कल्पना कीजिए कि एक ऐसी दुनिया है जहाँ एक सुपर-स्मार्ट रोबोट डॉक्टर असली डॉक्टरों को यह तय करने में मदद करता है कि मरीजों को कौन सी दवाएं देनी हैं। यह कोई विज्ञान कथा नहीं है; यह एक बढ़ता हुआ क्षेत्र है जिसे AI-आधारित मेडिकेशन रिकमेंडेशन (दवा सिफारिश) कहा जाता है। ये सिस्टम एक मरीज के इतिहास को देखते हैं—उनकी पिछली बीमारियाँ, सर्जरी और उन्होंने पहले क्या लिया है—ताकि वे नई दवा का सबसे अच्छा अनुमान लगा सकें। इसे एक बहुत ही उन्नत रेसिपी ऐप की तरह समझें जो आपके स्वाद और एलर्जी को आपसे भी बेहतर जानता हो। लेकिन यहाँ एक पेंच है: ठीक वैसे ही जैसे एक शेफ जो केवल नमक और चीनी जैसी आम सामग्रियों के साथ खाना बनाता है, इन AI रोबोटों को "दुर्लभ" सामग्रियों के साथ कठिनाई होती है। चिकित्सा जगत में, ये वे दवाएं हैं जो बहुत कम लोगों को दी जाती हैं, अक्सर अजीब या गंभीर स्थितियों के लिए। क्योंकि AI ने अपने प्रशिक्षण डेटा में इन दुर्लभ दवाओं को बहुत कम बार देखा है, इसलिए यह उन्हें पूरी तरह से अनदेखा कर देता है, जो उन मरीजों के लिए खतरनाक हो सकता है जिन्हें उनकी सख्त जरूरत है।

यह वह समस्या है जिसे KAIST और कोरिया यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने अपने नए शोध पत्र में संबोधित किया है। उन्होंने देखा कि जबकि AI आम दवाओं का सुझाव देने में बहुत अच्छा है, यह दुर्लभ दवाओं के मामले में बुरी तरह विफल हो जाता है। इसे ठीक करने के लिए, उन्होंने GenRxR नामक एक नया सिस्टम बनाया। वास्तविक दुनिया के डेटा का इंतजार करने के बजाय (जिसे गोपनीयता नियमों के कारण प्राप्त करना कठिन है), उन्होंने लार्ज लैंग्वेज मॉडल्स (LLMs) के साथ एक "टाइम-ट्रैवलिंग" (समय यात्रा) वाली ट्रिक का उपयोग किया—वही तरह का सुपर-इंटेलिजेंट AI जो कहानियाँ लिख सकता है या आपसे चैट कर सकता है। उन्होंने AI से "क्या होगा अगर" (what-if) वाले परिदृश्य कल्पना करने को कहा: "क्या होगा अगर इस मरीज को यह दुर्लभ दवा दी गई होती? उनकी कहानी कैसे बदल जाती?" इन काल्पनिक लेकिन चिकित्सकीय रूप से तार्किक कहानियों को उत्पन्न करके, उन्होंने उदाहरणों का एक विशाल नया पुस्तकालय बनाया। उन्होंने AI को यह भी सिखाया कि विभिन्न दवाएं एक साथ मिलकर कैसे काम करती हैं, जैसे एक कंडक्टर यह सुनिश्चित करता है कि ऑर्केस्ट्रा का हर वाद्य यंत्र सामंज्वय के साथ बजे।

परिणाम? उनका नया सिस्टम, GenRxR, उन पेचीदा, दुर्लभ दवाओं के लिए एक बहुत बेहतर अनुमान लगाने वाला बन गया। अपने परीक्षणों में, इसने न केवल ठीक-ठाक प्रदर्शन किया; बल्कि इसने प्रतियोगिता को पछाड़ दिया। इसने अन्य 14 तरीकों को पीछे छोड़ दिया, जिनमें समान बड़े-दिमाग वाले मॉडल का उपयोग करने वाले अन्य AI सिस्टम भी शामिल थे। सबसे प्रभावशाली बात यह है कि जब दुर्लभ दवाओं की बात आई जिन्हें अन्य सिस्टम अक्सर पूरी तरह से मिस कर देते थे, तो GenRxR ने अपनी भविष्यवाणी की सटीकता में 30.9% तक सुधार किया। उन्होंने केवल अनुमान नहीं लगाया; उन्होंने आंकड़े जुटाए और दिखाया कि "क्या होगा अगर" वाली कहानियों और AI को डॉक्टर की तरह सोचने के लिए सिखाकर, वे दवा संबंधी सिफारिशों को सभी के लिए सुरक्षित और अधिक सटीक बना सकते हैं, यहाँ तक कि उनके लिए भी जिनके पास सबसे दुर्लभ स्थितियां हैं।

