कैसे एआई और बिग डेटा नोवेल मधुमेह बायोमार्कर की खोज में तेजी ला रहे हैं

मधुमेह में डेटा क्रांति: कैसे एआई और बिग डेटा हिडन बायोमार्कर को उजागर कर रहे हैं

मधुमेह का वैश्विक बोझ एक खतरनाक दर पर बढ़ना जारी है। 2021 में, अंतर्राष्ट्रीय मधुमेह संघ ने अनुमान लगाया कि 537 मिलियन से अधिक वयस्क मधुमेह के साथ रह रहे थे, जिसमें प्रक्षेपण 2045 तक 783 मिलियन तक पहुंच गया। यह चयापचय विकार न केवल मृत्यु और मृत्यु दर का एक प्रमुख कारण है बल्कि दुनिया भर में स्वास्थ्य प्रणालियों पर भारी तनाव को भी रखता है। जबकि फाउंडेशनल जीवविज्ञान ने प्रमुख तंत्रों जैसे इंसुलिन प्रतिरोध, बीटा सेल डिसफंक्शन और चयापचय विकार की स्थापना की है, यह रोग व्यक्तियों में उल्लेखनीय विषमता के साथ प्रस्तुत करता है। कुछ रोगियों को नेफ्रोपैथी या रेटिनोपैथी जैसी जटिलताओं के लिए तेजी से प्रगति का अनुभव होता है, जबकि अन्य स्पष्ट निदान रणनीतियों के बिना ऐतिहासिक रूप से ग्लाइसेमिक नियंत्रण बनाए रखते हैं।

कृत्रिम बुद्धि और बड़े डेटा अब कैसे बायोमार्कर की खोज और मान्य हैं में एक भूकंपीय बदलाव चला रहे हैं। एक समय में एक परिकल्पना का परीक्षण करने के बजाय, शोधकर्ता हजारों आणविक विशेषताओं में एक साथ पूछताछ कर सकते हैं, जिससे डेटा संचालित पैटर्न उभरने की अनुमति मिलती है कि कोई मानव विशेषज्ञ भविष्यवाणी नहीं कर सकता। यह प्रतिमान उपन्यास मधुमेह बायोमार्कर के बढ़ते शस्त्रागार को पैदा कर रहा है: पॉलीजेनिक जोखिम स्कोर सैकड़ों आनुवंशिक वेरिएंट्स को एकीकृत करता है, प्रोटेमिक हस्ताक्षर शुरुआती बीटा सेल तनाव, निरंतर ग्लूकोज मॉनिटर से चयापचय प्रोफाइल को कैप्चर करता है, और इमेजिंग-आधारित मार्करों को गहरी सीखने से व्युत्पन्न किया जाता है। यह लेख जांच करता है कि कैसे एआई और बड़े डेटा मधुमेह की खोज करने के लिए मधुमेह की शुरुआत है।

मशीन लर्निंग के माध्यम से बायोमार्कर डिस्कवरी को फिर से परिभाषित करना

पारंपरिक बायोमार्कर खोज ने उम्मीदवार दृष्टिकोण पर निर्भर किया है जहां शोधकर्ता पूर्व ज्ञान के आधार पर अणुओं का सीमित सेट का चयन करते हैं और उन्हें नैदानिक कोहोर्ट में परीक्षण करते हैं। जबकि इसने मूल्यवान मार्करों जैसे HbA1c और C-peptide को पैदा किया है, यह प्रक्रिया धीमी, परिकल्पना-अवधि है, और अक्सर मधुमेह की पूरी जटिलता को शामिल करने में विफल रहता है। AI उच्च-आयामी डेटा के परिकल्पना-मुक्त अन्वेषण को सक्षम करके इस प्रतिमान को फ्लिप करता है। मशीन लर्निंग एल्गोरिदम विशाल डेटासेट के माध्यम से निकलता है जिसमें जीनोमिक्स, ट्रांसक्रिप्टोमिक्स, प्रोटेमिक्स, मेटाबोमिक्स और नैदानिक उपचार या प्रगति पैटर्न के साथ नैदानिक उपचार की पहचान करने में शामिल हैं।

