Artificial Intelligence for Post-Marketing Pharmacovigilance of Herbal and Botanical Medicines: A Scoping Review and the MIAHPV Framework
यह स्कोपिंग समीक्षा हर्बल फार्माकोविजिलेंस (औषधीय निगरानी) में आर्टिफिशियल इंटेलिजेंस को लागू करने में मौजूदा सुरक्षा रिपोर्टों में डेटा की असंगत गुणवत्ता के कारण एक महत्वपूर्ण अंतराल की पहचान करती है और MIAHPV फ्रेमवर्क का प्रस्ताव करती है, जो कि एआई-आधारित सिग्नल डिटेक्शन के लिए हर्बल व्यक्तिगत केस सुरक्षा रिपोर्टों की तत्परता का मूल्यांकन करने और उसमें सुधार करने के लिए डिज़ाइन किया गया एक सात-सूत्रीय मानक 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
चिकित्सा जगत की कल्पना एक विशाल, हलचल भरी लाइब्रेरी के रूप में करें जहाँ हर बार जब कोई व्यक्ति कोई गोली लेता है और उसे थोड़ा अजीब महसूस होता है, तो एक लाइब्रेरियन एक विशाल बहीखाते में उसे लिख देता है। इसे फार्माकोविजिलेंस (pharmacovigilance) कहा जाता है—दवाओं के बाजार में आने के बाद उनके दुष्प्रभावों पर नज़र रखने का विज्ञान। दशकों तक, ये बहीखाते मानक प्रिस्क्रिप्शन दवाओं की रिपोर्टों से भरे रहे, और वैज्ञानिकों ने चालाक कंप्यूटर प्रोग्रामों (आर्टिफिशियल इंटेलिजेंस - AI) का उपयोग करके उन्हें स्कैन किया, ताकि वे छिपे हुए पैटर्न खोज सकें जिन्हें इंसान अनदेखा कर सकते हैं। यह रेत के मैदान में एक विशिष्ट खोए हुए सिक्के को खोजने के लिए एक सुपर-फास्ट मेटल डिटेक्टर का उपयोग करने जैसा है।
लेकिन यहाँ एक मोड़ है: लाखों लोग अपनी प्रिस्क्रिप्शन दवाओं के साथ हर्बल चाय, जड़ें और पौधों पर आधारित सप्लीमेंट्स भी ले रहे हैं। जब इन प्राकृतिक उत्पादों के साथ कुछ गलत होता है, तो उसे भी उन्हीं बहीखातों में लिखा जाता है। हालाँकि, जड़ी-बूटियों के बारे में नोट्स अक्सर अव्यवस्थित होते हैं। "कैमोमाइल" लिखने के बजाय, रिपोर्ट करने वाला व्यक्ति केवल "हर्बल चाय" लिख सकता है। "सेंट जॉन्स वॉर्ट" के बजाय, वे "वह पीला फूल वाली चीज़" लिख सकते हैं। यह अव्यवस्था उस सुपर-फास्ट मेटल डिटेक्टर का उपयोग करने जैसा है जिसे किसी ने ढेर सारा कचरा—टहनियाँ, पत्थर और पुराने सोडा कैन—डालकर एक ऐसे मैदान में फेंक दिया हो, जिससे उस विशिष्ट सिक्के को ढूँढना असंभव हो जाए। बड़ा सवाल यह है: क्या हमारे स्मार्ट कंप्यूटर कचरे को अनदेखा करना और वास्तविक हर्बल खतरों को खोजना सीख सकते हैं, या डेटा इतना अव्यवस्थित है कि उसे बचाया ही नहीं जा सकता?
