A Pipeline for Generating Longitudinal Synthetic Clinical Notes Using Large Language Models
यह शोध पत्र एक मॉड्यूलर पाइपलाइन और 70 सिंथेटिक अनुदैर्ध्य (लॉन्गीटुडिनल) रोगी रिकॉर्ड का एक संगत डेटासेट प्रस्तुत करता है, जिसमें प्रत्येक रिकॉर्ड में 20-50 नैदानिक नोट्स हैं, जिन्हें आंतरिक निरंतरता और यथार्थवादी भिन्नता सुनिश्चित करते हुए गोपनीयता-संरक्षित नैदानिक एआई उपकरणों के विकास और मूल्यांकन को समर्थन देने के लिए लार्ज लैंग्वेज मॉडल्स का उपयोग करके तैयार किया गया है।
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 रोबोट को डॉक्टर बनना सिखाने की कोशिश कर रहे हैं। इसे करने के लिए, आपको उसे हजारों वास्तविक रोगी कहानियाँ दिखानी होंगी। लेकिन एक समस्या है: वास्तविक रोगी कहानियाँ किसी टॉप-सीक्रेट डायरी की तरह होती हैं। वे निजी जानकारी से भरी होती हैं, और कानून कहते हैं कि आप उन्हें बस एक रोबोट को अध्ययन करने के लिए नहीं दे सकते।
यह शोध पत्र एक समाधान प्रस्तुत करता है: एक ऐसी फैक्ट्री जो नकली रोगी कहानियाँ बनाती है जो बिल्कुल असली कहानियों की तरह दिखती और महसूस होती हैं, लेकिन उनमें कोई वास्तविक व्यक्ति नहीं होता।
उन्होंने इस फैक्ट्री को कैसे बनाया, इसे सरल भाषा में यहाँ समझाया गया है:
1. ब्लूप्रिंट: रोगी का निर्माण
सबसे पहले, टीम को अपनी कहानियों के लिए "पात्रों" को बनाने की आवश्यकता थी। उन्होंने उन्हें केवल बेतरतीब ढंग से नहीं बनाया; उन्होंने 70 नकली रोगी बनाने के लिए Synthea (इसे एक डिजिटल जनसंख्या सिम्युलेटर समझें) नामक टूल का उपयोग किया।
- ट्विस्ट: चूंकि मूल टूल अमेरिकी था, इसलिए उन्होंने इसे ब्रिटेन के अनुकूल बनाने के लिए इसमें बदलाव किया, जिससे यह सुनिश्चित हुआ कि नकली रोगियों के नाम, पते और जनसांख्यिकी ब्रिटिश हों।
- विवरण: इसके बाद उन्होंने एक सुपर-स्मार्ट AI (GPT-4o) से खाली जगहों को भरने के लिए कहा, जैसे कि रोगी का अगला संबंधी (next of kin) कौन है या उन्हें कौन सी एलर्जी है। उन्होंने यह भी सुनिश्चित किया कि AI सबको पेनिसिलिन एलर्जी न दे दे (एक सामान्य AI गलती), इसके लिए उन्होंने मैन्युअल रूप से वास्तविक दुनिया के एलर्जी आंकड़ों को फीड किया।
2. प्लॉट: अस्पताल का सफर
एक बार जब रोगी अस्तित्व में आ जाता है, तो फैक्ट्री उनके अस्पताल में रहने के पूरे प्रवास का अनुकरण (simulate) करती है।
- सेटअप: रोगी को भर्ती किया जाता है (योजनाबद्ध या आपातकालीन स्थिति में)।
- कहानी का मोड़ (Story Arc): AI इस यात्रा का एक "कंकाल" (skeleton) लिखता है: रोगी आया -> डॉक्टर ने जांच की -> सर्जरी हुई -> रोगी ठीक हुआ -> रोगी घर गया।
- चेक: यदि AI थक जाता है और कहानी को बीच में ही छोड़ देता है, तो सिस्टम का दूसरा हिस्सा इसे नोटिस करता है और कहता है, "हे, कहानी पूरी करो!" यह भी जांचता है कि क्या कहानी तर्कसंगst है (जैसे, आप सर्जरी से पहले अस्पताल नहीं पहुँच सकते)।
3. स्क्रिप्ट: नोट्स लिखना
यह सबसे जटिल हिस्सा है। एक वास्तविक अस्पताल में, अलग-अलग डॉक्टर अलग-अलग शैलियों में नोट्स लिखते हैं। कुछ संक्षिप्त और बिखरे हुए होते हैं; अन्य लंबे और विस्तृत होते हैं।
