மருத்துவ முன்கணிப்பு ஆய்வுகள் இன்னும் அரிதாகவே பயன்படுத்தக்கூடிய குறியீட்டைப் பகிர்கின்றன

மருத்துவ முன்கணிப்பு மாதிரிகளுக்கு வெளியிடப்பட்ட முடிவை விட அதிகம் தேவை

நோயறிதல் மற்றும் நோய்நிலை முன்கணிப்பு முடிவுகளுக்கு ஆதரவளிக்க மருத்துவ முன்கணிப்பு மாதிரிகள் அதிகமாகப் பயன்படுத்தப்படுகின்றன. அவற்றின் தெரிவிக்கப்பட்ட துல்லியம், மருத்துவர்கள் ஆபத்தை எவ்வாறு மதிப்பிடுகிறார்கள், பரிசோதனைகளுக்கு எவ்வாறு முன்னுரிமை அளிக்கிறார்கள் அல்லது சாத்தியமான விளைவுகளை நோயாளிகளுடன் எவ்வாறு விவாதிக்கிறார்கள் என்பதைப் பாதிக்கலாம். ஆனால் Nature Medicine-ல் வெளியான புதிய பகுப்பாய்வு, இத்தகைய மாதிரிகளை மதிப்பிடுவதற்கான ஒரு அடிப்படை நிபந்தனை இன்னும் அரிதாகவே உள்ளது என வாதிடுகிறது: அவற்றின் பின்னுள்ள பகுப்பாய்வுக் குறியீட்டுக்கான அணுகல்.

முன்கணிப்பு-மாதிரி ஆய்வுகளை வெளிப்படையாகப் பதிவு செய்வது தொடர்பான TRIPOD அல்லது TRIPOD+AI அறிக்கையிடல் கட்டமைப்புகளை மேற்கோள் காட்டிய திறந்த அணுகல் ஆய்வுக் கட்டுரைகளை இந்த ஆய்வு மதிப்பாய்வு செய்தது. இலக்கியங்களைத்筛筛, களஞ்சிய இணைப்புகளை அடையாளம் காணவும், முன்கூட்டியே வரையறுக்கப்பட்ட 14 மறுஉற்பத்தித் திறன் தொடர்பான அம்சங்களைப் பயன்படுத்தி பெற முடிந்த களஞ்சியங்களை மதிப்பிடவும், ஆய்வாளர்கள் பெரிய மொழி மாதிரி உதவியுடன் கூடிய செயல்முறையைப் பயன்படுத்தினர்.

ஆய்வு செய்யப்பட்ட 3,967 கட்டுரைகளில், 482 கட்டுரைகள் குறியீடு பகிரப்பட்டதாகக் கூறும் அறிக்கையைக் கொண்டிருந்தன. இது மாதிரியின் 12.2% ஆகும். மீதமுள்ள ஒவ்வொரு ஆய்விலும் அணுகக்கூடிய குறியீடு இல்லை என்பதை இந்த முடிவு நிரூபிக்கவில்லை. ஆனால் மதிப்பாய்வு செய்யப்பட்ட இலக்கியங்களில் வெளிப்படையான குறியீடு-பகிர்வு அறிக்கைகள் இன்னும் விதிவிலக்காக இருந்ததை இது காட்டுகிறது.

கிடைப்பது மறுஉற்பத்தித் திறனுக்கு சமமானதல்ல

ஒரு களஞ்சிய இணைப்பு மட்டும் இருந்தால், ஒரு பகுப்பாய்வைச் சரிபார்ப்பதோ மீண்டும் பயன்படுத்துவதோ எளிதாகிவிடாது என்பதே ஆய்வாளர்களின் மையக் கருத்து. அவர்கள் மதிப்பிட்ட களஞ்சியங்களில் மறுஉற்பத்தித் திறன் தொடர்பான அம்சங்களில் கணிசமான வேறுபாடு இருந்தது. நடைமுறையில், ஒரு மாதிரியை மீண்டும் உருவாக்க முடியுமா என்பதைப் புரிந்துகொள்ள மற்றொரு ஆய்வாளருக்கு மூலக் கோப்புகளை விட அதிகம் தேவைப்படலாம்: ஆவணப்படுத்தல், மென்பொருள் சார்புகள் குறித்த தகவல் மற்றும் இயக்கக்கூடிய திட்ட அமைப்பு ஆகியவை முக்கியமானவை.

