Overview of CHIP 2025 Shared Task 2: Discharge Medication Recommendation for Metabolic Diseases Based on Chinese Electronic Health Records
यह शोध पत्र CHIP 2025 शेयर्ड टास्क 2 का एक अवलोकन प्रस्तुत करता है, जिसने CDrugRed डेटासेट पेश किया और चीनी इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड का उपयोग करके चयापचय रोगों (metabolic diseases) के लिए डिस्चार्ज दवाओं की स्वचालित रूप से सिफारिश करने हेतु अत्याधुनिक दृष्टिकोणों, विशेष रूप से LLM-आधारित एंसेम्बल सिस्टम का मूल्यांकन किया।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि एक ऐसी दुनिया है जहाँ आपका शरीर एक जटिल शहर है, और मधुमेह (डायबिटीज) या उच्च रक्तचाप जैसी पुरानी बीमारियाँ उन निरंतर ट्रैफिक जाम की तरह हैं जो कभी खत्म ही नहीं होते। शहर को सुचारू रूप से चलाने के लिए, डॉक्टर ट्रैफिक नियंत्रकों की तरह कार्य करते हैं, जो प्रवाह को चालू रखने के लिए विशिष्ट "वाहन" (दवाएं) निर्धारित करते हैं। लेकिन पेचीदा बात यह है कि हर शहर अलग होता है, और हर ड्राइवर की आदतें भी अनोखी होती हैं। यह पता लगाना कि मरीज को घर ले जाने के लिए वास्तव में किन वाहनों की आवश्यकता है, एक बहुत बड़ी पहेली है। यदि गलत वाहनों का चयन किया जाता है, तो ट्रैफिक जाम वापस आ जाता है, और मरीज को फिर से अस्पताल में भर्ती होना पड़ सकता है। यही "दवा अनुशंसा" (मेडिकेशन रिकमेंडेशन) का मूल है, एक ऐसा क्षेत्र जहाँ वैज्ञानिक कंप्यूटर का उपयोग करके डॉक्टरों को ये जीवन रक्षक निर्णय लेने में मदद करने का प्रयास करते हैं।
लंबे समय से, कंप्यूटर मेडिकल नोट्स पढ़ने में बेहतर होते जा रहे हैं, लेकिन वे ज्यादातर अंग्रेजी भाषा की कहानियों से सीखे हैं। यह शोध पत्र एक नए, रोमांचक विज्ञान के क्षेत्र में उतरता है: कंप्यूटर को चीनी अस्पताल रिकॉर्ड पढ़ना सिखाना ताकि इस पहेली को सुलझाया जा सके। मुख्य विचार "इलेक्ट्रॉनिक हेल्थ रिकॉर्ड्स" (EHRs) का उपयोग करना है—जो केवल मरीज के अस्पताल में रहने की डिजिटल डायरी है, जो लक्षणों, लैब परीक्षणों और इतिहास से भरी होती है—और उन्हें शक्तिशाली "लार्ज लैंग्वेज मॉडल्स" (LLMs) में फीड करना है। इन LLMs को सुपर-स्मार्ट, सुशिक्षित पुस्तकालयाध्यक्षों के रूप में सोचें जिन्होंने लाखों किताबें पढ़ी हैं और अब वे एक विशिष्ट मरीज के लिए सटीक दवाओं की सूची की भविष्यवाणी करना सीख सकते हैं, बस उनकी कहानी पढ़कर। यह क्यों मायने रखता है? क्योंकि डिस्चार्ज के समय सही दवा मिलना ही एक मरीज के स्वस्थ रहने और दोबारा बीमार होने के बीच का अंतर है।
द ग्रेट मेडिकेशन पज़ल: CHIP 2025 शेयर्ड टास्क 2
मेडिकल AI की हलचल भरी दुनिया में, "CHIP 2025 शेयर्ड टास्क 2" नामक एक नई प्रतियोगिता शुरू की गई थी, यह देखने के लिए कि क्या कंप्यूटर मेटाबॉलिक रोगों के लिए डिस्चार्ज मेडिकेशन रिकमेंडेशन की कला में महारत हासिल कर सकते हैं। मेटाबॉलिक रोग मधुमेह और फैटी लिवर जैसे रोग हैं, जहाँ शरीर की ऊर्जा प्रसंस्करण प्रक्रिया थोड़ी गड़बड़ा जाती है। आयोजकों ने, जो डालियन यूनिवर्सिटी ऑफ टेक्नोलॉजी और एक स्थानीय अस्पताल की एक टीम है, यह देखना चाहा कि क्या AI चीनी अस्पताल रिकॉर्ड को देखकर स्वचालित रूप से घर जाने के लिए सही दवाओं की सूची सुझा सकता है।
इसे संभव बनाने के लिए, टीम ने CDrugRed नामक एक विशेष प्रशिक्षण मैदान बनाया। इसे एक विशाल, गुप्त पुस्तकालय के रूप में कल्पना करें जिसमें 5,894 वास्तविक जीवन की अस्पताल की कहानियाँ और 3,190 अलग-अलग मरीजों के विवरण शामिल हैं। गोपनीयता बनाए रखने के लिए इन कहानियों को सावधानीपूर्वक साफ किया गया था, जिससे नाम और चेहरे हटा दिए गए लेकिन चिकित्सा विवरण बरकरार रखे गए। इस लाइब्रेरी में मरीज की उम्र और वजन से लेकर उनके लैब टेस्ट के परिणाम, उनका पिछला मेडिकल इतिहास और वास्तव में दवाओं की सूची शामिल है जो डॉक्टरों ने मरीज के जाने के समय निर्धारित की थी। AI के लिए लक्ष्य सरल था: कहानी को पढ़ें और 651 संभावित विकल्पों के मेनू में से सही दवाएं चुनें।