समस्या: AI का "कॉमन सेंस" पूर्वाग्रह

कल्पना कीजिए कि आप एक वीडियो गेम खेलना सीखने की कोशिश कर रहे हैं, लेकिन आपको केवल पहले लेवल को ही दस लाख बार खेलने को मिलता है। आप उस लेवल के मास्टर बन जाते हैं, लेकिन यदि कोई अचानक आपसे वह गुप्त, छिपा हुआ बॉस लेवल खेलने के लिए कहता है जो महीने में एक बार आता है, तो आपको समझ नहीं आता कि क्या करना है। वर्तमान AI मेडिकेशन सिस्टम के साथ बिल्कुल ऐसा ही होता है।

शोधकर्ताओं ने पाया कि ये सिस्टम "लॉन्ग-टेल" (long-tail) समस्या से जूझते हैं। वास्तविक दुनिया में, कुछ दवाएं लगातार दी जाती हैं (आम दवाएं), जबकि हजारों अन्य बहुत कम बार दी जाती हैं (दुर्लभ दवाएं)। क्योंकि AI ऐतिहासिक अस्पताल रिकॉर्ड से सीखता है, वह आम दवाओं को बार-बार देखता है। वह उनमें बहुत अच्छा हो जाता है। लेकिन दुर्लभ दवाएं? वे डेटा में भूतों की तरह हैं। उनके इतने कम उदाहरण हैं कि AI मूल रूप से उन्हें अस्तित्व में ही नहीं मानता।

यह केवल एक छोटी सी गड़बड़ी नहीं है। इनमें से कई दुर्लभ दवाएं "ऑर्फन ड्रग्स" (orphan drugs) हैं, जो बहुत विशिष्ट, गंभीर या असामान्य बीमारियों के इलाज के लिए बनाई गई हैं। यदि AI उन्हें अनदेखा करता है, तो जरूरत मंद मरीज उपचार योजना से वंचित रह सकता है। शोधकर्ताओं ने यह भी देखा कि मौजूदा AI सिस्टम अक्सर यह समझने में विफल रहते हैं कि दवाएं एक साथ कैसे काम करती हैं। एक दुर्लभ दवा देना आमतौर पर अन्य उपचारों के एक विशिष्ट कॉकटेल का हिस्सा होता है। यदि AI इन दवाओं के बीच के संबंधों को नहीं समझता है, तो वह सुरक्षित सिफारिश नहीं कर सकता।

समाधान: "क्या होगा अगर" कहानियों के साथ समय यात्रा

इसे ठीक करने के लिए, टीम ने GenRxR बनाया, एक फ्रेमवर्क जो दो चतुर तरीकों से लार्ज लैंग्वेज मॉडल्स (LLMs) का उपयोग करता है।

1. "क्या होगा अगर" मशीन (काउंटरफैक्चुअल डेटा ऑग्मेंटेशन)
पहली बड़ी बाधा डेटा की कमी थी। आप किसी छात्र को कार चलाने के लिए तब तक नहीं सिखा सकते जब तक आपके पास दुनिया में केवल एक ही फरारी न हो। इसलिए, शोधकर्ताओं ने एक LLM का उपयोग करके अधिक फरारी बनाई। उन्होंने केवल रैंडम नंबर नहीं बनाए; उन्होंने AI के चिकित्सा ज्ञान का उपयोग करके "काउंटरफैक्चुअल" (विपरीत तथ्य वाली) कहानियाँ लिखीं।

यह इस प्रकार काम करता है:

• टीम अस्पताल के रिकॉर्ड से एक ऐसे मरीज को चुनती है जिसे एक विशिष्ट दुर्लभ दवा नहीं दी गई थी।
• वे LLM से पूछते हैं: "कल्पना करें कि इस मरीज को यह दुर्लभ दवा मिली होती। उनकी मेडिकल हिस्ट्री में और क्या हुआ होता जो इसे तार्किक बनाता?"
• LLM एक मेडिकल डिग्री वाले रचनात्मक लेखक की तरह कार्य करता है। वह कह सकता है, "ठीक है, यदि उन्हें यह दुर्लभ दवा मिली होती, तो शायद उन्हें एक विशिष्ट प्रकार का संक्रमण भी हुआ होता, एक निश्चित सर्जरी हुई होती, और वे सहायक दवाओं का एक अलग सेट ले रहे होते।"
• AI फिर एक बिल्कुल नया, सिंथेटिक पेशेंट रिकॉर्ड तैयार करता है जिसमें यह दुर्लभ दवा और इसके साथ होने वाले सभी तार्किक बदलाव शामिल होते हैं।

यह AI को उन वैकल्पिक वास्तविकताओं में जाने के लिए एक टाइम मशीन देने जैसा है जहाँ दुर्लभ दवाओं का उपयोग किया गया था। इन हजारों नई, यथार्थवादी "क्या होगा अगर" कहानियों पर प्रशिक्षण लेकर, AI अंततः सीख जाता है कि दुर्लभ दवाएं कैसी दिखती हैं और उनका उपयोग कब किया जाना चाहिए।

