Generated Context versus Governed State: Functional Conditions for Accountable Longitudinal Clinical Reasoning

दशकों से, हमारे स्वास्थ्य के डिजिटल रिकॉर्ड केवल डिजिटल फाइलिंग कैबिनेट मात्र रहे हैं। जब एक डॉक्टर किसी मरीज के रक्तचाप के बारे में कोई नोट लिखता है, या एक नर्स दवा में बदलाव दर्ज करती है, तो वह जानकारी एक दस्तावेज़ के रूप में संग्रहीत की जाती है, ठीक वैसे ही जैसे दराज में रखा एक पत्र। किसी मरीज की वर्तमान स्थिति को समझने के लिए, एक इंसान को इन पत्रों को पढ़ना पड़ता है, कहानी को जोड़ना पड़ता है, और पूरी तस्वीर को अपने मन में बनाए रखना पड़ता है। यह हमेशा चिकित्सक का काम रहा है: कागजों के बिखरे हुए संग्रह से एक व्यक्ति के स्वास्थ्य के सत्य का पुनर्निर्माण करना। हाल के वर्षों में, बड़े भाषा मॉडल (लार्ज लैंग्वेज मॉडल्स) के रूप में शक्तिशाली कंप्यूटर सिस्टम आए हैं, जो अविश्वसनीय गति और प्रवाह के साथ इन दस्तावेजों को पढ़ने में सक्षम हैं। वे सेकंडों में मरीज के इतिहास का सारांश दे सकते हैं, उन सवालों के जवाब दे सकते हैं जिन्हें खोजने में कभी एक इंसान को घंटों लग जाते थे। लेकिन जबकि ये सिस्टम टेक्स्ट को पढ़ने में उत्कृष्ट हैं, वे स्वाभाविक रूप से इस बात का अलग, व्यवस्थित रिकॉर्ड नहीं रखते कि किसी दिए गए क्षण में मरीज के बारे में वास्तव में क्या सच है। वे मरीज के इतिहास को शब्दों के एक प्रवाह (स्ट्रीम) के रूप में देखते हैं जिसे प्रोसेस किया जाना है, न कि एक जीवित अवस्था (स्टेट) के रूप में जिसे ट्रैक किया जाना चाहिए।

पढ़ने की दक्षता और सटीक रूप से जानने के बीच का यह अंतर 'माइंडवेयरमेड' (MyndwareMed) के शोधकर्ताओं के एक नए शोध पत्र द्वारा संबोधित किया गया मुख्य मुद्दा है। लेखक तर्क देते हैं कि मरीज के चिकित्सा इतिहास को केवल टेक्स्ट के संग्रह के रूप में मानना एक मौलिक दोष है, यदि हम ऐसा आर्टिफिशियल इंटेलिजेंस बनाना चाहते हैं जिस पर दीर्घकालिक देखभाल के लिए भरोसा किया जा सके। उनका प्रस्ताव है कि क्लिनिकल रीजनिंग (नैदानिक तर्क) केवल पढ़ने की समझ (रीडिंग कॉम्प्रिहेनशन) का परीक्षण नहीं है, बल्कि एक बदलती वास्तविकता को ट्रैक करने की समस्या है। जिस तरह एक कमरे में नेविगेट करने वाला रोबोट दीवारों और दरवाजों के स्थान का नक्शा लगातार अपडेट करता है, उसी तरह एक मेडिकल सिस्टम को मरीज की स्थिति का एक निरंतर, शासित (गवर्नड) रिकॉर्ड बनाए रखना चाहिए। शोधकर्ता सूचना को संभालने के दो बहुत अलग तरीकों के बीच अंतर करते हैं। पहला है "जेनेरेटेड कॉन्टेक्स्ट" (उत्पन्न संदर्भ), जहाँ कंप्यूटर एक एकल प्रश्न के लिए प्रासंगिक दस्तावेज़ एकत्र करता है और फिर उत्तर देने के बाद उन्हें भूल जाता है। दूसरा है "गवर्नड स्टेट" (शासित अवस्था), जहाँ सिस्टम एक निरंतर, वर्जन्ड और ऑडिट करने योग्य रिकॉर्ड बनाए रखता है कि वह मरीज के बारे में क्या सच मानता है, जिसे केवल सख्त नियमों द्वारा अपडेट किया जाता है जो देखे गए तथ्य और अनुमानित तथ्य को अलग करते हैं।

