Expert-Guided g-computation with Large Language Models for Estimating Causal Effects on Timings: Applications to Hospital Quality Improvement
यह शोध पत्र "एग-कंप्यूटेशन" (egg-computation) प्रस्तावित करता है, जो एक विशेषज्ञ-निर्देशित जी-कंप्यूटेशन (g-computation) ढांचा है जिसे बड़े भाषा मॉडल (large language models) द्वारा संवर्धित किया गया है, जो नैदानिक तर्क को डेटा-संचालित कारण अनुमान (data-driven causal inference) के साथ जोड़ता है ताकि अस्पताल के गुणवत्ता सुधार हस्तक्षेपों के समय-बचत प्रभावों का सटीक रूप से अनुमान और रैंकिंग की जा सके, विशेष रूप से 'लेंथ ऑफ स्टे' (length of stay) जैसे मेट्रिक्स के लिए जहाँ पारंपरिक पद्धतियाँ काल्पनिक परिदृश्यों या जटिल कारण तंत्रों के साथ संघर्ष करती हैं।
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 यह समझने की कोशिश कर रहे हैं कि आपके स्कूल जाने के रास्ते में ट्रैफिक जाम क्यों हुआ। आप कारों को देख सकते हैं और अनुमान लगा सकते हैं, "ओह, वह लाल कार धीमी थी," लेकिन वह सिर्फ एक अनुमान है। या फिर, आप हर एक कार के मार्ग और उनके द्वारा पार किए गए ट्रैफिक सिग्नल के मानचित्र को देख सकते हैं ताकि यह ठीक से समझ सकें कि कैसे एक धीमी कार ने एक चेन रिएक्शन (श्रृंखला प्रतिक्रिया) पैदा किया। यही कॉज़ल इन्फरेंस (causal inference - कारण संबंधी निष्कर्ष) का मूल है: यह केवल यह जानने का विज्ञान नहीं है कि क्या हुआ, बल्कि यह कि क्यों हुआ और क्या होता यदि हमने केवल एक चीज़ बदल दी होती। अस्पतालों की दुनिया में, यह सवाल बहुत महत्वपूर्ण है। अस्पताल यह जानना चाहते हैं कि मरीजों को घर जल्दी कैसे पहुँचाया जाए (एक मीट्रिक जिसे "लेंथ ऑफ स्टे" या LOS कहा जाता है) क्योंकि इससे पैसा भी बचता है और मरीजों को बेहतर महसूस करने में मदद मिलती है। लेकिन "क्यों" का पता लगाना मुश्किल है। आप केवल एक परीक्षण नहीं चला सकते जहाँ आप आधे मरीजों पर एक नया नियम आज़माएँ और देखें कि क्या होता है, क्योंकि वह नया नियम अभी तक बनाया ही नहीं गया है! इसलिए डॉक्टरों को भविष्य की कल्पना करनी पड़ती है, लेकिन उनकी कल्पना पक्षपाती हो सकती है, और कंप्यूटर प्रोग्राम अक्सर भ्रमित हो जाते हैं क्योंकि उन्होंने उस नए नियम को पहले कभी नहीं देखा होता।
यह शोध पत्र इस पहेली को सुलझाने का एक चतुर नया तरीका पेश करता है जिसे एग-कंप्यूटेशन (egg-computation) (जो Expert-Guided g-computation को दर्शाता है) कहा जाता है। एक एग-कंप्यूटेशन को ऐसे सोचिए जैसे अस्पताल में रुकना एक विशाल, जटिल बोर्ड गेम की तरह है जहाँ एक मरीज एक वर्ग से दूसरे वर्ग पर आगे बढ़ता है: प्रवेश, एक्स-रे करवाना, डॉक्टर का इंतज़ार करना, बेड मिलना, और अंत में जाना। आमतौर पर, ये वर्ग कुछ नियमों से जुड़े होते हैं: आप तब तक नहीं जा सकते जब तक आपको डॉक्टर का नोट न मिल जाए। लेखकों ने महसूस किया कि यदि आप इस खेल को एक गैंट चार्ट (Gantt chart) (एक टाइमलाइन जिसमें बार दिखाते हैं कि प्रत्येक कार्य में कितना समय लगता है) के रूप में खींचते हैं, तो आप इसे कारण-और-प्रभाव के मानचित्र की तरह मान सकते हैं। समस्या यह है कि जब आप एक नया नियम टेस्ट करना