यह प्रतियोगिता एक बड़ी हिट रही। कुल 526 टीमों ने इस पहेली को सुलझाने के लिए साइन अप किया, जिनमें विश्वविद्यालय के शोधकर्ताओं से लेकर तकनीकी कंपनियां तक शामिल थीं। उन्हें दो चरणों में विभाजित किया गया था: एक अभ्यास दौर (फेज A) और एक अंतिम मुकाबला (फेज B)। अंत में, 167 टीमों ने अभ्यास दौर के लिए अपने सर्वश्रेष्ठ अनुमान प्रस्तुत किए, और 95 टीमों ने अंतिम परीक्षण के लिए क्वालीफाई किया।
परिणाम "वाह" और "अभी बहुत कुछ सीखना बाकी है" का मिश्रण थे। शीर्ष प्रदर्शन करने वाली टीम, जिसका नाम DeepDrug था, ने एक स्कोर हासिल किया जो सफलता को मापने के दो अलग-अलग तरीकों को जोड़ता था: एक जैकर्ड स्कोर (Jaccard score) 0.5102 और एक F1 स्कोर 0.6267। इसे संदर्भ में समझने के लिए, शोधकर्ताओं ने एक बेसलाइन कंप्यूटर मॉडल (एक मानक AI जिसे डेटा पर प्रशिक्षित किया गया था) सेट किया था जिसने अंतिम परीक्षण में लगभग 0.5062 का स्कोर किया था। सर्वश्रेष्ठ टीम ने इस बेसलाइन को पीछे छोड़ दिया, लेकिन बहुत बड़े अंतर से नहीं। यह एक कड़ा मुकाबला था, शीर्ष दस टीमें एक-दूसरे के बहुत करीब थीं, जो दर्शाता है कि हालांकि AI अच्छा हो रहा है, लेकिन यह अभी तक पूरी तरह से हल हुई समस्या नहीं है।
तो, विजेता कैसे सफल हुए? यह पेपर बताता है कि "सीक्रेट सॉस" केवल एक सुपर-स्मार्ट रोबोट नहीं था, बल्कि मिलकर काम करने वाले "रोबोट्स की एक टीम" थी। शीर्ष टीमों, जैसे DeepDrug और ZZUNLP ने एन्सेम्बल लर्निंग (ensemble learning) नामक रणनीति का उपयोग किया। कल्पना कीजिए कि आप एक कठिन पहेली का उत्तर देने की कोशिश कर रहे हैं। यदि आप एक व्यक्ति से पूछते हैं, तो वह गलत हो सकता है। लेकिन यदि आप पांच अलग-अलग लोगों से पूछते हैं और वह उत्तर लेते हैं जिस पर वे सभी सहमत हैं, तो आपके सही होने की संभावना बहुत अधिक होती है। विजेता टीमों ने कई अलग-अलग AI मॉडल को प्रशिक्षित किया, उन्हें अपनी दवाओं की सूची बनाने दी, और फिर उनके उत्तरों को मिला दिया। कुछ टीमों ने "वोटिंग" सिस्टम का भी उपयोग किया जहाँ एक दवा अंतिम सूची में तभी शामिल होती थी जब कम से कम दो या तीन अलग-अलग मॉडल उसे सुझाते थे।
यह पेपर यह भी रेखांकित करता है कि ये AI मॉडल अभी भी सीख रहे हैं। जबकि शीर्ष टीमों ने बेसलाइन की तुलना में महत्वपूर्ण सुधार किया, स्कोर बताते हैं कि अभी भी विकास की काफी गुंजाइश है। शोधकर्ता कहते हैं कि यह कार्य कठिन है क्योंकि मरीज सभी अलग होते हैं, और मेडिकल टेक्स्ट अव्यवस्थित और शब्दावली से भरा होता है। विजेता दृष्टिकोणों ने न केवल कच्ची कंप्यूटिंग शक्ति का उपयोग किया, बल्कि "डेटा ऑग्मेंटेशन" (मरीज की कहानियों के नकली लेकिन यथार्थवादी संस्करण बनाना ताकि AI बेहतर सीख सके) और "प्रॉम्प्ट इंजीनियरिंग" (AI को मेडिकल नोट्स को ठीक से पढ़ना सिखाना) जैसे चतुर तरीकों का भी उपयोग किया।
अंत में, इस प्रतियोगिता ने दिखाया कि उन्नत AI, विशेष रूप से लार्ज लैंग्वेज मॉडल्स पर आधारित, में चीन में क्रोनिक बीमारियों को प्रबंधित करने में डॉक्टरों की मदद करने की वास्तविक क्षमता है। इसने साबित किया कि सही डेटा और स्मार्ट टीम वर्क के साथ, कंप्यूटर मानव स्वास्थ्य की जटिल कहानियों को समझना शुरू कर सकते हैं। हालाँकि, लेखक सावधानी से यह भी बताते हैं कि यह तो बस शुरुआत है। दुर्लभ बीमारियाँ, असंतुलित डेटा और यह सुनिश्चित करना कि AI विभिन्न अस्पतालों में काम करे जैसे चुनौतियों को अभी भी हल किया जाना बाकी है। फिलहाल, शोधकर्ताओं के लिए और अधिक जुड़ने के लिए दरवाजे खुले हैं, जो CDrugRed डेटासेट का उपयोग करके और भी स्मार्ट उपकरण बना सकें जो एक दिन यह सुनिश्चित कर सकें कि हर मरीज हाथ में सटीक प्रिस्क्रिप्शन के साथ अस्पताल से बाहर निकले।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।