यह शोध पत्र यह दावा नहीं करता कि ये नए कंप्यूटर मॉडल पढ़ने में खराब हैं। वास्तव में, वे टेक्स्ट में पैटर्न खोजने में अक्सर मनुष्यों से बेहतर होते हैं। समस्या यह है कि रिकॉर्ड को पढ़ना मरीज को जानने के समान नहीं है। शोधकर्ता दिखाते हैं कि वर्तमान सिस्टम अक्सर एक लिखित नोट को एक चिकित्सा तथ्य या एक गायब दस्तावेज़ को एक गायब स्थिति (कंडीशन) समझकर भ्रमित हो जाते हैं। उदाहरण के लिए, यदि किसी मरीज को दस साल पहले किडनी की समस्या थी लेकिन पिछले एक साल में कोई टेस्ट नहीं हुआ है, तो एक मानक सिस्टम आत्मविश्वास से कह सकता है कि मरीज की किडनी ठीक है क्योंकि हालिया नोट में कुछ भी गलत नहीं लिखा है। हालाँकि, एक 'गवर्नड स्टेट' वाला सिस्टम यह पहचान लेगा कि अंतिम ज्ञात माप पुराना है और वर्तमान स्थिति अज्ञात है। यह एक आत्मविश्वास भरे अनुमान को भरने के बजाय सूचना के इस अंतराल (गैप) को स्पष्ट रूप से चिह्नित करेगा। चिकित्सा में यह अंतर महत्वपूर्ण है क्योंकि "हमें पता है कि यह सच है" और "हमारे पास इसके प्रमाण नहीं हैं" के बीच का अंतर यह तय कर सकता है कि उपचार सुरक्षित है या खतरनाक।

इसे हल करने के लिए, लेखक चिकित्सा तर्क की अव्यवस्थित प्रक्रिया को पांच विशिष्ट वस्तुओं (ऑब्जेक्ट्स) में विभाजित करते हैं जिन्हें कभी भी आपस में नहीं मिलाया जाना चाहिए। पहला, मरीज की वास्तविक स्थिति (ट्रू स्टेट) है, जो उनके शरीर की वास्तविक भौतिक स्थिति है; कोई भी सिस्टम इसे सीधे कभी प्राप्त नहीं कर सकता, केवल इसका अनुमान लगा सकता है। दूसरा, अवलोकन (ऑब्वेर्वेशन) हैं, जो देखभाल टीम द्वारा लिए गए विशिष्ट माप या नोट्स हैं। तीसरा, साक्ष्य (एविडेंस) है, जो सिस्टम द्वारा ग्रहण किया गया कच्चा डेटा है, जिसमें यह भी दर्ज है कि इसे कब लिखा गया, कब प्राप्त किया गया और किसने लिखा। चौथा, विश्वास (बलीफ) है, जो सभी साक्ष्यों के आधार पर मरीज की स्थिति के बारे में सिस्टम का वर्तमान सर्वोत्तम अनुमान है। अंत में, सिमुलेशन (सिमुलेशन) है, जो एक काल्पनिक परिदृश्य है जिसका उपयोग "क्या होगा यदि" जैसे प्रश्नों का परीक्षण करने के लिए किया जाता है, जैसे कि क्या होगा यदि मरीज एक अलग दवा लेता है। शोध पत्र का तर्क है कि अधिकांश वर्तमान आर्टिफिशियल इंटेलिजेंस सिस्टम इन पांच अलग-अलग चीजों को एक में मिला देते हैं, और संचित नोट्स को ही वर्तमान सत्य मान लेते हैं। इससे ऐसी त्रुटियां होती हैं जहाँ पुरानी जानकारी को नया माना जाता है, या जहाँ एक अनुमान को तथ्य समझ लिया जाता है।

शोधकर्ता बताते हैं कि इन प्रणालियों को कैसे बनाया जाना चाहिए, इसके लिए एक नया मानक प्रस्तावित करते हैं, जो एक टियर्ड फ्रेमवर्क (स्तरित ढांचे) में व्यवस्थित है जो यह मापता है कि एक सिस्टम मरीज की स्थिति को कितनी अच्छी तरह नियंत्रित करता है। सबसे निचले स्तर पर, एक सिस्टम केवल टेक्स्ट स्टोर कर सकता है। उच्च स्तरों पर, यह उस टेक्स्ट को स्पष्ट स्रोत और टाइमस्टैम्प के साथ संरचित तथ्यों में व्यवस्थित करना शुरू करता है। सबसे उन्नत स्तर के लिए सिस्टम को एक अलग "विश्वास" (बलीफ) ऑब्जेक्ट बनाए रखने की आवश्यकता होती है जो कच्चे साक्ष्य से अलग हो। इस 'बलीफ' ऑब्जेक्ट में अनिश्चितता दिखाने में सक्षम होना चाहिए, जैसे कि यह स्वीकार करना कि एक माप गायब है या दो अलग-अलग डॉक्टरों ने विरोधाभासी रिपोर्ट दी है। महत्वपूर्ण रूप से, इस सिस्टम में अपने स्वयं के इतिहास को फिर से चलाने (रीप्ले करने) की क्षमता होनी चाहिए। यदि एक डॉक्टर पूछता है, "तीन महीने पहले इस मरीज की हृदय स्थिति के बारे में आपका क्या विश्वास था?", तो सिस्टम को उस समय उपलब्ध साक्ष्यों के आधार पर अपने ज्ञान की सटीक स्थिति को पुनर्गठित करने में सक्षम होना चाहिए, न कि आज उपलब्ध साक्ष्यों के आधार पर। पीछे मुड़कर देखने और यह समझने की यह क्षमता कि सिस्टम की समझ समय के साथ कैसे बदली, जिसे लेखक 'अकाउंटेबिलिटी' (जवाबदेही) कहते हैं।

