மருத்துவ AI உண்மையில் பயன் தருகிறது என்பதற்கான கடினமான ஆதாரத்திற்கு உந்துதல்

ஆதாரத்தைவிட வேகமாக மருத்துவ AI பரவி வருகிறது

Nature Medicine-ல் வெளியான ஒரு ஆசிரியக்கட்டுரை, சுகாதார தொழில்நுட்பத்தின் மிகப்பெரிய இடைவெளிகளில் ஒன்றைப் பற்றி நேரடியான வாதத்தை முன்வைக்கிறது: AI கருவிகளை உருவாக்குவதில் துறை கணிசமாக சிறந்துள்ளது, ஆனால் அந்த கருவிகள் நடைமுறையில் பராமரிப்பை மேம்படுத்துகின்றன என்பதற்கான நிலையான ஆதாரம் இன்னும் இல்லை. முன்னறிவு மாதிரிகள், முடிவெடுத்தல் ஆதரவு அமைப்புகள், மற்றும் ஜெனரேட்டிவ் கருவிகள் ஏற்கனவே மருத்துவ சூழல்களில் நுழைந்து வருகின்றன; அதே நேரத்தில், பெரிய மொழி மாதிரிகள் பொதுமக்களாலும் சுகாதாரத் தகவல்களுக்காகப் பயன்படுத்தப்படுகின்றன. சுகாதாரத் துறையில் ஏற்றுக்கொள்ளல் வேகம் அதிகரிக்கிறது, ஆனால் உண்மை உலக மதிப்பின் ஆதாரம் இன்னும் குறைவாகவே உள்ளது என அந்தக் கட்டுரை கூறுகிறது.

அந்த வேறுபாடே கட்டுரையின் மையம். மருத்துவ AI காகிதத்தில் பிரமிப்பாகத் தோன்றலாம், குறிப்பாக உருவாக்குநர்கள் உணர்திறன், தனித்திறன், வேறுபடுத்தும் திறன் அல்லது கலிப்ரேஷன் போன்ற புள்ளிவிவர அளவுகளை அறிவிக்கும்போது. அவை ஒரு அமைப்பு கணிப்பியல் ரீதியாக எப்படி செயல்படுகிறது என்பதை விவரிக்கின்றன. ஆனால் அவை தானாகவே நோயாளிகள் சிறந்த சிகிச்சை பெறுகிறார்கள், மருத்துவர்கள் சிறந்த முடிவுகளை எடுக்கிறார்கள், அல்லது நிறுவுதலுக்குப் பிறகு சுகாதார அமைப்புகள் மேலும் திறம்பட இயங்குகின்றன என்பதைக் காட்டுவதில்லை.

செயல்திறன் அளவுகள் ஏன் போதாது

சுகாதாரத் துறை சரிபார்ப்பை மிகக் குறுகிய பார்வையுடன் புரிந்துகொள்ளத் தொடங்கியுள்ளதாக அந்த ஆசிரியக்கட்டுரை வாதிடுகிறது. ஒரு மாதிரி பின்னோக்கி பரிசோதனையில் நல்ல மதிப்பெண் பெறலாம், ஆனால் அது தவறான நேரத்தில் வருவது, புரிந்து கொள்வதற்கு கடினமாக இருப்பது, பணியாளர்களால் புறக்கணிக்கப்படுவது, அல்லது ஏற்கனவே உள்ள பணிப்பாய்ச்சலைக் குழப்புவது போன்ற காரணங்களால் மருத்துவ ரீதியாக தோல்வியடையலாம். வேறு வார்த்தைகளில் சொன்னால், தொழில்நுட்ப வெற்றி என்பதே மருத்துவப் பயன் அல்ல.

