপারেটিভ রায় ভুল ছিল, বা এটি স্বয়ংক্রিয়ভাবে বোঝায় না যে প্যাথলজি অবশ্যই নিখুঁত সোনার মান হতে হবে।প্রশিক্ষণের ডেটার জন্য, প্যাথলজিকাল সিদ্ধান্তের সাথে প্রিঅপারেটিভ ডায়াগনোসিস সরাসরি কভার করার ফলে মডেলটিকে ভুলভাবে "চূড়ান্ত পরিচিত উত্তর" এর উত্তর দিতে বলা হবে, যখন আসল কাজটি হতে পারে অস্ত্রোপচারের আগে সীমিত প্রমাণের ভিত্তিতে ঝুঁকি অনুমান করা।
ডেটা মডেলে, রোগ নির্ণয়ের উত্স এবং সময় ধরে রাখা উচিত: প্রিঅপারেটিভ ইমেজিং ইমপ্রেশন, ক্লিনিকাল ওয়ার্কিং ডায়াগনোসিস, ইন্ট্রাঅপারেটিভ ফাইন্ডিং, প্রাথমিক প্যাথলজি, ইমিউনোহিস্টোকেমিস্ট্রি সাপ্লিমেন্ট, বিশেষজ্ঞ পর্যালোচনা, চূড়ান্ত নির্ণয় এবং তাদের নিজ নিজ প্রমাণ।ডিফারেনশিয়াল টাইপ লেবেলগুলি স্থাপন করা যেতে পারে, যেমন ডায়াগনস্টিক বিভাগের পরিবর্তন, পর্যায়ে পরিবর্তন, সৌম্য এবং ম্যালিগন্যান্ট বিচারে পরিবর্তন, অমিল ক্ষত স্থান, অপর্যাপ্ত নমুনা বা অনিশ্চয়তা; লেবেল একটি যোগ্য চিকিৎসা পর্যালোচনা প্রক্রিয়া দ্বারা নিশ্চিত করা হয় এবং ধারাবাহিকতা এবং বিবাদের স্থিতি বজায় রাখে।মডেলের লেবেল টার্গেট সমস্যার উপর নির্ভর করে এবং একটি চূড়ান্ত ফলাফল সব কাজের জন্য ব্যবহার করা উচিত নয়।
যখন নমুনাটি "প্রিঅপারেটিভ এবং পোস্টোপারেটিভ অসঙ্গতি" অগ্রাধিকার স্ক্রীনিং শর্ত হিসাবে ব্যবহার করে, তখন এই শর্তটি নির্বাচনের পক্ষপাত বাড়ায় কিনা তা পরীক্ষা করা প্রয়োজন।যারা অস্ত্রোপচার করে এবং প্যাথলজিকাল ফলাফল পায় তারা প্রায়শই তাদের থেকে আলাদা হয় যাদের অস্ত্রোপচার নেই; ক্ষতের অবস্থান, রোগীর ঝুঁকি, হাসপাতালের ক্ষমতা এবং চিকিত্সকের সিদ্ধান্ত নেওয়া সবই অপারেশন করবে কিনা তা প্রভাবিত করে।গবেষণার লক্ষ্য যদি প্রি-অপারেটিভ ইমেজিং মডেল হয়, তবে শুধুমাত্র অস্ত্রোপচারের প্যাথলজি সহ কেস অধ্যয়ন করলেই বৈধতার পক্ষপাত হতে পারে।এই ধরনের নমুনাগুলি একটি বিশেষ চ্যালেঞ্জ উপসেট হিসাবে ব্যবহার করা যেতে পারে, এবং লক্ষ্য ব্যবহারকারী জনসংখ্যার কাছাকাছি একটি পৃথক বৈধতা সেট তৈরি করা যেতে পারে, যা নির্দেশ করে যে প্যাথলজি লেবেল শুধুমাত্র একটি নির্দিষ্ট রোগী গোষ্ঠীকে কভার করে।
