💬 NLP

PACE-RAG: Patient-Aware Contextual and Evidence-based Policy RAG for Clinical Drug Recommendation

यह शोध पत्र PACE-RAG प्रस्तुत करता है, जो एक नवीन ढांचा (framework) है जो पार्किंसंस रोग जैसी जटिल स्थितियों के लिए व्यक्तिगत नैदानिक दवा अनुशंसाओं को उन्नत करने हेतु, समान मामलों से साक्ष्य-आधारित प्रिस्क्राइबिंग पैटर्न के साथ व्यक्तिगत रोगी संदर्भ का संश्लेषण करता है, और MIMIC-IV एवं पार्किंसंस समूहों पर अत्याधुनिक प्रदर्शन प्राप्त करता है।

मूल लेखक: Chaeyoung Huh, Hyunmin Hwang, Jung Hwan Shin, Jinse Park, Jong Chul Ye

प्रकाशित 2026-03-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chaeyoung Huh, Hyunmin Hwang, Jung Hwan Shin, Jinse Park, Jong Chul Ye

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 आप एक डॉक्टर हैं जो पार्किंसंस रोग वाले मरीज के लिए एकदम सही दवा निर्धारित करने की कोशिश कर रहे हैं। यह एक कठिन काम है। आप केवल एक टेक्स्टबुक नियम नहीं देख सकते क्योंकि हर मरीज अलग होता है। आपको चिकित्सा नियमों (जो दिशानिर्देश कहते हैं) को वास्तविक दुनिया के अनुभव (जो पिछले समान मरीजों के लिए काम आया) के साथ जोड़ना होगा।

लंबे समय तक, आर्टिफिशियल इंटेलिजेंस (AI) डॉक्टर संघर्ष करते रहे। वे या तो बहुत रोबोटिक थे (नियमों का आँख मूंदकर पालन करना) या बहुत "कॉपी-पेस्ट" करने वाले (बस वही दोहराना जो अधिकांश मरीजों को दिया गया था, भले ही वह उस विशिष्ट व्यक्ति के लिए सही न हो)।

PACE-RAG का आगमन हुआ। इसे एक सुपर-स्मार्ट मेडिकल असिस्टेंट के रूप में सोचें जो केवल उत्तरों को "खोजता" नहीं है, बल्कि एक अनुभवी विशेषज्ञ डॉक्टर की तरह सोचता है।

यहाँ बताया गया है कि PACE-RCL कैसे काम करता है, जिसे खाना बनाने के उदाहरण (कुकिंग एनालॉजी) के माध्यम से चार सरल चरणों में विभाजित किया गया है:

समस्या: "रेसिपी बुक" बनाम "शेफ का अंतर्ज्ञान"

पुराना AI (गाइडलाइन RAG): एक रोबोट शेफ की तरह जो केवल रेसिपी बुक पढ़ता है। यदि किताब कहती है "नमक डालें," तो वह नमक डाल देता है। उसे इस बात की परवाह नहीं है कि ग्राहक को एलर्जी है या व्यंजन पहले से ही नमकीन है। यह बहुत सामान्य है।
पुराना AI (समान मरीज RAG): एक ऐसे शेफ की तरह जो केवल यह देखता है कि सबसे लोकप्रिय व्यंजन क्या है। यदि 90% लोगों ने पिज्जा ऑर्डर किया, तो शेफ सभी के लिए पिज्जा ऑर्डर करता है, भले ही आपके विशिष्ट ग्राहक को सलाद चाहिए था। यह अनूठे विवरणों को छोड़ देता है।

PACE-RAG वह मास्टर शेफ है जो रेसिपी पढ़ता है और पेंट्री (सामग्री का भंडार) भी चेक करता है, और नियमित ग्राहकों से पूछता है कि पिछली बार उन्हें क्या पसंद आया था, और फिर आपके लिए विशेष रूप से व्यंजन को एडजस्ट करता है।