पर्यवेक्षण शिक्षा: लक्षणों को प्रकट करने से पहले जोखिम को रोकना

सुपरविस्ड लर्निंग मॉडल जैसे कि ग्रेनिएंट बूस्टिंग मशीन, यादृच्छिक जंगल और गहरे तंत्रिका नेटवर्क को सबसे अधिक पूर्वानुमान सुविधाओं को इंगित करने के लिए लेबल डेटासेट (जैसे, जो मरीज मधुमेह को विकसित या विकसित नहीं करते थे) पर प्रशिक्षित किया जाता है। एक मीलमार्क 2020 अध्ययन में Nature Medicine नेचर मेडिसिन ने 0.92 के रिसीवर ऑपरेटिंग विशेषता वक्र (AUC) के तहत एक क्षेत्र के साथ घटना प्रकार 2 मधुमेह की भविष्यवाणी करने के लिए यूके प्राथमिक देखभाल रिकॉर्ड पर स्नातक की ओर बढ़ोत्तरी की। मॉडल एकीकृत HbA1c, triglycerides, कमर से हिप-टू-हिप अनुपात, और लीवर-एक एकल रक्त मार्कर के रूप में कम पारंपरिक चरागाहों को उजागर करता है।

गहरी शिक्षा ने आगे संभावनाओं का विस्तार किया है। रेटिना फंडस छवियों पर प्रशिक्षित एक संवादात्मक तंत्रिका नेटवर्क अब नेत्र रोग विशेषज्ञ के साथ सटीकता के साथ मधुमेह रेटिनोपैथी का पता लगाता है। अप्रत्याशित रूप से, ये समान नेटवर्क प्रणालीगत जैवचिह्नों जैसे HbA1c और अकेले छवियों से रक्तचाप की भविष्यवाणी भी कर सकते हैं, यह सुझाव देते हुए कि एआई सूक्ष्म सूक्ष्म संवहनी परिवर्तनों को समग्र चयापचय स्वास्थ्य के साथ सहसंबंधित करती है। इस घटना को डोमेन हस्तांतरण के रूप में जाना जाता है, जो अन्यथा छिपे रह सकते हैं। उदाहरण के लिए, 2022 अध्ययन द्वारा डीपडीआर संदूषण जोखिम के लिए एक जोखिम को जोड़ने]

असुरक्षित शिक्षा: रोग उपप्रकारों की खोज

Unsupervised शिक्षण विधियों जैसे क्लस्टरिंग, प्रिंसिपल घटक विश्लेषण, और ऑटोनकोडर पूर्वनिर्धारित लेबल के बिना डेटा में छिपे हुए संरचनाओं को प्रकट करते हैं। जब टाइप 2 मधुमेह वाले रोगियों के बड़े समूह पर लागू होते हैं, तो इन मॉडलों ने अलग-अलग एंडोटाइपों को उजागर किया है - बॉयोलॉजिकल रूप से सार्थक उपप्रकार जो रोग प्रगति और जटिलता जोखिम में भिन्न होते हैं। स्वीडन में ऐतिहासिक और अध्ययन में छह नैदानिक चरों (डिस्कोसिस, BMI, HbA1c, बीटा सेल फंक्शन, इंसुलिन प्रतिरोध और ऑटोनिटबॉडी) पर आधारित एक गंभीर इंसुलिन-डिफिकेट प्रकार के द्विआधारी विकल्प शामिल हैं जो सीधे एक इंसुलिन आधारित वर्गीकरण के लिए आगे बढ़ते हैं।

हाल के वर्षों में काम ने omics डेटा को क्लस्टरिंग में एकीकृत किया है। उदाहरण के लिए, ]Framingham हार्ट स्टडी] संयुक्त चयापचयों और नैदानिक विशेषताओं के साथ प्रोटेमिक्स को डिस्ग्लिसीमिया के तीन उपप्रकारों की पहचान करने के लिए जो कार्डियोवैस्कुलर परिणामों की भविष्यवाणी करते हैं। ऐसे उपप्रकार-विशिष्ट बायोमार्कर लक्षित हस्तक्षेपों के लिए महत्वपूर्ण हैं, जिससे चिकित्सकों को उन रोगियों की पहचान करने की अनुमति मिलती है जो अकेले प्रारंभिक आक्रामक चिकित्सा बनाम जीवनशैली संशोधन से लाभान्वित हो सकते हैं।

