Development and Internal Validation of a Safety-Gated Artificial Intelligence System for Predicting Serious Bacterial Infection among Children in Northern Nigeria

दुनिया के कई हिस्सों में, एक बच्चे का बुखार माता-पिता के लिए शांत आतंक का क्षण और डॉक्टरों के लिए समय के विरुद्ध एक दौड़ होता है। जब एक छोटा बच्चा बीमार पड़ता है, तो चुनौती अक्सर दवा की कमी नहीं, बल्कि स्पष्टता की कमी होती है। एक खतरनाक जीवाणु संक्रमण (बैक्टेरियल इन्फेक्शन) के लक्षण बिल्कुल एक सामान्य वायरल संक्रमण जैसे दिख सकते हैं, फिर भी बहुत अधिक प्रतीक्षा करने के परिणाम घातक हो सकते हैं। सीमित संसाधनों वाले अस्पतालों में, जहाँ उन्नत लैब परीक्षण दुर्लभ या धीमे होते हैं, डॉक्टरों को अधूरी जानकारी के आधार पर जीवन-मरण के निर्णय लेने पड़ते हैं। वे एक बच्चे की उम्र, उसके वजन, उसके सांस लेने के तरीके और उसके इतिहास को देखते हैं, और एक ऐसा पैटर्न जोड़ने की कोशिश करते हैं जो यह प्रकट कर सके कि क्या बच्चे को तत्काल एंटीबायोटिक्स की आवश्यकता है या उसे घर भेजा जा सकता है। यह कम आय वाले देशों में लाखों परिवारों की दैनिक वास्तविकता है, जहाँ एक बीमार बच्चे और पुष्ट निदान के बीच का अंतर घंटों का हो सकता है।

इस अंतर को पाटने में मदद करने के लिए, शोधकर्ता आर्टिफिशियल इंटेलिजेंस (AI) की ओर मुड़ रहे हैं, डॉक्टरों के विकल्प के रूप में नहीं, बल्कि एक ऐसे उपकरण के रूप में जो उन्हें उन पैटर्नों को देखने में मदद कर सके जिन्हें एक व्यस्त क्लिनिक की भागदौड़ में अनदेखा किया जा सकता है। लक्ष्य एक ऐसी प्रणाली बनाना है जो बच्चे की मेडिकल स्टोरी और महत्वपूर्ण संकेतों (वाइटल साइन्स) को ले सके और गंभीर जीवाणु संक्रमण के जोखिम की गणना कर सके। हालाँकि, केवल डेटा को कंप्यूटर में डाल देना ही काफी नहीं है। एक ऐसी दुनिया में जहाँ मेडिकल रिकॉर्ड अक्सर हस्तलिखित, अधूरे या विरोधाभासी होते हैं, एक कंप्यूटर जो वहां अनुमान लगा ले जहाँ उसे नहीं लगाना चाहिए, वह फायदे से ज्यादा नुकसान पहुँचा सकता है। असली सफलता कंप्यूटर को यह सिखाने में निहित है कि वह कब यह जान ले कि वह पर्याप्त नहीं जानता है, यह सुनिश्चित करते हुए कि वह केवल तभी अपनी राय दे जब जानकारी स्पष्ट, सुसंगत और उपयोग के लिए सुरक्षित हो।

नाइजीरिया के शोधकर्ताओं की एक टीम ने इस लक्ष्य की ओर एक महत्वपूर्ण कदम उठाते हुए विशेष रूप से अपने क्षेत्र के बच्चों के लिए डिज़ाइन की गई एक नई तरह की सुरक्षा-सचेत कंप्यूटर प्रणाली विकसित और परीक्षण की है। उन्होंने नाइजीरिया के कानो में एक टीचिंग अस्पताल में इलाज किए गए पांच साल से कम उम्र के बच्चों के हजारों मेडिकल रिकॉर्ड्स पर काम किया। टीम एक डिजिटल सहायक बनाना चाहती थी जो एक बच्चे के इतिहास को देख सके—जैसे कि बुखार कितने समय से है, वजन, सुस्ती (लेथार्जी), और क्या उसे पहले डॉक्टर को दिखाया गया था—और गंभीर जीवाणु संक्रमण की संभावना की भविष्यवाणी कर सके। लेकिन कई पिछले प्रयासों के विपरीत, जो केवल एक रिस्क स्कोर आउटपुट करते थे, इस टीम ने सिस्टम में एक "सेफ्टी गेट" (सुरक्षा द्वार) बनाया। यह गेट एक सख्त गुणवत्ता नियंत्रण निरीक्षक की तरह कार्य करता है। कंप्यूटर को भविष्यवाणी करने की अनुमति देने से पहले, यह जाँचता है कि क्या दी गई जानकारी पूर्ण है, क्या संख्याएँ उस उम्र के बच्चे के लिए तर्कसंगना हैं, और क्या कहानी में कोई विरोधाभास है। यदि डेटा गायब है या असंभव दिखता है, तो सिस्टम अनुमान लगाने से इनकार कर देता है, और इसके बजाय डॉक्टर से अधिक जानकारी प्रदान करने को कहता है।

