AI-ECG से लिवर सिरोसिस की जल्दी पहचान: क्लिनिक का सबक

17/12/2025 को प्रकाशित एक बड़े प्रैगमैटिक क्लस्टर-रैंडमाइज़्ड ट्रायल में एक सीधी बात सामने आई: रूटीन 12-लीड ECG से निकला AI संकेत, प्राइमरी केयर में “छुपे” लिवर सिरोसिस/एडवांस्ड फाइब्रोसिस की पहचान को दोगुना कर सकता है।

यह सुनने में उल्टा लगता है—दिल की जाँच से लिवर की बीमारी? लेकिन क्लिनिकल रियलिटी यही है: एडवांस्ड क्रॉनिक लिवर डिज़ीज़ (CLD) अक्सर खामोशी से बढ़ती है, और जब तक पकड़ी जाती है तब तक नुकसान काफी हो चुका होता है। इसी गैप को भरने के लिए AI-आधारित ECG मॉडल को “रूटीन वर्कफ़्लो” में रखकर देखा गया—और असर मापा गया।

यह पोस्ट हमारी सीरीज़ “फार्मास्यूटिकल और बायोटेक्नोलॉजी में AI” के संदर्भ में खास है, क्योंकि यह दिखाती है कि AI सिर्फ दवा खोज या ट्रायल ऑप्टिमाइज़ेशन तक सीमित नहीं—AI-डायग्नॉस्टिक्स भी सही मरीज को सही समय पर पहचानकर पूरे फार्मा/बायोटेक इकोसिस्टम की गति और ROI बदल सकती है।

समस्या साफ है: लिवर फाइब्रोसिस/सिरोसिस देर से पकड़ा जाता है

एडवांस्ड CLD सामान्य आबादी के लगभग 2–5% लोगों को प्रभावित करती है। प्राइमरी केयर में चुनौती यह नहीं कि टेस्ट मौजूद नहीं हैं—चुनौती यह है कि किसका टेस्ट करें।

कागज़ पर कई रणनीतियाँ हैं—लिवर एंज़ाइम, स्कोरिंग (जैसे FIB-4), अल्ट्रासाउंड, इलास्टोग्राफी—पर ज़मीनी स्तर पर तीन दिक्कतें बार-बार दिखती हैं:

• लक्षण देर से आते हैं, और शुरुआती संकेत “नॉर्मल” लग सकते हैं।
• स्क्रीनिंग का ट्रिगर (कौन high-risk है) अक्सर मिस होता है—खासकर जब मरीज किसी और शिकायत के लिए आया हो।
• क्लिनिशियन बैंडविड्थ: प्राइमरी केयर में हर विज़िट पर 10 अलग रिस्क-फैक्टर याद रखना व्यावहारिक नहीं।

यहीं AI का रोल “एक और रिपोर्ट” देने का नहीं, बल्कि वर्कफ़्लो में समय पर nudges देने का है—ऐसा nudge जो पहले से हो रहे टेस्ट (ECG) से निकले।

ट्रायल ने क्या किया: AI-ECG को रूटीन क्लिनिक में लगाया, फिर नतीजे गिने

इस क्लिनिकल ट्रायल का डिजाइन “लैब में परफॉर्मेंस” नहीं, बल्कि रियल-वर्ल्ड इम्प्लीमेंटेशन पर फोकस था।

सेटअप: क्लस्टर रैंडमाइज़ेशन और क्लिनिशियन नोटिफिकेशन

• 98 प्राइमरी केयर टीम्स को क्लस्टर स्तर पर रैंडमाइज़ किया गया।
• इंटरवेंशन आर्म में क्लिनिशियन को ECG-ML (AI) का परिणाम दिखता/मिलता था।
• यदि AI ने जोखिम “पॉज़िटिव” दिखाया, तो क्लिनिशियन को नोटिफाई किया गया कि मरीज में एडवांस्ड CLD का जोखिम अधिक है।
• कंट्रोल आर्म में सामान्य देखभाल जारी रही।

स्केल: कितने मरीज?

• कुल 15,596 वयस्कों ने रूटीन केयर के हिस्से के रूप में 12-लीड ECG कराया।
• शामिल किए गए: 8,034 (इंटरवेंशन) और 7,562 (कंट्रोल)।

प्राइमरी एंडपॉइंट: 180 दिनों में “नई” एडवांस्ड CLD डायग्नोसिस

आउटकम की परिभाषा ढीली नहीं थी। 180 दिनों के भीतर एडवांस्ड फाइब्रोसिस के साथ CLD की नई पहचान को क्रमिक असेसमेंट्स से कन्फर्म किया गया।

नतीजे (नंबरों के साथ): डिटेक्शन दोगुना, पर “एडहिरेंस” ही बॉटलनेक

मुख्य परिणाम सीधे पढ़िए—AI-ECG का क्लिनिक में प्रभाव मापने लायक था।

कुल आबादी में एडवांस्ड CLD की नई पहचान

• इंटरवेंशन: 1.0%
• कंट्रोल: 0.5%
• Odds Ratio (OR): 2.09 (95% CI 1.22–3.55), P = 0.007

