📊 statistics

RISED: A Pre-Deployment Safety Evaluation Framework for Clinical AI Decision-Support Systems

यह शोधपत्र RISED को प्रस्तुत करता है, जो एक व्यापक पूर्व-तैनाती सुरक्षा ढांचा (pre-deployment safety framework) है, जो नैदानिक AI प्रणालियों का पांच आयामों—विश्वसनीयता (Reliability), समावेशिता (Inclusivity), संवेदनशीलता (Sensitivity), समानता (Equity), और तैनातक्षमता (Deployability)—में मूल्यांकन करता है, ताकि उन महत्वपूर्ण विफलताओं का पता लगाया जा सके जिन्हें समग्र सटीकता मेट्रिक्स द्वारा छोड़ दिया जाता है और एक सुदृढ़, न्यायसंगत और परिचालन रूप से व्यवहार्य तैनाती सुनिश्चित की जा सके।

मूल लेखक: Rohith Reddy Bellibatlu

प्रकाशित 2026-05-14

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Rohith Reddy Bellibatlu

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 आपने एक शानदार नया कार इंजन बनाया है। टेस्ट ट्रैक पर, यह पूरी तरह से चलता है। यह तेज़ है, शांत है, और इसका माइलेज भी बहुत अच्छा है। आप इसे जनता को बेचने के लिए तैयार हैं। लेकिन इसे सड़क पर उतारने से पहले, आपको एहसास होता है कि आपने यह नहीं जांचा है कि क्या यह बारिश में काम करता है, क्या यह गड्ढों को झेल पाता है, या क्या ढलान पर उतरते समय इसके ब्रेक काम करते हैं।

यह पेपर RISED को पेश करता है, जो आर्टिफिशियल इंटेलिजेंस (AI) सिस्टम के लिए एक नया "सुरक्षा निरीक्षण" (safety inspection) है जिसे डॉक्टर इस्तेमाल करने की योजना बना रहे हैं। लेखक का तर्क है कि मेडिकल AI के परीक्षण के वर्तमान तरीके केवल एक आदर्श, सूखे टेस्ट ट्रैक पर इंजन की जांच करने के समान हैं। वे अंतिम स्कोर (सटीकता/accuracy) को देखते हैं, लेकिन उन छिपे हुए खतरों को छोड़ देते हैं जो वास्तव में तब होते हैं जब AI वास्तव में एक वास्तविक अस्पताल में काम करने की कोशिश करता है।

यहाँ RISED फ्रेमवर्क दिया गया है, जिसे पेपर के अपने निष्कर्षों का उपयोग करके पाँच सरल जाँचों में विभाजित किया गया है:

1. विश्वसनीयता (Reliability): "अनुवाद" परीक्षण

रूपक (Metaphor): कल्पना कीजिए कि आप तीन अलग-अलग शेफ को एक ही रेसिपी देते हैं। एक लिखता है "1 कप मैदा," दूसरा लिखता है "240 ग्राम," और तीसरा लिखता है "एक भरा हुआ कटोरा।" यदि AI एक अच्छा शेफ है, तो उसे इस बात से कोई फर्क नहीं पड़ना चाहिए कि सामग्री का वर्णन कैसे किया गया है। यदि वह केवल इसलिए केक में छेद कर देता है क्योंकि रेसिपी में "कप" के बजाय "ग्राम" लिखा था, तो वह अविश्वसनीय है।

पेपर ने क्या पाया:
लेखकों ने एक AI मॉडल का परीक्षण किया जिसका "टेस्ट स्कोर" (96.1% सटीकता) बहुत अधिक था। हालाँकि, जब उन्होंने डेटा लिखने के तरीके में थोड़ा सा बदलाव किया (जैसे यूनिट को मिलीग्राम से बदलकर ग्राम करना, या तारीखों को थोड़ा बदलना), तो AI ने लगभग 6.4% मरीजों के बारे में अपना निर्णय बदल दिया।

फैसला: असफल (FAIL)। भले ही मॉडल "स्मार्ट" था, लेकिन यह डेटा टाइप करने के सूक्ष्म बदलावों के प्रति बहुत संवेदनशील था।

