कल्पना कीजिए कि आप एक रहस्य सुलझाने की कोशिश कर रहे हैं, लेकिन सुराग सौ अलग-अलग नोटबुक में बिखरे हुए हैं, जिनमें से प्रत्येक को अलग-अलग वर्षों में अलग-अलग जासूसों द्वारा लिखा गया है। कुछ सुराग स्पष्ट हैं, कुछ एक अस्त-व्यस्त पन्ने के बीच में छिपे हुए हैं, और कुछ सवाल ऐसे हैं जिनका उत्तर नहीं दिया जा सकता क्योंकि नोटबुक में उनका उत्तर मौजूद ही नहीं है। जटिल, दीर्घकालिक स्वास्थ्य इतिहास वाले रोगियों का इलाज करने वाले डॉक्टरों के लिए यह एक दैनिक वास्तविकता है। उन्हें आज के लक्षण को समझने के लिए यह याद रखना पड़ता है कि पाँच साल पहले अस्पताल के दौरे में क्या हुआ था, और साथ ही यह भी जानना होता है कि कब कहना है, "मुझे नहीं पता," यदि रिकॉर्ड मौन हों।

यहाँ बड़े भाषा मॉडल (LLMs) आते हैं, जो वे सुपर-स्मार्ट एआई चैटबॉट्स हैं जो हाल ही में पूरी किताबें पढ़ने और उनके बारे में सवालों के जवाब देने के लिए प्रसिद्ध हुए हैं। वैज्ञानिक यह देखने के लिए उत्साहित हैं कि क्या ये एआई डॉक्टर के लिए भी वही काम कर सकते हैं: रोगी की पूरी जीवन कहानी को पढ़ना, वर्षों अलग-अलग हुए दौरों के बीच के कड़ियों को जोड़ना, और सटीक चिकित्सा सलाह देना। लेकिन एक पेंच है। आज के अधिकांश एआई परीक्षण 'पॉप क्विज़' की तरह हैं: एक ही पैराग्राफ पर आधारित छोटे, सरल प्रश्न। वे यह परीक्षण नहीं करते कि क्या एक एआई वास्तविक जीवन के मेडिकल मैराथन को संभाल सकता है जहाँ उत्तर तीन साल पहले हुई बातचीत में कहीं दफन हो सकता है, या क्या एआई को पता है कि कब यह स्वीकार करना है कि वह अटक गया है।

यहीं पर एक नया अध्ययन आता है जिसे MedLoCoMo कहा जाता है। शोधकर्ताओं ने एक विशाल, चुनौतीपूर्ण परीक्षण विशेष रूप से यह देखने के लिए बनाया है कि क्या एआई रोगी देखभाल की अव्यवस्थित, दीर्घकालिक वास्तविकता को संभाल सकता है। उन्होंने केवल एआई को एक छोटा नोट नहीं दिया; उन्होंने प्रत्येक रोगी के लिए एक 74,000 शब्दों के उपन्यास के बराबर डेटा दिया, जो कई वर्षों में दर्ज दर्जनों अस्पताल दौरों को कवर करता है। परिणाम एक वास्तविकता की जाँच (reality check) की तरह थे। जबकि एआई मॉडल एक एकल दौरे के बारे में सवालों के जवाब देने में बहुत अच्छे थे, उन्हें विभिन्न दौरों के बीच कड़ियों को जोड़ने में काफी संघर्ष करना पड़ा। यहाँ तक कि सबसे स्मार्ट मॉडलों को भी उन "पुराने सुरागों" को याद करने में कठिनाई हुई जो "नए रहस्य" को सुलझाने के लिए आवश्यक थे। अध्ययन बताता है कि एआई को केवल स्मार्ट बनाना या उसे बड़ी स्मृति (memory) देना अभी पर्याप्त नहीं है; इसे वास्तव में विवरणों में खोए बिना रोगी के अतीत को उसके वर्तमान से जोड़ना सीखना होगा।

MedLoCoMo की कहानी: एक मेडिकल मेमोरी टेस्ट

एक रोगी के मेडिकल इतिहास को एक एकल डायरी के रूप में नहीं, बल्कि एक विशाल, बहु-सीजन वाले टीवी शो के रूप में सोचें। हर बार जब कोई रोगी अस्पताल जाता है, तो यह नए "सीजन" से भरा होता है जिसमें नए एपिसोड (डॉक्टर के दौरे), प्लॉट ट्विस्ट (निदान/diagnoses), और चरित्र विकास (बदलती स्वास्थ्य स्थितियाँ) होते हैं। वर्तमान एपिसोड को समझने के लिए, आपको अक्सर यह याद रखने की आवश्यकता होती है कि सीजन 1, सीजन 3, या यहाँ तक कि सीजन 5 में क्या हुआ था।

