आधुनिक चिकित्सा की दुनिया में, एक डॉक्टर का काम केवल किसी बीमारी का नाम बताना नहीं है। यह सुराग इकट्ठा करने, सही सवाल पूछने, विशिष्ट परीक्षणों का आदेश देने और उन परिणामों की व्याख्या करने की एक प्रक्रिया है जो शायद गायब या अस्पष्ट हों, और यह सब मानव शरीर की सुरक्षा सीमाओं को ध्यान में रखते हुए किया जाता है। जब कोई मरीज क्लिनिक में आता है, तो डॉक्टर को यह तय करना होता है कि आगे क्या पूछना है, इस आधार पर कि वे पहले से क्या जानते हैं, उन्होंने क्या देखा है, और क्या अभी भी छिपा हुआ है। यह अनिश्चितता के तहत तर्क करने का एक रूप है, जहाँ एक गलत अनुमान अनावश्यक नुकसान पहुंचा सकता है, और एक छूटा हुआ सुराग जीवन रक्षक देखभाल में देरी कर सकता है। वर्षों से, शोधकर्ताओं ने कृत्रिम बुद्धिमत्ता (AI) को एक डॉक्टर की तरह कार्य करने के लिए प्रशिक्षित करने की कोशिश की है, ऐसे कंप्यूटर प्रोग्राम बनाए हैं जो मरीजों से बात कर सकते हैं और उपचार सुझा सकते हैं। हालाँकि, ये प्रोग्राम नैदानिक कार्य की जटिल वास्तविकता के साथ संघर्ष करते हैं। वे पर्याप्त साक्ष्य के बिना निदान का अनुमान लगा सकते हैं, एक गायब परीक्षण परिणाम को सामान्य मान सकते हैं, या उन सुरक्षा नियमों को भूल सकते हैं जो खतरनाक गलतियों को रोकते हैं। चुनौती केवल अंतिम उत्तर सही प्राप्त करने की नहीं है, बल्कि यह सुनिश्चित करने की है कि उस उत्तर तक पहुँचने की पूरी यात्रा सुरक्षित, तार्किक और तथ्यों पर आधारित हो।

शोधकर्ताओं के एक दल ने 'मेडीस्किल-इवो' (MediSkill-Evo) नामक एक नई प्रणाली पेश की है, जिसे कृत्रिम बुद्धिमत्ता को भारी मात्रा में नए डेटा पर लगातार पुन: प्रशिक्षित किए बिना इस जटिल प्रक्रिया को नेविगेट करने में मदद करने के लिए डिज़ाइन किया गया है। हर संभव चिकित्सा मामले को याद करने की कोशिश करने के बजाय, यह प्रणाली अपने पिछले अनुभवों को चार अलग-अलग श्रेणियों में व्यवस्थित करके सीखती है, ठीक वैसे ही जैसे एक डॉक्टर विभिन्न प्रकार के ज्ञान के लिए अलग-अलग नोटबुक रखता है। एक नोटबुक विशिष्ट स्थितियों के निदान के लिए सामान्य रणनीतियों को रखती है। दूसरी नोटबुक चिकित्सा कार्यप्रवाह के सख्त नियमों को रिकॉर्ड करती है, जैसे कि उपचार शुरू करने से पहले कौन से परीक्षण किए जाने चाहिए। तीसरी नोटबुक यह परिभाषित करती है कि वैध साक्ष्य क्या है और वे कहाँ से आ सकते हैं, जिससे यह सुनिश्चित होता है कि सिस्टम तथ्य न गढ़े। चौथी नोटबुक मेडिकल इमेजिंग (चिकित्सा छवियों) को देखने की प्रक्रियाओं को संग्रहीत करती है। जब सिस्टम किसी नए मरीज का सामना करता है, तो वह अपने प्रश्नों और कार्यों का मार्गदर्शन करने के लिए इन नोटबुक्स का परामर्श लेता है। महत्वपूर्ण रूप से, किसी भी उपचार का सुझाव देने से पहले, एक सुरक्षा जाँच सत्यापित करती है कि योजना नियमों का पालन करती है और कोई भी खतरनाक कदम छोड़ा नहीं गया है। यह प्रक्रिया सिस्टम को अपने ज्ञान आधार को विकसित करने की अनुमति देती है, जिससे वह एक नियंत्रित और सुरक्षित तरीके से अपनी गलतियों और सफलताओं से सीखकर अपने प्रदर्शन में सुधार करता है।

