Concordance of a ChatGPT-4o–based triage model with emergency physician categorization in the emergency department: a prospective observational comparison with emergency medical technicians
इस संभावित अवलोकन संबंधी अध्ययन में पाया गया कि एक ChatGPT-4o-आधारित ट्राइएज मॉडल ने समान संरचित नैदानिक डेटा का उपयोग करते हुए आपातकालीन चिकित्सक वर्गीकरण के साथ आपातकालीन चिकित्सा तकनीशियनों की तुलना में काफी उच्च सामंजस्य प्रदर्शित किया, हालांकि यह सहमति नैदानिक वैधता के बजाय रेटर निरंतरता को दर्शाती है और इसके साथ ही उच्च-तीव्रता वाले रोगियों को ओवर-ट्राइएज करने की प्रवृत्ति भी जुड़ी हुई 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
कल्पना कीजिए कि एक व्यस्त आपातकालीन कक्ष (इमरजेंसी रूम) एक विशाल, अराजक रेलवे स्टेशन की तरह है। हर मिनट, नए यात्री (मरीज) आते हैं, और किसी को यह तय करना होता है कि कौन पहली ट्रेन (तत्काल देखभाल) पर चढ़ेगा, कौन प्लेटफॉर्म पर इंतजार करेगा (मध्यम देखभाल), और कौन बाद में टिकट काउंटर तक पैदल जा सकता है (कम तात्कालिकता)। इस प्रक्रिया को ट्राइएज (Triage) कहा जाता है।
आमतौर पर, एक मानव विशेषज्ञ (एक इमरजेंसी फिजिशियन) ये निर्णय लेता है। लेकिन इंसान थक सकते हैं, उनका ध्यान भटक सकता है, या वे इस बात से प्रभावित हो सकते हैं कि वे कैसा महसूस कर रहे हैं, इसलिए दो अलग-अलग विशेषज्ञ एक ही यात्री को अलग तरह से वर्गीकृत कर सकते हैं।
इस अध्ययन ने एक सरल प्रश्न पूछा: क्या एक सुपर-स्मार्ट कंप्यूटर प्रोग्राम (ChatGPT-4o) इन यात्रियों को एक मानव विशेषज्ञ की तरह ही अच्छी तरह से वर्गीकृत कर सकता है?
यहाँ शोधकर्ताओं द्वारा किए गए कार्यों और उनकी खोजों का विवरण दिया गया, जिसे सरल उपमाओं के माध्यम से समझाया गया है:
सेटअप: "सॉर्टिंग गेम" (छँटनी का खेल)
शोधकर्ताओं ने तीन खिलाड़ियों वाला एक खेल तैयार किया, जो सभी तुर्की के एक अस्पताल में आने वाले उन्हीं 788 यात्रियों को देख रहे थे:
- मानव विशेषज्ञ (द गोल्ड स्टैंडर्ड): एक अकेला, उच्च प्रशिक्षित इमरजेंसी डॉक्टर। यह डॉक्टर "रेफरी" है।
- कंप्यूटर (नया खिलाड़ी): एक ChatGPT-4o मॉडल। इसने मरीजों को व्यक्तिगत रूप से नहीं देखा; इसने केवल उनके बारे में तथ्यों की एक मानकीकृत चेकलिस्ट (लक्षण, इतिहास आदि) पढ़ी।
- ट्राइएज टेक (रियल-वर्ल्ड प्लेयर): इमरजेंसी मेडिकल टेक्निशियंस (EMTs)। ये वे लोग हैं जो वास्तव में इस विशिष्ट अस्पताल के प्रवेश द्वार पर छँटनी का काम करते हैं। इन्होंने मरीजों को व्यक्तिगत रूप से देखा, ठीक वैसे ही जैसे वास्तविक जीवन में होता है।
नियम:
- डॉक्टर और कंप्यूटर दोनों ने प्रत्येक मरीज के लिए बिल्कुल एक ही लिखित चेकलिस्ट देखी।
- EMTs ने अपने सामने खड़े वास्तविक लोगों को देखा।
- सभी को मरीज को तीन रंगीन डिब्बों में डालना था: लाल (आपातकालीन!), पीला (थोड़ा इंतजार करें), या हरा (ठीक है, बाद में जाएँ)।
परिणाम: खेल में कौन जीता?