MedLoCoMo (जो मेडिकल लॉन्ग-कॉन्टेक्स्ट मेमोरी के लिए है) के पीछे के शोधकर्ताओं ने यह देखना चाहा कि क्या एआई इन मेडिकल टीवी शो का अंतिम "सुपर-फैन" बन सकता है। उन्होंने MIMIC-IV डेटाबेस से वास्तविक, गुमनाम डेटा का उपयोग करके एक बेंचमार्क—एक मानकीकृत परीक्षण—बनाया। उन्होंने केवल यादृच्छिक (random) नोट्स नहीं उठाए; उन्होंने सावधानीपूर्वक 100 अद्वितीय रोगी टाइमलाइन तैयार की। प्रत्येक टाइमलाइन एक लंबी बातचीत है जिसमें औसतन 1,669.8 टर्न (आने-जाने वाली बातचीत) शामिल हैं, जो 29.7 सत्रों (अस्पताल के दौरों) में फैली हुई है, और प्रत्येक बातचीत में भारी मात्रा में 74,512.2 टोकन (पाठ के टुकड़े) हैं। इनमें से कुछ कहानियाँ इतनी लंबी हैं कि वे 150,000 टोकन से अधिक तक खिंच जाती हैं!

तीन प्रकार की चुनौतियाँ

परीक्षण को निष्पक्ष और व्यापक बनाने के लिए, शोधकर्ताओं ने वीडियो गेम के स्तरों की तरह तीन अलग-अलग प्रकार के प्रश्न बनाए:

1. "सिंगल-सीजन" चुनौती: ये प्रश्न केवल एक अस्पताल दौरे के दौरान हुई किसी घटना के बारे में पूछते हैं। यह पूछने जैसा है, "सीजन 2 के एपिसोड 5 में डॉक्टर ने क्या कहा था?" यह परीक्षण करता है कि क्या एआई एक लंबे दस्तावेज़ में एक विशिष्ट तथ्य को खोज सकता है।
2. "मल्टी-सीजन" चुनौती: ये कठिन वाले हैं। ये एआई को विभिन्न दौरों के बीच कड़ियों को जोड़ने के लिए कहते हैं। उदाहरण के लिए, "रोगी को 2014 में हृदय संबंधी समस्या थी और 2016 में फेफड़ों की समस्या थी; ये उनकी वर्तमान सांस फूलने की समस्या से कैसे संबंधित हैं?" यह परीक्षण करता है कि क्या एआई अतीत को याद रख सकता है और उसे वर्तमान से जोड़ सकता है।
3. "ट्रिक क्वेश्चन" चुनौती: कभी-कभी, एक प्रश्न ऐसा लगता है कि इसका उत्तर होना चाहिए, लेकिन मेडिकल रिकॉर्ड में वह जानकारी वास्तव में नहीं होती है। ये "एडवर्सरियल" (adversarial) प्रश्न हैं। एक अच्छा एआई जानता होना चाहिए कि कब कहना है, "मुझे नहीं पता," बजाय इसके कि वह एक फर्जी उत्तर बना ले। इसे "एब्स्टेंशन" (abstention) कहा जाता है।

एआई ने क्या सही (और गलत) किया

शोधकर्ताओं ने कई अलग-अलग एआई मॉडलों का परीक्षण किया, जिनमें सामान्य-उद्देश्य वाले मॉडल (जैसे GPT-5.1 और Qwen) और विशेष रूप से चिकित्सा डेटा पर प्रशिक्षित मॉडल (जैसे MedGemma) शामिल थे। यहाँ उन्हें क्या मिला:

