Public regulatory data infrastructure for lifecycle oversight of AI medical devices
यह शोध पत्र तर्क देता है कि सॉफ्टवेयर परिवर्तनों और एआई-विशिष्ट विशेषताओं पर संरचित, क्वेरी करने योग्य डेटा की कमी के कारण एआई चिकित्सा उपकरणों के जीवनचक्र निरीक्षण के लिए वर्तमान सार्वजनिक नियामक रिकॉर्ड अपर्याप्त हैं, और प्रमुख वैश्विक क्षेत्राधिकारों में इन महत्वपूर्ण कमियों को दूर करने के लिए एक नए डेटा विनिर्देश का प्रस्ताव करता है।
मूल पेपर CC BY 4.0 (https://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
यहाँ इस शोध पत्र की सरल भाषा और रोज़मर्रा के उदाहरणों के साथ व्याख्या दी गई है।
बड़ी तस्वीर: "जीवित" उपकरण बनाम "स्थिर" सूची
कल्पना कीजिए कि आपने एक स्मार्ट थर्मोस्टेट खरीदा। जब आप इसे पहली बार खरीदते हैं, तो स्टोर आपको एक रसीद देता है जिसमें लिखा होता है, "हाँ, यह उपकरण बिक्री के लिए स्वीकृत है।" यह बहुत अच्छा है। लेकिन एक स्मार्ट थर्मोस्टेट एक टोस्टर से अलग होता है। एक टोस्टर बदलता नहीं है; एक थर्मोस्टेट सॉफ्टवेयर अपडेट प्राप्त करता है, आपकी आदतों को सीखता है, और समय के साथ काम करने का तरीका बदल लेता है।
AI मेडिकल डिवाइसेस (जैसे कि वह सॉफ्टवेयर जो डॉक्टरों को एक्स-रे पढ़ने में मदद करता है) उसी स्मार्ट थर्मोस्टेट की तरह हैं। वे "जीवित" चीजें हैं जो अस्पताल में प्रवेश करने के बाद विकसित होती रहती हैं।
यह शोध पत्र जिस समस्या की पहचान करता है वह यह है कि सार्वजनिक रिकॉर्ड (वे आधिकारिक सूचियाँ जहाँ अस्पताल और शोधकर्ता यह जाँचते हैं कि क्या कोई उपकरण सुरक्षित है) अभी भी पुराने ज़माने की फाइलिंग कैबिनेट की तरह बने हुए हैं जो स्थिर टोस्टरों के लिए हैं। वे आपको बताते हैं:
- "हाँ, यह उपकरण स्वीकृत किया गया था।"
- "यहाँ कंपनी का नाम है।"
- "यहाँ स्वीकृति की तारीख है।"
लेकिन वे उन चीजों को बताने में विफल रहते हैं जो एक जीवित, बदलते हुए AI के लिए वास्तव में मायने रखती हैं:
- "वर्तमान में कौन सा सॉफ्टवेयर वर्ज़न चल रहा है?"
- "क्या AI ने पिछले महीने कुछ नया सीखा जिससे इसके काम करने का तरीका बदल गया?"
- "इसे प्रशिक्षित (train) करने के लिए किस प्रकार के डेटा का उपयोग किया गया था?"
- "यदि कोई सुरक्षा चेतावनी जारी हुई थी, तो क्या वह इस विशिष्ट वर्ज़न से जुड़ी है?"
लेखकों का तर्क है कि हालांकि नियामकों (जैसे अमेरिका में FDA) ने इन उपकरणों को "जीवित" चीजों के रूप में देखने की शुरुआत कर दी है जिन्हें जीवनचक्र (lifecycle) निगरानी की आवश्यकता है, लेकिन सार्वजनिक डेटाबेस अभी तक इस स्तर तक नहीं पहुँच पाए हैं। वे अतीत में अटके हुए हैं, जो केवल यह पुष्टि करने के लिए डिज़ाइन किए गए हैं कि उपकरण बेचना कानूनी है, न कि इसे उपयोग के दौरान सुरक्षित रूप से प्रबंधित करने में मदद करने के लिए।
ऑडिट: फाइलिंग कैबिनेट की जाँच करना
लेखकों ने बिल्डिंग इंस्पेक्टर की तरह काम किया। उन्होंने पाँच प्रमुख स्थानों में सार्वजनिक नियामक डेटाबेस की जाँच की: अमेरिका, यूरोपीय संघ, चीन, जापान और ऑस्ट्रेलिया।
उन्होंने एक "चेकलिस्ट" बनाई कि एक आधुनिक, सुरक्षित डेटाबेस में क्या होना चाहिए जो AI उपकरणों को प्रबंधित कर सके। उन्होंने इन्हें पाँच गवर्नेंस फंक्शन (शासन कार्य) कहा:
- पहचान (Identity): यह चीज़ क्या है? (क्या यह AI है? क्या यह सॉफ्टवेयर है?)