2. समावेशिता (Inclusivity): "निष्पक्षता" परीक्षण

रूपक: कल्पना कीजिए कि एक क्लब के बाहर एक सुरक्षा गार्ड है जो सभी को अंदर आने देता है, लेकिन जब आप करीब से देखते हैं, तो वह अनजाने में एक विशिष्ट पड़ोस के हर 20 में से 1 व्यक्ति को रोक रहा है, भले ही उन लोगों के पास भी दूसरों की तरह ही टिकट हो। वह गार्ड औसतन निष्पक्ष दिखता है, लेकिन सभी के लिए नहीं।

पेपर ने क्या पाया:
AI अधिकांश लोगों के लिए बहुत अच्छा काम करता था, लेकिन यह सबसे बुजुर्ग मरीजों (75+) के साथ काफी संघर्ष करता था। सबसे अच्छे समूह और सबसे खराब समूह के बीच प्रदर्शन का अंतर सुरक्षा सीमा से बस थोड़ा ही ऊपर था। क्योंकि डेटा थोड़ा शोर वाला (noisy) था, निरीक्षक निश्चित रूप से यह नहीं कह सके कि यह पूर्ण विफलता थी या केवल एक चेतावनी संकेत।

फैसला: अनिश्चित (INCONCLUSIVE)। यह एक "शायद" है। मॉडल बुजुर्गों के प्रति अनुचित हो सकता है, लेकिन परीक्षण 100% सुनिश्चित होने के लिए पर्याप्त बड़ा नहीं था।

3. संवेदनशीलता (Sensitivity): "ट्यूनिंग नॉब" परीक्षण

रूपक: कल्पना कीजिए कि एक स्मोक डिटेक्टर (धुआं पहचानने वाला यंत्र) है। यदि आप इसे बहुत संवेदनशील सेट करते हैं, तो यह ब्रेड टोस्ट होने पर भी चिल्लाने लगता है। यदि आप इसे कम संवेदनशील सेट करते हैं, तो यह असली आग को भी अनदेखा कर देता है। समस्या यह है: यदि आपको इसे वास्तविक रसोई में उपयोगी बनाने के लिए इसके नॉब को बस थोड़ा सा घुमाना पड़ता है, तो क्या यह अचानक घर के आधे लोगों पर चिल्लाने लगेगा?

पेपर ने क्या पाया:
वास्तविक दुनिया में, डॉक्टर अक्सर AI की "संवेदनशीलता" को समायोजित (adjust) करते हैं (जैसे, "सुरक्षित रहने के लिए अधिक मरीजों को फ्लैग करें")। पेपर ने पाया कि यदि वे AI की सेटिंग्स को थोड़ा सा भी बदलते हैं, तो फ्लैग किए गए मरीजों की सूची लगभग 20% तक बदल जाती है।

फैसला: असफल (FAIL)। मॉडल बहुत अस्थिर है। नियमों में एक छोटा सा बदलाव मदद पाने वाले लोगों की संख्या में भारी बदलाव लाता है।

4. इक्विटी (Equity): "ज़रूरत" की जाँच

रूपक: कल्पना कीजिए कि एक ट्राइएज नर्स (triage nurse) तय करती है कि किसे पहले डॉक्टर मिलेगा। यदि वह इस बात को देखती है कि अतीत में किसने सबसे अधिक बार कॉल किया है, तो वह उन अमीर लोगों की मदद कर सकती है जो कॉल करने का खर्च उठा सकते हैं, और उन बीमार गरीब लोगों को अनदेखा कर सकती है जो कॉल नहीं कर सकते। नर्स को वास्तव में यह देखना चाहिए कि कौन वास्तव में बीमार है, न कि यह कि किसने सबसे अधिक कॉल किया।

पेपर ने क्या पाया:
लेखकों ने यह देखने की कोशिश की कि क्या AI उन लोगों की मदद करता है जिन्हें इसकी सबसे अधिक आवश्यकता है। लेकिन उन्हें एक जाल मिला: यदि उन्होंने "पिछले अस्पताल के बिलों" का उपयोग करके मदद की आवश्यकता का अनुमान लगाया, तो AI अच्छा दिखा। लेकिन यदि उन्होंने "वास्तविक स्वास्थ्य स्कोर" (जो अलग हैं) का उपयोग किया, तो AI खराब दिखा।