இது சிறிய கல்விசார் புகார் அல்ல. மருத்துவமனைகள் அல்லது வழங்குநர்கள் பெரும்பாலும் செயல்திறன் அளவுகளின் அடிப்படையில் கருவிகளை ஏற்றுக்கொண்டால், நடைமுறை மதிப்பு தெளிவில்லாத தயாரிப்புகளுக்கு அவர்கள் பணமும் நேரமும் செலவழிக்கலாம். அதைவிட மோசமாக, பெஞ்ச்மார்க் ஆய்வுகளில் தெரியாத புதிய தீமைகள் அல்லது செயல்திறன் குறைபாடுகளை அவர்கள் அறிமுகப்படுத்தலாம். தாக்கம் பற்றிய கூற்றுகள் கட்டுரைகளிலும் தயாரிப்பு பொருட்களிலும் அதிகரித்து வரும் நிலையில் கூட, ஆதாரத் தரநிலைகள் இன்னும் மங்கலாக இருக்கும் காரணத்தால், தற்போதைய பழக்கங்கள் நேரத்துக்கு முந்திய செயல்படுத்தலின் ஆபத்தை ஏற்படுத்துகின்றன என்று ஆசிரியக்கட்டுரை எச்சரிக்கிறது.

உண்மையான மருத்துவப் பயன் சூதாட்டத்தில் இருக்கும் போது, மருத்துவம் நீண்ட காலமாக வலுவான ஆதார சங்கிலியை கோருகிறது. மருந்து வளர்ச்சி ஒரு தெளிவான உதாரணம். புதிய மருந்துகள் வெறும் உயிர்வேதியியல் விளைவு உண்டாக்குகின்றனவா அல்லது ஆரம்ப ஆய்வகப் பணிகளில் நம்பிக்கை தருகிறதா என்பதன் அடிப்படையில் மட்டும் மதிப்பிடப்படுவதில்லை. அவை கட்டமைக்கப்பட்ட ஆதாரத் தேவைகளை கடக்க வேண்டும்; பொது மேற்பார்வை, அனுமதி, பரிந்துரை அல்லது மறுசெலுத்தலுக்குப் போதுமான ஆதாரம் எப்போது உள்ளது என்பதை தீர்மானிக்க உதவுகிறது.

மருத்துவ AI இதற்கு ஒப்பான நெறிமுறைகளை உருவாக்கவில்லை என்று அந்த ஆசிரியக்கட்டுரை கூறுகிறது. அதனால் மென்பொருளை மருந்துபோல் துல்லியமாகவே ஒழுங்குபடுத்த வேண்டும் என்பதில்லை. அந்தத் தொழில்நுட்பங்கள் வேகமாக வளர்கின்றன, பயன்பாடுகள் பரவலாக மாறுபடுகின்றன, மேலும் ஆதாரம் உருவாக்கும் ஊக்கங்கள் சமமல்ல. ஆனால் நிறுவனங்களும் நிறுவன அமைப்புகளும் AI பராமரிப்பை மேம்படுத்துகிறது என்று கூற விரும்பினால், அந்தக் கூற்றுகளின் வலிமைக்கு ஏற்ற ஆதாரத்துடன் அவற்றை இணைக்கும் ஒரு கட்டமைப்பு துறைக்கு தேவை.

துறைக்கு இன்னும் இல்லாத ஒரு கட்டமைப்பு

ஆசிரியக்கட்டுரையின் மிக முக்கியமான பங்களிப்பு, விகிதாசார ஆதாரத்திற்கான அதன் வலியுறுத்தலாகும். பணிப்பாய்ச்சி ஆதரவுக்கான ஒரு மிதமான கூற்று ஒரு நிலை சரிபார்ப்பை மட்டும் தேவைப்படுத்தலாம். ஒரு கருவி நோயாளி முடிவுகளை மேம்படுத்துகிறது, சிகிச்சை முடிவுகளை மாற்றுகிறது, அல்லது அமைப்பளவில் செலவைக் குறைக்கிறது என்ற கூற்றுக்கு கணிசமாக அதிக ஆதாரம் தேவைப்பட வேண்டும். இப்போது, அந்த வேறுபாடுகள் அடிக்கடி குழப்பப்படுகின்றன என்று அந்தக் கட்டுரை கூறுகிறது.

இது முக்கியம், ஏனெனில் AI தயாரிப்புகள் ஒரு நடுநிலை சூழலுக்குள் நுழைவதில்லை. மருத்துவ சூழல்கள் நெரிசலானவை, அழுத்தமிக்கவை, மேலும் மிகுந்த மாற்றங்களுக்கு உட்பட்டவை. ஒரு நிறுவனத்தில் நன்றாக செயல்படும் ஒரு கருவி, மற்றொரு நிறுவனத்தில் பணியாளர் அமைப்பு, நோயாளர் தொகுதி, தரவு அமைப்புகள், மற்றும் செயல்பாட்டு கட்டுப்பாடுகள் மாறுபடுவதால் வேறு விதமாக செயல்படலாம். ஒப்புக்கொள்ளப்பட்ட மதிப்பீட்டு கட்டமைப்புகள் இல்லையெனில், வாங்கும் மற்றும் நிறுவும் முடிவுகளை எடுக்கும் போது சுகாதார அமைப்புகள் விற்பனையாளர் கதைகளையோ அல்லது முழுமையற்ற ஆய்வு வடிவமைப்புகளையோ நம்பி விடலாம்.