4-चरणीय "PACE" प्रक्रिया

1. फोकस-विशिष्ट रिट्रीवल (द "स्पॉटलाइट" सर्च)

"पार्किंसंस" जैसे अस्पष्ट प्रश्न के साथ पूरे अस्पताल के डेटाबेस को खोजने के बजाय, PACE-RAG एक स्पॉटलाइट वाले जासूस की तरह काम करता है।

यह क्या करता है: यह आपके वर्तमान लक्षणों (जैसे, "बाएं हाथ में कंपन" या "जकड़न") को देखता है और केवल उन लक्षणों के लिए एक विशिष्ट खोज प्रश्न बनाता है।
एनालॉजी: "किसको कभी जुकाम हुआ है?" पूछने के बजाय, यह पूछता है, "किसे विशेष रूप से उच्च बुखार और खांसी के साथ जुकाम हुआ था?" यह शोर को नजरअंदाज करते हुए सबसे प्रासंगिक पिछले मामलों को ढूंढता है।

2. प्रिस्क्राइबिंग टेंडेंसी एनालिसिस (द "पैटर्न डिटेक्टिव")

अब जब इसने समान मरीजों को ढूंढ लिया है, तो यह उनके पूरे मेडिकल इतिहास को कॉपी नहीं करता है। यह एक पैटर्न डिटेक्टिव की तरह काम करता है।

यह क्या करता है: यह पूछता है, "डॉक्टर ने इस लक्षण को ठीक करने के लिए विशेष रूप से क्या जोड़ा या बदला?" यह उन दवाओं को अनदेखा कर देता है जो मरीज पहले से ही अन्य कारणों से ले रहा था।
एनालॉजी: यदि एक समान मरीज को सिरदर्द था और डॉक्टर ने "इबुप्रोफेन" जोड़ा, तो PACE-RAG उस संबंध को नोट करता है। लेकिन यदि वह मरीज सर्दी के लिए "विटामिन सी" भी ले रहा था, तो PACE-RAG विटामिन सी को अनदेखा कर देगा क्योंकि वह सिरदर्द के लिए नहीं था। यह कारण-और-प्रभाव को अलग करता है।

3. प्रिस्क्रिप्शन रिफाइनमेंट (द "सेफ्टी ऑडिटर")

यह सबसे महत्वपूर्ण चरण है। AI एक पहली अनुमानित दवा लेता है और फिर ऑडिट करने के लिए हेलमेट और सेफ्टी वेस्ट पहन लेता है।

यह क्या करता है: यह अपने पहले अनुमान की तीन सख्त नियमों के विरुद्ध जांच करता है:
1. रखें (Keep): क्या मरीज पहले से यह ले रहा था? इसे रखें (जब तक कि इसे रोकने का कोई बुरा कारण न हो)।
2. जोड़ें (Add): क्या "पैटर्न डिटेक्टिव" ने इस बात के पुख्ता सबूत पाए हैं कि यह दवा इस विशिष्ट लक्षण के लिए मदद करती है? यदि हाँ, तो इसे जोड़ें।
3. हटाएं (Remove): यदि AI ने एक दवा का अनुमान लगाया लेकिन इस बात का कोई सबूत नहीं है कि यह इस मरीज की मदद करती है, तो इसे बाहर निकाल दें।
एनालॉजी: कल्पना कीजिए कि आप लेगो (Lego) का किला बना रहे हैं। आप एक टावर बनाते हैं (पहला अनुमान)। फिर, एक सख्त निरीक्षक आता है। "आपके पास इस लाल ईंट के लिए ब्लूप्रिंट नहीं था? इसे हटा दें।" "आपके पास एक नीली ईंट है जो आधार से मेल खाती है? इसे रखें।" यह AI को मनमाने ढंग से दवाएं बनाने (Hallucinations) से रोकता है।

4. एक्सप्लेनेबल क्लिनिकल समरी (द "स्टोरीटेलर")