मतलब: रूटीन ECG के साथ AI-आधारित संकेत जोड़ने से नई पहचान लगभग दोगुनी हुई।

AI-ECG पॉज़िटिव मरीजों में प्रभाव और बड़ा

• इंटरवेंशन: 4.4%
• कंट्रोल: 1.1%
• OR: 4.37 (95% CI 1.94–9.88), P < 0.001

यह क्लिनिकल इंट्यूशन के हिसाब से भी सही है: जब AI हाई-रिस्क “फ्लैग” करता है, तो अगर डॉक्टर अगला कदम उठाए तो yield तेज़ी से बढ़ती है।

सेकेंडरी एंडपॉइंट: “किसी भी फाइब्रोसिस” की पहचान

• कुल आबादी में: 1.7% बनाम 0.5%, OR 3.17, P < 0.001
• AI-पॉज़िटिव में: 8.4% बनाम 1.1%, OR 8.03, P < 0.001

ट्रायल का सबसे ईमानदार सबक: AI सही हो सकता है, पर इंसान का follow-through निर्णायक है

पेपर खुद मानता है कि डिटेक्शन yield एपिडेमियोलॉजिकल अनुमान से कम रहा—और वजह “AI की सीमा” नहीं, बल्कि क्लिनिशियन एडहिरेंस में वैरिएशन बताई गई।

AI-आधारित डायग्नॉस्टिक तभी वैल्यू देता है जब वह अगले टेस्ट/रेफरल के लिए सिस्टम को चलाए—सिर्फ अलर्ट भेजकर काम पूरा नहीं होता।

ECG से लिवर बीमारी का संकेत कैसे? (इसे जादू मत समझिए)

सीधा उत्तर: एडवांस्ड लिवर डिज़ीज़ शरीर के हीमोडायनामिक्स, ऑटोनॉमिक टोन और हार्ट फंक्शन पर असर डालती है; ECG में कई सूक्ष्म पैटर्न बदल सकते हैं। डीप लर्निंग ऐसे multi-feature पैटर्न पकड़ सकती है जिन्हें इंसानी आँख रूटीन पढ़ाई में नहीं जोड़ती।

यहाँ “AI-ECG” का वैल्यू प्रपोज़िशन तीन बातों में है:

1. नॉन-इनवेसिव और पहले से हो रहा टेस्ट: ECG बहुत जगह रूटीन है—खासकर डायबिटीज़, हाइपरटेंशन, चेस्ट पेन, प्री-ऑप, आदि में।
2. लो-फ्रिक्शन ट्रायेज: हर व्यक्ति का FibroScan करना संभव नहीं; AI-ECG एक ट्रायेज लेयर बन सकता है।
3. वर्कफ़्लो “टच पॉइंट”: प्राइमरी केयर में ECG रिपोर्ट अक्सर EHR में आती है—यहीं risk flag जोड़कर next-step पाथवे ट्रिगर किया जा सकता है।

फार्मा और बायोटेक के लिए यह क्यों मायने रखता है

उत्तर: क्योंकि early detection सीधे-सीधे ट्रीटमेंट विंडो, ट्रायल रिक्रूटमेंट, और क्लिनिकल आउटकम्स को बदलती है। यह एक डायग्नॉस्टिक स्टोरी नहीं, बल्कि क्लिनिकल-डेवलपमेंट स्टोरी भी है।

1) सही मरीज जल्दी = सही ट्रायल जल्दी

NASH/MASH और फाइब्रोसिस स्पेस में सबसे बड़ी समस्या यह रही है कि:

• मरीज देर से आते हैं,
• स्टेजिंग में अनिश्चितता रहती है,
• और ट्रायल स्क्रीन फेलियर महँगा पड़ता है।

यदि प्राइमरी केयर में AI-ECG हाई-रिस्क मरीजों को ऊपर लाता है, तो फार्मा के लिए यह:

• प्री-स्क्रीनिंग का खर्च घटा सकता है,
• साइट्स को बेहतर क्वालिटी लीड दे सकता है,
• और early-stage disease में इंटरवेंशन के मौके बढ़ा सकता है।

2) “डायग्नॉस्टिक + पाथवे” = रियल-वर्ल्ड एविडेंस (RWE) का इंजन

जब AI-ECG जैसे सिग्नल को एक मानकीकृत confirmatory पाथवे से जोड़ा जाता है (ब्लड टेस्ट → इलास्टोग्राफी → स्पेशलिस्ट), तो सिस्टम अपने आप:

• measurable cohorts बनाता है,
• longitudinal outcomes ट्रैक कर सकता है,
• और RWE के लिए डेटा-प्रोडक्ट बन जाता है।