अर्ध-पर्यवेक्षित और सुदृढ़ीकरण शिक्षा

अर्ध-पर्यवेक्षित सीखने की तरह उभरते दृष्टिकोण में प्रचुर मात्रा में अलाभित डेटा के साथ सीमित लेबल डेटा का लाभ उठाता है, जो बड़े जैवबैंकों में आम है जहां केवल रोगियों का एक अंश पूर्ण अनुवर्ती होता है। सुदृढीकरण सीखने की खोज गतिशील जैवमार्कर खोज के लिए की जा रही है, जहां मॉडल रोगी ट्रेजेक्टरी के आधार पर बायोमार्कर माप के लिए इष्टतम समय सीखते हैं। हालांकि अभी भी प्रयोगात्मक है, ये विधियां खोज की दक्षता को बढ़ाने का वादा करती हैं, विशेष रूप से वयस्कों में दुर्लभ मधुमेह phenotypes जैसे मोनोजेनिक रूप या अलादी ऑटोइम्यून डायबिटीज (LADA)।

बिग डेटा: एआई-पॉवर डिस्कवरी के लिए ईंधन

एआई मॉडल केवल उस डेटा के रूप में मजबूत हैं जिस पर उन्हें प्रशिक्षित किया जाता है। मधुमेह अनुसंधान में, जैवबैंकों, इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड (ईएचआर), निरंतर ग्लूकोज मॉनिटर (सीजीएम) से बड़े डेटा का विस्फोट, और omics प्रौद्योगिकियों शक्तिशाली मॉडलों को प्रशिक्षित करने के लिए वॉल्यूम, विविधता और वेग प्रदान करती है। हालांकि, कच्चे डेटा अकेले अपर्याप्त है; एकाधिक डेटा प्रकारों और स्रोतों में एकीकरण जहां वास्तविक मूल्य उभरता है। चुनौती अखंडता को संरक्षित करते समय और प्रतिनिधिता सुनिश्चित करते समय डेटासेट को अलग करने में निहित है।

बहु-Omics एकीकरण

सबसे आशाजनक जैवमार्कर उम्मीदवार कई omics परतों को एकीकृत करने से आते हैं, जो आनुवंशिकी, ट्रांसक्रिप्शन, प्रोटीन और मेटाबोलाइट्स के अंतर-भाग को कैप्चर करते हैं। उदाहरण के लिए, सटीक चिकित्सा (TOPMed) कार्यक्रम के लिए ट्रांस-Omics ने 10,000 से अधिक व्यक्तियों से प्रोटेमिक और मेटाबोमिक डेटा के साथ पूरे जीनोम अनुक्रमण को संयुक्त किया। एक गहरी सीखने के ढांचे ने 23 प्रोटीन और 14 मेटाबोलाइट्स के नेटवर्क की पहचान की जिसमें पांच वर्षों में 88% सटीकता के साथ टाइप 2 डायबिटीज की घटना की भविष्यवाणी की गई। कई अणुओं, जैसे कि फाइब्रोब्लास्ट ग्रोथ फैक्टर 21 (FGF21) और ग्लिसीन, ने चयापचय स्वास्थ्य के लिए एक ही ज्ञात लिंक्स-आटोमिक इंटरैनेट-आटोमिक इंटरैक्शन के लिए एक एकीकृत मॉडल का पता लगाया था।

प्रोटेमिक्स विशेष रूप से उपजाऊ रहा है। एक साथ में 7,000 प्रोटीनों पर सोमास्कन माप जैसे एप्टामर आधारित प्लेटफॉर्म। इस तरह के उच्च-आयामी डेटा पर लागू मशीन लर्निंग ने दोनों प्रकार 1 और टाइप 2 मधुमेह के लिए उपन्यास बायोमार्कर की पहचान की है। टाइप 1 के लिए, चार प्रोटीनों का एक पैनल - जिसमें प्रतिरक्षा जांच बिंदु प्रोटीन PD-L1 और chemokine CXCL10 शामिल है - जो पहले से ही नैदानिक रोग के वर्षों के लिए ऑटोएंटीबॉडी पॉसिटिविटी से प्रगति की भविष्यवाणी कर सकता है। टाइप 2 के लिए, एडिप्सिन और डेस्मोप्लाकिन जैसे प्रोटीन, अमीनो ऊतक रोग और इंसुलिन प्रतिरोध के प्रारंभिक मार्करों के रूप में उभरा है।