शोधकर्ताओं ने वास्तविक नैदानिक अंतःक्रियाओं की नकल करने वाले कठोर सिमुलेशन की एक श्रृंखला में इस प्रणाली का परीक्षण किया। उन्होंने अपने नए सिस्टम को 300 अनदेखे रोगी मामलों के एक सेट का उपयोग करके अन्य मौजूदा चिकित्सा AI कार्यक्रमों के विरुद्ध खड़ा किया। इन परीक्षणों में, मेडीस्किल-इवो प्रणाली ने अपने प्रतिस्पर्धियों को काफी पीछे छोड़ दिया। इसने 69 प्रतिशत मामलों में निदान को सही ढंग से पहचाना, जबकि पिछले सर्वश्रेष्ठ सिस्टम के लिए यह 61 प्रतिशत था। इससे भी महत्वपूर्ण बात यह है कि यह सही प्रक्रिया का पालन करने में बहुत बेहतर था। इसने 66 प्रतिशत मामलों में आवश्यक चिकित्सा परीक्षणों का सफलतापूर्वक अनुरोध किया और आवश्यक रोगी इतिहास एकत्र किया, जो पुराने सिस्टम द्वारा प्राप्त 33 प्रतिशत की तुलना में एक बड़ा सुधार है। नया सिस्टम बहुत कम गंभीर त्रुटियां भी करता है, जैसे कि असुरक्षित उपचारों का सुझाव देना या तत्काल चेतावनी संकेतों को भूल जाना। पुराने सिस्टम में, ये गंभीर विफलताएं 31 प्रतिशत मामलों में हुईं, लेकिन मेडीस्किल-इवो के साथ, यह संख्या घटकर केवल 16 प्रतिशत रह गई। सिस्टम ने प्रदर्शित किया कि विभिन्न प्रकार के ज्ञान को सख्ती से अलग करके और हर चरण पर सुरक्षा नियमों को लागू करके, एक AI को बिना मौलिक रूप से पुन: लिखे अधिक विश्वसनीय और प्रभावी बनाया जा सकता है।

यह सुनिश्चित करने के लिए कि सिस्टम वास्तव में मजबूत है, शोधकर्ताओं ने इसे कठिन और अप्रत्याशित स्थितियों का अनुकरण करने के लिए डिज़ाइन किए गए एक "तनाव परीक्षण" (stress test) के अधीन किया। उन्होंने ऐसे परिदृश्य बनाए जहाँ महत्वपूर्ण जानकारी छिपी हुई, विलंबित या अनुपलब्ध थी, जिससे AI को बिना अनुमान लगाए यह तय करने के लिए मजबूर होना पड़ा कि आगे कैसे बढ़ना है। उदाहरण के लिए, उन्होंने परीक्षण किया कि क्या सिस्टम उस स्थिति को सही ढंग से संभाल पाएगा जहाँ एक मरीज सवाल पूछने से मना कर देता है या जहाँ एक विशिष्ट परीक्षण परिणाम स्थायी रूप से गायब होता है। इन उच्च-दबाव वाली स्थितियों में, सिस्टम ने उल्लेखनीय लचीलापन दिखाया। कठिन रोगी व्यवहारों का सामना करते나, इसने 93 प्रतिशत बार आवश्यक तथ्यों को सफलतापूर्वक प्राप्त किया। समयरेखा (timeline) की जानकारी गायब होने के मामले में, इसने 100 प्रतिशत बार घटनाओं के सही क्रम को पुनः प्राप्त किया। यहाँ तक कि जब बातचीत के बिल्कुल अंत तक एक महत्वपूर्ण चेतावनी संकेत छिपा रहा, तब भी सिस्टम ने 92 प्रतिशत बार इसकी पहचान की और इस पर कार्रवाई की। ये परिणाम बताते हैं कि सिस्टम केवल उत्तर याद नहीं करता है, बल्कि इसने साक्ष्य एकत्र करने और सुरक्षित निर्णय लेने की एक लचीली प्रक्रिया सीखी है, भले ही मार्ग बाधित हो।

शोधकर्ताओं ने यह भी पता लगाया कि यह प्रणाली चिकित्सा छवियों, जैसे कि एक्स-रे या सीटी स्कैन के साथ कैसे काम कर सकती है, जो आधुनिक निदान का एक महत्वपूर्ण हिस्सा हैं। उन्होंने सिस्टम के एक संस्करण का परीक्षण किया जो एक विशेष उपकरण का उपयोग करके छवि में विशिष्ट क्षेत्रों को हाइलाइट कर सकता है, जिससे इसे सबसे प्रासंगिक विवरणों पर ध्यान केंद्रित करने में मदद मिलती है। 100 मामलों के एक छोटे सेट में, जिसमें जटिल चिकित्सा छवियां शामिल थीं, इस उपकरण का उपयोग करने वाले सिस्टम ने उस संस्करण की तुलना में अधिक बार सही निदान किया जो इसका उपयोग नहीं कर रहा था। हालाँकि, शोधकर्ता सावधानीपूर्वक यह नोट करते हैं कि यह एक अन्वेषणात्मक परीक्षण था ताकि यह देखा जा सके कि इंटरफ़ेस कैसे काम करता है, न कि यह अंतिम प्रमाण कि उपकरण ने सिस्टम को स्मार्ट बना दिया है। उन्होंने इस बात पर जोर दिया कि छवियों को संभालने की सिस्टम की क्षमता अभी भी विकसित की जा रही है और परियोजना की प्राथमिक सफलता निदान के तर्क और बातचीत को प्रबंधित करने की इसकी क्षमता में निहित है।