अंत में, AI केवल दवाओं की सूची नहीं देता। यह एक कहानी लिखता है।

यह क्या करता है: यह समझाता है कि इसने इन दवाओं को क्यों चुना, मरीज के इतिहास, विशिष्ट लक्षणों और समान मामलों के साक्ष्यों का हवाला देते हुए।
एनालॉजी: आपको रसीद थमाने के बजाय, शेफ कहता है, "मैंने अतिरिक्त लहसुन डाला क्योंकि आपने उल्लेख किया था कि आपको यह पसंद है, और मैंने बेसिल (तुलसी) को रखा क्योंकि यह आपके सामान्य ऑर्डर में है, लेकिन मैंने मिर्च को हटा दिया क्योंकि आपके पिछले ऑर्डर में लिखा था कि आपको यह बहुत तीखा लगता है।"

यह एक बड़ी बात क्यों है?

यह व्यक्तिगत है: यह हर मरीज को एक अद्वितीय व्यक्ति के रूप में मानता है, न कि केवल एक सांख्यिकी के रूप में।
यह सुरक्षित है: साक्ष्यों और मरीज के इतिहास के विरुद्ध प्रत्येक दवा को सत्यापित करके, यह खतरनाक गलतियों के जोखिम को कम करता है।
यह कुशल है: पेपर बताता है कि यह स्मार्ट सिस्टम, जो एक छोटे, किफायती कंप्यूटर मॉडल पर चलता है, वास्तव में उन विशाल, महंगे AI मॉडलों से बेहतर प्रदर्शन करता है जो एक साथ सब कुछ करने की कोशिश करते हैं। यह एक छोटे, विशिष्ट मैकेनिक की तरह है जो एक विशाल, सामान्य-उद्देश्य वाले रोबोट की तुलना में कार को बेहतर तरीके से ठीक करता है।

संक्षेप में: PACE-RAG एक ऐसा AI है जो केवल चिकित्सा को "जानता" नहीं है; यह मरीज के जीवन और लक्षणों के संदर्भ को समझता है, समान मामलों की विशिष्ट सफलताओं से सीखता है, और आपको प्रिस्क्रिप्शन देने से पहले अपने काम की दोबारा जांच करता है। यह टेक्स्टबुक नियमों और वास्तविक दुनिया के मानवीय अंतर्ज्ञान के बीच के अंतर को पाटता है।

यहाँ PACE-RAG: Patient-Aware Contextual and Evidence-based Policy RAG for Clinical Drug Recommendation शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

पार्किंसंस रोग (PD) जैसे जटिल नैदानिक परिदृश्यों में दवा की सिफारिश करने के लिए व्यक्तिगत रोगी संदर्भ और विशेषज्ञ नैदानिक अनुभव के सूक्ष्म संश्लेषण की आवश्यकता होती है। हालाँकि लार्ज लैंग्वेज मॉडल्स (LLMs) के पास व्यापक चिकित्सा ज्ञान होता है, लेकिन वे अक्सर व्यक्तिगत नुस्खे (prescribing) के लिए आवश्यक सूक्ष्म, संदर्भ-जागरूक निर्णय लेने में विफल रहते हैं। मौजूदा रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) दृष्टिकोण दो प्राथमिक सीमाओं से ग्रस्त हैं:

गाइडलाइन-आधारित RAG (Guideline-Based RAG): यह मानकीकृत नैदानिक दिशानिर्देशों को रिट्रीव करता है लेकिन अत्यधिक सामान्यीकृत सिफारिशें उत्पन्न करता है जो व्यक्तिगत रोगियों के विषम नैदानिक प्रक्षेपवक्र (clinical trajectories) को समझने में विफल रहती हैं।
समान-रोगी RAG (जैसे TreatRAG): यह ऐतिहासिक रोगी मामलों को रिट्रीव करता है लेकिन अक्सर "बहुमत पूर्वाग्रह" (majority bias) का शिकार हो जाता है, जहाँ मॉडल वर्तमान रोगी के विशिष्ट लक्षणों के नैदानिक तर्क का विश्लेषण करने के बजाय केवल रिट्रीव किए गए समूह में सबसे बार-बार होने वाले प्रिस्क्रिप्शन पैटर्न को दोहराता है।

