அதிகப் பங்குள்ள தருணத்தில்தான் AI-யின் மிக வலுவான செயல்பாடு வெளிப்பட்டது
இந்த வாரம் Science இதழில் வெளியான ஹார்வர்டு தலைமையிலான ஆய்வு, மருத்துவத்தில் செயற்கை நுண்ணறிவை எவ்வாறு பயன்படுத்தலாம் என்ற விவாதத்திற்கு முக்கியமான தரவுப் புள்ளியைச் சேர்க்கிறது. அந்தக் கட்டுரையின் மிகக் கவனமாகப் பார்க்கப்பட்ட பரிசோதனைகளில் ஒன்றில், ஆராய்ச்சியாளர்கள் Beth Israel Deaconess Medical Center-இல் இடம்பெற்ற உண்மையான அவசர அறை வழக்குகளில் OpenAI மாடல்களின் நோயறிதல்களை இரண்டு உள்நோய் அட்டெண்டிங் மருத்துவர்களின் நோயறிதல்களுடன் ஒப்பிட்டனர். ஆய்வின் படி, OpenAI-யின் o1 மாடல் ஒவ்வொரு நோயறிதல் கட்டத்திலும் மனித மருத்துவர்களுக்கு சமமாக அல்லது அவர்களை மிஞ்சி செயல்பட்டது; மிகத் தெளிவான முன்னிலை ஆரம்ப ER ட்ரையாஜில் காணப்பட்டது.
இதன் முக்கியத்துவம் என்னவென்றால், ட்ரையாஜில் மருத்துவர்களுக்கு மிகவும் குறைந்த தகவலும் மிகவும் குறைந்த நேரமும் தான் இருக்கும். நோயாளியின் நிலைமைக்கான மிகவும் சாத்தியமான காரணத்தை, விரிவான பரிசோதனைகள் கிடைக்கும் முன், மருத்துவர்களும் மருத்துவமனைகளும் கண்டறிய முயலும் முதல் தொடுப்புப் புள்ளியில்தான் வேறுபாடுகள் குறிப்பாக அதிகமாக இருந்தன என்று ஆய்வு கூறியது. அந்த ஆரம்ப நிலையில், o1 67% வழக்குகளில் சரியான அல்லது மிகவும் நெருக்கமான நோயறிதலை அளித்தது; ஒரு அட்டெண்டிங் மருத்துவருக்கு 55% என்றும் மற்றொருவருக்கு 50% என்றும் அறியப்பட்டது.
இந்த ஒப்பீடு எப்படி வடிவமைக்கப்பட்டது
இந்த ஆய்வுக் குழுவை ஹார்வர்டு மெடிக்கல் ஸ்கூல் மற்றும் பெத் இஸ்ரேல் டீக்கோனெஸ் நிறுவனத்தின் மருத்துவர்கள் மற்றும் கணினி விஞ்ஞானிகள் வழிநடத்தினர். மூலப் பொருளில் முன்னிலைப்படுத்தப்பட்ட அவசர அறை பரிசோதனையில், குழு Beth Israel ER-க்கு வந்த 76 நோயாளிகளில் கவனம் செலுத்தியது. o1 மற்றும் 4o எனும் இரண்டு OpenAI மாடல்கள் உருவாக்கிய நோயறிதல்கள், இரண்டு உள்நோய் அட்டெண்டிங் மருத்துவர்களின் நோயறிதல்களுடன் ஒப்பிடப்பட்டன.
அந்த வெளியீடுகள் பின்னர், எந்த நோயறிதல் மனிதர்களிடமிருந்து வந்தது, எது AI அமைப்புகளிலிருந்து வந்தது என்பதை அறியாத மற்ற இரண்டு அட்டெண்டிங் மருத்துவர்களால் மதிப்பாய்வு செய்யப்பட்டன. இந்த மறைவு முறை முக்கியமானது, ஏனெனில் அது தரத்தை விட எதிர்பார்ப்பின் அடிப்படையில் மதிப்பாய்வாளர்கள் ஒரு மூலத்தை மற்றொன்றை விட விரும்பும் அபாயத்தை குறைக்கிறது.
மேலும், மாடல்களுக்கு தரவை வழங்குவதற்கு முன் நோயாளி தரவை முன்-செயலாக்கம் செய்யவில்லை என்றும் ஆராய்ச்சியாளர்கள் வலியுறுத்தினர். மாறாக, ஒவ்வொரு நோயறிதல் செய்யப்பட்ட நேரத்தில் மின்னணு மருத்துவ பதிவில் இருந்த அதே தகவலே AI அமைப்புகளுக்கு வழங்கப்பட்டது. AI மருத்துவ ஆராய்ச்சியில் மீண்டும் மீண்டும் முன்வைக்கப்படும் ஒரு விமர்சனத்தை இது நேரடியாகச் சேர்ந்தது: சுத்தமாக்கப்பட்ட, எளிமைப்படுத்தப்பட்ட, அல்லது வழக்கத்திற்கு மாறாக முழுமையான உள்ளீடுகளை வழங்கும்போதுதான் மாடல்கள் பிரமிப்பூட்டும் தோற்றம் தரக்கூடும். இங்கு, நடைமுறையில் கிடைக்கும் அதே சற்று குழப்பமான, முழுமையற்ற மருத்துவப் படமே மாடல்களுக்கு வழங்கப்பட்டதாக ஆய்வுக் குழு கூறுகிறது.