3) कम लागत पर स्क्रीनिंग = हेल्थ-इकोनॉमिक्स का मजबूत केस

यह ट्रायल दिखाता है कि सिर्फ नोटिफिकेशन से भी detection बढ़ा। अगर स्वास्थ्य-प्रणाली में आगे की जाँच/रेफरल का एक “डिफ़ॉल्ट पाथ” सेट हो जाए, तो प्रति-पहचान लागत (cost per case found) और बेहतर हो सकती है।

अगर आप इसे अपनाना चाहते हैं: इम्प्लीमेंटेशन की 7-पॉइंट चेकलिस्ट

सीधा उत्तर: AI-ECG को “टूल” नहीं, “क्लिनिकल प्रोटोकॉल” की तरह लागू करना होगा। मैंने देखा है कि जिन जगहों पर AI अलर्ट्स बेअसर होते हैं, वहाँ समस्या मॉडल नहीं—ऑपरेशन होता है।

1. क्लियर ट्रिगर और अगला कदम: AI-ECG पॉज़िटिव → 2-स्टेप कन्फर्मेशन जैसे आदेश-स्तर निर्देश।
2. EHR ऑर्डर-सेट्स: क्लिक-फ्रिक्शन कम करें (एक बटन में लिवर पैनल/इलास्टोग्राफी रिक्वेस्ट)।
3. रिस्क-फैक्टर ओवरले: डायबिटीज़, मोटापा, शराब उपयोग, मेटाबोलिक सिंड्रोम—AI सिग्नल के साथ दिखें।
4. फॉलो-अप SLA: पॉज़िटिव केस में 30 दिनों के भीतर अगला टेस्ट—वरना अलर्ट “मर” जाता है।
5. अलर्ट फटीग कंट्रोल: थ्रेशहोल्ड, टाइमिंग, और जिम्मेदार टीम तय करें।
6. स्पेशलिस्ट कनेक्टिविटी: GI/हेपेटोलॉजी रिफरल स्लॉट्स का रिंग-फेंसिंग।
7. ऑडिट और फीडबैक: हर महीने देखें—पॉज़िटिव में से कितने confirmatory टेस्ट तक गए, और क्यों नहीं गए।

सीमाएँ और सावधानियाँ: इस AI का सही उपयोग क्या है

उत्तर: AI-ECG “डायग्नोसिस” नहीं, रिस्क-फ्लैगिंग है।

• पॉज़िटिव मतलब “आपको सिरोसिस है” नहीं; मतलब “आपकी जांच प्राथमिकता पर होनी चाहिए।”
• ट्रायल में yield एडहिरेंस पर निर्भर थी—यानी यह समाधान क्लिनिक की आदतों से बंधा है।
• एल्गोरिद्म की उपलब्धता/रेगुलेटरी मंज़ूरी हर जगह अलग होगी—इसलिए इसे अपनाते समय क्लिनिकल गवर्नेंस और वैलिडेशन जरूरी है।

प्राइमरी केयर के नज़रिए से सबसे काम की बात

सीधा उत्तर: “रूटीन टेस्ट से extra signal निकालना” प्राइमरी केयर की सबसे व्यावहारिक AI रणनीति है।

आपको नया उपकरण खरीदने की ज़रूरत कम पड़ती है। मरीज को नया अनुभव कम होता है। डॉक्टर की decision-making बेहतर होती है—बशर्ते सिस्टम अगला कदम आसान बनाए।

दिसंबर 2025 में, जब हेल्थ सिस्टम्स बजट और स्टाफिंग दोनों दबाव में हैं, ऐसी तकनीकें जो मौजूदा डेटा से actionable risk निकालें—वे ज्यादा तेजी से अपनाई जाती हैं।

अगला कदम: फार्मा/बायोटेक टीम्स क्या करें (लीड्स के नजरिए से)

अगर आप फार्मास्यूटिकल, बायोटेक, या डिजिटल हेल्थ में हैं और आपका फोकस लिवर फाइब्रोसिस, MASH/NASH, या रियल-वर्ल्ड स्क्रीनिंग है, तो यह समय “पायलट से प्रोडक्शन” सोचने का है।

• एक पायलट पाथवे डिज़ाइन करें: AI-ECG ट्रिगर → कन्फर्मेशन → केयर प्लान/ट्रायल रेफरल।
• अपने ट्रायल ऑप्स के साथ प्री-स्क्रीनिंग इंटीग्रेशन करें: high-risk flags से साइट्स को क्वालिफाइड referrals।
• हेल्थ-इकोनॉमिक्स मॉडल बनाएं: “अर्ली डिटेक्शन से डीकम्पेन्सेशन/हॉस्पिटलाइज़ेशन में कितनी कमी” की गणना।

AI का असर तब दिखता है जब वह “अगला सही कदम” तय कर देता है। ECG से लिवर सिरोसिस पकड़ने वाला यह ट्रायल उसी दिशा का मजबूत संकेत है। अब सवाल यह है: क्या आपकी संस्था AI अलर्ट को एक्शन में बदलने वाला वर्कफ़्लो तैयार कर रही है, या सिर्फ मॉडल्स की चर्चा में समय निकाल रही है?