A Closed-Loop Framework for Knowledge-Based Causal Model Refinement Using Process Mining and Human-AI Governance
यह शोध पत्र एक क्लोज्ड-लूप, मानव-एआई सहयोगात्मक ढांचे का प्रस्ताव करता है जो जटिल पुरानी बीमारियों में कारण अनुमान (कॉज़ल इन्फरेंस) की सटीकता और पारदर्शिता को बढ़ाने के लिए विशेषज्ञ निर्णय के साथ अनुभवजन्य इवेंट लॉग्स के प्रोसेस माइनिंग को एकीकृत करके ज्ञान-आधारित कारण मॉडलों (DAGs) को पुनरावर्ती रूप से परिष्कृत 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
कल्पना कीजिए कि आप एक बहुत बड़े रहस्य को सुलझाने की कोशिश कर रहे हैं: क्यों कुछ लोग विशिष्ट तरीकों से बीमार पड़ते हैं जबकि अन्य नहीं? चिकित्सा और विज्ञान की दुनिया में, शोधकर्ता डायरेक्टेड एसाइक्लिक ग्राफ्स (DAGs) नामक विशेष मानचित्रों का उपयोग करते हैं। इन मानचित्रों को बीमारियों के वंशावली वृक्ष (फैमिली ट्री) के रूप में समझें, लेकिन यह दिखाने के बजाय कि कौन किससे संबंधित है, ये दिखाते हैं कि क्या चीज़ क्या कारण बनती है। यदि आप "धूम्रपान" से "फेफड़ों के कैंसर" तक एक रेखा खींचते हैं, तो आप कह रहे हैं कि धूम्रपान कैंसर का कारण बनता है। ये मानचित्र अत्यंत महत्वपूर्ण हैं क्योंकि यदि आप रेखाएं गलत खींचते हैं, तो आपका पूरा अन्वेषण दोषपूर्ण हो जाएगा, और आप बीमारी के लिए गलत चीज़ को जिम्मेदार ठहरा सकते हैं।
हालाँकि, ये मानचित्र बनाना कठिन है। आमतौर पर, विशेषज्ञों को किताबों में पढ़ी गई बातों या क्लीनिकों में देखी गई चीज़ों के आधार पर संबंधों का अनुमान लगाना पड़ता है। लेकिन वास्तविक दुनिया अव्यवस्थित है। लोग अलग-अलग समय पर बीमार होते हैं, कुछ तो पूरी कहानी देखने से पहले ही मर जाते हैं, और कभी-कभी डेटा भ्रमित करने वाला होता है। यह एक फिल्म के प्लॉट को केवल रैंडम, बिखली हुई क्लिप्स देखकर समझने की कोशिश करने जैसा है। बड़ा सवाल यह है: जब वास्तविक दुनिया इतनी जटिल हो, तो हम कैसे सुनिश्चित कर सकते हैं कि हमारे "कारण-और-प्रभाव" वाले मानचित्र वास्तव में सही हैं? यहीं पर वैज्ञानिकों की एक नई टीम ने आर्टिफिशियल इंटेलिजेंस (AI) की मदद लेने का निर्णय किया, उसे विशेषज्ञों को बदलने के लिए नहीं, बल्कि एक सुपर-पावर्ड जासूस के रूप में काम करने के लिए।
जासूस और AI: एक क्लोज्ड-लूप रहस्य
कैरोलिंस्का इंस्टीट्यूट (Karolinska Institutet) के शोधकर्ताओं और उनके सहयोगियों से मिलें। उन्होंने एक क्लोज्ड-लूप फ्रेमवर्क बनाया है, जो एक फैंसी तरीका है मेडिकल रहस्यों को सुलझाने के लिए "चेक-एंड-बैलेंस" सिस्टम बनाने का। कल्पना कीजिए कि आप एक जासूस (मानव विशेषज्ञ) हैं जो एक केस सुलझाने की कोशिश कर रहे हैं। आपके पास एक सिद्धांत है कि अपराध कैसे हुआ (आपका प्रारंभिक मानचित्र)। आमतौर पर, आप इसे बस लिख देंगे और आगे बढ़ जाएंगे। लेकिन यह नया सिस्टम एक रोबोटिक साथी (AI) जोड़ता है जो न केवल आपसे सहमत होता है, बल्कि सबूतों के लिए अपराध स्थल की जांच भी करता है।