फैसला: नैदानिक (DIAGNOSTIC) (पास/फेल नहीं)। पेपर कहता है कि यह अभी तक एक साधारण "फेल" नहीं है। यह एक चेतावनी लाइट है जो कहती है: "आप ज़रूरत को मापने के लिए गलत पैमाने का उपयोग कर रहे हैं। इसे तैनात करने से पहले एक बेहतर पैमाना खोजें।"

5. तैनात करने की क्षमता (Deployability): "गति और स्पष्टता" परीक्षण

रूपक: कल्पना कीजिए कि एक GPS है जो आपको यह बताने में 10 मिनट लेता है कि कहाँ मुड़ना है, या जो आपको ऐसी भाषा में निर्देश देता है जिसे आप नहीं समझते। भले ही रास्ता एकदम सही हो, लेकिन यदि यह बहुत धीमा या भ्रमित करने वाला है, तो यह बेकार है।

पेपर ने क्या पाया:
AI अविश्वसनीय रूप से तेज़ था (पूरे मरीज समूह को प्रोसेस करने में 2 मिलीसेकंड से भी कम समय लेता है) और इसके द्वारा दिए गए निर्णयों के कारण डॉक्टरों को समझ में आने वाले थे।

फैसला: सफल (PASS)। यह तेज़ है और समझने में आसान है।

मुख्य तस्वीर (The Big Picture)

सबसे आश्चर्यजनक बात जो इस पेपर ने खोजी है वह यह है कि आपके पास एक "परफेक्ट" AI स्कोर हो सकता है और फिर भी आप सुरक्षा निरीक्षण में फेल हो सकते हैं।

जिस मॉडल का उन्होंने परीक्षण किया था, उसकी सटीकता रेटिंग 96% थी, जिसका आमतौर पर अर्थ होता है "ग्रीन लाइट, आगे बढ़ें!" लेकिन RISED निरीक्षण के तहत:

इसने विश्वसनीयता (Reliability) परीक्षण में असफल किया (यदि डेटा अलग तरह से टाइप किया गया तो यह टूट जाता है)।
इसने संवेदनशीलता (Sensitivity) परीक्षण में असफल किया (यह बहुत आसानी से अपना निर्णय बदल देता है)।
यह समावेशिता (Inclusivity) पर अनिश्चित था (यह बुजुर्गों के प्रति अनुचित हो सकता है)।
इसने तैनात करने की क्षमता (Deployability) में सफलता प्राप्त की (यह तेज़ है)।

निष्कर्ष:
RISED एक ऐसा उपकरण है जो कहता है, "केवल अंतिम ग्रेड न देखें। जांचें कि क्या कार बारिश में चलती है, क्या ढलानों पर ब्रेक काम करते हैं, और क्या मैप स्पष्ट है।" लेखकों ने इसे एक मुफ्त सॉफ्टवेयर पैकेज के रूप में जारी किया है ताकि अस्पताल वास्तविक मरीजों के बारे में निर्णय लेने से पहले इन विशिष्ट जाँचों को चला सकें। उनका तर्क है कि इसके बिना, हम ऐसे सिस्टम तैनात करने का जोखिम उठाते हैं जो कागज़ पर तो बहुत अच्छे दिखते हैं लेकिन वास्तविक दुनिया में विफल हो जाते हैं।

तकनीकी सारांश: RISED – क्लिनिकल AI निर्णय-सहायता प्रणालियों के लिए एक पूर्व-तैनाती सुरक्षा मूल्यांकन ढांचा