மேலும், அந்த ஆசிரியக்கட்டுரை ஒரு பரந்த நிறுவனத் தாமதத்தையும் சுட்டிக்காட்டுகிறது. ஒழுங்குமுறை கட்டமைப்புகள் இன்னும் உருவாக்கப்பட்டுக் கொண்டிருக்கின்றன, மேலும் AI நிறுவுதலின் வேகம் மற்றும் பல்வகைத்தன்மைக்கு அவை போதுமானதாக இல்லை. வெளியிடப்பட்ட ஆய்வுகள், இதற்கிடையில், ஒரு அமைப்பு பரிசோதனை அறை, வார்டு, அல்லது பராமரிப்பு பாதையில் என்ன மாற்றத்தை ஏற்படுத்துகிறது என்பதைக் கூட பல சமயங்களில் நிறுவுவதில்லை. அதனால் வழங்குநர்கள், செலுத்துவோர், மற்றும் கொள்கையமைப்பாளர்கள் முடிவெடுப்பதற்கான நிலையான அடிப்படை இல்லாமல் விடப்படுகிறார்கள்.

மேம்பட்ட ஆதாரம் எப்படி இருக்கும்

இந்தக் கட்டுரை சிக்கலை ஒரே முறையால் தீர்க்க வேண்டியதாகக் குறைக்கவில்லை; ஆனால் அது துறையை வலுவான மதிப்பீட்டு வடிவங்களை நோக்கி தெளிவாகத் தள்ளுகிறது. அதாவது பின்னோக்கி செயல்திறன் அறிக்கைகளைக் கடந்துபோய், நேரக் கணிப்பு, பயன்பாடு, ஏற்றுக்கொள்ளல், மருத்துவர் நடத்தை, பணிப்பாய்ச்சி ஒருங்கிணைப்பு, மற்றும் அளவிடக்கூடிய முடிவுகள் குறித்து கடினமான கேள்விகளை கேட்பது. AI-யை ஒரு தனித்த கணிப்பியல் பொருளாக அல்ல, சூழலுக்குள் வைத்து மதிப்பிடுவது என்பதையும் அது குறிக்கிறது.

ஒரு முடிவெடுத்தல்-ஆதரவு மாதிரிக்காக, மேம்பட்ட ஆதாரம் என்பது மருத்துவர்கள் வெளியீடுகளை ஒரே மாதிரியாகப் புரிந்து கொண்டு அதன்படி செயல்பட முடிகிறது என்பதைக் காட்டுவதை உள்ளடக்கலாம். டிரையாஜ் அல்லது முன்னறிவு கருவிகளுக்காக, புதிய சமத்துவமின்மைகள் அல்லது தாமதங்களை உருவாக்காமல் பராமரிப்பு மேம்படுகிறது என்பதை நிரூபிக்க வேண்டியிருக்கலாம். ஜெனரேட்டிவ் அமைப்புகளுக்காக, வெளியீடுகள் சாத்தியமாகத் தோன்றுவதற்குப் பதிலாக, உண்மை சூழல்களில் நம்பகமான, புரிந்துகொள்ளக்கூடிய, மற்றும் பயனுள்ளவையாக உள்ளன என்பதை நிரூபிக்க வேண்டியிருக்கலாம்.

பொறுப்புக்கூறல் பற்றிய ஒரு பிரச்சினையும் உள்ளது. மருத்துவ தாக்கம் பற்றிய கூற்றுகள் ஆதாரத்தை விட தொடர்ந்து முன்னோக்கி சென்றால், அதன் விளைவு மருத்துவமனைகள் மற்றும் மருத்துவர்களுக்கு குழப்பமாகவும், நோயாளிகளிடமிருந்து சந்தேகமாகவும் இருக்கும். வலுவான தரநிலைகள் புதுமைக்கு தடையாக அல்ல, மாறாக AI ஏற்றுக்கொள்ளலை மேலும் நம்பகமானதும் நீடித்ததும் ஆக்குவதற்கான வழி என்று அந்த ஆசிரியக்கட்டுரை வாதிடுகிறது.