কিভাবে লেবেল অনিশ্চয়তা এবং বিশেষজ্ঞ পর্যালোচনা ডেটা ডিজাইনে প্রবেশ করে
কেস জটিলতা প্রায়শই বোঝায় যে লেবেলগুলি নিজেই আরও অনিশ্চিত৷রোগের পর্যায়ে, ক্ষতের সীমানা, তীব্রতা বা ডায়াগনস্টিক শ্রেণীতে বিভিন্ন ডাক্তারের ভিন্ন মতামত থাকতে পারে; একটি প্যাথলজিকাল উপসংহার অতিরিক্ত staining পরে সংশোধন করা যেতে পারে. একটি একক লেবেল ফাইল এই অনিশ্চয়তা লুকায়।মূল লক্ষ্যগুলির জন্য, প্রাথমিক টীকা, পর্যালোচনা টীকা, রায়ের উপসংহার, কারণ এবং সংশ্লিষ্ট প্রমাণগুলি বজায় রাখার সুপারিশ করা হয়। প্রয়োজনে, শুধুমাত্র একটি চূড়ান্ত মান সংরক্ষণ করার পরিবর্তে একাধিক টীকাকারের স্বাধীন বিচার এবং আস্থা বজায় রাখুন।
চিকিৎসা টীকা মান নিয়ন্ত্রণ স্তরিত নমুনা ব্যবহার করতে পারে: মৌলিক কেস রুটিন সামঞ্জস্য নিরীক্ষণ করতে ব্যবহার করা হয়; জটিল ক্ষেত্রে দুই ব্যক্তি দ্বারা স্বাধীন টীকা অনুপাত বৃদ্ধি; ভিন্ন ভিন্ন মামলা বিচারের জন্য সিনিয়র বিশেষজ্ঞদের কাছে হস্তান্তর করা হয়; র্যান্ডম ব্লাইন্ড টেস্টিং পুনরাবৃত্তিযোগ্যতা এবং সম্ভাব্য প্রবাহ মূল্যায়ন করতে ব্যবহৃত হয়।সূচকটি শুধুমাত্র সামগ্রিক চুক্তির হার হওয়া উচিত নয়, তবে বিভাগ ভারসাম্যহীনতা, সীমানা বিভাগ এবং বিভিন্ন বিভাগ আলাদাভাবে বিশ্লেষণ করা উচিত।Cohen's kappa এবং Krippendorf's alpha-এর মতো পরিসংখ্যান সম্পূরক হতে পারে, কিন্তু সামঞ্জস্যপূর্ণ পরিসংখ্যান ক্লিনিকাল বৈধতা প্রমাণ করে না; ক্লিনিকাল সংজ্ঞা এবং উত্স প্রমাণের সাথে একত্রে তাদের পর্যালোচনা করা দরকার।
অডিট ভূমিকাও আলাদা করতে হবে।ভাষ্যকাররা স্পেসিফিকেশন অনুযায়ী নিষ্কাশন বা ব্যাখ্যা করার জন্য দায়ী; পর্যালোচকরা সংজ্ঞা অ্যাপ্লিকেশন এবং উত্স প্রমাণ পরীক্ষা করে; বিচারকরা বিরোধ নিষ্পত্তি করে; এবং ডেটা গভর্নেন্স লিডাররা অনুমতি এবং ব্যবহারের সীমানা নিশ্চিত করে।প্রতিটি ভূমিকার যোগ্যতা, কাজের সুযোগ এবং পরিবর্তনের রেকর্ড থাকা উচিত।বিনামূল্যের পাঠ্য ট্যাগের জন্য, মূল পাঠ্য খণ্ড এবং কাঠামোগত ট্যাগের মধ্যে ম্যাপিং সংরক্ষণ করা উচিত; চিত্র বা প্যাথলজি টীকাগুলির জন্য, টীকা সরঞ্জাম, স্থানাঙ্ক, সংস্করণ, দর্শনের ক্ষেত্র বা স্লাইস শনাক্তকারী পর্যালোচনার জন্য রাখা উচিত।