समस्या विवरण
क्लिनिकल AI निर्णय-सहायता प्रणालियों के लिए वर्तमान मूल्यांकन प्रतिमान मुख्य रूप से स्थिर, होल्ड-आउट टेस्ट से प्राप्त समग्र सटीकता मेट्रिक्स (जैसे, AUROC, ब्रायर स्कोर) पर निर्भर करते हैं। लेखक तर्क देते हैं कि ये मेट्रिक्स तैनाती-चरण की महत्वपूर्ण विफलताओं का पता लगाने में विफल रहते हैं, जिनमें एन्कोडिंग शिफ्ट के कारण इनपुट विश्वसनीयता अस्थिरता, उपसमूह इक्विटी क्षरण, थ्रेशोल्ड संवेदनशीलता और परिचालन अव्यवहार्यता शामिल है। एपिक सेप्सिस मॉडल (Epic Sepsis Model) जैसी प्रलेखित विफलताओं का हवाला देते हुए, जो आंतरिक बेंचमार्क में पास हुआ लेकिन खराब भेदभाव (discrimination) और अलर्ट थकान (alert fatigue) के कारण बाहरी सत्यापन में विफल रहा, यह शोध पत्र तर्क देता है कि मौजूदा उपकरण (जैसे, AI Fairness 360, Fairlearn, TRIPOD+AI) लाइव क्लिनिकल वातावरण के लिए परिचालन तत्परता निर्धारित करने के बजाय केवल स्टैटिक मॉडल चयन या पोस्ट-होक रिपोर्टिंग के लिए डिज़ाइन किए गए हैं।

कार्यप्रणाली: RISED ढांचा
यह शोध पत्र RISED फ्रेमवर्क प्रस्तावित करता है, जो एक पांच-आयामी पूर्व-तैनाती मूल्यांकन दृष्टिकोण है। प्रत्येक आयाम को औपचारिक उप-मानदंडों, पूर्व-निर्धारित पास/फेल थ्रेशोल्ड और बायस-करेक्टेड एक्सीलरेटेड (BCa) बूटस्ट्रैप 95% कॉन्फिडेंस इंटरवल (CI) के माध्यम से संचालित किया जाता है। कई परिकल्पना परीक्षणों (multiple hypothesis tests) में फैमिली-वाइज एरर रेट को नियंत्रित करने के लिए होल्म-बोनफेरोनी (Holm-Bonferroni) सुधार लागू किया गया है। यह ढांचा प्रति आयाम तीन संभावित निर्णय प्रदान करता है: PASS (पास), FAIL (फेल), या INCONCLUSIVE (अनिश्चित - जब CI थ्रेशोल्ड को घेरे हुए हो)।

पांच आयाम निम्नलिखित हैं:

विश्वसनीयता (Reliability): यह समान अर्थ वाले लेकिन भिन्न रूप से एनकोड किए गए इनपुट्स (जैसे, यूनिट परिवर्तन, ICD ग्रैनुलैरिटी शिफ्ट) के तहत आउटपुट स्थिरता को मापता है।
- मेट्रिक: जज सेंसिटिविटी स्कोर (JSS), जिसे गड़बड़ी (perturbations) के एक बैटरी के औसत पर्टर्बेशन फ्लिप रेट (PFR) के रूप में परिभाषित किया गया है।
- थ्रेशोल्ड: JSS < 0.05।
समावेशिता (Inclusivity): जनसांख्यिकीय उप-जनसंख्याओं में प्रदर्शन निरंतरता का आकलन करता है।
- मेट्रिक्स: AUC पैरिटी गैप ( $\Delta$ AUC) और उपसमूह एक्सपेक्टेड कैलिब्रेशन एरर (ECE)।
- थ्रेशोल्ड: सभी उपसमूहों के लिए $\Delta$ AUC $\le$ 0.05; ECE $\le$ 0.10।
संवेदनशीलता (Sensitivity): निर्णय-थ्रेशोल्ड शिफ्ट के तहत व्यवहारिक स्थिरता का मूल्यांकन करता है, जो महत्वपूर्ण है क्योंकि थ्रेशोल्ड को अक्सर तैनाती के बाद ट्यून किया जाता है।
- मेट्रिक: थ्रेशोल्ड फ्लिप रेट (TFR), जो यह मापता है कि जब थ्रेशोल्ड संदर्भ $\tau_0$ से बदलता है तो कितने रोगियों का वर्गीकरण बदल जाता है।
- थ्रेशोल्ड: थ्रेशोल्ड स्वीप के दौरान अधिकतम TFR $\le$ 0.10।
इक्विटी (Equity): यह नैदानिक आवश्यकता के स्वतंत्र माप के साथ भविष्यवाणियों के संरेखण का परीक्षण करता है, न कि ऐतिहासिक असमानताओं को एनकोड करने वाले उपयोग प्रॉक्सी (utilization proxies) के साथ।
- मेट्रिक: नीड-प्रेडिक्शन कोरिलेशन ( $\rho_{need}$ ) और समूह-स्तरीय नीड गैप।
- स्थिति: इसे गेटिंग निर्णय के बजाय एक डायग्नोस्टिक (नैदानिक) के रूप में फ्रेम किया गया है। यदि निर्णय किसी चुने गए नीड प्रॉक्सी (जैसे, आउटकम लेबल बनाम CCI) के आधार पर बदलता है, तो यह तैनाती से पहले आउटकम-स्वतंत्र नीड मेजर की आवश्यकता को ट्रिगर करता है।
तैनाती योग्यता (Deployability): परिचालन व्यवहार्यता का आकलन करता है, जिसमें इन्फरेंस लेटेंसी और स्पष्टीकरण निष्ठा (explanation faithfulness) शामिल है।
- मेट्रिक्स: माध्य इन्फरेंस लेटेंसी ( $\Lambda$ ) और एक्सप्लेनेशन फेथफुलनेस ( $F_{expl}$ ), जो यह मापता है कि क्या स्थानीय रूप से महत्वपूर्ण फीचर्स वैश्विक रूप से महत्वपूर्ण फीचर्स के साथ संरेखित हैं।
- थ्रेशोल्ड: प्रति कोहॉर्ट $\Lambda \le$ 500 ms; $F_{expl} \ge$ 0.50।