2. "टीम प्लेयर" (इंस्ट्रक्शन ट्यूनिंग)
पहेली का दूसरा हिस्सा यह सुनिश्चित करना था कि AI 'संदर्भ' (context) को समझे। एक दुर्लभ दवा शायद ही कभी एकल अभिनय करती है; वह एक टीम का हिस्सा होती है। AI को यह समझाने में मदद करने के लिए, शोधकर्ताओं ने इंस्ट्रक्शन ट्यूनिंग नामक तकनीक का उपयोग किया।

उन्होंने LLM को मेडिकल रिकॉर्ड को इस तरह से सारांशित करने के लिए प्रशिक्षित किया जो मरीज की स्थिति और उन्हें आवश्यक दवाओं के बीच के संबंधों को उजागर करे। उन्होंने AI को एक क्लिनिकल रीजनिंग विशेषज्ञ के रूप में कार्य करने के लिए विशिष्ट निर्देश दिए। केवल दवाओं की सूची देखने के बजाय, AI ने पूरी तस्वीर देखना सीखा: "इस मरीज में ये लक्षण हैं, इसलिए दवाओं का यह विशिष्ट संयोजन समझ में आता है।" यह चरण सुनिश्चित करता है कि जब AI एक दुर्लभ दवा की सिफारिश करता है, तो वह केवल अनुमान नहीं लगा रहा होता; वह क्लिनिकल संदर्भ के माध्यम से तर्क कर रहा होता है, ठीक वैसे ही जैसे एक मानव डॉक्टर करता है।

परिणाम: एक बड़ी छलांग

टीम ने 14 अन्य तरीकों के खिलाफ GenRxR का परीक्षण किया, जिसमें पांच अन्य सिस्टम भी शामिल थे जो लार्ज लैंग्वेज मॉडल्स का उपयोग करते हैं। परिणाम स्पष्ट थे: GenRxR विजेता था।

• कुल प्रदर्शन: इसने सही दवाइयों की भविष्यवाणी करने में लगभग हर अन्य तरीके को हरा दिया।
• दुर्लभ पदक: सबसे रोमांचक खोज दुर्लभ दवाओं के लिए थी। जहाँ अन्य सिस्टम सही दुर्लभ दवा का अनुमान लगाने में भी संघर्ष कर रहे थे, वहीं GenRxR ने सबसे मजबूत बेसलाइन की तुलना में 30.9% तक सुधार किया।
• सुरक्षा सर्वोपरि: महत्वपूर्ण रूप से, दुर्लभ दवाओं में बेहतर होने से सामान्य दवाओं की सिफारिश करने की इसकी क्षमता को कोई नुकसान नहीं पहुँचा। यह बुनियादी बातों पर अपनी पकड़ खोए बिना एक बेहतर ऑल-राउंड डॉक्टर बन गया।

शोधकर्ताओं ने केवल यह दावा नहीं किया कि यह काम करता है; उन्होंने इसे वास्तविक अस्पताल डेटा (MIMIC-III और MIMIC-IV डेटासेट से) का उपयोग करके मापा। उन्होंने दिखाया कि "क्या होगा अगर" कहानियों का उपयोग करके अंतराल को भरने और AI को क्लिनिकल संदर्भों के माध्यम से तर्क करने के लिए प्रशिक्षित करके, वे चिकित्सा AI की एक बड़ी कमी को हल कर सकते हैं।

यह क्यों मायने रखता है

यह शोध पत्र यह दावा नहीं करता है कि इसने चिकित्सा की हर समस्या को हल कर दिया है, लेकिन यह एक शक्तिशाली नया उपकरण प्रदान करता है। यह दिखाता है कि हमें AI को प्रशिक्षित करने के लिए हमेशा अधिक वास्तविक दुनिया के डेटा की आवश्यकता नहीं होती; कभी-कभी, हमें बस इस बात के बारे में अधिक स्मार्ट होने की आवश्यकता होती है कि हम अपने पास मौजूद डेटा का उपयोग कैसे करें। AI को "क्या होगा अगर" परिदृश्यों की कल्पना करने की अनुमति देकर, हम उसे उन दुर्लभ और कठिन मामलों के लिए तैयार कर सकते हैं जो वास्तविक दुनिया में घटित होते हैं। दुर्लभ स्थितियों वाले मरीजों के लिए, इसका अर्थ है एक ऐसा भविष्य जहाँ AI डॉक्टर उतने ही तैयार होंगे जितनी वे सामान्य सर्दी-जुकाम के लिए होते हैं। उन्होंने अपना कोड और डेटा अब दूसरों के उपयोग के लिए खुला छोड़ दिया है, जो पूरे समुदाय को इस "क्या होगा अगर" दृष्टिकोण पर निर्माण करने और स्वास्थ्य सेवा को सभी के लिए सुरक्षित बनाने के लिए आमंत्रित करता है।