কিভাবে একটি একক AUROC দ্বারা বিভ্রান্ত না হয়ে জটিল কেস মডেলের মূল্যায়ন করা যায়
জটিল সারি মূল্যায়ন শুধুমাত্র একটি AUROC রিপোর্ট করতে পারে না। যদি ইতিবাচক ক্ষেত্রে বিরল হয়, AUPRC, নির্দিষ্ট ক্লিনিকাল থ্রেশহোল্ডের অধীনে সংবেদনশীলতা এবং ইতিবাচক ভবিষ্যদ্বাণীমূলক মান আরও সরাসরি হতে পারে; যদি মডেলটি ঝুঁকির সম্ভাবনাকে আউটপুট করে, তাহলে ক্রমাঙ্কন বাধা, ক্রমাঙ্কন ঢাল, গ্রুপ ক্রমাঙ্কন এবং ক্লিনিকাল থ্রেশহোল্ডের কাছাকাছি পারফরম্যান্সের দিকে নজর দেওয়া প্রয়োজন; যদি এটি একটি মাল্টি-ক্লাস বা মাল্টি-লেবেল টাস্ক হয়, তাহলে বিভাগ-স্তরের সূচক এবং বিভ্রান্তি ম্যাট্রিক্সও রিপোর্ট করা উচিত।ফলাফলগুলিকে আস্থার ব্যবধান দেওয়া এবং রোগীর স্তরের ক্লাস্টারিং বা নকল পরীক্ষাগুলি কীভাবে পরিচালনা করা হয় তা ব্যাখ্যা করতে হবে।
সামগ্রিক গড় কর্মক্ষমতা টায়ার্ড ফলাফলের সাথে একই সাথে উপস্থাপন করা উচিত।এটি জটিলতার মাত্রা, বিভাগ, সাইট, মডেল সম্পূর্ণতা, বয়স পরিসীমা, লিঙ্গ, ডেটা বছর এবং ডিভাইসের ধরন দ্বারা বিশ্লেষণ করা যেতে পারে।খুব ছোট নমুনা থেকে শক্তিশালী সিদ্ধান্ত এড়াতে প্রতিটি উপগোষ্ঠীর জন্য নমুনার আকার, ইতিবাচক সংখ্যা, অনুপস্থিত হার এবং অনিশ্চয়তার প্রতিবেদন করুন।বাহ্যিক বৈধতা লেবেলিং প্রক্রিয়া এবং তথ্য সংগ্রহ প্রক্রিয়ার পার্থক্য মূল্যায়ন করা উচিত; যখন কর্মক্ষমতা হ্রাস পায়, কেস স্পেকট্রাম পরিবর্তন, ডেটা প্রবাহ, লেবেল সংজ্ঞা পরিবর্তন এবং অপর্যাপ্ত মডেল সাধারণীকরণের মধ্যে পার্থক্য করুন।
মডেল ব্যাখ্যা শুধুমাত্র মনোযোগ তাপ মানচিত্র বা গুরুত্ব র্যাঙ্কিংয়ের উপর নির্ভর করা উচিত নয়।চ্যালেঞ্জের নমুনার জন্য, ত্রুটির ক্ষেত্রে ব্যাকট্র্যাকিং করা উচিত: মডেলটি কি ভবিষ্যদ্বাণীর সময় বিন্দুর পরে নির্ণয় ব্যবহার করেছিল? একটি শর্টকাট হিসাবে হাসপাতাল বা ডিভাইস টেক্সট আচরণ? ইমেজ টাস্ক প্রাসঙ্গিক এলাকায় ফোকাস করা হয়? রোগের কোর্স সম্পর্কিত প্রমাণ কি উদ্ধৃত করা হয়েছে যা উপসংহারের বিরোধিতা করে? এই সমস্যাগুলি ক্লিনিকাল বিশেষজ্ঞ এবং প্রকৌশলীদের দ্বারা পর্যালোচনা করা প্রয়োজন, এবং ব্যর্থতার ধরনগুলি পরবর্তী রাউন্ডের ডেটা এবং মূল্যায়ন উন্নতি আইটেমে রূপান্তরিত হয়।
