वैद्यकीय शिक्षणतज्ज्ञांचा इशारा: AI वर लवकर अवलंबित्वामुळे भविष्यातील डॉक्टरांकडे मूलभूत क्लिनिकल निर्णयक्षमता उरणार नाही

हा इशारा का अधिक गंभीर होत आहे

कृत्रिम बुद्धिमत्ता तिच्या सभोवतालच्या शैक्षणिक संरक्षक चौकटींपेक्षा वेगाने वैद्यकीय प्रशिक्षणात प्रवेश करत आहे. Nature Medicine मध्ये प्रसिद्ध झालेल्या नव्या Perspective मध्ये, संशोधकांचा मोठा आंतरराष्ट्रीय गट सांगतो की ही वेळ निर्णायक आहे. त्यांची चिंता एवढीच नाही की विद्यार्थी AI च्या मदतीने कधीकधी चुका करतील, तर सुरुवातीच्या प्रशिक्षणात त्यावर जास्त अवलंबून राहिल्यास मूलभूत क्लिनिकल विचारक्षमतेचा विकासच थांबू शकतो.

लेखकांनी या धोक्याला एक विशिष्ट नाव दिले आहे: “never-skilling.” प्रशिक्षार्थ्यांमध्ये मूलभूत कौशल्ये न घडण्याच्या समस्येला, अनुभवी व्यावसायिकांमधील deskilling या अधिक परिचित समस्येपासून वेगळे दाखवण्यासाठी हा शब्द वापरला आहे. ते याला “mis-skilling” पासूनही वेगळे करतात, ज्यात विद्यार्थी AI प्रणालींचे चुकीचे आउटपुट स्वीकारून त्यांनाच वैद्यकीय ज्ञान म्हणून आत्मसात करतात.

हा फरक महत्त्वाचा आहे, कारण वैद्यकशास्त्र टप्प्याटप्प्याने मिळणाऱ्या क्षमतेवर आधारलेले आहे. स्वतंत्रपणे प्रॅक्टिस करण्यापूर्वी प्रशिक्षार्थ्यांनी पुरावे गोळा करणे, अनिश्चितता मोजणे, नमुने ओळखणे, आणि निर्णयांचे समर्थन करणे शिकणे अपेक्षित असते. AI प्रणाली खूप लवकर त्या संज्ञानात्मक कामाचा मोठा भाग करू लागल्या, तर विद्यार्थी कार्यक्षम दिसू शकतात, पण सुरक्षित सेवेसाठी शेवटी आवश्यक असलेली निर्णयक्षमता त्यांना मिळणार नाही, असा लेखकांचा युक्तिवाद आहे.

पेपरमध्ये कोणते पुरावे मांडले आहेत

सध्याच्या पुराव्यांच्या स्थितीबाबत पेपर काळजीपूर्वक भूमिका घेतो. वैद्यकीय शिक्षणात आधीच मोठ्या प्रमाणावर never-skilling असल्याचा थेट अनुभवजन्य पुरावा आहे, असा तो दावा करत नाही. त्याऐवजी, ही चिंता स्थापित शिक्षणसिद्धांत आणि वैद्यकीयेतर संदर्भांमधून येणाऱ्या सुरुवातीच्या इशाऱ्यांवर आधारित आहे, असे तो सांगतो. त्यामुळे हा लेख पुष्ट झालेल्या हानीची घोषणा कमी आणि शैक्षणिक प्रथा कमकुवत तपासलेल्या गृहितांभोवती कठीण होण्यापूर्वी पाऊल उचलण्याचे आवाहन अधिक ठरतो.

AI आणि व्यावसायिक शिक्षणावरील चर्चेत ही एक महत्त्वाची सूक्ष्मता आहे. अनेक संस्था अजूनही जनरेटिव AI ला मानक उत्पादकता साधन, कठोर देखरेखीखालील सहाय्यक प्रणाली, किंवा प्रशिक्षणाच्या प्रारंभीच्या टप्प्यांसाठी मर्यादित तंत्रज्ञान म्हणून कसे पाहायचे याचा निर्णय घेत आहेत. हा Perspective धोरणात्मक चर्चेच्या मध्यभागी येतो: AI स्वतःहून हानिकारक नाही, असे लेखक लिहितात, पण त्याचा परिणाम तो कधी आणि कसा आणला जातो यावर अवलंबून असतो.

हे मांडणी दोन्ही टोकांना टाळते. ते वैद्यकशास्त्रात AI वर सर्वसाधारण बंदीचे समर्थन करत नाही. तसेच अधिक प्रवेश म्हणजे स्वयंचलितपणे चांगले शिकणे, ही कल्पनाही स्वीकारत नाही. त्याऐवजी, क्रम महत्त्वाचा आहे, असा युक्तिवाद करते. प्रथम विद्यार्थ्यांकडे AI शिवाय समस्या सोडवण्याची मूलभूत क्षमता असली पाहिजे, त्यानंतर मशीन आउटपुटवर विश्वास किती ठेवायचा याचे मोजमाप करण्याचा संरचित मार्ग, आणि त्यानंतरच क्लिनिकल शिक्षणात AI चे देखरेखीखाली एकत्रीकरण.