यहाँ उनका चार-चरणीय रोमांच कार्य करता है:
चरण 1: प्रारंभिक सिद्धांत (विशेषज्ञ का अनुमान)
सबसे पहले, मानव विशेषज्ञ (या उनके लिए किताबें पढ़ने वाला एक AI सहायक) पहले से ज्ञात जानकारी के आधार पर मानचित्र का पहला संस्करण बनाता है। मान लीजिए वे सोचते हैं: "दवा A किडनी रोग का कारण बनती है, जिससे हृदय संबंधी समस्या होती है।" यह उनका शुरुआती परिकल्पना (हाइपोथीसिस) है। यह एक अच्छा अनुमान है, लेकिन यह सिर्फ एक अनुमान है।
चरण 2: अपराध स्थल की जांच (प्रोसेस माइनिंग)
इसके बाद, सिस्टम वास्तविक जीवन के रोगी रिकॉर्डों के ढेर को देखता है—जैसे कि हर बार जब किसी मरीज ने डॉक्टर से मुलाकात की, दवा ली, या कोई टेस्ट कराया, उसका एक विशाल लॉगबुक। इसे प्रोसेस माइनिंग कहा जाता है। AI इन लॉग्स को स्कैन करता है ताकि यह देखा जा सके कि वास्तव में घटनाओं का क्रम क्या था। क्या किडनी की समस्या वास्तव में हृदय की समस्या से पहले हुई थी? या क्या वे एक साथ हुई थीं? या मरीज हृदय की समस्या दर्ज होने से पहले ही मर गया? AI पूरी तरह से घटनाओं के टाइमलाइन के आधार पर एक नया मानचित्र बनाता है।
चरण 3: मुकाबला (मानव-AI गवर्नेंस)
यह सबसे महत्वपूर्ण हिस्सा है। सिस्टम अब "विशेषज्ञ के अनुमान" और "AI के अपराध स्थल मानचित्र" को अगल-बगल रखता है।
- यदि वे मेल खाते हैं: बहुत बढ़िया! सिद्धांत ठोस लग रहा है।
- यदि वे मेल नहीं खाते हैं: AI अंतर को दर्शाता है। "हे, आपका मानचित्र कहता है कि दवा A हृदय संबंधी समस्या की ओर ले जाती है, लेकिन लॉग्स दिखाते हैं कि इस समूह में हृदय की समस्या अक्सर किडनी की समस्याओं से पहले होती है।"
यहाँ एक पेच है: AI मानचित्र को बदलने का अधिकार नहीं रखता। वह केवल इतना कहता है, "मुझे एक अजीब पैटर्न मिला है। क्या आप अपने मानचित्र को ठीक करना चाहते हैं?" मानव विशेषज्ञ फिर निर्णय लेता है। वे कह सकते हैं, "आह, आप सही हैं! मुझसे वह विवरण छूट गया," या "नहीं, वह अजीब पैटर्न डेटा की गलती है, उसे अनदेखा करें।" यह सुनिश्चित करता है कि नियंत्रण मनुष्य के हाथ में रहे, और वे उन चीजों को पकड़ने के लिए AI का उपयोग करें जिन्हें वे शायद मिस कर गए हों।
चरण 4: अंतिम निर्णय (सांख्यिकीय मॉडलिंग)
एक बार जब मानचित्र को मानव द्वारा परिष्कृत और अनुमोदित कर दिया जाता है, तो सिस्टम सिद्धांत को सिद्ध करने के लिए सर्वोत्तम गणितीय उपकरण सुझाता है। यह कह सकता है, "चूंकि अब हम जानते हैं कि मृत्यु एक प्रमुख कारक है, इसलिए सही उत्तर प्राप्त करने के लिए 'फाइन-ग्ले मॉडल' (Fine-Gray model) जैसे विशिष्ट प्रकार के गणित का उपयोग करें।"
उन्हें क्या मिला?