- वर्ज़न और परिवर्तन (Version & Change): क्या इसमें बदलाव हुआ है? (कौन सा वर्ज़न चल रहा है? क्या अपडेट हुए?)
- प्रमाण (Evidence): हम इस पर भरोसा क्यों करते हैं? (अनुमोदन के लिए किस प्रमाण का उपयोग किया गया था?)
- जुड़ाव (Linkage): क्या हम कड़ियों को जोड़ सकते हैं? (यदि कोई रिकॉल/वापसी होती है, तो क्या हम तुरंत विशिष्ट उपकरण को ढूँढ सकते हैं?)
- AI विशिष्टता (AI Specificity): यह किस प्रकार का AI है? (क्या यह डीप लर्निंग मॉडल है? इसे किस डेटा पर प्रशिक्षित किया गया था?)
परिणाम:
उन्होंने पाया कि 94% बॉक्स उनकी चेकलिस्ट में खाली थे या उनमें बिखरे-बिखरे नोट्स भरे थे।
- केवल 6% जानकारी एक साफ, कंप्यूटर-पठनीय प्रारूप (जैसे कि एक स्प्रेडशीट सेल जिसे आप खोज सकें) में उपलब्ध थी।
- अधिकांश जानकारी लंबे PDF रिपोर्टों, खोजने योग्य न होने वाले टेक्स्ट, या पूरी तरह से गायब जानकारी में छिपी हुई थी।
- सबसे बड़ा अंतर AI विशिष्टता का था। डेटाबेस में ऐसे फील्ड नहीं हैं जो यह बता सकें कि "यह एक न्यूरल नेटवर्क का उपयोग करता है" या "इसे 2020 के MRI स्कैन पर प्रशिक्षित किया गया था।" यह एक कार रजिस्ट्री की तरह है जो कार के रंग को तो सूचीबद्ध करती है लेकिन इंजन के प्रकार को नहीं।
तीन "तनाव परीक्षण" (Stress Tests)
यह साबित करने के लिए कि यह केवल एक सिद्धांत नहीं था, उन्होंने तीन विशिष्ट परीक्षण चलाए:
"AI को ढूँढें" टेस्ट (USA): उन्होंने FDA की अपनी विशेष सूची से 1,400 ज्ञात AI उपकरणों की एक सूची ली और केवल मानक खोज फ़ील्ड का उपयोग करके उन्हें मुख्य सार्वजनिक डेटाबेस में खोजने की कोशिश की।
- परिणाम: वे मानक खोज शब्दों का उपयोग करके उनमें से केवल 2.5% को ही ढूँढ पाए। बाकी 97.5% अदृश्य थे जब तक कि आप जानते न हों कि किस "विशेष सूची" को देखना है। मुख्य डेटाबेस में "क्या यह AI है?" चेक करने के लिए कोई बॉक्स तक नहीं था।
"बल्क डेटा" टेस्ट (चीन): चीन के पास मेडिकल डिवाइस आईडी का एक विशाल डेटाबेस है जिसे आप डाउनलोड कर सकते हैं।
- परिणाम: हालाँकि डेटा डाउनलोड करने योग्य है, लेकिन यह "AI-अंधा" (AI-blind) है। इसमें AI के लिए कोई विशिष्ट फ़ील्ड नहीं है। एक AI उपकरण को खोजने के लिए, आपको फ्री-टेक्स्ट विवरण को पढ़कर अनुमान लगाना पड़ता है, जो कि एक लाइब्रेरी में हर एक किताब के शीर्षक को पढ़कर एक विशिष्ट किताब खोजने जैसा है।
"फैमिली ट्री" टेस्ट (USA): उन्होंने एक ही कंपनी के AI उपकरणों के 70 अलग-अलग वर्ज़न को देखा ताकि यह पता लगाया जा सके कि डेटाबेस में वे एक-दूसरे से कैसे संबंधित हैं (उदाहरण के लिए, "वर्ज़न 2.0, वर्ज़न 1.0 का एक अपडेट है")।
- परिणाम: 70 में से शून्य रिकॉर्ड्स में कोई स्ट्रक्चर्ड फील्ड नहीं था जो उन्हें आपस में जोड़ता हो। आप फैमिली ट्री नहीं देख सकते; आप केवल असंबंधित नामों की एक सूची देखते हैं।
