EviDx: Evidence-Aware Active Diagnosis with Scaffolded LLM Agents
यह शोध पत्र EviDx को प्रस्तुत करता है, जो एक साक्ष्य-सचेत सक्रिय निदान ढांचा (evidence-aware active diagnosis framework) है जो स्कैफोल्डेड एलएलएम एजेंटों (scaffolded LLM agents) और एक रनटाइम हार्नेस का उपयोग करके नैदानिक साक्ष्य को गतिशील रूप से प्राप्त करता है और नैदानिक अनिश्चितता का प्रबंधन करता है, जिससे स्थिर भविष्यवाणी मॉडलों की तुलना में नैदानिक प्रदर्शन और प्रक्रिया स्थिरता दोनों में सुधार होता है।
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
वास्तविक दुनिया में, एक डॉक्टर केवल एक पैराग्राफ पढ़कर और तुरंत उत्तर का अनुमान लगाकर किसी मरीज का निदान नहीं करता है। निदान सुरागों की एक धीमी, सक्रिय खोज है। एक चिकित्सक मरीज की कहानी सुनता है, फिर रक्त परीक्षण का आदेश देता है, एक्स-रे की समीक्षा करता है, या पारिवारिक इतिहास के बारे में पूछता है। सूचना के प्रत्येक नए टुकड़े के साथ, डॉक्टर संभावित कारणों की अपनी सूची को अपडेट करता है, कुछ को खारिज करता है और दूसरों पर ध्यान केंद्रित करता है। उन्हें लगातार यह निर्णय लेना होता है कि उन्होंने पर्याप्त साक्ष्य एकत्र कर लिए हैं और निर्णय लेने के लिए तैयार हैं, या उन्हें अभी और तलाश जारी रखनी है। साक्ष्य खोजने, संभावनाओं को तौलने और यह जानने की यह प्रक्रिया कि कब रुकना है, नैदानिक तर्क (clinical reasoning) का मूल है।
वर्षों से, शोधकर्ता कंप्यूटर को यह सिखाने की कोशिश कर रहे हैं कि वे लार्ज लैंग्वेज मॉडल्स (LLMs) का उपयोग करके यह कैसे करें, जो शक्तिशाली आर्टिफिशियल इंटेलिजेंस सिस्टम हैं जो मनुष्यों की तरह लिख और चैट कर सकते हैं। हालाँकि, इनमें से अधिकांश सिस्टम को निदान को एक स्थिर प्रश्नोत्तरी (static quiz) की तरह लेने के लिए प्रशिक्षित किया गया है। उन्हें एक बार में ही मरीज की पूरी कहानी सौंप दी जाती है और तुरंत अंतिम उत्तर देने के लिए कहा जाता है। यह दृष्टिकोण इस बात की अनदेखी करता है कि वास्तविक चिकित्सा कैसे काम करती है। यह कंप्यूटर को जांच करने का अवसर दिए बिना ही समाधान का अनुमान लगाने के लिए मजबूर करता है, ठीक वैसे ही जैसे किसी छात्र को कैलकुलेटर या रफ पेपर का उपयोग करने की अनुमति दिए बिना गणित का सवाल हल करने के लिए कहना। हालांकि ये मॉडल चिकित्सा तथ्यों को याद रख सकते हैं, लेकिन वे अक्सर साक्ष्य जुटाने की उस सावधानीपूर्वक, चरण-दर-चरण प्रक्रिया की नकल करने में विफल रहते हैं जो गलतियों को रोकती है।
एक नया अध्ययन 'EviDx' नामक एक प्रणाली पेश करता है, जिसे यह बदलने के लिए डिज़ाइन किया गया है कि ये आर्टिफिशियल इंटेलिजेंस एजेंट चिकित्सा निदान के प्रति अपना दृष्टिकोण कैसे रखते हैं। कंप्यूटर को एक पूर्ण केस फ़ाइल देने के बजाय, शोधकर्ताओं ने एक आभासी वातावरण बनाया है जहाँ AI को सक्रिय रूप रूप से जानकारी की तलाश करनी होती है। एक डिजिटल अस्पताल के कमरे की कल्पना करें जहाँ मरीज के रिकॉर्ड, लैब परिणाम और इमेजिंग स्कैन अलग-अलग दराजों में बंद हैं। AI एजेंट उन्हें एक साथ नहीं देख सकता; उसे विशिष्ट परीक्षणों के लिए पूछना होगा, परिणामों की प्रतीक्षा करनी होगी, और फिर यह तय करना होगा कि आगे क्या पूछना है। इस प्रणाली में नियमों का एक सेट शामिल है जो एजेंट के व्यवहार को निर्देशित करता है, यह सुनिश्चित करता है कि वह सही प्रकार की जानकारी की जाँच करे और तब तक खोज बंद न करे जब तक कि उसने आवश्यक क्षेत्र को कवर न कर लिया हो।
