हार्वर्ड-नेतृत्व वाले अध्ययन में पाया गया कि एक OpenAI मॉडल ने प्रारंभिक ER निदान में चिकित्सकों से बेहतर प्रदर्शन किया

परिणामों का अर्थ क्या है और क्या नहीं

शीर्षक-स्तर का परिणाम उल्लेखनीय है, लेकिन इसे सावधानी के साथ समझना चाहिए। स्रोत सामग्री एक निदान-प्रदर्शन अध्ययन का वर्णन करती है, न कि चिकित्सकों के स्थानापन्न होने की परीक्षा का। ट्रायेज पर अधिक सटीक निदान सुझाव देना, मरीज की देखभाल को स्वतंत्र रूप से प्रबंधित करने, जोखिम संप्रेषित करने, उपचार आदेशित करने या परिणामों की जिम्मेदारी लेने के बराबर नहीं है। आपातकालीन चिकित्सा इन सभी कार्यों पर निर्भर करती है, और TechCrunch की रिपोर्ट स्पष्ट रूप से कहती है कि अध्ययन में यह दावा नहीं किया गया कि डॉक्टरों को बदला जा सकता है।

फिर भी, यह अध्ययन इस तर्क को मज़बूत करता है कि बड़े भाषा मॉडल तीव्र देखभाल में अत्यंत उपयोगी निर्णय-सहायता उपकरण बन सकते हैं, खासकर तब जब जानकारी सीमित हो और समय का दबाव तीव्र हो। यदि कोई मॉडल पहले ही निदान-क्षेत्र को संकुचित करने में मदद कर सके, तो यह उपचार-उन्नयन, परीक्षण या विशेषज्ञ-भागीदारी की गति बढ़ा सकता है। यह चिकित्सकों पर भारी संज्ञानात्मक दबाव के समय छूटे हुए संभावित निदानों के विरुद्ध एक जाँच का काम भी कर सकता है।

अध्ययन के प्रमुख लेखकों में से एक, हार्वर्ड मेडिकल स्कूल के Arjun Manrai ने स्कूल की प्रेस विज्ञप्ति में कहा कि टीम ने AI का परीक्षण व्यापक मानकों के विरुद्ध किया और पाया कि उसने पेपर में उपयोग किए गए चिकित्सक-आधार-रेखाओं के साथ-साथ पिछले मॉडलों से भी बेहतर प्रदर्शन किया। उपलब्ध स्रोत-पाठ की सीमाओं के भीतर, यह शोधकर्ताओं की अपनी व्याख्या का सबसे स्पष्ट कथन है: केवल यह नहीं कि AI प्रतिस्पर्धी था, बल्कि यह कि एक मॉडल ने इस अध्ययन-डिज़ाइन में नया आंतरिक मानक स्थापित किया।

ट्रायेज क्यों निर्णायक युद्ध-भूमि है

ट्रायेज AI सिस्टम्स के लिए एक असाधारण रूप से उजागर करने वाला वातावरण है क्योंकि यह अनिश्चितता को संकुचित करता है। चिकित्सक के पास अक्सर एक संक्षिप्त नोट, लक्षणों का पहला सेट और यह तय करने की आवश्यकता होती है कि किस चीज़ को नज़रअंदाज़ नहीं किया जा सकता। यह वही जानकारी-प्रकार है जिसके साथ बड़े भाषा मॉडल काम करने के लिए बनाए गए हैं: खंडित पाठ, आंशिक संदर्भ, और संभावनाओं को जल्दी क्रमबद्ध करने की ज़रूरत।

अध्ययन का परिणाम संकेत देता है कि यह उन्नत मॉडलों के लिए विशेष रूप से अनुकूल उपयोग-क्षेत्र हो सकता है। रिकॉर्ड जितना कम पूर्ण होगा, कोई सिस्टम उतना ही मूल्यवान हो सकता है यदि वह लगातार सबसे संभावित या सबसे खतरनाक व्याख्याओं की पहचान कर सके। तथ्य यह कि सबसे बड़ा अंतर पहले संपर्क-बिंदु पर था, यह संकेत देता है कि AI सहायता देखभाल की अग्रिम पंक्ति में, न कि केवल तब, जब पूर्ण रिकॉर्ड, इमेजिंग और लैब-कार्य उपलब्ध हों, सबसे उपयोगी साबित हो सकती है।

यह सावधानी की आवश्यकता को समाप्त नहीं करता। नैदानिक तैनाती फिर भी अलग-अलग अस्पतालों में सत्यापन, चिकित्सक-पर्यवेक्षण, कार्यप्रवाह एकीकरण, और जब मॉडल की सिफारिशें गलत, अधूरी या अत्यधिक आत्मविश्वासी हों, तब क्या होता है, जैसे प्रश्न उठाएगी। ये मुद्दे किसी एक अध्ययन, यहाँ तक कि एक चर्चित अध्ययन से भी हल नहीं होते।

आगे क्या

पेपर का तत्काल महत्व यह है कि यह अस्पतालों, नियामकों और स्वास्थ्य-प्रणाली के नेताओं को यह मानने के लिए अधिक ठोस साक्ष्य देता है कि अत्याधुनिक भाषा-मॉडलों का नैदानिक वातावरण में गंभीर मूल्यांकन किया जाना चाहिए। निकट-भविष्य का सबसे यथार्थवादी मार्ग स्वायत्त निदान नहीं, बल्कि मौजूदा देखभाल-टीमों के भीतर पर्यवेक्षित उपयोग है।

यदि आगे के अध्ययन व्यापक मरीज समूहों और संस्थानों में समान प्रदर्शन की पुष्टि करते हैं, तो अस्पताल AI ट्रायेज सहायता को एक प्रयोगात्मक नवीनता के बजाय निदान-सहायता की एक व्यावहारिक परत के रूप में देखना शुरू कर सकते हैं। इसका प्रभाव स्टाफिंग, चिकित्सा प्रशिक्षण, दायित्व-ढाँचों और इलेक्ट्रॉनिक-रिकॉर्ड सॉफ़्टवेयर डिज़ाइन पर पड़ेगा।

फ़िलहाल यह अध्ययन इसलिए अलग दिखता है क्योंकि यह चर्चा को काल्पनिक संभावना से वास्तविक आपातकालीन-कक्ष मामलों में मापी गई तुलना की ओर ले जाता है। चिकित्सा में यह एक महत्वपूर्ण सीमा है। अब प्रश्न यह नहीं है कि AI विश्वसनीय नैदानिक भाषा उत्पन्न कर सकता है या नहीं। प्रश्न यह है कि क्या स्वास्थ्य-प्रणालियाँ ऐसे उपकरणों का जिम्मेदारी से उपयोग करने के लिए तैयार हैं, जो कुछ परिस्थितियों में, अनुभवी डॉक्टरों से पहले सही निदान पहचान सकते हैं।

यह लेख TechCrunch की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.