प्रायोगिक परिणाम
फ्रेमवर्क को एक 10,000-रोगी सिंथेटिक कोहॉर्ट और 35 वर्षों के डेटा विंटेज वाले तीन वास्तविक दुनिया के कोहॉर्ट्स पर लागू किया गया: UCI हार्ट डिजीज कोहॉर्ट (1989), UCI डायबिटीज 130-यूएस हॉस्पिटल्स कोहॉर्ट (1999–2008), और NCHS नेशनल हेल्थ इंटरव्यू सर्वे (NHIS) 2024।

सिंथेटिक कोहॉर्ट (XGBoost, AUROC 0.961): उच्च समग्र भेदभाव के बावजूद, मॉडल ने विश्वसनीयता (JSS = 0.064) और संवेदनशीलता (Max TFR = 19.9%) आयामों में FAIL किया। समावेशिता आयाम INCONCLUSIVE ( $\Delta$ AUC = 0.059, CI [0.042, 0.066]) था। इक्विटी DIAGNOSTIC थी, जिसने आउटकम-लेबल प्रॉक्सी (PASS) और चार्लसन कोमोरबिडिटी इंडेक्स प्रॉक्सी (FAIL) के बीच निर्णय परिवर्तन दिखाया। डिप्लॉयबिलिटी PASSED।
वास्तविक दुनिया के कोहॉर्ट्स:
- UCI हार्ट डिजीज (n=303): छोटे सैंपल साइज के कारण विश्वसनीयता और समावेशिता INCONCLUSIVE थे; संवेदनशीलता FAILED।
- UCI डायबिटीज 130 (n=99,492): विश्वसनीयता PASSED (JSS = 0.0004), लेकिन समावेशिता ( $\Delta$ AUC = 0.262) और संवेदनशीलता (Max TFR = 49.1%) निर्णायक रूप से FAILED। इक्विटी प्रॉक्सी असहमति के साथ DIAGNOSTIC बनी रही।
- NHIS 2024 (n=9,747): विश्वसनीयता PASSED (JSS = 0.011), जबकि समावेशिता ( $\Delta$ AUC = 0.328) और संवेदनशीलता (Max TFR = 22.5%) FAILED।
बहु-मॉडल सुदृढ़ता (Multi-Model Robustness): सिंथेटिक कोहॉर्ट पर लॉजिस्टिक रिग्रेशन और रैंडम फॉरेस्ट के साथ परीक्षण करने पर, समावेशिता और संवेदनशीलता की विफलताएं बनी रहीं (डेटा-संचालित), जबकि विश्वसनीयता की विफलताएं मॉडल-निर्भर थीं (XGBoost फेल हुआ; अन्य पास हुए)।
Fairlearn के साथ तुलना: Fairlearn ने उपसमूह असमानताओं की पहचान की लेकिन इनपुट-पर्टर्बेशन अस्थिरता, थ्रेशोल्ड संवेदनशीलता, या नीड-आधारित इक्विटी मिसअलाइनमेंट का पता लगाने में विफल रहा, जो RISED के व्यापक दायरे को उजागर करता है।