மருத்துவ முன்கணிப்பு பணிக்கு இந்த வேறுபாடு குறிப்பாக முக்கியமானது. ஒரு குறிப்பிட்ட குழுமம், முன்செயலாக்கப் பணிப்போக்கு மற்றும் விளைவு வரையறைகளின் தொகுப்பைப் பயன்படுத்தி ஒரு மாதிரி உருவாக்கப்பட்டிருக்கலாம். பகுப்பாய்வு படிகளை சுயாதீனமாக ஆய்வு செய்ய முடியாவிட்டால், பணிப்போக்கில் செய்யப்பட்ட தேர்வுகள் தெரிவிக்கப்பட்ட செயல்திறனை எவ்வாறு பாதித்தன அல்லது வேறு சூழலில் அந்தப் பணியை மாற்றியமைத்து சோதிக்க முடியுமா என்பதை வெளிப்புற ஆய்வாளர்கள் மதிப்பிடுவது கடினமாகும்.

குறியீடு-பகிர்வு விகிதம் இதழ் மற்றும் நாட்டைப் பொறுத்து மிகவும் மாறுபட்டதாகவும் மதிப்பாய்வில் கண்டறியப்பட்டது. எந்த இதழ்கள் அல்லது நாடுகள் முன்னிலை வகித்தன அல்லது பின்தங்கின என்பதை வழங்கப்பட்ட ஆய்வுப் பகுதி அடையாளம் காணவில்லை. எனினும், ஆய்வாளர்கள் தங்கள் பணியை கிடைக்கச் செய்வார்களா என்பதை விதிமுறைகளும் ஆசிரியர் குழு எதிர்பார்ப்புகளும் பாதிக்கின்றன என்பதை இந்த மாறுபாடு சுட்டிக்காட்டுகிறது.

ஆய்வு நடைமுறையின் AI-உதவிய மதிப்பாய்வு

ஆசிரியர்கள் பெரிய மொழி மாதிரி உதவியுடன் கூடிய செயல்முறையை முறையியல் பணியில் பயன்படுத்தினர்: தொடர்புடைய கட்டுரைகளைத்筛筛, களஞ்சிய இணைப்புகளைப் பிரித்தெடுக்க மற்றும் முன்கூட்டியே வரையறுக்கப்பட்ட அம்சத் தொகுப்பின் அடிப்படையில் களஞ்சியங்களை மதிப்பிட உதவுவதற்காக. இந்த அணுகுமுறை ஆயிரக்கணக்கான ஆய்வுக் கட்டுரைகளை ஆய்வு செய்ய அணிக்கு உதவியது; அதேவேளை அடிப்படை அளவீடு உறுதியான அறிக்கையிடல் மற்றும் களஞ்சியப் பண்புகளிலேயே கவனம் செலுத்தியது.

இதன் பயன்பாடு ஆய்வு நிர்வாகத்தில் உள்ள ஒரு பரந்த சவாலையும் பிரதிபலிக்கிறது. வெளியீடுகளின் எண்ணிக்கை அதிகரிக்கும்போது, வெளிப்படைத்தன்மை நடைமுறைகளின் கைமுறைத் தணிக்கைகளைப் பெரிய அளவில் மேற்கொள்வது கடினமாகிறது. தெளிவாக வடிவமைக்கப்பட்ட கட்டமைக்கப்பட்ட தானியக்க செயல்முறைகள், அவற்றின் முடிவுகள் தெளிவாக வரையறுக்கப்பட்ட அளவுகோல்களுக்கு எதிராக மதிப்பிடப்படும் நிலையில், அந்த நடைமுறைகளை வரைபடமாக்க உதவலாம். இங்கு, அளவுகோல்கள் குறியீடு கிடைப்பது மற்றும் மறுஉற்பத்தித் திறனுக்குப் பொருத்தமான அம்சங்களுடன் தொடர்புடையவை; தனிப்பட்ட மாதிரியின் அறிவியல் தரம் குறித்த தானியக்கத் தீர்ப்புடன் அல்ல.

பயன்பாட்டில் இந்த இடைவெளி ஏன் முக்கியமானது

மருத்துவ மாதிரிகள் உண்மையான உலக முடிவுகளுக்கு வழிகாட்டும் நோக்கத்துடன் உருவாக்கப்படுகின்றன. எனவே அவற்றின் நம்பகத்தன்மையும் பொதுமைப்படுத்தும் திறனும் நெருக்கமாக ஆய்வு செய்யப்பட வேண்டும். வெளியிடப்பட்ட ஆய்வுக் கட்டுரையில் பயனுள்ளதாகத் தோன்றும் மாதிரி, வேறு இடத்தில் செயல்படுத்தும்போது மாறுபட்ட விதத்தில் செயல்படலாம்; ஏனெனில் நோயாளி மக்கள் தொகை, தரவு சேகரிப்பு மற்றும் மருத்துவப் பணிப்போக்குகள் வேறுபடலாம். பகுப்பாய்வு செயல்முறையின் சுயாதீன மதிப்பீடு, அந்தக் கூற்றுகளின் அடித்தளங்களை ஆய்வு செய்வதற்கான ஒரு வழியாகும்.