সংগ্রহের স্পেসিফিকেশনকে বৈজ্ঞানিক সারি পরিকল্পনায় পরিণত করুন
এর সাথে সংযুক্ত সূচকগুলিকে একটি "নিরীক্ষণযোগ্য জটিলতা প্রতিকৃতি টেবিল" তৈরি করা যেতে পারে: রোগীর সনাক্তকরণ, পরামর্শের সুযোগ, প্রতিটি সূচকের মূল মান, গণনার ভিত্তি, থ্রেশহোল্ড পূরণ হয়েছে কিনা, নির্ধারণে ব্যর্থতার কারণ, প্রমাণের অবস্থান এবং চূড়ান্ত স্তরবিন্যাস।গ্রহণযোগ্যতা যাচাইয়ের সময়, পরিসংখ্যানগুলি শর্ত পূরণ করে কিনা তা যাচাই করার জন্য সূচক টেবিল এবং মেডিকেল রেকর্ডের মূল পাঠ্যটি এলোমেলোভাবে পরীক্ষা করা হয়, তবে মূল পাঠ্য ফলাফলগুলিকে সমর্থন করে কিনা, পরিসংখ্যানের উইন্ডোগুলি সামঞ্জস্যপূর্ণ কিনা এবং বারবার গণনা করা হয় কিনা তাও যাচাই করার জন্য।মামলার বিভাগ এবং পদ্ধতি বন্টন একই সময়ে লক্ষ্য আবেদন পরিস্থিতির সাথে তুলনা করা উচিত।
একটি আরো স্থিতিশীল নকশা ক্রম হল: প্রথমে ক্লিনিকাল কাজ এবং লক্ষ্য জনসংখ্যা সংজ্ঞায়িত করুন; তারপর জটিলতার মাত্রা এবং অপারেশনাল ভেরিয়েবল নির্ধারণ করুন; নিয়মগুলি হিমায়িত করুন এবং একটি ছোট নমুনায় তাদের যাচাই করুন; নির্বাচিত সাইট, বিভাগ, পদ্ধতি এবং জনসংখ্যা বন্টন মূল্যায়ন করুন; পৃথক প্রতিনিধি দল এবং চ্যালেঞ্জ কোহর্ট; তারপর রোগী-স্তরের প্রশিক্ষণ/বৈধতা/পরীক্ষা বিভাজন সঞ্চালন করুন; এবং অবশেষে স্বাধীন বাহ্যিক মূল্যায়ন পরিচালনা করুন এবং স্তর দ্বারা রিপোর্ট করুন।প্রতিটি ধাপে একটি পুনরুত্পাদনযোগ্য সংস্করণ ছেড়ে দেওয়া উচিত।থ্রেশহোল্ড নির্বাচন শুধুমাত্র তথ্য প্রাপ্যতা বিবেচনা করা উচিত নয়, কিন্তু এটি বৈজ্ঞানিক প্রশ্নের সাথে সামঞ্জস্যপূর্ণ তা নিশ্চিত করা উচিত।
