From Multimodal Observation to Interpretable Suggestions: Counterfactual Time-Expanded Relational Modeling of Surgical Teams

ऑपरेटिंग रूम के उच्च-जोखिम वाले वातावरण में, सर्जरी की सफलता केवल सर्जन के स्थिर हाथ पर निर्भर नहीं करती। यह एक छोटी टीम के वास्तविक समय में किए गए अदृश्य, सुव्यवस्थित समन्वय पर निर्भर करती है। जब एक नर्स बिना कहे ही किसी आवश्यकता का पूर्वानुमान लगा लेती है, या जब एक लीडर बढ़ते तनाव को शांत करने के लिए अपने लहजे को बदल लेता है, तो टीम एक एकल, कुशल इकाई के रूप में कार्य करती है। इसके विपरीत, जब संचार टूट जाता है या भूमिकाएं धुंधली हो जाती हैं, तो रोगी की सुरक्षा खतरे में पड़ जाती है। वर्षों से, चिकित्सा में आर्टिफिशियल इंटेलिजेंस (AI) ने सर्जरी के तकनीकी पहलुओं पर ध्यान केंद्रित किया है: जैसे कि स्केलपेल की गति को ट्रैक करने के लिए वीडियो का विश्लेषण करना या प्रक्रिया की अवधि का अनुमान लगाना। हालाँकि, इन प्रणालियों ने टीम वर्क के मानवीय तत्व को काफी हद तक अनदेखा किया है, और ऑपरेटिंग रूम को एक जटिल सामाजिक पारिस्थितिकी तंत्र के बजाय तकनीकी निष्पादन के मंच के रूप में माना है। चुनौती एक ऐसा कंप्यूटर मॉडल बनाने की थी जो न केवल यह समझ सके कि एक टीम क्या कर रही है, बल्कि यह भी कि वे कैसे परस्पर क्रिया (इंटरैक्ट) कर रहे हैं, वे क्रियाएं क्षण-प्रति-क्षण कैसे बदलती हैं, और चीजें बिगड़ने पर उपयोगी सलाह कैसे दी जाए, वह भी वास्तविक सर्जिकल मामलों के बहुत सीमित डेटा के साथ।

इटली और नॉर्वे के विश्वविद्यालयों के शोधकर्ताओं की एक टीम ने सर्जिकल टीमों की गतिशीलता को मैप करने का एक नया तरीका विकसित करके इस समस्या का समाधान किया है। एक स्थिर स्नैपशॉट के आधार पर सर्जरी के परिणाम की भविष्यवाणी करने के बजाय, उन्होंने एक ऐसी प्रणाली बनाई जो टीम के विकास को समय के साथ देखती है, और समूह को संबंधों के एक जीवंत नेटवर्क के रूप में मानती है। उन्होंने चार से छह लोगों की टीमों वाली सिम्युलेटेड नी-रिप्लेसमेंट (घुटने के प्रत्यारोपण) सर्जरी को रिकॉर्ड किया, जिसमें बोले गए शब्दों और आवाज के लहजे से लेकर कर्मचारियों और उनके उपकरणों की शारीरिक गतिविधियों तक सब कुछ शामिल था। इन रिकॉर्डिंग्स को पंद्रह सेकंड की खिड़कियों (विंडोज़) में विभाजित करके, शोधकर्ताओं ने 'स्नैपशॉट' की एक श्रृंखला बनाई जो यह दर्शाती थी कि उस सटीक क्षण में कौन किससे बात कर रहा था और हर कोई क्या कर रहा था। फिर उन्होंने इन स्नैपशॉट को जोड़कर टीम के व्यवहार का एक निरंतर, समय-विस्तारित मानचित्र बनाया। इस संरचना ने कंप्यूटर को न केवल टीम के सदस्यों के बीच तत्काल संबंधों को देखने की अनुमति दी, बल्कि यह भी देखने में सक्षम बनाया कि वे संबंध प्रक्रिया के दौरान कैसे बढ़ते और बदलते रहे, जिससे टीम के सुचारू रूप से कार्य करने की लय को समझना संभव हुआ।