शोधकर्ताओं ने एक सुरक्षा निगरानीकर्ता (safety monitor) भी जोड़ा है, जो एक डिजिटल ओवरसियर है जो वास्तविक समय में एजेंट की प्रगति पर नज़र रखता है। यह मॉनिटर दो चीजें जाँचता है: निदान के बारे में एजेंट अभी कितना भ्रमित है, और उपलब्ध साक्ष्यों में से उसने वास्तव में कितना हिस्सा देखा है। यदि एजेंट बहुत जल्दी निदान घोषित करने की कोशिश करता है, जबकि वह अभी भी अनिश्चित है या उसने महत्वपूर्ण परीक्षण छोड़ दिए हैं, तो मॉनिटर उसे रोकता है और उसे जांच जारी रखने के लिए मजबूर करता है। यह कंप्यूटर को अपूर्ण जानकारी के आधार पर एक आत्मविश्वासी अनुमान लगाने से रोकता है। इस प्रणाली का परीक्षण सैकड़ों वास्तविक नैदानिक मामलों पर किया गया था, जिसमें जटिल आपातकालीन कक्ष के परिदृश्य से लेकर विस्तृत जर्नल रिपोर्ट तक शामिल थे, और इसमें विभिन्न प्रकार के AI मॉडल का उपयोग किया गया।
परिणामों ने दिखाया कि यह सक्रिय, साक्ष्य-खोजने वाला दृष्टिकोण पुराने स्थिर अनुमान लगाने वाले तरीके की तुलना में काफी बेहतर था। EviDx का उपयोग करने वाले AI एजेंट सही निदान की पहचान करने में बहुत अधिक सटीक थे, विशेष रूप से जब उन्हें विकल्पों की एक सूची में से चुनना था। इस प्रणाली ने छोटे, कम शक्तिशाली मॉडलों को भी सही सुराग खोजने के लिए मार्गदर्शन करके बेहतर प्रदर्शन करने में मदद की। हालाँकि, अध्ययन में एक स्पष्ट सीमा भी पाई गई: जबकि यह प्रणाली एक एजेंट को साक्ष्य एकत्र करना और अपने विचारों को व्यवस्थित करना सिखा सकती थी, लेकिन यह मौलिक चिकित्सा ज्ञान की कमी को ठीक नहीं कर सकती थी। यदि AI मॉडल को किसी विशिष्ट बीमारी के बारे में इतना नहीं पता था कि वह मिले हुए सुरागों को समझ सके, तो वह सही निष्कर्ष तक पहुँचने में संघर्ष करता रहा।
शोधकर्ताओं ने यह भी पाया कि इन प्रणालियों के लिए सबसे बड़ी बाधा केवल चिकित्सा ज्ञान नहीं, बल्कि सख्त निर्देशों का पालन करने की क्षमता थी। कई छोटे AI मॉडल अक्सर जानकारी का अनुरोध करने के तरीके में त्रुटियां करते थे, जैसे कि अपने अनुरोधों को गलत तरीके से फॉर्मेट करना या उचित उपकरणों का उपयोग करने में विफल रहना। इन तकनीकी गड़बड़ियों के कारण अक्सर नैदानिक प्रक्रिया पूरी तरह से टूट जाती थी। अध्ययन सुझाव देता है कि आर्टिफिशियल इंटेलिजेंस को चिकित्सा में एक विश्वसनीय साथी बनने के लिए, केवल इस आधार पर नहीं आंका जाना चाहिए कि क्या उसने अंतिम उत्तर सही दिया, बल्कि इस आधार पर भी कि वह जांच के दौरान कैसा व्यवहार करता है। क्या उसने सही साक्ष्य की तलाश की? क्या वह पर्याप्त होने पर रुक गया? नया ढांचा यह सिद्ध करता है कि मानव निदान की सक्रिय, सतर्क प्रकृति की नकल करने वाली प्रणाली बनाना संभव है, लेकिन इसके लिए यह सुनिश्चित करने के लिए सावधानीपूर्वक डिजाइन की आवश्यकता है कि कंप्यूटर सही रास्ते पर रहे।
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।