मुख्य चुनौती एक ऐसा ढांचा विकसित करना है जो स्थिर दिशानिर्देशों और कच्चे ऐतिहासिक डेटा के बीच के अंतर को पाटकर व्यक्तिगत, साक्ष्य-आधारित और व्याख्यात्मक दवा सिफारिशें उत्पन्न कर सके।

2. कार्यप्रणाली: PACE-RAG ढांचा (Methodology: PACE-RAG Framework)

लेखक PACE-RAG का प्रस्ताव करते हैं, जो एक नवीन चार-चरणीय तर्क पाइपलाइन (reasoning pipeline) है जिसे व्यक्तिगत रोगी संदर्भ को समान मामलों की प्रिस्क्राइबिंग प्रवृत्तियों के साथ संश्लेषित करने के लिए डिज़ाइन किया गया है। यह ढांचा एक दवा सूची ( $Y$ ) उत्पन्न करने के लिए रोगी के रिकॉर्ड के ऐतिहासिक अनुक्रम ( $H$ ) और वर्तमान नैदानिक नोट ( $x_t$ ) पर कार्य करता है।

चरण 1: फोकस-विशिष्ट रिट्रीवल (Focus-Specific Retrieval)

असंरचित पूर्ण-पाठ समानता के आधार पर रिट्रीव करने के बजाय, PACE-RAG एक फोकस क्वेरी एक्सट्रैक्टर (Focus Query Extractor) का उपयोग करता है।

तंत्र (Mechanism): मॉडल वर्तमान नोट ( $x_t$ ) से सीधे $n$ विशिष्ट, स्थानीयकृत नैदानिक विशेषताओं (कीवर्ड्स) को निकालता है।
प्रतिबंध (Constraint): मतिभ्रम (hallucinations) को रोकने के लिए, निकाले गए कीवर्ड मूल पाठ से शाब्दिक सबस्ट्रिंग (literal substrings) होने चाहिए।
रिट्रीवल: सिस्टम इन विशिष्ट फोकस क्वेरीज़ से मेल खाने वाले ऐतिहासिक डेटाबेस ( $D$ ) से शीर्ष- $k$ समान रोगी मामले रिट्रीव करता है। यह सुनिश्चित करता है कि रिट्रीव किया गया साक्ष्य रोगी के संपूर्ण चिकित्सा इतिहास के बजाय उनके तीव्र लक्षणों के लिए अत्यधिक प्रासंगिक है।

चरण 2: प्रिस्क्राइबिंग प्रवृत्ति विश्लेषण (Prescribing Tendency Analysis)

यह चरण विशिष्ट उपचार पैटर्न की पहचान करने के लिए रिट्रीव किए गए समूह का विश्लेषण करता है।

तंत्र: मॉडल लक्षित लक्षण ( $f_i$ ) से विशेष रूप से जुड़े मेडिकेशन पैटर्न ( $T_i$ ) को निकालता है।
कठोर मानदंड:
1. अलगाव (Isolation): केवल विशिष्ट लक्षण के इलाज के लिए नयी जोड़ी गई दवाओं को ही निकाला जाता है; नियमित या क्रोनिक रखरखाव दवाओं को फ़िल्टर कर दिया जाता है।
2. साक्ष्य-आधारित (Evidence-Based): प्रत्येक निकाली गई दवा का लक्ष्य लक्षण के साथ सीधा तर्क होना चाहिए।
3. अनिश्चितता पर शून्य (Null on Uncertainty): यदि किसी दवा-लक्षण लिंक के लिए कोई स्पष्ट साक्ष्य मौजूद नहीं है, तो आउटपुट एक खाली सेट ( $\emptyset$ ) होगा।
लक्ष्य: यह सामान्य रुझानों के बजाय क्रियाशील, लक्षण-विशिष्ट हस्तक्षेपों को अलग करके "बहुमत पूर्वाग्रह" को रोकता है।