Langhui প্রকল্প অনুমোদনের সুযোগের মধ্যে মেডিকেল ডেটা ফিল্ড ম্যাপিং, স্ক্রিনিং নিয়ম, মেডিকেল লেবেলিং স্পেসিফিকেশন, অন্ধ পরীক্ষা এবং পর্যালোচনা প্রক্রিয়া, ডেটা কার্ড এবং মডেল মূল্যায়ন কাঠামো স্থাপনে সহায়তা করতে পারে।নির্দিষ্ট স্কেল, রোগের ধরন, প্রতিষ্ঠান, বিশেষজ্ঞ বরাদ্দ এবং গ্রহণযোগ্যতা সূচক উভয় পক্ষের দ্বারা নিশ্চিত করা চুক্তি এবং বাস্তবায়ন পরিকল্পনার সাপেক্ষে।জটিল ক্ষেত্রের আসল মূল্য হল "কঠিনতা" একটি বিপণন লেবেল হিসাবে লিখতে নয়, তবে এটিকে পর্যবেক্ষণযোগ্য, পর্যালোচনাযোগ্য এবং উন্নতিযোগ্য করে তোলার জন্য কোন গোষ্ঠী এবং কোন তথ্যের শর্তে মডেলটি নির্ভরযোগ্য বা অবিশ্বস্ত।
কেস কোহর্ট "দৃশ্যমান কেস" এবং "টার্গেট জনসংখ্যা" এর মধ্যে পার্থক্যও পরীক্ষা করে।একক-কেন্দ্রের মেডিকেল রেকর্ডগুলি প্রায়শই শুধুমাত্র হাসপাতালে ঘটে যাওয়া ঘটনাগুলি রেকর্ড করে এবং রোগ নির্ণয়, অতীতের ওষুধ এবং হাসপাতালের বাইরের ফলাফলগুলি দৃশ্যমান নাও হতে পারে; কঠিন রোগীদের উচ্চ-স্তরের হাসপাতালে স্থানান্তরিত হওয়ার সম্ভাবনা বেশি। যদি গবেষণার লক্ষ্য একটি নির্দিষ্ট ধরণের হাসপাতালে সিদ্ধান্ত গ্রহণে সহায়তা করা হয়, তবে লক্ষ্য জনসংখ্যা সেই দৃশ্যে সীমাবদ্ধ হওয়া উচিত; যদি এটি একটি বৃহত্তর জনসংখ্যার জন্য প্রযোজ্য বলে দাবি করা হয়, তবে এটিকে কেন্দ্র জুড়ে কভার করতে হবে এবং রেফারেল প্রক্রিয়া ব্যাখ্যা করতে হবে।ডেটা উত্সের সুযোগ মডেলটি যে প্রশ্নগুলির উত্তর দিতে পারে তা নির্ধারণ করে।রেকর্ডের সম্পূর্ণতা রোগীর স্বাস্থ্য তথ্যের সম্পূর্ণতার জন্য ভুল করা যাবে না।
জটিলতা মেট্রিক্স একে অপরের সাথে অত্যন্ত সম্পর্কযুক্ত হতে পারে।তীব্রতা, অবস্থানের দৈর্ঘ্য, পরামর্শ এবং স্রাব নির্ণয় সবই একই অসুস্থতা প্রক্রিয়া বা হাসপাতালের প্রক্রিয়া দ্বারা চালিত হতে পারে এবং এগুলি সরাসরি যোগ করার ফলে দ্বিগুণ ওজন হবে।প্রতিটি সূচকের প্রান্তিক বন্টন, পারস্পরিক সম্পর্ক এবং সহ-সংঘটন প্যাটার্ন প্রথমে রিপোর্ট করা যেতে পারে, এবং তারপর ক্লিনিকাল বিশেষজ্ঞ মতামত এবং পরিসংখ্যান বিশ্লেষণের উপর ভিত্তি করে একটি স্তরিত কৌশল তৈরি করা যেতে পারে।থ্রেশহোল্ড সংবেদনশীলতা বিশ্লেষণটিও গুরুত্বপূর্ণ: থাকার দৈর্ঘ্যের থ্রেশহোল্ডকে সামান্য সামঞ্জস্য করার পরে কি কোহোর্ট রচনাটি উল্লেখযোগ্যভাবে পরিবর্তিত হয়? পরিবর্তনটি বড় হলে, এর অর্থ হল স্তরবিন্যাস থ্রেশহোল্ডের উপর নির্ভর করে এবং রিপোর্ট করার সময় এটিকে অনুরোধ করা উচিত।
