Speech-to-SOAP: End-to-End Summarization of Medical Dialogues: KIT@BeTraC 2026

एक डॉक्टर के क्लिनिक के दैनिक लय में, अक्सर समय का एक महत्वपूर्ण हिस्सा मरीज पर नहीं, बल्कि कंप्यूटर पर खर्च होता है। जैसे ही एक चिकित्सक लक्षणों को सुनता है और प्रश्न पूछता है, उन्हें साथ ही साथ डिजिटल रिकॉर्ड में नोट्स टाइप करने होते हैं, एक ऐसा कार्य जो उनका ध्यान उनके सामने मौजूद व्यक्ति से हटा देता है। यह दस्तावेजीकरण का बोझ स्वास्थ्य सेवा कर्मियों के लिए थकान का एक ज्ञात स्रोत है। इसे हल करने के लिए, शोधकर्ताओं ने लंबे समय से स्पीच रिकग्निशन (वाक् पहचान) की ओर देखा है, इस उम्मीद में कि बोले गए शब्दों को सीधे मेडिकल रिकॉर्ड में बदला जा सके। हालाँकि, केवल कहे गए शब्दों का ट्रांसक्रिप्ट पर्याप्त नहीं होता है; लक्ष्य एक संरचित सारांश बनाना है जिसे SOAP नोट कहा जाता है। यह प्रारूप एक विज़िट को चार विशिष्ट खंडों में व्यवस्थित करता है: रोगी की व्यक्तिपरक शिकायतें (subjective complaints), परीक्षण से प्राप्त वस्तुनिष्ठ निष्कर्ष (objective findings), डॉक्टर का मूल्यांकन (assessment), और उपचार की योजना (plan)। चुनौती कंप्यूटर को एक बातचीत सुनने, चिकित्सा संदर्भ को समझने और बिना मानवीय हस्तक्षेप के इस विशिष्ट प्रकार का सारांश लिखने के लिए प्रशिक्षित करने में है, वह भी उन सूक्ष्म संकेतों को सुरक्षित रखते हुए जैसे कि खांसी या ठहराव, जो खो सकते हैं यदि कंप्यूटर को पहले हर शब्द लिखने के बाद सारांश लिखना पड़े।

कैरलस्के इंस्टीट्यूट ऑफ टेक्नोलॉजी और कार्नेगी मेलन यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने 2026 के BeTraC चैलेंज में इस समस्या को हल करने का प्रयास किया, जो एक ऐसी प्रतियोगिता है जिसे यह परीक्षण करने के लिए डिज़ाइन किया गया है कि मशीनें चिकित्सा दस्तावेजीकरण को कितनी अच्छी तरह स्वचालित कर सकती हैं। उनका दृष्टिकोण, जिसका शीर्षक "Speech-to-SOAP" था, एक ऐसा सिस्टम बनाने पर केंद्रित था जो डॉक्टर-मरीज के संवाद को सुन सके और एक निरंतर चरण में अंतिम मेडिकल नोट तैयार कर सके, जिससे पहले पूर्ण ट्रांसक्रिप्ट लिखने का मध्यवर्ती चरण छोड़ दिया जाए। उन्होंने एक शक्तिशाली प्रकार के आर्टिफिशियल इंटेलिजेंस मॉडल का उपयोग किया जिसे 'फाउंडेशन मॉडल' कहा जाता है, जिसे पहले से ही विशाल सामान्य भाषा और स्पीच डेटा पर प्रशिक्षित किया गया था। शोधकर्ताओं का मुख्य नवाचार केवल इस मौजूदा मॉडल का उपयोग करना नहीं था, बल्कि इसे वास्तविक चिकित्सा बातचीत की अव्यवस्थित और विविध प्रकृति को संभालने के लिए सिखाना था। उन्होंने एक ऐसा पाइपलाइन बनाया जिसने कई अलग-अलग डेटासेट्स को जोड़ा, जिसमें कुछ पूरी तरह से सिंथेटिक (कृत्रिम) थे और अन्य जिनमें वास्तविक रिकॉर्डिंग शामिल थी, ताकि सिस्टम को प्रशिक्षित किया जा सके। उन बातचीत के लिए जिनमें ऑडियो रिकॉर्डिंग की कमी थी, उन्होंने अंतराल को भरने के लिए कंप्यूटर-जनरेटेड स्पीच का उपयोग किया, जिससे यह सुनिश्चित हुआ कि मॉडल 1.6 मिलियन घंटों के ऑडियो वाले उदाहरणों के विशाल वॉल्यूम से सीख सके।