उनकी खोज का मूल एक नया प्रकार का न्यूरल नेटवर्क है, जो एक कंप्यूटर प्रोग्राम है जिसे पैटर्न सीखने के लिए डिज़ाइन किया गया है और जो कम डेटा वाली स्थितियों में उत्कृष्ट प्रदर्शन करता है। मशीन लर्निंग की दुनिया में, मॉडल प्रभावी ढंग से सीखने के लिए अक्सर भारी मात्रा में जानकारी की आवश्यकता रखते हैं, लेकिन सर्जिकल रिकॉर्डिंग दुर्लभ और महंगी होती हैं। शोधकर्ताओं ने पाया कि अपने नेटवर्क की संरचना में सीधे समय के प्रवाह को समाहित करके, उनकी प्रणाली बीस-एक सिम्युलेटेड प्रक्रियाओं के एक छोटे सेट से मजबूती से सीख सकती है। परीक्षण के दौरान, इस दृष्टिकोण ने मौजूदा तरीकों से काफी बेहतर प्रदर्शन किया जो समय और संबंधों को अलग-अलग देखते थे। यह टीम वर्क के पांच प्रमुख आयामों की सटीक भविष्यवाणी करने में सक्षम था: टीम ने कितनी अच्छी तरह संवाद किया, उनकी गतिविधियों में कितना समन्वय था, वे कितने सहकारी थे, नेतृत्व की गुणवत्ता कैसी थी, और स्थिति के प्रति उनकी साझा जागरूकता कैसी थी। यह प्रणाली टीम के संकट में जाने के सूक्ष्म संकेतों की पहचान करने में विशेष रूप से प्रभावी सिद्ध हुई, जैसे कि एक लीडर का विचलित होना या एक नर्स का बोलने में हिचकिचाना।

केवल यह भविष्यवाणी करने के अलावा कि क्या होने वाला है, शोधकर्ताओं ने सुधार के लिए कार्रवाई योग्य सुझाव उत्पन्न करने की एक विधि विकसित की। यहीं पर यह प्रणाली एक निष्क्रिय पर्यवेक्षक से एक सक्रिय कोच बन जाती है। एक संघर्षरत टीम के प्रदर्शन की तुलना सफल उदाहरणों के पुस्तकालय से करके, सिस्टम उन सबसे छोटे और विशिष्ट परिवर्तनों की पहचान कर सकता है जिनकी आवश्यकता एक खराब परिणाम को अच्छे परिणाम में बदलने के लिए है। ये सुझाव अस्पष्ट सिफारिशें नहीं बल्कि ठोस, व्याख्या योग्य निर्देश हैं। उदाहरण के लिए, यदि सिस्टम यह पता लगाता है कि अप्रासंगिक बातचीत के कारण टीम की स्थितिजन्य जागरूकता (सिचुएशनल अवेयरनेस) गिर रही है, तो यह उन विशिष्ट अप्रासंगिक इंटरैक्शन को हटाने का सुझाव दे सकता है। एक अन्य परिदृश्य में, यदि लीडर का लहजा आक्रामक महसूस होता है और वह टीम को संकुचित कर रहा है, तो सिस्टम अधिक शांत और सहकारी शैली में बोलने की ओर बदलाव का सुझाव दे सकता है। ये अंतर्दृष्टि एक सफल सर्जरी के समान क्षण को खोजने और यह दिखाने से प्राप्त होती है कि वास्तव में क्या अंतर था, जिससे टीम के लिए आगे बढ़ने का एक स्पष्ट मार्ग मिलता है।

शोधकर्ताओं ने अपने निष्कर्षों को कठोर परीक्षण के माध्यम से प्रमाणित किया, जिसमें उन्होंने अपनी नई पद्धति की तुलना सरल सांख्यिकीय उपकरणों से लेकर जटिल डीप लर्निंग प्रणालियों तक, व्यापक रेंज के मौजूदा मॉडलों से की। उनके दृष्टिकोण ने टीम वर्क की गुणवत्ता की भविष्यवाणी करने में लगातार उच्च सटीकता प्राप्त की, जिससे अगली सर्वश्रेष्ठ पद्धति की तुलना में लगभग सात प्रतिशत का सुधार हुआ। अधिक महत्वपूर्ण बात यह है कि जब मानव विशेषज्ञों ने सिस्टम द्वारा उत्पन्न सुझावों का मूल्यांकन किया, तो उन्होंने पाया कि वे अन्य अत्याधुनिक तकनीकों द्वारा उत्पन्न सुझावों की तुलना में अधिक यथार्थवादी और सहायक थे। सुझाव सामयिक थे, वे उस क्षण दिखाई दिए जब हस्तक्षेप सबसे उपयोगी होता, और उन्होंने केवल लक्षणों के बजाय समस्याओं के मूल कारणों को संबोधित किया। हालांकि यह अध्ययन जीवित रोगियों के बजाय हाई-फिडेलिटी मैनीकिनों पर सिम्युलेटेड सर्जरी का उपयोग करके किया गया था, फिर भी परिणाम एक शक्तिशाली नई क्षमता को प्रदर्शित करते हैं: चिकित्सा टीमों के सामाजिक ताने-बाने को समझने और समर्थन देने की क्षमता। यह कार्य एक ऐसे भविष्य का संकेत देता है जहाँ तकनीक न केवल सर्जन के हाथों की सहायता करती है, बल्कि पूरी टीम को अधिक प्रभावी ढंग से मिलकर काम करने में भी मदद करती है, जिससे संभावित रूप से ऑपरेटिंग रूम सभी शामिल लोगों के लिए एक सुरक्षित स्थान बन सकता है।