यह शोध पत्र लापता जानकारी को संभालने का एक विशिष्ट तरीका भी पेश करता है। एक मानक सिस्टम में, यदि रिकॉर्ड में एलर्जी का उल्लेख नहीं है, तो सिस्टम मान सकता है कि मरीज को कोई एलर्जी नहीं है। एक 'गवर्नड' सिस्टम में, सूचना की अनुपस्थिति को एक विशिष्ट प्रकार के डेटा पॉइंट के रूप में माना जाता है। सिस्टम यह सीखने में सक्षम होता है कि "एलर्जी दर्ज नहीं की गई" (जिसका अर्थ है कि प्रश्न कभी पूछा ही नहीं गया), "मरीज एलर्जी न होने की रिपोर्ट देता है" (एक रिपोर्ट की गई नकारात्मकता), और "एलर्जी परीक्षण नकारात्मक रहा" (एक देखा गया नकारात्मक परिणाम) के बीच अंतर कैसे किया जाए। इनमें से प्रत्येक में निश्चितता का अलग स्तर होता है और इसके लिए अलग नैदानिक प्रतिक्रिया की आवश्यकता होती है। इन अनुपस्थितियों को सही ढंग से वर्गीकृत करके, सिस्टम इस खतरनाक आदत से बचता है कि चुप्पी का अर्थ सुरक्षा है। लेखक एक मरीज के विस्तृत उदाहरण के साथ इसे प्रदर्शित करते हैं जिसके छह वर्षों तक किडनी की समस्या रही। एक मानक सिस्टम, केवल हालिया नोट को देखते हुए, एक जोखिम भरी चिकित्सा प्रक्रिया की सिफारिश कर सकता है। एक 'गवर्नड' सिस्टम, मापों की समयरेखा और उनके बीच के अंतराल को ट्रैक करते हुए, सही ढंग से पहचान लेगा कि मरीज की वर्तमान किडनी कार्यक्षमता अज्ञात है और आगे बढ़ने से पहले एक नया टेस्ट कराने की सिफारिश करेगा।

यह कार्य एक तैयार उत्पाद के बजाय एक वैचारिक ब्लूप्रिंट (वैचारिक खाका) के रूप में प्रस्तुत किया गया है। लेखक स्पष्ट हैं कि उन्होंने अभी तक यह सिद्ध नहीं किया है कि यह नया आर्किटेक्चर वास्तविक दुनिया के परीक्षण में बेहतर रोगी परिणाम लाता है। इसके बजाय, उन्होंने उन आवश्यक शर्तों को परिभाषित किया है जिनके आधार पर ऐसा सिस्टम अस्तित्व में आ सकता है और किसी भी भविष्य के सिस्टम को यह देखने के लिए ऑडिट करने का एक तरीका प्रदान किया है कि क्या वह उन शर्तों को पूरा करता है। उनका तर्क है कि वर्तमान ध्यान भाषा मॉडलों को स्मार्ट और तेज़ बनाने पर है, जो कि मूल विषय से भटक रहा है। असली चुनौती पाठक की बुद्धिमत्ता में नहीं है, बल्कि उस 'स्टेट' (अवस्था) के शासन में है जिसे वह पढ़ता है। वे सुझाव देते हैं कि अस्पताल के माहौल में आर्टिफिशियल इंटेलिजेंस को वास्तव में जवाबदेह होने के लिए, इसे केवल टेक्स्ट उत्पन्न करने से आगे बढ़कर यह बनाए रखना होगा कि वह क्या जानता है और वह क्या नहीं जानता। शोध पत्र इन प्रdtों को बनाने के लिए एक अनुसंधान कार्यक्रम की रूपरेखा तैयार करते हुए समाप्त होता है, जो साक्ष्य को ट्रैक करने के बुनियादी ढांचे से शुरू होकर मरीजों के समय के साथ बदलने के पूर्ण मॉडल की ओर बढ़ता है। लक्ष्य "जवाबदेह एआई" के अस्पष्ट वादे को इंजीनियरिंग की उन ठोस आवश्यकताओं में बदलना है जिन्हें जांचा, परखा और जिस पर भरोसा किया जा सके।