इन उत्साहजनक परिणामों के बावजूद, लेखक अपने कार्य की सीमाओं के बारे में स्पष्ट हैं। वे कहते हैं कि उनके निष्कर्ष सिमुलेशन पर आधारित हैं और यह सिद्ध नहीं करते कि सिस्टम वास्तविक रोगियों का इलाज करने के लिए तैयार है। परीक्षण एक नियंत्रित वातावरण में किए गए थे जहाँ "मरीज" सख्त स्क्रिप्ट का पालन करने वाले कंप्यूटर प्रोग्राम थे, और "डॉक्टर" AI मॉडल थे। शोधकर्ता स्पष्ट रूप से चेतावनी देते हैं कि उनके सिस्टम को वास्तविक डॉक्टरों द्वारा मान्य नहीं किया गया है, और न ही इसका परीक्षण वास्तविक लोगों के विविध समूहों पर किया गया है। वे आगाह करते कि उनके द्वारा उपयोग किए गए स्वचालित सुरक्षा स्कोर मानव निर्णय का विकल्प नहीं हैं और इस सिस्टम का उपयोग बिना आगे के परीक्षण और निगरानी के वास्तविक चिकित्सा देखभाल के लिए नहीं किया जाना चाहिए। इस शोध का लक्ष्य डॉक्टरों को बदलना नहीं था, बल्कि यह प्रदर्शित करना था कि एक नया तरीका जिससे AI को साक्ष्य और सुरक्षा के नियमों का सम्मान करते हुए बनाया जा सकता है। यह दिखाकर कि एक AI अपने ज्ञान को व्यवस्थित करना और एक सख्त प्रक्रिया का पालन करना सीख सकता है, यह अध्ययन भविष्य के चिकित्सा उपकरणों को बनाने के लिए एक ब्लूप्रिंट प्रदान करता है जो अधिक सुरक्षित, अधिक विश्वसनीय और मानव स्वास्थ्य की जटिलताओं को संभालने में बेहतर सक्षम हों।

इस कार्य के निहितार्थ केवल चिकित्सा निदान तक ही सीमित नहीं हैं। यह बुद्धिमान प्रणालियों के निर्माण के एक नए दृष्टिकोण का सुझाव देता है जिन्हें उच्च-जोखिम वाले वातावरण में काम करना होता है। एक विशाल, व्यापक मस्तिष्क पर निर्भर रहने के बजाय, जो सब कुछ याद रखने की कोशिश करता है, यह प्रणाली एक संरचित स्मृति का उपयोग करती है जो विभिन्न प्रकार की जानकारी को अलग रखती है और उन्हें सख्त नियमों के विरुद्ध जाँचती है। यह विधि सुनिश्चित करती है कि सिस्टम गलती से एक सामान्य रणनीति को विशिष्ट सुरक्षा नियम के साथ न मिला दे, या किसी गायब तथ्य को ज्ञात तथ्य के रूप में न मान ले। शोधकर्ताओं ने पाया कि जब इन विभिन्न प्रकार के ज्ञान को अलग-अलग प्रबंधित किया जाता है और एक-दूसरे के विरुद्ध जाँचा जाता है, तो सिस्टम बहुत अधिक भरोसेमंद हो जाता है। इस दृष्टिकोण को अन्य क्षेत्रों में भी लागू किया जा सकता है जहाँ सुरक्षा और सटीकता सर्वोपरि है, जैसे कि कानूनी सलाह, वित्तीय नियोजन, या आपातकालीन प्रतिक्रिया, जहाँ गलती की कीमत अनुमान लगाने पर निर्भर रहने के लिए बहुत अधिक होती है।

अंत में, मेडीस्किल-इवो की कहानी किसी ऐसी मशीन के बारे में नहीं है जिसने बीमारी के रहस्य को सुलझा लिया है। यह एक ऐसी मशीन के बारे में है जिसने एक सावधान, अनुशासित पेशेवर की तरह व्यवहार करना सीख लिया है। यह दिखाता है कि AI को स्पष्ट नियमों, अपनी पिछली यादों को व्यवस्थित करने के एक तरीके और अपने काम की जाँच करने के तंत्र के साथ देकर, हम ऐसे सिस्टम बना सकते हैं जिनके खतरनाक गलतियाँ करने की संभावना कम हो। सिस्टम यह दावा नहीं करता कि वह सब कुछ जानता है, और न ही वह मानव डॉक्टर होने का ढोंग करता है। इसके बजाय, यह एक ऐसे उपकरण का दावा करता है जो प्रक्रिया का पालन करता है, साक्ष्य का सम्मान करता है और सुरक्षा को सबसे ऊपर रखता है। जैसे-जैसे शोधकर्ता आगे बढ़ रहे हैं, वे इन नियमों को और अधिक परिष्कृत करने और सिस्टम का अधिक जटिल परिदृश्यों में परीक्षण करने की योजना बना रहे हैं, हमेशा इस बात को ध्यान में रखते हुए कि अंतिम लक्ष्य मानव डॉक्टरों का समर्थन करना है, उन्हें बदलना नहीं। सुरक्षित और प्रभावी चिकित्सा AI का मार्ग लंबा है, लेकिन यह अध्ययन सही दिशा में एक स्पष्ट और आशाजनक कदम प्रदान करता है।