- अभिनेता (Actors): फैक्ट्री हर स्टाफ सदस्य के लिए एक "व्यक्तित्व" (persona) असाइन करती है। एक डॉक्टर बुलेट-पॉइंट राइटर (तेज़, कुशल) हो सकता है, जबकि दूसरा स्टोरीटेलर (विस्तृत, वर्णनात्मक) हो सकता है। एक अन्य शॉर्टहैंड एक्सपर्ट हो सकता है जो बहुत सारे मेडिकल संक्षिप्त रूपों (abbreviations) का उपयोग करता है।
- प्रदर्शन: AI हर घटना के लिए एक विशिष्ट क्लिनिकल नोट लिखता है, और उस डॉक्टर की विशिष्ट शैली को अपनाता है जो उसे "लिख" रहा है।
- यथार्थता का स्पर्श: इसे वास्तव में वास्तविक महसूस कराने के लिए, फैक्ट्री इसमें टाइपो (जैसे गलत की दबा देना) और संक्षिप्त रूप (जैसे सांस की तकलीफ के लिए "SOB") जोड़ देती है। उन्होंने यह भी सुनिश्चित किया कि कुछ डॉक्टर लगातार दूसरों की तुलना में अधिक लापरवाह या अव्यवस्थित रहें, ठीक वैसे ही जैसे वास्तविक जीवन में होता है।
4. संपादक: गुणवत्ता नियंत्रण
नोट्स जारी होने से पहले, वे एक सख्त संपादन प्रक्रिया से गुजरते हैं।
- फैक्ट-चेकर: एक अन्य AI एक संपादक के रूप में कार्य करता है। यह नोट को पढ़ता है और इसकी तुलना "कंकाल" वाली कहानी से करता है। यह पूछता है: "क्या इस डॉक्टर ने सर्जरी का उल्लेख किया? क्या उन्होंने एलर्जी का उल्लेख किया? क्या उन्होंने कोई फर्जी लक्षण बना लिया?"
- लूप: यदि नोट में कुछ छूट गया है या उसमें कोई 'हलुसिनेशन' (बनाई गई काल्पनिक बात) है, तो संपादक इसे सुधारने के लिए लेखक को वापस भेज देता है। यह तब तक एक लूप में चलता रहता है जब तक कि नोट एकदम सही न हो जाए।
अंतिम उत्पाद
परिणामस्वरूप, 70 नकली रोगियों का एक डेटासेट प्राप्त होता है, जिनमें से प्रत्येक के पास उनके पूरे अस्पताल प्रवास को कवर करने वाले 20 से 50 नकली मेडिकल नोट्स होते हैं।
- "सिल्वर" संस्करण: यह वह है जिसे उन्होंने जारी किया है। यह उच्च गुणवत्ता वाला है, जिसे AI द्वारा बनाया गया है, AI द्वारा ही जांचा गया है, लेकिन अभी तक किसी मानव डॉक्टर द्वारा पढ़ा नहीं गया है।
- "गोल्ड" संस्करण (भविष्य): वे बाद में एक ऐसा संस्करण जारी करने की योजना बना रहे हैं जिसे वास्तविक मानव डॉक्टरों द्वारा दोबारा जांचा जाएगा।
यह क्यों किया जा रहा है?
शोध पत्र बताता है कि यह नकली डेटा एक सुरक्षित खेल का मैदान (playground) है। डेवलपर्स इसका उपयोग AI टूल्स बनाने और उनका परीक्षण करने के लिए कर सकते—जैसे कि रोगी के नोट्स का सारांश बनाने वाले टूल्स, मेडिकल बिलों को कोड करने वाले टूल्स, या यह भविष्यवाणी करने वाले टूल्स कि मरीज अस्पताल में कितने समय तक रहेगा—और यह सब बिना किसी वास्तविक रोगी की गोपनीयता को जोखिम में डाले किया जा सकता है।
यह शोध पत्र क्या दावा नहीं करता है:
- यह नहीं कहता कि ये नकली नोट्स हर स्थिति में वास्तविक डेटा के पूर्ण विकल्प हैं।
- यह स्वीकार करता है कि वास्तविक अस्पताल का जीवन अस्त-व्यस्त और जटिल है, और हालांकि उनकी फैक्ट्री अच्छी है, फिर भी यह वास्तविक जीवन के "एज केसेस" (अजीब, दुर्लभ या अराजक स्थितियां) को मिस कर सकती है।
- यह चेतावनी देता है कि AI अभी भी कभी-कभी "हलुसिनेट" (तथ्य बनाना) कर सकता है, इसीलिए उनके पास वे सख्त एडिटिंग लूप्स हैं।
संक्षेप में, उन्होंने मेडिकल कागजी कार्रवाई का एक सिम्युलेटर बनाया है। यह असली चीज़ नहीं है, लेकिन यह सुरक्षित, स्केलेबल और इतनी विस्तृत है कि अगली पीढ़ी के मेडिकल AI टूल्स को प्रशिक्षित किया जा सके।
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।