रुग्णांना फायदा होतो हे सिद्ध होण्यापेक्षा जलद गतीने रुग्णालये AI स्वीकारत आहेत

वैद्यकीय AI तत्त्वतः चालते का हा आता मुख्य प्रश्न राहिलेला नाही

आरोग्यसेवा AI आता नवलाईचा टप्पा ओलांडून पुढे गेली आहे. रुग्णालये नोंदी घेणे, रेकॉर्ड तपासणे, ट्रायाज मदत, प्रतिमा विश्लेषण, आणि उपचार-संबंधित शिफारसी यासाठी AI वापरत आहेत. दिलेल्या MIT Technology Review स्रोतावरून स्पष्ट होते की या क्षेत्रासमोर आता वेगळीच समस्या आहे: तांत्रिक कामगिरीचा पुरावा प्रत्यक्ष जगातील क्लिनिकल फायद्याच्या पुराव्यापेक्षा जलद येत आहे.

हा फरक सहज धुसर होतो. एखादे मॉडेल नमुने ओळखण्यात, स्कॅन वर्गीकृत करण्यात, किंवा संभाषणांचे सार तयार करण्यात अचूक असू शकते. पण त्या कामांमध्ये चांगले आउटपुट मिळाले म्हणून रुग्णांचे आरोग्य आपोआप सुधारते असे नाही. एखादे साधन डॉक्टरांचा वेळ वाचवू शकते, अधिक स्वच्छ कागदपत्रे तयार करू शकते, किंवा संभाव्य शिफारसी देऊ शकते, तरीही निदान, उपचार, किंवा परिणाम सुधारण्यात अपयशी ठरू शकते.

Ambient AI चा प्रसार ही दरी दाखवतो

सर्वात स्पष्ट उदाहरण म्हणजे तथाकथित ambient AI scribes चा प्रसार. ही प्रणाली डॉक्टर-रुग्ण संभाषणे ऐकते, त्यांचे लिप्यंतरण करते, आणि सारांश तयार करते. स्रोत म्हणतो की ती आधीच मोठ्या प्रमाणावर स्वीकारली जात आहेत आणि डॉक्टर अनेकदा त्याबाबत उच्च समाधान व्यक्त करतात. सुरुवातीच्या अभ्यासांतून burnout कमी होऊ शकतो असेही सूचित होते.

हे अर्थपूर्ण लाभ आहेत. वैद्यकीय क्षेत्रात प्रशासकीय ओझे हा तणावाचा खरा स्रोत आहे. AI ने त्यातील काही भार कमी केला, तर डॉक्टरांच्या कामाचे वातावरण सुधारू शकते. पण स्रोतामध्ये उद्धृत संशोधक Jenna Wiens आणि Anna Goldenberg म्हणतात की मुख्य प्रश्न अजूनही खुलाच आहे: रुग्णांचे काय? एखादा AI scribe जर नोंदवलेले, अधोरेखित केलेले, किंवा वगळलेले काय आहे हे सूक्ष्मपणे बदलत असेल, तर तो पुढील निर्णयांवर अशा प्रकारे प्रभाव टाकू शकतो जो समाधान-सर्वेक्षणातून दिसत नाही.

अचूकता म्हणजे परिणाम नव्हे

हीच समस्या भविष्यवाणी आणि शिफारस प्रणालींनाही लागू होते. कोणत्या रुग्णांना हस्तक्षेपाची गरज भासू शकते, एखादा आजार कोणत्या दिशेने जाऊ शकतो, किंवा पुढे डॉक्टरांनी काय विचार करायला हवे हे ओळखण्यासाठी रुग्णालये मॉडेल्सचा वाढता वापर करत आहेत. ही प्रणाली सहसा अधिक कार्यक्षमता आणि सुसंगतता देण्याच्या वचनासह आणली जाते. पण रुग्ण परिणामांच्या तुलनेत त्यांचे मूल्यमापन न झाल्यास, क्षेत्र operational convenience ला वैद्यकीय प्रगती समजण्याचा धोका पत्करते.