पहनने योग्य और ईएचआर से रियल-विश्व डेटा

पहनने योग्य उपकरण शारीरिक डेटा की निरंतर धारा उत्पन्न कर रहे हैं। सतत ग्लूकोज मॉनिटर (CGM) प्रति दिन 288 रीडिंग तक उत्पन्न होते हैं, जो ग्लिसीमिक परिवर्तनशीलता के समृद्ध अस्थायी प्रोफाइल को पैदा करते हैं। स्टैनफोर्ड यूनिवर्सिटी के शोधकर्ताओं ने अकेले 8,000 से अधिक गैर-डायबिटी वयस्क से CGM डेटा का इस्तेमाल किया ताकि "ग्लाइसेमिक अस्थिरता सूचकांक" को परिभाषित किया जा सके, जो कि स्थिर प्रयोगशाला मूल्यों से परे एक AI-Derived माप को दर्शाता है, जो वास्तविक चयापचयों को कैप्चर करता है।

EHRs पर लागू प्राकृतिक भाषा प्रसंस्करण (NLP) एक और समृद्ध संसाधन है। खनन द्वारा असंरचनात्मक नैदानिक नोट्स-फिजियन कथाओं, निर्वहन सारांश, रेडियोलॉजी रिपोर्ट-एनएलपी मॉडलों ने "ब्रिटल डायबिटीज" जैसे फेनोटाइप को निकालने का उपयोग किया, दवा पालन पैटर्न और सूक्ष्म लक्षण विवरण जो संरचित क्षेत्र याद आते हैं। 2024 अध्ययन से मेयो क्लिनिक ने नैदानिक नोट्स से टाइप 2 मधुमेह के प्रोडॉमल लक्षणों की पहचान करने के लिए एनएलपी का उपयोग किया, नींद की गड़बड़ी और मूड परिवर्तन के साथ एसोसिएशनों को उजागर किया जो महीनों तक निदान पूर्व निर्धारित किया गया।

बायोमार्कर के स्रोत के रूप में इमेजिंग

मेडिकल इमेजिंग मधुमेह जैव निशान के एक गैर इनवेसिव स्रोत के रूप में उभर रहा है। इसके अलावा, CT और MRI स्कैन अग्नाशय वसा संरचना, यकृत स्टेटोसिस और पेट वसा वितरण के मात्रात्मक उपाय प्रदान करते हैं। गहरी शिक्षा एल्गोरिदम मानक नैदानिक स्कैन से इन सुविधाओं को विभाजित और मात्रात्मक बना सकते हैं। उदाहरण के लिए, CT से अग्नाशय वसा के स्वचालित माप बीटा सेल फ़ंक्शन और भविष्य के मधुमेह जोखिम से जुड़े हुए हैं। इसी तरह, एआई मॉडल से ली गई कार्डियक MRI विशेषताएं नैदानिक लक्षणों से पहले मधुमेह कार्डियोमायोपैथी से संबंधित हो रही हैं। ये इमेजिंग बायोमार्कर आणविक सूत्र प्रदान करते हैं, जो एक स्थानिक परीक्षण प्रदान नहीं कर सकते हैं।

बेंच से बेडसाइड तक: नैदानिक प्रभाव और चुनौतियां

एआई-डिस्कवर बायोमार्कर नैदानिक अभ्यास में तेजी से चल रहे हैं। टाइप 2 मधुमेह के लिए पॉलीजेनिक जोखिम स्कोर (पीआरएस) व्यावसायिक रूप से उपलब्ध हैं, कुछ हेल्थकेयर सिस्टम उन्हें स्क्रीनिंग को मजबूत करने के लिए उपयोग करते हैं। मधुमेह के प्रारंभिक निदान के लिए प्रोटेमिक पैनल बड़े बहु-केंद्र परीक्षणों में मान्य हैं। एफडीए के बायोमार्कर योग्यता कार्यक्रम ने मधुमेह प्रगति के पूर्वानुमान के रूप में अग्नाशय वसा को मापने के लिए सीटी स्कैन के गहन सीखने विश्लेषण के लिए एआई-संचालित सबूत स्वीकार किए हैं। इसके अतिरिक्त, निरंतर ग्लूकोज निगरानी डेटा इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड में एकीकृत हो रहा है, जिससे वास्तविक समय जोखिम मूल्यांकन और उपचार समायोजन को सक्षम बनाया गया है।