प्रमुख योगदान

फ्रेमवर्क परिभाषा: मौजूदा साहित्य को पांच-आयामी पूर्व-तैनाती ढांचे में व्यवस्थित करता है जो स्टैटिक मॉडल चयन से आगे बढ़कर क्लिनिकल निर्णय सहायता के लिए विशिष्ट है।
मात्रात्मक गेट्स: गुणात्मक चेकलिस्ट के स्थान पर औपचारिक उप-मानदंडों, बूटस्ट्रैप 95% CIs और स्पष्ट PASS/FAIL/INCONCLUSIVE निर्णय नियमों को लाता है।
अनुभवजन्य सत्यापन: यह प्रदर्शित करता है कि एक उच्च AUROC वाला मॉडल इनपुट-एन्कोडिंग स्थिरता और थ्रेशोल्ड-शिफ्ट संवेदनशीलता जांच में एक साथ विफल हो सकता है, जो सिंथेटिक और तीन अलग-अलग वास्तविक दुनिया के कोहॉर्ट्स में मान्य किया गया एक पैटर्न है।
इक्विटी रीफ्रेमिंग: इक्विटी आयाम को एक "प्रॉक्सी-डिपेंडेंस डायग्नोस्टिक" के रूप में पुनर्गठित करता है, जो स्पष्ट रूप से कंस्ट्रक्ट-वैलिडिटी मुद्दों को उजागर करता है जब नीड प्रॉक्सी उपयोग डेटा से प्राप्त होते हैं, जिससे आउटकम-स्वतंत्र नीड मेजर प्राप्त करने की अनिवार्यता सुनिश्चित होती है।
ओपन-सोर्स कार्यान्वयन: rised पायथन पैकेज जारी करता है, जो मौजूदा रिपोर्टिंग मानकों (TRIPOD+AI, MI-CLAIM, FUTURE-AI) के लिए आवश्यक मात्रात्मक निर्णय प्रदान करता है।

महत्व और दावे
शोध पत्र का दावा है कि RISED इन-सिलिको मॉडल सत्यापन और साइलेंट-ट्रायल क्लिनिकल मूल्यांकन के बीच एक "सिद्धांतिक द्वारवे" (principled gateway) प्रदान करता है। यह तर्क देता है कि केवल समग्र मेट्रिक्स एन्कोडिंग अस्थिरता और थ्रेशोल्ड संवेदनशीलता जैसी तैनाती जोखिमों का पता लगाने के लिए अपर्याप्त हैं। फ्रेमवर्क को एक नियामक जनादेश के रूप में नहीं, बल्कि एक संरचित संख्यात्मक साक्ष्य जनरेटर के रूप में रखा गया है जो FDA प्रीडetermined चेंज कंट्रोल प्लान (PCCP) सबमिशन, ONC HTI-1 जोखिम-प्रबंधन प्रकटीकरण और EU AI Act तकनीकी फाइलों को भर सकता है। लेखक कहते हैं कि RISED का उद्देश्य थ्रेशोल्ड अंशांकन (calibration) पर "अनुभवजन्य कार्य को प्रेरित करना" है और हालांकि एक RISED PASS तैनाती के लिए आवश्यक है, लेकिन यह पर्याप्त नहीं है, क्योंकि यह कार्यान्वयन शासन या क्लिनिशियन ट्रस्ट को संबोधित नहीं करता है। परिणाम कंस्ट्रक्ट वैलिडिटी के प्रारंभिक साक्ष्य प्रदान करते हैं, जो दिखाते हैं कि विभिन्न आयाम विभिन्न कोहॉर्ट्स और मॉडल क्लासों में अलग-अलग तरह से विफल होते हैं, जो यह सुझाव देता है कि तैनाती की तत्परता एक बहु-आयामी गुण है जिसे एकल-मेट्रिक बेंचमार्क द्वारा नहीं पकड़ा जा सकता है।