चाहते हैं (जैसे "डॉक्टर को मरीज के पास 2 घंटे पहले पहुँचाना"), तो आपके पास यह डेटा नहीं होता कि इसके बाद क्या होगा। शोध पत्र एक टीम-अप का प्रस्ताव देता: मानव विशेषज्ञ अपने दिमाग की शक्ति का उपयोग यह अनुमान लगाने के लिए करते हैं कि नया नियम पहले कुछ चरणों को कैसे बदलता है, और फिर एक कंप्यूटर वास्तविक डेटा का उपयोग करके खेल के बाकी हिस्से की भविष्यवाणी करता है। इसे हज़ारों मरीजों के लिए पर्याप्त तेज़ बनाने के लिए, उन्होंने एक लार्ज लैंग्वेज मॉडल (LLM) का उपयोग किया—एक सुपर-स्मार्ट AI जो मरीज के नोट्स पढ़ता है—ताकि वह विशेषज्ञ की भूमिका निभा सके। AI को फिर से प्रशिक्षित करने के बजाय, उन्होंने इन मानचित्रों को बनाने और परिवर्तनों का अनुमान लगाने के लिए AI को निर्देशित करने हेतु विशिष्ट निर्देश (प्रॉम्प्ट्स) को सावधानीपूर्वक डिज़ाइन किया।
शोधकर्ताओं ने इस विचार का दो तरीकों से परीक्षण किया। पहले, उन्होंने कंप्यूटर सिमुलेशन चलाए जहाँ उन्हें "सच्चा" उत्तर पता था। उन्होंने पाया कि जब हर मरीज का अस्पताल में रास्ता अलग और उलझा हुआ था, तो पुराने तरीके जो सभी के लिए एक सरल मानचित्र का उपयोग करने की कोशिश करते थे, वे बहुत गलत साबित हुए (कभी-कभी गलत समय का अनुमान लगाते हुए 14 घंटे से भी अधिक का अंतर आ गया!)। लेकिन उनके नए एग-कंप्यूटेशन तरीके ने, जिसने प्रत्येक मरीज के लिए एक अद्वितीय मानचित्र बनाया, लगभग सटीक उत्तर प्राप्त किया। फिर, उन्होंने एक बड़े शहर के अस्पताल के वास्तविक डेटा पर 11 सुधार विचारों के साथ इसे आज़माया। उन्होंने मानव विशेषज्ञों से AI के काम की जाँच करने के लिए कहा, और AI का काम आश्चर्यजनक रूप से अच्छा था; वह अस्पताल के "खेल" की संरचना पर विशेषज्ञों के साथ लगभग 90% बार सहमत था। जब उन्होंने गणना की कि प्रत्येक नए विचार से कितना समय बचेगा, तो AI के अनुमान मानव विशेषज्ञों के विचारों के बहुत करीब थे।
सबसे रोमांचक हिस्सा वह है जो उन्होंने विचारों के बारे में खोजा। कभी-कभी, एक नया नियम बहुत अच्छा दिखता है क्योंकि वह बहुत से मरीजों पर लागू होता है, लेकिन जब आप वास्तव में कारण-और-प्रभाव को देखते हैं, तो वह वास्तव में बहुत कम समय बचाता है। उदाहरण के लिए, इमेजिंग टेस्ट को तेज़ करने के एक विचार ने कई मरीजों पर प्रभाव डाला, लेकिन डॉक्टर द्वारा परामर्श (consults) पर तेज़ी से प्रतिक्रिया देने के विचार को प्रति मरीज अधिक समय बचाने वाला अनुमानित किया गया, भले ही कम लोग इसके पात्र थे। AI ने डॉक्टरों को यह देखने में भी मदद की कि सिमुलेशन में कुछ विचार क्यों विफल हुए: उदाहरण के लिए, "जल्दी डिस्चार्ज प्लानिंग" उम्मीद के मुताबिक काम नहीं कर पाई क्योंकि AI ने पहचान लिया कि सोशल वर्कर्स उन चिकित्सा समस्याओं को ठीक नहीं कर सकते थे जो वास्तव में मरीजों के फंसे रहने का असली कारण थीं। यह शोध पत्र सुझाव देता है कि मानव अंतर्ज्ञान और डेटा-संचालित गणित का यह मिश्रण, जिसे AI द्वारा संचालित किया गया है, अस्पतालों के लिए एक शक्तिशाली नया उपकरण है जिससे वे वास्तविक दुनिया में प्रयास करने से पहले यह जान सकें कि कौन से बदलाव वास्तव में काम करेंगे।
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।