சுகாதார அமைப்புகளுக்கான ஆபத்து

உற்பத்தித்திறனை உயர்த்த, சுமையைக் குறைக்க, மற்றும் பணியாளர் அழுத்தத்தை சமாளிக்க வேண்டிய அழுத்தம் மிகுந்திருப்பதால், சுகாதாரம் தொழில்நுட்பப் பரபரப்புக்கு குறிப்பாக பாதிப்படையக்கூடியதாக உள்ளது. AI தயாரிப்புகள் அந்தக் கோரிக்கைக்கு நன்றாகப் பொருந்துகின்றன. ஆனால் நன்மைகள் தெளிவில்லாததும், அவற்றின் எதிர்பாராத விளைவுகள் பெரிதாக இருக்கக்கூடியதும் ஆன கருவிகளில் சுகாதார அமைப்புகள் முதலீடு செய்து கொண்டிருக்கலாம் என்று அந்த ஆசிரியக்கட்டுரை எச்சரிக்கிறது.

இந்த எச்சரிக்கை AI பைலட் திட்டங்களில் இருந்து வழக்கமான மருத்துவ சூழல்களுக்குள் நுழையும் ஒரு தருணத்தில் வருகிறது. துறை இப்போது கற்பனையான நிறுவுதல்களைப் பற்றி பேசவில்லை. அது இப்போது செயல்பாட்டு முடிவுகளை எடுக்கிறது. அந்தச் சூழலில், பகிரப்பட்ட ஆதாரக் கட்டமைப்பு இல்லாதது வெறும் முறையியல் இடைவெளியாக மட்டும் அல்ல; அது ஒரு நிர்வாகப் பிரச்சினையாக மாறுகிறது.

ஆசிரியக்கட்டுரையின் நிலை நேரடியானது: AI மருத்துவத்தில் மதிப்பைக் கோரப் போனால், வாக்குறுதியளிக்கப்படும் தாக்கத்தின் வகைக்கு ஏற்ற ஆதாரத்தின் மூலம் அந்தக் கோரிக்கையை அது சம்பாதிக்க வேண்டும். தொழில்நுட்ப அளவுகள் இன்னும் முக்கியம், ஆனால் அவை மதிப்பீட்டின் தொடக்கம், முடிவு அல்ல.

மருத்துவ AI-யின் அடுத்த கட்டத்திற்கு ஒரு பயனுள்ள திருத்தம்

தற்போதைய மருத்துவ AI விவாதம் பெரும்பாலும் உற்சாகம் மற்றும் அச்சம் இடையே அலைகிறது. Nature Medicine அதைவிட ஒழுங்குமிக்க ஒன்றை வலியுறுத்துகிறது: ஒரு கருவி கணிப்பியல் ரீதியாக என்ன செய்கிறது என்பதையும், மருத்துவ ரீதியாக அது என்ன மாற்றுகிறது என்பதையும் இணைக்கும் ஒரு ஆதாரத் தரநிலை. AI பராமரிப்பை மாற்றிவிடும் என்ற அறிவிப்புகளைவிட இது குறைவான பிரகாசமுள்ள செய்தி; ஆனால் அதுவே அதிக அவசியமானது.

துறை அந்த நெறிமுறைகளை உருவாக்கினால், ஏற்றுக்கொள்ளல் மேலும் சிந்தனையுடனும் நம்பிக்கையுடனும் இருக்கலாம். அது இல்லையெனில், தொழில்நுட்ப புதுமை நிரூபிக்கப்பட்ட பயனை முந்திவிடும் பழக்கமான வடிவத்தை சுகாதாரம் மீண்டும் அனுபவிக்கலாம். தவறின் விளைவுகள் மிக அதிகமான ஒரு துறைக்கு, அந்த இடைவெளியை விரைவாக நிரப்புவது முக்கியம்.

இந்த கட்டுரை Nature Medicine-இன் செய்தி அறிக்கையை அடிப்படையாகக் கொண்டது. அசல் கட்டுரையை படிக்கவும்.