यह शोध पत्र, सोहम संजय मोर नामक एक स्वतंत्र शोधकर्ता द्वारा लिखा गया है, सीधे इसी अव्यवस्थित क्षेत्र में उतरता है। लेखक ने केवल डेटा को नहीं देखा; उन्होंने वैज्ञानिक अध्ययनों के माध्यम से एक खजाने की खोज की यह देखने के लिए कि क्या किसी ने सफलतापूर्वक आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करके कंप्यूटर को हर्बल खतरों को पहचानने के लिए प्रशिक्षित किया है। वह खोज खाली रही। इस तथ्य के बावजूद कि AI साफ डेटा में पैटर्न खोजने में माहिर है, लेखक ने पाया कि शून्य अध्ययन थे जिन्होंने विशेष रूप से हर्बल मेडिसिन रिपोर्टों को मुख्य फोकस के रूप में उपयोग करने के लिए इन उच्च-तकनीकी तरीकों को सफलतापूर्वक लागू किया था। वास्तव में, समस्या कंप्यूटर की नहीं है; समस्या नोट्स की अव्यवस्था है।
इसे ठीक करने के लिए, यह पत्र MIAHPV (Minimum Information for AI-Assisted Herbal Pharmacovigilance) नामक नियमों का एक नया सेट पेश करता है। इसे एक "क्वालिटी चेकलिस्ट" के रूप में समझें। लेखक का सुझाव है कि कंप्यूटर द्वारा किसी रिपोर्ट का विश्लेषण करने का प्रयास करने से पहले, रिपोर्ट को सात विशिष्ट परीक्षणों को पास करना चाहिए। उदाहरण के लिए, रिपोर्ट में पौधे का सटीक वैज्ञानिक नाम स्पष्ट रूप से दिया जाना चाहिए (केवल "हर्ब" नहीं), उस व्यक्ति द्वारा ली जा रही अन्य सभी दवाओं की सूची होनी चाहिए, और इस बात का विवरण होना चाहिए कि पौधे को कैसे तैयार किया गया था (जैसे चाय या पाउडर के रूप में)। यदि कोई रिपोर्ट इन जाँचों में विफल रहती है, तो पत्र का तर्क है कि यह गायब टुकड़ों के साथ पहेली सुलझाने जैसा है—कंप्यूटर केवल अनुमान लगाएगा, और वे अनुमान गलत होंगे।
यह पत्र वास्तविक जीवन के उदाहरणों को दिखाकर भी बताता है कि यह क्यों महत्वपूर्ण है। इसमें एक प्रसिद्ध मामला बताया गया है जहाँ एक महिला की ब्लड थिनर (खून पतला करने वाली दवा) काम करना बंद कर दी क्योंकि वह कैमोमाइल चाय पी रही थी, लेकिन उसकी रिपोर्ट में केवल "हर्बल टी" लिखा था, जिससे खतरे को पहचानना कठिन हो गया। यह एक डरावनी गड़बड़ी के बारे में भी बात करता है जहाँ एक जहरीले पौधे को एक सुरक्षित पौधे के रूप में गलती से मान लिया गया क्योंकि अलग भाषा में उनके नाम मिलते-जुलते थे। ये कहानियाँ साबित करती हैं कि स्पष्ट और विस्तृत नोट्स के बिना, सबसे स्मार्ट AI भी काम नहीं आ सकता।
लेखक इस बारे में बहुत ईमानदार हैं कि उन्होंने अभी तक क्या नहीं किया है। वे स्वीकार करते हैं कि यह "क्वालिटी चेकलिस्ट" केवल एक प्रस्ताव है, एक शुरुआती बिंदु है, न कि वास्तविक दुनिया के डेटा पर परीक्षण किया गया कोई तैयार उपकरण। वे सुझाव देते हैं कि वर्तमान हर्बल रिपोर्टों में से लगभग 10% से 20% ही AI के उपयोग के लिए पर्याप्त अच्छी हो सकती हैं, जबकि बाकी बहुत अधिक अव्यवस्थित हैं। यह पत्र यह दावा नहीं करता कि इसने समस्या को हल कर दिया है; इसके बजाय, यह एक मानचित्र प्रदान करता है कि हम इस अव्यवस्था को कैसे ठीक कर सकते हैं। यह सुझाव देता है कि यदि हम बेहतर रिपोर्ट लिखना शुरू करते हैं—चेकलिस्ट के सात नियमों का उपयोग करके—तभी, और केवल तभी, हम अपने सुपर-स्मार्ट कंप्यूटरों का उपयोग हर्बल चिकित्सा को सभी के लिए सुरक्षित बनाने के लिए कर पाने की उम्मीद कर सकते हैं। तब तक, कंप्यूटर केवल अपठनीय लिखावट के ढेर को घूरते रहेंगे।
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।