चरण 3: नीति-संचालित प्रिस्क्रिप्शन परिशोधन (Policy-Driven Prescription Refinement)

यह चरण प्रारंभिक LLM ड्राफ्ट ( $y_0$ ) को निकाले गए रुझानों ( $T$ ) के विरुद्ध सत्यापित करने के लिए एक सत्यापन तंत्र के रूप में कार्य करता है।

तंत्र: एक सत्यापनकर्ता (verifier) रोगी के सक्रिय इतिहास ( $H$ ), प्रारंभिक ड्राफ्ट और प्रवृत्ति विश्लेषण को एकीकृत करता है।
तीन नीतियां:
1. रूढ़िवादी एंकर (MAINTAIN - बनाए रखना): रोगी के मौजूदा सक्रिय मेडिकेशन इतिहास को सुरक्षित रखने को डिफ़ॉल्ट मानें।
2. चयनात्मक विस्तार (ADD - जोड़ना): नई दवाएं केवल तभी जोड़ें जब प्रवृत्ति विश्लेषण ( $T$ ) उस विशिष्ट लक्षण के लिए उच्च-विश्वास संकेत प्रदान करता हो।
3. बंद करना (REMOVE - हटाना): दवाओं को केवल तभी हटाएं जब वर्तमान रिकॉर्ड में निर्णायक नकारात्मक साक्ष्य (जैसे, प्रतिकूल प्रभाव) मौजूद हों।
परिणाम: यह सुनिश्चित करता है कि अंतिम प्रिस्क्रिप्शन व्यक्तिगत और नैदानिक रूप से सत्यापित हो, जिससे कच्चे रिट्रीव किए गए डेटा पर अत्यधिक निर्भरता से बचा जा सके।

चरण 4: व्याख्यात्मक नैदानिक सारांश (Explainable Clinical Summary)

अंतिम चरण एक व्याख्या योग्य रिपोर्ट ( $y_{summary}$ ) उत्पन्न करता है जो रोगी की स्थिति, निकाले गए कीवर्ड, सहायक साक्ष्य और अंतिम प्रिस्क्रिप्शन तर्क को संश्लेषित करता है। यह चिकित्सकों के लिए निर्णय लेने की प्रक्रिया का एक पारदर्शी मार्ग (trace) प्रदान करता है।

3. मुख्य योगदान (Key Contributions)

नवीन ढांचा: PACE-RAG, व्यक्तिगत संदर्भों के भीतर लक्षण-विशिष्ट तर्कों की पहचान करके, गाइडलाइन-आधारित RAG के अति-सामान्यीकरण और समान-रोगी RAG के बहुमत पूर्वाग्रह को दूर करता है।
चार-चरणीय कार्यप्रणाली: इसमें फोकस-विशिष्ट रिट्रीवल, प्रवृत्ति विश्लेषण, नीति-संचालित परिशोधन और व्याख्यात्मक सारांशीकरण को शामिल करने वाली एक संरचित पाइपलाइन पेश की गई है।
मजबूती और सामान्यीकरण: वास्तविक दुनिया के अनस्ट्रक्चर्ड पार्किंसंस रोग डेटासेट और बड़े पैमाने के स्ट्रक्चर्ड MIMIC-IV बेंचमार्क पर इसकी प्रभावशीलता प्रदर्शित की गई है।
दक्षता: यह ढांचा छोटे, ओपन-सोर्स मॉडल्स (जैसे, Llama-3.1-8B, Qwen3-8B) का उपयोग करके अत्याधुनिक प्रदर्शन प्राप्त करता है, जो काफी बड़े क्लोज्ड-सोर्स मॉडल्स (जैसे, Qwen2.5-72B) से बेहतर प्रदर्शन करता है, जिससे यह लागत-प्रभावी ऑन-प्रिमाइसेस परिनियोजन के लिए उपयुक्त बनता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