முடிவுகள் எதைச் சொல்கின்றன, எதைச் சொல்லவில்லை
தலைப்பு முடிவு குறிப்பிடத்தக்கது, ஆனால் அதை கவனமாகப் புரிந்துகொள்ள வேண்டும். மூலப் பொருள் ஒரு நோயறிதல் செயல்திறன் ஆய்வை விவரிக்கிறது; மருத்துவர்களை மாற்றும் சோதனையல்ல. ட்ரையாஜில் அதிகத் துல்லியமான நோயறிதல் பரிந்துரை, தனிப்பட்ட முறையில் நோயாளி பராமரிப்பை நிர்வகிப்பது, அபாயத்தைத் தொடர்புபடுத்துவது, சிகிச்சையை ஆணையிடுவது, அல்லது முடிவுகளுக்குப் பொறுப்பேற்பது என்பதற்கு இணையானது அல்ல. அவசர மருத்துவம் இவை அனைத்தையும் சார்ந்துள்ளது, மேலும் TechCrunch அறிக்கை இந்த ஆய்வு மருத்துவர்கள் மாற்றப்படத் தயாராக உள்ளனர் என்று கூறவில்லை என்பதைத் தெளிவாக குறிப்பிடுகிறது.
அப்படியிருந்தாலும், மிகக் குறைந்த தகவலும் கடுமையான நேர அழுத்தமும் உள்ள தருணங்களில், பெரிய மொழி மாடல்கள் மிகுந்த பயனுள்ள முடிவு-ஆதரவு கருவிகளாக மாறலாம் என்ற வாதத்தை இந்த ஆய்வு வலுப்படுத்துகிறது. ஒரு மாடல் நோயறிதல் வாய்ப்புகளை முன்கூட்டியே சுருக்க உதவுமானால், அது வேகமான மேலதிக நடவடிக்கை, பரிசோதனை, அல்லது நிபுணர் ஈடுபாட்டை ஊக்குவிக்கலாம். அதிக மன அழுத்தத்தில் பணிபுரியும் மருத்துவர்களுக்கு தவறவிடப்பட்ட சாத்தியங்களைச் சரிபார்க்கும் ஒரு பாதுகாப்பு அடுக்கும் இதனால் கிடைக்கலாம்.
ஹார்வர்டு மெடிக்கல் ஸ்கூலின் ஆய்வின் இணை முதன்மை ஆசிரியர்களில் ஒருவரான Arjun Manrai, பள்ளியின் செய்திக்குறிப்பில், குழு AI-ஐ பரந்த அளவிலான அளவுகோள்களுக்கு எதிராகச் சோதித்து, அது முன்பு இருந்த மாடல்களையும் கட்டுரையில் பயன்படுத்தப்பட்ட மருத்துவர் அடிப்படை நிலைகளையும் விட மேலோங்கியதாகக் கண்டறிந்ததாகக் கூறினார். வழங்கப்பட்ட மூல உரையின் எல்லைகளுக்குள், இது ஆராய்ச்சியாளர்களின் சொந்த விளக்கத்தின் மிகத் தெளிவான அறிக்கையாகும்: AI போட்டித்தன்மை கொண்டது என்ற மட்டுமல்ல, இந்த ஆய்வு வடிவமைப்பில் ஒரு மாடல் புதிய உள் அளவுகோலை அமைத்தது என்பதாகும்.
ட்ரையாஜ் ஏன் முக்கியப் போர்க்களம்
ட்ரையாஜ் என்பது AI அமைப்புகளுக்கு மிகவும் வெளிப்படையான சூழல், ஏனெனில் அது நிச்சயமற்ற தன்மையைச் சுருக்குகிறது. மருத்துவரிடம் பெரும்பாலும் ஒரு குறுகிய குறிப்பும், ஆரம்ப அறிகுறிகளின் தொகுப்பும், எதைத் தவறவிடக் கூடாது என்பதைத் தீர்மானிக்க வேண்டிய அவசியமும் இருக்கும். அதே தகவல் வடிவமைப்புடன்தான் பெரிய மொழி மாடல்கள் செயல்பட உருவாக்கப்பட்டுள்ளன: துண்டு துண்டான உரை, பகுதி சூழல், மற்றும் வாய்ப்புகளை விரைவாக வரிசைப்படுத்த வேண்டிய தேவை.