डेटा को उपयोगी बनाने के लिए, टीम को कंप्यूटर को यह सिखाना था कि वास्तव में एक SOAP नोट कैसा दिखता है। चूंकि उनके कई स्रोत संवादों के साथ पहले से लिखे गए सारांश नहीं आए थे, इसलिए उन्होंने इन सारांशों को स्वचालित रूप से उत्पन्न करने के लिए एक अन्य AI टूल का उपयोग किया। उन्होंने विशिष्ट निर्देश तैयार किए ताकि ये उत्पन्न नोट्स सही संरचना का पालन करें और सुसंगत चिकित्सा शब्दावली का उपयोग करें, जिससे प्रभावी रूप से मुख्य सिस्टम के अध्ययन के लिए उदाहरणों का एक विशाल पुस्तकालय बन गया। शोधकर्ताओं ने फिर मॉडल को सिखाने के विभिन्न तरीकों का परीक्षण किया। उन्होंने कंप्यूटर को निर्देश देने के विभिन्न तरीकों के साथ प्रयोग किया, और पाया कि विस्तृत निर्देश मॉडल के लिए एक बैकग्राउंड नियम के बजाय एक प्रत्यक्ष कमांड के रूप रूप में सबसे अच्छा काम करते हैं। उन्होंने यह भी जांचा कि क्या बातचीत के टेक्स्ट ट्रांसक्रिप्ट को ऑडियो के साथ दिखाने से मदद मिलती है। उनके निष्कर्षों से पता चला कि ध्वनि और टेक्स्ट दोनों को एक साथ देखने से मॉडल को चिकित्सा अवधारणाओं को अधिक सटीक रूप से पहचानने में मदद मिली, भले ही अंतिम लिखित सारांश ऑडियो से उत्पन्न किए गए सारांश के समान ही क्यों न दिखे।

टीम ने यह भी पता लगाया कि क्या कार्य को छोटे चरणों में तोड़ने से मदद मिलेगी, जैसे कि कंप्यूटर को पहले ट्रांसक्रिप्ट लिखने और फिर उसका सारांश बनाने के लिए कहना, या नोट लिखने से पहले उसे अपने तर्क (reasoning) को समझाने के लिए कहना। परिणामों ने दिखाया कि हालांकि इन मध्यवर्ती चरणों से कुछ लाभ मिले, लेकिन समग्र सारांश गुणवत्ता के लिए सबसे प्रभावी दृष्टिकोण स्पीच से सीधे अंतिम सारांश तक जाने के लिए मॉडल को प्रशिक्षित करना था। हालांकि, उन्होंने पाया कि विशेष रूप से 'चेन-ऑफ-थॉट' (CoT) सुपरविजन ने चिकित्सकीय रूप से प्रासंगिक अवधारणाओं को निकालने के लिए उच्चतम स्कोर प्राप्त किया, जो यह सुझाव देता है कि मध्यवर्ती तर्क चरणों को स्पष्ट रूप से मॉडल करना चिकित्सा विवरणों की पहचान में सुधार कर सकता है, भले ही यह अन्य मेट्रिक्स में प्रत्यक्ष जनरेशन (सीधे निर्माण) से आगे न निकल पाया हो। डेटा क्लीनिंग के संबंध में, टीम ने पाया कि उन सेगमेंट को हटाने से जहाँ कंप्यूटर-जनरेटेड स्पीच टेक्स्ट से मेल नहीं खाती थी, प्रदर्शन में सुधार नहीं हुआ; वास्तव में, सर्वोत्तम परिणाम 21 मिनट की अधिकतम अवधि तक फ़िल्टर किए गए अनक्लीन्ड (बिना साफ किए गए) डेटासेट का उपयोग करके प्राप्त किए गए। उन्होंने यह भी पाया कि प्रशिक्षण के लिए उपयोग की जाने वाली बातचीत की लंबाई को इक्कीस मिनट तक सीमित करना सबसे उपयुक्त था; लंबी बातचीत बहुत अधिक शोर (noise) पैदा करती थी जो मददगार नहीं थी।

अपने काम के अंतिम चरण में, शोधकर्ताओं ने अपने प्रशिक्षित मॉडलों के सर्वोत्तम संस्करणों को मिलाकर एक एकल, मजबूत सिस्टम बनाया। इस मर्ज किए गए सिस्टम का परीक्षण उन्हीं लेखकों के एक विशिष्ट कंट्रास्टिव सबमिशन के विरुद्ध तीन अलग-अलग टेस्ट डेटा सेट्स का उपयोग करके किया गया था: वे बातचीत जो प्रशिक्षण सामग्री के बहुत समान थीं, सिम्युलेटेड रोल-प्ले परिदृश्य, और वास्तविक चिकित्सा दौरों की वास्तविक रिकॉर्डिंग। संयुक्त सिस्टम ने सभी आधिकारिक टेस्ट सेट्स पर इस कंट्रास्टिव सबमिशन को लगातार पछाड़ दिया, विशेष रूप रूप से वास्तविक परिदृश्यों में जहाँ प्रशिक्षण डेटा और टेस्ट डेटा के बीच अंतर सबसे अधिक था। यह सफलता बताती है कि कई अलग-अलग प्रशिक्षित मॉडलों के ज्ञान को औसत (average) करने से सिस्टम अधिक अनुकूलनीय बनता है और नई स्थितियों में भ्रमित होने की संभावना कम हो जाती है। अध्ययन यह निष्कर्ष निकालता है कि विविध डेटा स्रोतों को एकीकृत करके और डायरेक्ट स्पीच-टू-समरी दृष्टिकोण का उपयोग करके, एक ऐसा उपकरण बनाना संभव है जो स्वास्थ्य सेवा कर्मियों के दस्तावेजीकरण के बोझ को काफी कम कर सके, जिससे उन्हें देखभाल के मानवीय तत्व पर अधिक ध्यान केंद्रित करने की अनुमति मिल सके।