एखादे मॉडेल योग्य रुग्ण ओळखू शकते, पण ते इतक्या उशिरा पोहोचू शकते की उपयोग होणार नाही. ते योग्य शिफारस देऊ शकते, पण डॉक्टर ती दुर्लक्षित करू शकतात. ते कर्मचाऱ्यांचे लक्ष एका गटाला मदत करणाऱ्या पद्धतीने वळवू शकते, पण दुसऱ्यांना मागे सोडू शकते. ही अपवादात्मक प्रकरणे नाहीत; व्यस्त क्लिनिकल वातावरणात सॉफ्टवेअर तैनात करताना दिसणारी प्रत्यक्ष वास्तवता आहे.

आता हा deployment wave का महत्त्वाचा आहे

स्रोतामध्ये Wiens यांनी दिलेल्या भाष्यानुसार, गेल्या काही वर्षांत मोठा बदल झाला आहे: डॉक्टर आणि आरोग्यव्यवस्था संशयातून सक्रिय तैनातीकडे गेल्या आहेत. हा काळ महत्त्वाचा आहे. साधने workflow मध्ये रूळली की त्यांचे नीट मूल्यमापन करणे कठीण होते, आणि त्यांना काढून टाकणे आणखी कठीण. खरेदी, प्रशिक्षण, एकत्रीकरण, आणि कर्मचाऱ्यांच्या सवयी या सर्व गोष्टी गती निर्माण करतात. परिणामी, आरोग्यव्यवस्था कदाचित ज्या तंत्रज्ञानांना मान्यता द्यायची आहे त्यांचा पुरावा आधार तयार होण्याआधीच त्यांना स्थिर करून टाकत आहेत.

हा वैद्यकीय AI विरुद्धचा युक्तिवाद नाही. दत्तक घेणे म्हणजेच पुरावा असे मानू नये, असा युक्तिवाद आहे. वैद्यकशास्त्राने surrogate marker आणि खरा endpoint यातील फरक फार पूर्वीपासून ओळखला आहे. तीच शिस्त इथेही लागू झाली पाहिजे. चांगली दस्तऐवजीकरण गती, स्वच्छ सारांश, आणि उच्च benchmark अचूकता हे सर्व उपयुक्त ठरू शकतात. पण तसे मोजले नाही तर त्यांना चांगले आरोग्य समजू नये.

क्षेत्राला outcome-स्तराचा पुरावा हवा आहे

Nature Medicine युक्तिवादाचे सर्वात महत्त्वाचे योगदान म्हणजे ते पुराव्याची जबाबदारी पुन्हा मांडते. प्रश्न AI प्रभावी output तयार करू शकते का हा नाही. ती नक्कीच करू शकते. प्रश्न असा आहे की ते output रुग्णांना मोजता येईल असा फायदा देणारी काळजी बदलतात का.

त्यासाठी अधिक कठोर अभ्यास रचना, तैनातीनंतर मजबूत देखरेख, आणि एखादे लोकप्रिय साधन खरोखर निर्णय किंवा परिणाम सुधारते का हे विचारण्याची तयारी आवश्यक आहे. आरोग्यसेवेला उपयुक्त automation स्वीकारण्याचे पूर्ण कारण आहे. सोयीला कार्यक्षमतेचा पर्याय समजण्यास विरोध करण्याचेही तितकेच कारण आहे.

रुग्णालये जेव्हा AI ला दैनंदिन प्रॅक्टिसमध्ये समाविष्ट करत राहतील, तेव्हा ही शिस्त अधिक महत्त्वाची ठरेल, कमी नाही. प्रणाली आधीच येथे आहेत. अजूनही अनिश्चित असलेला मुद्दा म्हणजे त्या जिथे सर्वात जास्त फरक पडतो तिथे वैद्यकशास्त्र सुधारत आहेत का.

हा लेख MIT Technology Review च्या वार्तांकनावर आधारित आहे. मूळ लेख वाचा.