নির্বাচনের পক্ষপাত কমানোর জন্য, স্ক্রিনিংয়ের আগে হর ধরে রাখার সুপারিশ করা হয়, প্রতিটি ধাপে বর্জনের সংখ্যা এবং কারণগুলি।স্ক্রীনিং ফ্লো চার্টে সোর্স ডেটা পুল থেকে নিয়ম-সম্মত, লিঙ্কযোগ্য, লেবেল-সম্পূর্ণ এবং চূড়ান্ত নমুনা পর্যন্ত প্রতিটি পর্যায়ে কতগুলি কেস হারিয়ে গেছে তা ব্যাখ্যা করা উচিত।যদি শুধুমাত্র সম্পূর্ণ তথ্য সহ রোগীরা সারিতে থাকে, তাহলে মডেলটি আরও বিশৃঙ্খল বাস্তব-বিশ্ব পরিবেশের পরিবর্তে তথ্য ব্যবস্থায় প্রমিত রেকর্ডযুক্ত রোগীদের জন্য আরও উপযুক্ত হতে পারে।কিছু ক্ষেত্র বা মোড অনুপস্থিত থাকলে মডেলের আচরণ পরীক্ষা করার জন্য আপনি একটি পৃথক "ডেটা অসম্পূর্ণ চ্যালেঞ্জ সেট" তৈরি করতে পারেন এবং কোন অনুপস্থিত ইনপুটগুলি প্রত্যাখ্যান বা ম্যানুয়াল পর্যালোচনাকে ট্রিগার করবে তা স্পষ্ট করতে পারেন৷
জটিল ক্ষেত্রে স্ক্রীনিং করার সময়, গবেষণা দলগুলি কোহর্ট ডিজাইন এবং প্রধান উপগোষ্ঠীগুলিকে প্রাক-নিবন্ধন করতে পারে, বিশেষ করে যখন স্তরবিন্যাস নিয়ম পরীক্ষার ফলাফলকে প্রভাবিত করতে পারে।কঠিন সংজ্ঞা, থ্রেশহোল্ড এবং এন্ডপয়েন্টগুলিকে প্রাক-নির্ধারণ করা মডেলের ফলাফল দেখার পরে "হার্ড কেস" সামঞ্জস্য করার ঝুঁকি হ্রাস করে।যদি নিয়মগুলি পুনরাবৃত্তি করতে হয়, তবে সেগুলিকে ডেভেলপমেন্ট ডেটা ব্যবহার করে অন্বেষণ করা উচিত এবং তারপরে স্বাধীন বৈধতা ডেটাতে সংজ্ঞায় হিমায়িত করা উচিত।সূচক থ্রেশহোল্ড এবং লেবেল করার নিয়মগুলির পরিবর্তনগুলি অবশ্যই প্ল্যান সংস্করণে লিখতে হবে এবং পরিবর্তনের আগে এবং পরে নমুনা কাঠামোটি রিপোর্ট করা উচিত।ক্রয়-ভিত্তিক ডেটা প্রকল্পগুলির জন্য, এটি বৈজ্ঞানিক গবেষণার সিদ্ধান্তগুলি থেকে গ্রহণযোগ্যতা সম্মতিকে আলাদা করতেও সহায়তা করে: চুক্তির অনুপাত পূরণের অর্থ হল যে ডেলিভারি চুক্তিটি পূরণ করেছে, তবে এর অর্থ এই নয় যে ক্লিনিকাল কর্মক্ষমতা প্রমাণিত হয়েছে।