प्रशिक्षणातील AI साठी तीन टप्प्यांची चौकट

लेखक एक क्षमता-संरक्षण करणारी चौकट सुचवतात, ज्यात तीन व्यापक टप्पे आहेत. पहिला टप्पा म्हणजे AI-स्वतंत्र मूलभूत क्षमता स्थापित करणे. प्रत्यक्षात याचा अर्थ असा की AI नियमित संज्ञानात्मक जोडीदार होण्यापूर्वी शिकणाऱ्यांनी मुख्य विचारप्रक्रियेची कामे स्वतः करू शकतात हे दाखवणे आवश्यक आहे.

दुसरा टप्पा म्हणजे critical calibration. येथे उद्दिष्ट केवळ AI वापरणे नसून ते कधी उपयुक्त आहे, कधी कमकुवत आहे, आणि त्याच्या उत्तरांची वैद्यकीय पुरावे व मानवी निर्णयाशी तुलना कशी करायची हे शिकणे आहे. हा टप्पा संशयाला एक शिकवायचा कौशल्य म्हणून पाहतो.

तिसरा टप्पा म्हणजे देखरेखीखाली एकत्रीकरण. मूलभूत क्षमता आणि calibration स्थिर झाल्यानंतरच AI क्लिनिकल शिकण्याच्या workflow चा भाग बनायला हवा, आणि तेही जबाबदारी व तज्ज्ञांची देखरेख राखणाऱ्या अटींमध्ये.

ही चौकट महत्त्वाची आहे, कारण ती प्रश्नाला AI वैद्यकीय शिक्षणात असावे का यापासून, व्यापक स्वीकार जबाबदार मानायचा असेल तर त्याआधी कोणती शैक्षणिक रचना हवी याकडे वळवते. संस्थांसाठी हा कठीण प्रश्न आहे, कारण याचा अर्थ केवळ प्रवेश-नियम नव्हे, तर अभ्यासक्रम पुनर्रचना, स्पष्ट मानके, आणि नवीन मूल्यमापन पद्धती असा होतो.

ही चर्चा वैद्यकशास्त्रापलीकडे का जाते

या लेखाचे व्यापक महत्त्व म्हणजे तो उच्च-धोका असलेल्या व्यावसायिक क्षेत्रांमध्ये उभ्या राहत असलेल्या एका आव्हानाला पकडतो. AI वेळ कमी करू शकते, मसुदे स्वयंचलित करू शकते, आणि अडथळे कमी करू शकते. पण ज्या क्षेत्रांमध्ये मानवी निर्णयास नैतिक आणि सुरक्षिततेचे परिणाम असतात, तिथे कार्यक्षमता हेच एकमेव मापदंड नसते. शिक्षणपद्धतींनाही असे लोक घडवण्याची जबाबदारी असते जे चुकीचे आउटपुट ओळखू शकतील, निर्णय समजावून सांगू शकतील, आणि तंत्रज्ञान अपयशी ठरले तरी सुरक्षितपणे कृती करू शकतील.

वैद्यकशास्त्रात ही जबाबदारी विशेषतः तीव्र आहे. क्लिनिकल विचारक्षमता फक्त स्मरणशक्ती नाही; त्यात संदर्भ, अस्पष्टता, रुग्ण संवाद, आणि अपूर्ण माहितीचे शिस्तबद्ध हाताळणे यांचा समावेश असतो. AI सहाय्याने बरोबर उत्तर मिळवणारा प्रशिक्षार्थी, ती उत्तरे कशी आली हे समजावून सांगू शकत नसेल किंवा प्रणाली चुकल्यावर ते ओळखू शकत नसेल, तर तो अजूनही अपुरा तयार असू शकतो.

हा Perspective अंतिम नियमावली देत नाही, आणि लेखक धोरण कठोर होण्यापूर्वी अधिक अनुभवजन्य तपासणीची स्पष्ट मागणी करतात. पण तो वेगाने बदलणाऱ्या क्षेत्रात एक स्पष्ट खूण ठेवतो: वैद्यकीय महाविद्यालयांनी सुरुवातीच्या AI कौशल्याला वैद्यकीय क्षमतेशी गोंधळू नये.

हा युक्तिवाद वैद्यकीय परिसरांपलीकडेही प्रतिध्वनित होण्याची शक्यता आहे. AI साधने वर्गखोल्यांत आणि कामाच्या ठिकाणी सामान्य होत असताना, मुख्य धोरणात्मक प्रश्न लोक ती वापरू शकतात का हा राहिला नसून, संस्था अजूनही तंत्रज्ञानाने झाकले जाऊ लागलेली मूलभूत कौशल्ये कशी शिकवणार आहेत हा आहे.

हा लेख Nature Medicine च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.