• "लोकल" विशेषज्ञ: जब प्रश्न एक एकल अस्पताल दौरे के बारे में थे, तो एआई ने काफी अच्छा प्रदर्शन किया। वह कहानी के "वर्तमान सीजन" में सही तथ्यों को खोज सका।
• "लॉन्ग-टर्म" संघर्ष: जैसे ही प्रश्नों के लिए कई दौरों (क्रॉस-एडमिशन) के बीच जानकारी को जोड़ने की आवश्यकता हुई, एआई का प्रदर्शन काफी गिर गया। सबसे बड़े और स्मार्ट मॉडल भी अतीत को वर्तमान से जोड़ने में संघर्ष करते दिखे। ऐसा लग रहा था जैसे एआई वर्तमान एपिसोड की कहानी तो याद रख सकता है लेकिन शो की पूरी बैकस्टोरी भूल जाता है।
• विशेषज्ञता काम नहीं आई: आप सोच सकते हैं कि मेडिकल टेक्स्टबुक पर प्रशिक्षित मॉडल बेहतर होगा। आश्चर्यजनक रूप से, मेडिकल-विशेषकृत मॉडल सामान्य मॉडलों की तुलना में लगातार बेहतर प्रदर्शन नहीं कर सके। वे भी लंबी टाइमलाइन में खो जाने के लिए उतने ही प्रवण थे।
• "मुझे नहीं पता" वाला कारक: कुछ मॉडल यह बताने में बहुत अच्छे थे कि उत्तर रिकॉर्ड में नहीं है। यह अच्छा है! लेकिन शोधकर्ताओं ने नोट किया कि एक मॉडल उच्च स्कोर प्राप्त कर सकता है यदि वह हर चीज़ के लिए "मुझे नहीं पता" कह दे, भले ही वह उन प्रश्नों का उत्तर न दे सके जिन्हें वह वास्तव में जानता है। इसलिए, उन्होंने "मुझे नहीं पता" की दर और वास्तविक उत्तर की गुणवत्ता दोनों को देखा।

मेमोरी प्रयोग

चूंकि कहानियाँ बहुत लंबी थीं, इसलिए शोधकर्ताओं ने यह भी परीक्षण किया कि क्या एआई को एक "बाहरी स्मृति" (जैसे एक नोटबुक जिसमें वह लिख सके और देख सके) देने से मदद मिलेगी। उन्होंने अलग-अलग मेमोरी टूल्स का परीक्षण किया, जैसे एक सरल सर्च इंजन (BM25) और अधिक जटिल मेमोरी सिस्टम।

परिणाम मिले-जुले रहे। मेमोरी टूल्स ने एआई को तब अधिक सटीक रूप से "मुझे नहीं पता" कहने में मदद की जब उत्तर गायब था। हालाँकि, वे विभिन्न अस्पताल दौरों के बीच कड़ियों को जोड़ने की समस्या को जादुई रूप से ठीक नहीं कर सके। यह स्पष्ट है कि बड़ी स्मृति या बेहतर खोज उपकरण होना, समय के माध्यम से तर्क करने की क्षमता रखने के समान नहीं है। एआई अभी भी यह समझने में संघर्ष करता रहा कि कौन सा पुराना सुराग नई समस्या के लिए महत्वपूर्ण है।

निष्कर्ष

MedLoCoMo अध्ययन सुझाव देता है कि हालांकि एआई लंबे टेक्स्ट पढ़ने में बेहतर हो रहा है, लेकिन इसे एक ऐसे डॉक्टर की तरह कार्य करने के लिए अभी एक लंबा रास्ता तय करना है जो वास्तव में रोगी की जीवन कहानी को समझता है। यह केवल एक बड़ा मस्तिष्क या लंबी स्मृति होने के बारे में नहीं है; यह रोगी के इतिहास को एक सुसंगत कहानी में बुनना सीखने के बारे में है।

शोधकर्ता स्पष्ट हैं कि यह अनुसंधान के लिए एक परीक्षण है, न कि अभी वास्तविक जीवन की चिकित्सा सलाह के लिए एक उपकरण। बातचीत और प्रश्न वास्तविक मेडिकल रिकॉर्ड के आधार पर एआई द्वारा बनाए गए थे, लेकिन वे सिंथेटिक (कृत्रिम) हैं। इसका लक्ष्य वैज्ञानिकों को बेहतर सिस्टम बनाने में मदद करना है जो एक दिन डॉक्टरों को उनके रोगियों के जटिल इतिहास को बिना किसी चूक के ट्रैक करने में मदद कर सकें। फिलहाल के लिए, एआई एक बहुत ही स्मार्ट छात्र है जो एक अध्याय पढ़ सकता है लेकिन उसे अभी पूरी किताब लिखना सीखना बाकी है।