हालांकि, महत्वपूर्ण बाधाएं बनी रहती हैं। डेटा की गुणवत्ता और मानकीकरण लगातार मुद्दे हैं। EHR में कोडिंग त्रुटियां, लापता मान और साइट-विशिष्ट विविधताएं होती हैं जो पूर्वाग्रह पेश कर सकती हैं। कई AI- डिस्कवर किए गए बायोमार्कर आबादी के अंतर या विश्लेषणात्मक कलाकृतियों के कारण स्वतंत्र कोहोर्ट्स में दोहराने में विफल रहते हैं। विविध आबादी में कठोर बाहरी मान्यता - जिसमें जातीय अल्पसंख्यकों को अक्सर जैवबैंकों में प्रस्तुत किया जाता है - नैदानिक गोद लेने से पहले आवश्यक होता है। AI युग में जैवमार्कर सत्यापन के लिए मानकीकृत प्रोटोकॉल की कमी आगे अनुवाद को जटिल बनाती है।

इंटरप्रेबिलिटी एक अन्य प्रमुख बाधा है। डीप लर्निंग मॉडल कुख्यात रूप से अपारदर्शी हैं; चिकित्सकों को जोखिम स्कोर पर कार्य करने की संभावना नहीं है यदि वे यह नहीं समझा सकते कि किसी विशेष रोगी को क्यों झंडा था। एसएपी और एलवाईएमई जैसे स्पष्ट एआई विधियों ने पोस्ट-हॉक अनुमान प्रदान किया है, लेकिन नियामक एजेंसियां अभी भी सुरक्षा, निष्पक्षता और जवाबदेही के लिए इन मॉडलों का मूल्यांकन करने के लिए फ्रेमवर्क विकसित कर रही हैं। अमेरिकी खाद्य और दवा प्रशासन (एफडीए) और यूरोपीय चिकित्सा एजेंसी (ईएमए) ने एआई आधारित चिकित्सा उपकरणों पर ड्राफ्ट मार्गदर्शन जारी किया है, लेकिन विकास विनियम डेवलपर्स के लिए अनिश्चितता पैदा करते हैं।

नैतिक विचार करघा बड़ा। बायोमार्कर आधारित जोखिम भविष्यवाणी चिंता का कारण बन सकती है, बीमा भेदभाव का कारण बन सकती है, या स्वास्थ्य असमानता को खत्म कर सकती है यदि मॉडल को मुख्य रूप से सफेद, असंतुष्ट आबादी से डेटा पर प्रशिक्षित किया जाता है। उन्नत जैव मार्कर परीक्षण और जोखिम के पारदर्शी संचार के लिए समान पहुंच जिम्मेदार तैनाती के लिए गैर-negotiable है। स्वास्थ्य इक्विटी और एआई वर्किंग ग्रुप ने एल्गोरिदमिक परिणामों में प्रशिक्षण डेटा और निष्पक्षता में विविध प्रतिनिधित्व सुनिश्चित करने की योजना बनाई है, लेकिन कार्यान्वयन पैची बनी हुई है।

फ्यूचर होराइजन्स: डिजिटल ट्विन्स और फेडरेटेड लर्निंग

अगले फ्रंटियर "डिजिटल जुड़वा" का निर्माण है -व्यक्तिगत रोगियों के आभासी प्रतिनिधित्व जो अनुदैर्ध्य जैवमार्कर डेटा, आनुवंशिक जानकारी, जीवन शैली कारकों और उपचार इतिहास को एकीकृत करते हैं। ये मॉडल नैदानिक अनुप्रयोग से पहले रोग ट्रेजेक्टरी और परीक्षण हस्तक्षेप रणनीतियों का अनुकरण करते हैं, व्यक्तिगत देखभाल को सक्षम करते हैं। 2024 में अद्यतन Diabetes Care] ने टाइप 1 मधुमेह में इंसुलिन खुराक अनुकूलन और जटिलता की रोकथाम के लिए डिजिटल जुड़वाँ के साथ प्रारंभिक सफलताओं को उजागर किया। चूंकि बायोमार्कर डेटा पहनने योग्य और सीजीएम से अधिक गतिशील और निरंतर हो जाता है, ये आभासी मॉडल अग्रिम वर्षों में अधिक सटीक, संभावित रूप से पूर्वानुमानित हो जाएगा।