মডেলটি শুধুমাত্র সহজ উপসেটগুলিতে কার্যকর কিনা তা সনাক্ত করার জন্য মডেলিং করার সময় অনুক্রমিক মূল্যায়ন ব্যবহার করা যেতে পারে।উদাহরণস্বরূপ, স্পষ্ট এবং বিতর্কিত লেবেলের গোষ্ঠীগুলি, একক-পদ্ধতি এবং বহু-পদ্ধতি সম্পূর্ণ, প্রাথমিক রোগ নির্ণয় এবং ফলো-আপ ডায়াগনোসিস, রুটিন বিভাগ এবং আন্তঃবিভাগীয় পরামর্শ, সামঞ্জস্যপূর্ণ এবং অসামঞ্জস্যপূর্ণ প্যাথলজি ইত্যাদির গোষ্ঠীগুলি পর্যবেক্ষণ করুন।গোষ্ঠীর মধ্যে পার্থক্যগুলি শুধুমাত্র মডেল পক্ষপাত দ্বারা ব্যাখ্যা করা যায় না, তবে নমুনা, রোগের আকার এবং গুণমানের পার্থক্য থেকেও উদ্ভূত হতে পারে; অতএব, মূল নমুনার আকার, বৈশিষ্ট্য বিতরণ, এবং আস্থার ব্যবধানগুলি ক্লিনিকাল পর্যালোচনার সাথে একত্রে রিপোর্ট করা প্রয়োজন।যদি একটি নির্দিষ্ট উপগোষ্ঠীর জন্য খুব কম ডেটা থাকে, তাহলে উপসংহার হিসাবে অস্থির বিন্দু অনুমান প্যাকেজ করার পরিবর্তে এটি অপর্যাপ্ত প্রমাণ হিসাবে চিহ্নিত করা উচিত।
পদ্ধতির সীমানা এবং ডেটা উত্স
এই নিবন্ধটি মেডিক্যাল ডেটা ক্ষেত্র এবং ব্যবহারকারীদের দ্বারা প্রদত্ত পুনঃক্রয় প্রয়োজনীয় নথির উপর ভিত্তি করে ডেটা ইঞ্জিনিয়ারিং এবং কোহর্ট ডিজাইনের মূল পয়েন্টগুলিকে সংক্ষিপ্ত করে, এবং এটি সর্বজনীন সমকক্ষ-পর্যালোচিত গবেষণা, প্রযুক্তিগত মান এবং নিয়ন্ত্রক/রিপোর্টিং নির্দেশিকাগুলির সাথে একত্রে আলোচনা করে৷ সংযুক্তিতে থাকা ক্ষেত্র, ফিল্টার থ্রেশহোল্ড এবং পরিমাণগুলি প্রয়োজনীয় স্পেসিফিকেশনের উদাহরণ এবং প্রমাণ করে না যে ডেটা সংগ্রহ করা হয়েছে, বিতরণ করা হয়েছে বা মডেলের বৈধতা পাস করেছে৷ এই নিবন্ধের অ্যালগরিদম এবং প্রক্রিয়াগুলি বৈজ্ঞানিক গবেষণা এবং প্রকৌশল নকশা আলোচনার জন্য ব্যবহৃত হয় এবং চিকিৎসা নির্ণয় বা চিকিত্সার সুপারিশ গঠন করে না। নির্দিষ্ট প্রকল্প অনুমোদন, ডেটা কার্ড, চুক্তি, এবং নীতিশাস্ত্র/সম্মতি পর্যালোচনা সাপেক্ষে।
রেফারেন্স এবং প্রযুক্তিগত মান
- TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods, BMJ (2024)
- DECIDE-AI: reporting guideline for early-stage clinical evaluation of AI decision support systems, Nature Medicine (2022)
- External validation of clinical prediction models, BMJ (2024)
- Good Machine Learning Practice for Medical Device Development, FDA / IMDRF