இந்த ஆய்வின் முடிவு, இது மேம்பட்ட மாடல்களுக்கு குறிப்பாக சாதகமான பயன்பாட்டு நிலையாக இருக்கலாம் என்பதைச் சுட்டிக்காட்டுகிறது. பதிவுகள் எவ்வளவு முழுமையற்றதாக இருக்கிறதோ, அவ்வளவு மதிப்புள்ளதாக ஒரு அமைப்பு இருந்துவிடலாம், அது தொடர்ந்து மிகவும் சாத்தியமான அல்லது மிகவும் ஆபத்தான விளக்கங்களைத் துல்லியமாக அடையாளம் காண முடிந்தால். முதல் தொடுப்புப் புள்ளியில் தான் இடைவெளி மிகப் பெரியதாக இருந்தது என்பது, முழுப் பதிவுகள், இமேஜிங், மற்றும் ஆய்வகப் பணிகள் கிடைத்த பிறகல்லாமல், பராமரிப்பின் முன் எல்லையில் AI ஆதரவு மிகவும் பயனுள்ளதாக இருக்கலாம் என்பதைக் காட்டுகிறது.
இது கவனத்தைத் தேவையற்றதாக மாற்றாது. மருத்துவப் பயன்பாட்டில் வெவ்வேறு மருத்துவமனைகளில் சரிபார்ப்பு, மருத்துவர் கண்காணிப்பு, பணிச்சூழல் ஒருங்கிணைப்பு, மற்றும் மாடல் பரிந்துரைகள் தவறானவை, முழுமையற்றவை, அல்லது மிகுந்த நம்பிக்கையோடு கூறப்பட்டவை என்றால் என்ன செய்வது என்பன போன்ற கேள்விகள் இன்னமும் நீடிக்கின்றன. இவை ஒரு தனி ஆய்வால், அது உயர்நிலை கவனம் பெற்றதாக இருந்தாலும், தீர்க்கப்படுவதில்லை.
அடுத்தது என்ன
இந்தக் கட்டுரையின் உடனடி முக்கியத்துவம் என்னவென்றால், மருத்துவமனைகள், ஒழுங்குமுறை அமைப்புகள், மற்றும் சுகாதார அமைப்பு தலைவர்களுக்கு, முன்னணி மொழி மாடல்கள் மருத்துவச் சூழல்களில் தீவிர மதிப்பீட்டிற்கு தகுதியானவை என்பதை காட்டும் வலுவான ஆதாரத்தை வழங்குகிறது. அருகிலுள்ள காலத்திற்கான மிக யதார்த்தமான பாதை தன்னாட்சி நோயறிதல் அல்ல; ஏற்கனவே உள்ள பராமரிப்பு குழுக்களுக்குள் மேற்பார்வையுடன் பயன்படுவதாகும்.
மேலும் ஆய்வுகள் பரந்த நோயாளிக் குழுக்களிலும் நிறுவனங்களிலும் இதே போன்ற செயல்திறனை உறுதிப்படுத்தினால், மருத்துவமனைகள் AI ட்ரையாஜ் உதவியை ஒரு பரிசோதனைத் தன்மையான புதுமை என்றல்லாமல், நோயறிதல் ஆதரவின் நடைமுறை அடுக்காகக் கருதத் தொடங்கலாம். இது பணியாளர் அமைப்பு, மருத்துவப் பயிற்சி, பொறுப்புத் தளங்கள், மற்றும் மின்னணு பதிவுச் செயலி வடிவமைப்பு ஆகியவற்றில் தாக்கத்தை ஏற்படுத்தும்.
இப்போது, இந்த ஆய்வு முக்கியமாகத் தெரிகிறது, ஏனெனில் இது விவாதத்தை கருதுகோள் சார்ந்த வாக்குறுதியிலிருந்து, உண்மையான அவசர அறை வழக்குகளில் அளவிடப்பட்ட ஒப்பீட்டுக்கு நகர்த்துகிறது. மருத்துவத்தில், அது ஒரு முக்கிய எல்லை. கேள்வி இனி AI நம்பகமான மருத்துவ மொழியை உருவாக்க முடியுமா என்பதல்ல. சில சூழ்நிலைகளில், அனுபவமுள்ள மருத்துவர்களைவிட முன்பே சரியான நோயறிதலை அடையாளம் காணக்கூடிய கருவிகளை சுகாதார அமைப்புகள் பொறுப்புடன் பயன்படுத்தத் தயாரா என்பதே கேள்வி.
இந்தக் கட்டுரை TechCrunch வெளியீட்டை அடிப்படையாகக் கொண்டது. மூல கட்டுரையைப் படிக்கவும்.
Originally published on techcrunch.com