"लापता टुकड़ों के पाँच प्रकार"
लेखकों ने महसूस किया कि "लापता डेटा" हमेशा एक जैसी समस्या नहीं होती है। उन्होंने गैप्स (अंतरालों) को वर्गीकृत करने का एक नया तरीका बनाया, जैसे कि एक मैकेनिक कार का निदान करता है:
- स्कीमा गैप (Missing Slot - गायब स्लॉट): डेटाबेस में इस जानकारी के लिए वास्तव में कोई बॉक्स नहीं है। (जैसे, "ट्रेनिंग डेटा" के लिए कोई बॉक्स नहीं है)। समाधान: एक नया बॉक्स जोड़ें।
- पब्लिकेशन-एक्सेस गैप (Locked Drawer - बंद दराज): नियामक के पास डेटा है, लेकिन उन्होंने इसे सार्वजनिक वेबसाइट पर नहीं रखा है। समाधान: दराज खोलें।
- स्ट्रक्चरिंग गैप (Messy Note - बिखरा हुआ नोट): डेटा सार्वजनिक है, लेकिन यह एक लंबे पैराग्राफ या PDF में लिखा है। आप इसे पढ़ सकते हैं, लेकिन कंप्यूटर इसे खोज नहीं सकता। समाधान: पैराग्राफ को चेकलिस्ट में बदलें।
- लिंकेज गैप (Broken String - टूटी हुई डोरी): आपके पास डिवाइस का रिकॉर्ड है और सुरक्षा चेतावनी भी है, लेकिन उन्हें जोड़ने के लिए कोई यूनिक ID नहीं है। समाधान: एक जोड़ने वाली डोरी (यूनिक ID) जोड़ें।
- पॉपुलेशन गैप (Empty Box - खाली बॉक्स): बॉक्स मौजूद है, लेकिन निर्माता द्वारा इसे खाली छोड़ दिया गया है। समाधान: बॉक्स भरने के नियम लागू करें।
समाधान: एक "न्यूनतम व्यवहार्य" अपग्रेड
यह पेपर असंभव चीज़ों (जैसे गुप्त सोर्स कोड या रोगी डेटा जारी करना) की मांग नहीं करता है। इसके बजाय, वे एक न्यूनतम सार्वजनिक डेटा विस्तार (Minimum Public Data Extension) का प्रस्ताव करते हैं।
इसे मौजूदा पंजीकरण फॉर्मों में 20 नए, सरल फ़ील्ड जोड़ने के रूप में सोचें।
- सॉफ्टवेयर का वर्णन करने वाले पैराग्राफ के बजाय, एक ड्रॉपडाउन मेनू जोड़ें: "डीप लर्निंग," "रूल-बेस्ड," या "हाइब्रिड।"
- PDF सारांश के बजाय, विशिष्ट साक्ष्य का एक लिंक जोड़ें।
- एक "वर्ज़न नंबर" फ़ील्ड जोड़ें जो हर बार सॉफ्टवेयर बदलने पर अपडेट होता है।
यह क्यों मायने रखता है:
वर्तमान में, एक अस्पताल जो AI टूल खरीद रहा है, उसे यह अनुमान लगाना पड़ता है कि वह जो टूल खरीद रहा है वह वही है जिसका परीक्षण किया गया था। वे आसानी से यह नहीं देख सकते कि क्या वह टूल अनुमोदन के बाद से बदला है, या क्या इसे उनके अपने रोगियों के डेटा पर प्रशिक्षित किया गया था।
यह पेपर निष्कर्ष निकालता है कि जब तक इन सार्वजनिक रिकॉर्डों को "स्थिर अनुमोदन सूचियों" से बदलकर "गतिशील जीवनचक्र ट्रैकर्स" में अपग्रेड नहीं किया जाता, तब तक अस्पताल और सुरक्षा अधिकारी इन उपकरणों का विश्वसनीय रूप से प्रबंधन नहीं कर सकते। वे केवल यह सत्यापित कर सकते हैं कि उपकरण बाजार में प्रवेश कर चुका है, लेकिन वे इसे बाजार में रहते हुए प्रबंधित नहीं कर सकते।
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।