Federated लर्निंग गोपनीयता संरक्षण करते समय डेटा सिलोस को दूर करने का एक रास्ता प्रदान करता है। केंद्रीय रूप से संवेदनशील रोगी डेटा को पूल करने के बजाय, एआई मॉडल को स्थानीय रूप से कई अस्पतालों में प्रशिक्षित किया जाता है, केवल मॉडल अद्यतन साझा किए गए हैं। यूरोप और एशिया में पांच संस्थानों में मधुमेह रेटिनोपैथी स्क्रीनिंग के लिए एक पायलट परियोजना ने प्रदर्शित किया कि डेटा ऑन-साइट रखने के दौरान एक केंद्रीयकृत मॉडल के बराबर मॉडल सटीकता हासिल की। यह दृष्टिकोण बड़ी पैमाने पर जैव-marker को गोपनीयता से समझौता किए बिना विभिन्न आबादी में खोज करने में सक्षम बनाता है। अंतर गोपनीयता तकनीकों के साथ संयुक्त, federated सीखने GDPR जैसे नियमों का पालन करते समय खोज में तेजी ला सकती है।

एकल सेल omics प्रौद्योगिकियों एक और रोमांचक फ्रंटियर हैं। मानव आइलेट्स या रक्त नमूनों से अलग-अलग कोशिकाओं को प्रोफाइल करके, शोधकर्ता रोग से जुड़े दुर्लभ सेल राज्यों की पहचान कर सकते हैं। एआई मॉडल एकल सेल RNA अनुक्रमण डेटा का विश्लेषण करने से बीटा कोशिकाओं और प्रतिरक्षा कोशिकाओं के नए उपप्रकारों का पता चला है जो मधुमेह की प्रगति के साथ सहसंबंधित हैं। ये सेल-विशिष्ट बायोमार्कर बीटा-सेल फ़ंक्शन को संरक्षित करने या प्रतिरक्षा प्रतिक्रियाओं को संशोधित करने के लिए लक्षित उपचारों का नेतृत्व कर सकते हैं।

निष्कर्ष

एआई और बड़े डेटा केवल मधुमेह बायोमार्कर की खोज को तेज नहीं कर रहे हैं- वे मूल रूप से पुनर्वित्त कर रहे हैं कि बायोमार्कर क्या हो सकता है। अब एक अणु या स्थिर माप तक सीमित नहीं है, आज के बायोमार्कर गतिशील, बहु-आयामी हस्ताक्षर हैं जो आनुवंशिकी, चयापचय, पर्यावरण और व्यवहार के अंतर को कैप्चर करते हैं। बहु-जैविक जोखिम स्कोर और प्रोटेमिक पैनल से सीजीएम-व्युत्पन्न अस्थिरता सूचकांकों और इमेजिंग-आधारित वसा मात्राीकरण तक सीमित नहीं है, ये उपन्यास उपकरण भविष्य का वादा करते हैं जहां मधुमेह पहले पता लगाया जाता है, ठीक से वर्गीकृत किया गया है और व्यक्तिगत रणनीतियों के साथ प्रबंधित किया गया है जो वास्तविक समय में अनुकूल है।

इस वादा को महसूस करने के लिए डेटा अवसंरचना, कठोर सत्यापन मानकों, व्याख्यात्मक एआई विधियों और उन्नत परीक्षण के लिए समान पहुंच में निरंतर निवेश की आवश्यकता होती है। सभी यूईएस रिसर्च प्रोग्राम और अंतरराष्ट्रीय संघ विविध डेटासेट के निर्माण के लिए महत्वपूर्ण हैं। एआई और बड़े डेटा का एकीकरण एक आकार के सभी फिट्स-सभी रोग से मधुमेह को एक ऐसी स्थिति में बदल रहा है जिसे व्यक्तिगत स्तर पर समझा और इलाज किया जा सकता है। यह सिर्फ एक वैज्ञानिक प्रगति नहीं है लेकिन एक नैदानिक अनिवार्य है-एक जो यह सुनिश्चित करने के लिए सावधान स्टेवार्डशिप की मांग करता है कि लाभ पृष्ठभूमि के बावजूद सभी रोगियों तक पहुंच जाए।