திறந்த குறியீடு மறுஉற்பத்தித் திறன் தொடர்பான ஒவ்வொரு சிக்கலையும் தீர்க்க முடியாது. தனியுரிமை மற்றும் சட்ட காரணங்களால் நோயாளித் தரவு கட்டுப்படுத்தப்பட்டிருக்கலாம். மேலும், அசல் தரவை அணுக முடியாத வெளிப்புறப் பயனர்கள் ஒரு பகுப்பாய்வைத் துல்லியமாக மீண்டும் உருவாக்க முடியாமல் போகலாம். இருந்தாலும், தெளிவான பகுப்பாய்வுக் குறியீடு, சார்பு விவரங்கள் மற்றும் பயன்படுத்தக்கூடிய ஆவணப்படுத்தல் ஆகியவை பணியை அதிகம் ஆய்வு செய்யக்கூடியதாக மாற்றலாம்; மற்றொரு தரவுத்தொகுப்பில் பொறுப்புடன் சோதிக்க என்ன தேவை என்பதை ஆய்வாளர்கள் புரிந்துகொள்ளவும் உதவலாம்.

குறியீடு இருப்பதாகச் சாதாரணமாக அறிவிப்பதைத் தாண்டி தெளிவான எதிர்பார்ப்புகள் தேவை என்பதற்கான ஆதாரமாக ஆசிரியர்கள் இந்த முடிவுகளை முன்வைக்கின்றனர். ஆவணப்படுத்தல், சார்பு விவரக்குறிப்பு மற்றும் இயக்கக்கூடிய அமைப்பு ஆகியவை வலுவான நடைமுறையின் பகுதிகளாக இருக்க வேண்டும் என அவர்கள் கூறுகின்றனர். ஆய்வை மீண்டும் உருவாக்க அல்லது விரிவுபடுத்த முயலும் வாசகர்கள் மற்றும் குழுக்களுக்கு இந்த அம்சங்கள் குழப்பத்தைக் குறைக்கலாம்.

TRIPOD-Code அடுத்த கொள்கை இலக்காகும்

குறியீடு கிடைப்பது மற்றும் மறுஉற்பத்தித் திறனை மையமாகக் கொண்ட அறிக்கையிடல் வழிகாட்டியான TRIPOD-Code-க்கு தகவல் அளிப்பதற்காக இந்த மதிப்பாய்வு நடத்தப்பட்டது. அறிக்கையிடல் வழிகாட்டுதல்கள் மட்டும் ஆய்வாளர்கள் முழுமையான, பயன்படுத்தக்கூடிய திட்டங்களை வெளியிடுவார்கள் என்பதற்கு உத்தரவாதம் அளிக்காது. இருப்பினும், ஆசிரியர்கள், மதிப்பாய்வாளர்கள் மற்றும் இதழ்களுக்கு எதிர்பார்ப்புகளை அவை தெளிவாக்கலாம்; வழங்கப்பட்டவை என்ன என்பதை அடையாளம் காண பகிரப்பட்ட சொற்களஞ்சியத்தையும் உருவாக்கலாம்.

இதன் விளைவு ஒரு தெளிவான அளவுகோலை வழங்குகிறது: இந்த இலக்கிய மாதிரியில் எட்டு கட்டுரைகளில் ஒன்றே குறியீடு-பகிர்வு அறிக்கையைக் கொண்டிருந்தது. மாதிரிகள் மருத்துவப் பயன்பாட்டை நோக்கி நகரும் துறையில், பகிரப்பட்ட பகுப்பாய்வுப் பணியின் தரத்தையும் தெளிவையும் மேம்படுத்துவது ஆய்வை மேலும் பயன்படுத்தக்கூடியதாக்கி, நடைமுறைக்கு பாதுகாப்பான மாற்றத்தை ஆதரிக்கக்கூடும் என்று ஆசிரியர்கள் வாதிடுகின்றனர்.

எனவே, ஒரு ஆய்வுக் கட்டுரை குறியீட்டைக் குறிப்பிடுகிறதா என்பதிலிருந்து, ஒரு சுயாதீன வாசகர் பகுப்பாய்வு பணிப்போக்கைப் புரிந்துகொண்டு இயக்க முடியுமா என்பதற்குத் திசையை இந்த ஆய்வு மாற்றுகிறது. இது உயர்ந்த அளவுகோல் தான்; ஆனால் மருத்துவப் பராமரிப்பு சூழல்களில் மருத்துவ முன்கணிப்பு மாதிரிகளை நம்புவதற்கு முன் அவற்றை மதிப்பிடத் தேவையான ஆதாரங்களுடன் நெருக்கமாக ஒத்துப்போகிறது.

இந்தக் கட்டுரை Nature Medicine வெளியிட்ட செய்தியறிக்கையை அடிப்படையாகக் கொண்டது. அசல் கட்டுரையைப் படிக்கவும்.