यह परीक्षण करने के लिए कि क्या यह सिस्टम वास्तव में काम करता है, शोधकर्ताओं ने केवल अनुमान नहीं लगाया; उन्होंने एक विशाल सिमुलेशन चलाया। उन्होंने 5,000 आभासी रोगियों वाली एक काल्पनिक दुनिया बनाई और एक ज्ञात "सच्ची" कहानी तैयार की कि कैसे एक दवा (प्रोटॉन पंप इनहिबिटर्स, या PPIs) किडनी और हृदय स्वास्थ्य को प्रभावित करती है। उन्होंने डेटा में "ट्रैप्स" (जाल) भी बिछाए—नकली सुराग जो वास्तविक कनेक्शनों की तरह दिखते थे लेकिन वास्तव में केवल रिकॉर्डिंग सिस्टम की गड़बड़ी थे।
परिणाम प्रभावशाली थे:
- "अनगवर्नड" (बिना नियंत्रण वाला) AI: जब उन्होंने एक AI को बिना मानव जांच के मानचित्र को ठीक करने के लिए छोड़ा, तो AI उन ट्रैप्स में फंस गया। उसने नकली सुरागों को वास्तविक कनेक्शन मान लिया, जिससे मानचित्र गलत हो गया।
- "गवर्नड" लूप: जब उन्होंने अपने नए क्लोज्ड-लूप सिस्टम (AI सुझाव देता है, मानव निर्णय लेता है) का उपयोग किया, तो सिस्टम ने 100% नकली ट्रैप्स को खारिज कर दिया। इसने सफलतापूर्वक पहचान लिया कि वे अजीब पैटर्न केवल रिकॉर्डिंग त्रुटियां थीं, वास्तविक बीमारियां नहीं।
- वास्तविक कहानी: सिस्टम ने सही ढंग से पहचाना कि दवा ने संभवतः किडनी की समस्याओं को जन्म दिया, जिसके बाद हृदय संबंधी समस्या हुई, और इसने सही ढंग से संकेत दिया कि कई मरीज हृदय की घटना का पूरी तरह अध्ययन होने से पहले ही मर गए थे।
उन्होंने SCREAM नामक एक अध्ययन से प्राप्त सिंथेटिक डेटा का उपयोग करके एक "ट्यूटोरियल" पर भी इसका परीक्षण किया। सिस्टम ने सफलतापूर्वक पहचाना कि "मृत्यु" एक प्रमुख प्रतिस्पर्धी जोखिम (competing risk) थी (अर्थात हृदय की घटना होने से पहले कई लोग मर गए) और इसने इसे संभालने के लिए सही गणितीय उपकरणों का सुझाव दिया।
यह क्यों महत्वपूर्ण है
यह पेपर यह दावा नहीं करता है कि इसने सभी चिकित्सा रहस्यों को सुलझा लिया है या कोई नई दवा खोज ली है। इसके बजाय, यह सोचने का एक बेहतर तरीका प्रदान करता है। यह दिखाता है कि हम AI का उपयोग एक अथक जासूस के रूप में कर सकते हैं जो पैटर्न खोजने के लिए लाखों रिकॉर्ड को स्कैन करता है, लेकिन हमें यह तय करने के लिए एक मानव विशेषज्ञ को लूप में रखना चाहिए कि क्या वे पैटर्न तर्कसंगत हैं।
लेखकों का सुझाव है कि यह पद्धति कंप्यूटर के अनुमान पर बहुत अधिक भरोसा करने की सामान्य गलती से बचने में मदद करती है। अपने प्रारंभिक विचारों को "निश्चित तथ्य" के बजाय "परीक्षण योग्य परिकल्पनाओं" के रूप में मानकर, और लगातार वास्तविक दुनिया के डेटा के साथ उनकी जांच करके, हम बीमारियों के काम करने के तरीके के बहुत अधिक विश्वसनीय मानचित्र बना सकते हैं। यह सुनिश्चित करने का एक तरीका है कि जब हम कहते हैं "A के कारण B होता है," तो हम केवल अनुमान नहीं लगा रहे हैं, और न ही हम अव्यवस्थित डेटा द्वारा ठगे जा रहे हैं। यह सिस्टम अब एक ओपन-सोर्स टूल के रूप में उपलब्ध है, जो अन्य वैज्ञानिकों को अपने स्वयं के मेडिकल पहेलियों पर इस "जासूस और साथी" दृष्टिकोण को आज़माने के लिए आमंत्रित करता 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।