1. कंप्यूटर बनाम डॉक्टर
कंप्यूटर डॉक्टर की नकल करने में अविश्वसनीय रूप से कुशल था।
- स्कोर: यदि आप एक ऐसे पैमाने की कल्पना करें जहाँ 1.0 पूर्ण सहमति है, तो कंप्यूटर और डॉक्टर लगभग 84% बार सहमत हुए (0.84 का स्कोर)।
- रूपक: यह एक ऐसे छात्र की तरह था जिसने शिक्षक के उत्तर कुंजी का इतनी गहराई से अध्ययन किया कि उसने परीक्षा में बिल्कुल वही उत्तर लिखे। वे मरीजों को वर्गीकृत करने के तरीके में लगभग एक जैसे थे।
2. कंप्यूटर बनाम ट्राइएज टेक
कंप्यूटर उन मानव तकनीशियनों से भी बेहतर प्रदर्शन कर गया जो वास्तव में दरवाजे पर खड़े थे।
- स्कोर: तकनीशियन डॉक्टर के साथ 63% बार सहमत थे।
- अंतर: कंप्यूटर तकनीशियनों की तुलना में डॉक्टर के विकल्पों से मेल खाने में काफी बेहतर था।
3. "लाल" बिन की समस्या (एक पेंच)
यहीं मामला पेचीदा हो जाता है। "लाल" बिन जीवन के लिए खतरनाक आपात स्थितियों के लिए है। किसी 'रेड' मरीज को चूकना खतरनाक हो सकता है।
- तकनीशियन: वे बहुत सावधान थे। यदि उन्होंने किसी को 'रेड' में डाला, तो वे आमतौर पर सही थे (87% सटीकता)। हालाँकि, उन्होंने वास्तव में कई आपात स्थितियों को मिस कर दिया, और 79 गंभीर मरीजों में से 45 को "पीले" बिन में डाल दिया। वे अंडर-ट्राइएजिंग (बहुत अधिक सुरक्षित खेलना) कर रहे थे।
- कंप्यूटर: इसने लगभग सभी गंभीर मरीजों को पकड़ लिया (92% "रेड" मरीजों की सही पहचान की गई)। लेकिन, यह बहुत "पैरानॉयड" (शंकित) भी था। इसने वास्तव में "पीले" श्रेणी के 28 लोगों को "लाल" बिन में डाल दिया।
- रूपक: कंप्यूटर उस सुरक्षा गार्ड की तरह था जो धुएं की हल्की गंध मिलते ही "आग!" चिल्लाने लगता है। वह उन सभी को बचाता है जो वास्तव में आग की चपेट में हैं, लेकिन वह बहुत सारे झूठे अलार्म भी पैदा करता है, जिससे उन लोगों के कारण आपातकालीन निकास जाम हो जाते है जिन्हें इसकी आवश्यकता नहीं थी।
महत्वपूर्ण चेतावनियाँ (बारीक बातें)
लेखक बहुत सावधानी से यह नहीं कहते कि कंप्यूटर वास्तविक जीवन में डॉक्टर से "बेहतर" है। ऐसा इसलिए है क्योंकि:
- "साझा पाठ्यपुस्तक" का पूर्वाग्रह (Shared Textbook Bias): कंप्यूटर और डॉक्टर दोनों एक ही लिखित नोट्स को देख रहे थे। तकनीशियन वास्तविक लोगों को देख रहे थे। क्योंकि कंप्यूटर और डॉक्टर दोनों एक ही स्रोत सामग्री से काम कर रहे थे, इसलिए उनके सहमत होने की संभावना अधिक थी। यह दो लोगों द्वारा टेस्ट ग्रेड करने जैसा है जिनके पास उत्तर कुंजी है; वे उन लोगों की तुलना में अधिक सहमत होंगे जिन्हें छात्र की बिखरी हुई लिखावट का अनुमान लगाना पड़ता है।
- "वास्तविक जीवन" का परीक्षण नहीं: इस अध्ययन ने यह जाँच नहीं की कि मरीजों की स्थिति वास्तव में बेहतर हुई या बदतर। इसने केवल यह जाँच की कि कंप्यूटर, डॉक्टर की राय से कितना सहमत था। हमें नहीं पता कि कंप्यूटर के "रेड" कॉल ने वास्तव में जीवन बचाया या केवल संसाधनों की बर्बादी की।
- सबसे खराब मामलों को छोड़ देना: इस अध्ययन में सबसे बीमार मरीजों (जो बेहोश थे या जिन्हें तुरंत CPR की आवश्यकता थी) को बाहर रखा गया था। इसलिए, हमें नहीं पता कि कंप्यूटर सबसे गंभीर आपात स्थितियों को कैसे संभालता है।
- एक ही डॉक्टर: "गोल्ड स्टैंडर्ड" केवल एक डॉक्टर की राय थी। यदि उस डॉक्टर का दिन खराब था या उसमें कोई विशेष पूर्वाग्रह था, तो कंप्यूटर ने बस उसी पूर्वाग्रह की नकल की।
मुख्य निष्कर्ष (Bottom Line)
यह अध्ययन एक प्रूफ-ऑफ-कॉन्सेप्ट (सिद्धांत की पुष्टि) है। यह ऐसा है जैसे यह दिखाना कि एक नया प्रकार का इंजन टेस्ट ट्रैक पर उच्च गति पर चल सकता है।
- इसने क्या सिद्ध किया: एक ChatGPT-4o मॉडल मरीज के चार्ट को पढ़ सकता है और उन्हें लगभग एक विशेषज्ञ डॉक्टर की तरह श्रेणियों में वर्गीकृत कर सकता है, और यह इस विशिष्ट सेटिंग में फ्रंट-लाइन तकनीशियनों की तुलना में अधिक निरंतरता के साथ करता है।
- इसने क्या सिद्ध नहीं किया: इसने यह सिद्ध नहीं किया कि कंप्यूटर अभी वास्तविक अस्पताल में उपयोग के लिए सुरक्षित है। यह आपात स्थितियों को बढ़ा-चढ़ाकर बताता है (झूठे अलार्म), और हमें नहीं पता कि यह सबसे बीमार मरीजों पर या विभिन्न भाषाओं और अस्पताल प्रणालियों के साथ कैसे काम करता है।
शोधकर्ता निष्कर्ष निकालते हैं कि यह तकनीक आशाजनक है, लेकिन वास्तविक आपातकालीन कक्ष में मनुष्यों को बदलने या उनकी सहायता करने से पहले इसे बहुत अधिक परीक्षण की आवश्यकता है।
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।