इस ढांचे का मूल्यांकन दो डेटासेट पर किया गया:

HPH डेटासेट: हेउन्डे पैक अस्पताल के 330 पार्किंसंस रोगियों का एक वास्तविक दुनिया का अनस्ट्रक्चर्ड कोहोर्ट।
MIMIC-IV: 196,501 रोगियों वाला एक बड़े पैमाने का बेंचमार्क।

प्रमुख निष्कर्ष:

HPH पर प्रदर्शन: Qwen3-8B का उपयोग करते हुए, PACE-RAG ने 80.84% का F1 स्कोर और 82.75% की सटीकता (Accuracy) प्राप्त की, जो TreatRAG (F1 74.86%) और Guideline RAG (F1 69.67%) जैसे बेसलाइन्स से काफी बेहतर है।
MIMIC-IV पर प्रदर्शन: PACE-RAG ने उच्चतम F1 स्कोर (47.22% Qwen3-8B के साथ) प्राप्त किया, जिसने सभी बेसलाइन्स को पछाड़ दिया और मल्टी-सिम्प्टम, स्ट्रक्चर्ड वातावरण में मजबूती प्रदर्शित की।
मॉडल दक्षता: PACE-RAG (8B मॉडल का उपयोग करके) लगातार बड़े डेंस मॉडल्स (Qwen2.5-14B, 32B, और 72B) से बेहतर प्रदर्शन करता है, जो यह सिद्ध करता है कि रीजनिंग फ्रेमवर्क का मूल्य केवल पैरामीटर स्केल से अधिक है।
नैदानिक सत्यापन: दो पार्किंसंस विशेषज्ञों द्वारा किए गए ब्लाइंड मूल्यांकन में, PACE-RAG ने समग्र प्राथमिकता में 70% की जीत/टाई (Win/Tie) दर हासिल की, और नैदानिक सटीकता, सुरक्षा और तर्क (Reasoning) में बेहतर स्कोर प्राप्त किया।
एब्लेशन अध्ययन (Ablation Studies):
- रिट्रीवल स्रोत: केवल समान रोगी मामलों ने दिशानिर्देशों के साथ संयोजन की तुलना में बेहतर परिणाम दिए, जिससे पता चलता है कि दिशानिर्देश शोर (noise) पैदा कर सकते हैं।
- सत्यापन: स्टेज 2 और 3 के सत्यापन मॉड्यूल ने आंतरिक सेल्फ-रिफ्लेक्शन विधियों (MedReflect) की तुलना में काफी बेहतर प्रदर्शन किया।
- रिट्रीवल प्रकार: डेंस वेक्टर रिट्रीवल ने स्पार्स कीवर्ड रिट्रीवल से बेहतर प्रदर्शन किया।

5. महत्व (Significance)

PACE-RAG AI-संचालित नैदानिक निर्णय समर्थन (clinical decision support) में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। सरल रिट्रीवल से आगे बढ़कर एक नीति-संचालित, साक्ष्य-आधारित सत्यापन प्रक्रिया की ओर बढ़कर, यह जटिल स्थितियों में व्यक्तिगत चिकित्सा की महत्वपूर्ण आवश्यकता को संबोधित करता है। फ्रेमवर्क की व्याख्यात्मक नैदानिक सारांश उत्पन्न करने की क्षमता चिकित्सा पेशेवरों के साथ विश्वास पैदा करती है, जबकि इसके छोटे, ओपन-सोर्स मॉडल्स पर निर्भरता अस्पतालों के लिए एक व्यावहारिक, स्केलेबल और लागत प्रभावी समाधान प्रदान करती है, जो विशाल मालिकाना (proprietary) LLMs से जुड़ी गोपनीयता और लागत की बाधाओं से बचती है। यह कार्य वास्तविक दुनिया के नैदानिक परिवेश में मजबूत, विशिष्ट चिकित्सा AI को तैनात करने की दिशा में एक मार्ग सुझाता है।