शोधकर्ताओं ने अपने सिस्टम को 11,466 पीडियाट्रिक रिकॉर्ड्स के एक विशाल संग्रह का उपयोग करके प्रशिक्षित किया। इनमें से लगभग 8 प्रतिशत में ब्लड कल्चर के माध्यम से गंभीर जीवाणु संक्रमण की पुष्टि हुई थी, जबकि शेष में नहीं। सिस्टम को इस डेटा से सीखने के लिए विभिन्न गणितीय दृष्टिकोणों के संयोजन का उपयोग करने के लिए डिज़ाइन किया गया था, जो इसे किसी भी एकल विधि की तुलना में अधिक विश्वसनीय अनुमान बनाने के लिए मिलाते हैं। वास्तविक दुनिया के मेडिकल नोट्स की अव्यवस्थित वास्तविकता को संभालने के लिए, टीम ने डॉक्टरों द्वारा लिखे गए फ्री-टेक्स्ट विवरणों को पढ़ने और उन्हें संरचित तथ्यों में बदलने के लिए एक विशेष भाषा उपकरण का उपयोग किया जिसे कंप्यूटर समझ सके। इस उपकरण को सावधानीपूर्वक नियंत्रित किया गया था ताकि यह सुनिश्चित हो सके कि यह तथ्य न बनाए या नोट्स की गलत व्याख्या न करे, जो कि आर्टिफिशियल इंटेलिजेंस की एक आम समस्या है।

जब टीम ने अपने सिस्टम का परीक्षण डेटा के एक नए सेट पर किया जिसे उसने पहले कभी नहीं देखा था, तो परिणामों ने दिखाया कि यह बच्चों के बीच संक्रमण और बिना संक्रमण के बीच मध्यम स्तर की सटीकता के साथ अंतर कर सकता है। सिस्टम ने वास्तव में संक्रमण वाले लगभग 76 प्रतिशत बच्चों की सही पहचान की, जो एक महत्वपूर्ण विशेषता है क्योंकि एक बीमार बच्चे को पहचानने में चूक करना, एक स्वस्थ बच्चे को अतिरिक्त देखभाल के लिए चिह्नित करने की तुलना में कहीं अधिक खतरनाक है। हालाँकि, सिस्टम ने संक्रमण के बिना वाले लगभग 63 प्रतिशत बच्चों की भी सही पहचान की। शोधकर्ताओं ने नोट किया कि सिस्टम की बीमार बच्चे को "ना" कहने की क्षमता पूर्ण नहीं थी, लेकिन "हाँ" कहने की उसकी क्षमता एक ट्राइएज टूल के रूप में उपयोगी होने के लिए पर्याप्त मजबूत थी। जिन कारकों का सिस्टम ने निर्णय लेने के लिए उपयोग किया, वे केवल बुखार या खांसी जैसे तात्कालिक लक्षण नहीं थे, बल्कि बच्चे का विकास और वृद्धि भी थे। जन्म के समय का वजन, वर्तमान वजन, आयु और माँ की आयु जैसे कारक सबसे मजबूत संकेतक थे जिन पर सिस्टम ने सबसे अधिक भरोसा किया, इसके बाद सांस लेने की दर और डॉक्टर के सामने बच्चे की स्थिति जैसे नैक्लिकल संकेत आए।

शायद अध्ययन का सबसे उल्लेखनीय हिस्सा यह नहीं था कि सिस्टम ने कितनी अच्छी तरह भविष्यवाणी की, बल्कि यह था कि उसने कितनी बार चुप रहने का विकल्प चुना। एक सिमुलेशन में जहाँ टीम ने सिस्टम में 30 अलग-अलग क्लिनिकल परिदृश्य डाले, सिस्टम ने 95 प्रतिशत मामलों में नोट्स से जानकारी सफलतापूर्वक निकाली। हालाँकि, उन मामलों में से 20 प्रतिशत में, सेफ्टी गेट ने सिस्टम को भविष्यवाणी करने से रोक दिया। ऐसा इसलिए हुआ क्योंकि जानकारी गायब थी, संख्याएँ उस उम्र के बच्चे के लिए असंभव थीं, या कहानी में विरोधाभास था। उदाहरण के लिए, यदि किसी नोट में सुझाव दिया गया कि बच्चा बुखार से ग्रसित है लेकिन दर्ज तापमान सामान्य था, या यदि कोई वाइटल साइन दर्ज किया गया जो जैविक रूप से असंभव था, तो सिस्टम भविष्यवाणी को ब्लॉक कर देगा और स्पष्टीकरण मांगेगा। यह व्यवहार जानबूझकर किया गया था। शोधकर्ता यह सिद्ध करना चाहते थे कि सीमित संसाधनों वाले परिवेश में, एक कंप्यूटर के लिए गलत डेटा के आधार पर आत्मविश्वासी लेकिन गलत उत्तर देने के बजाय यह स्वीकार करना बेहतर है कि वह निर्णय नहीं ले सकता।

यह अध्ययन इस बात पर प्रकाश डालता है कि नाइजीरिया जैसी जगहों में आर्टिफिशियल इंटेलिजेंस का उपयोग करने के लिए केवल शक्तिशाली एल्गोरिदम की ही नहीं, बल्कि एक ऐसी प्रणाली की आवश्यकता है जो परिवेश की सीमाओं का सम्मान करती हो। शोधकर्ताओं ने पाया कि जबकि कंप्यूटर डेटा में पैटर्न को पहचानना सीख सकता है, वास्तविक मूल्य उन नियमों से आया जो इसे संदिग्ध डेटा होने पर अनुमान लगाने से रोकते थे। सिस्टम को एक मानव डॉक्टर के साथ काम करने के लिए डिज़ाइन किया गया था, न कि उनके स्थान पर। यह अपने निष्कर्षों को एक संरचित सारांश के रूप में प्रस्तुत करता है, जो जोखिम को उजागर करता है और यह बताता है कि जानकारी कहाँ अनिश्चित है, जिससे अंतिम निर्णय क्लिनिशियन के हाथों में रहता है।

टीम स्वीकार करती है कि यह तो बस शुरुआत है। सिस्टम का परीक्षण ऐतिहासिक रिकॉर्ड और सिम्युलेटेड इनपुट पर किया गया था, न कि वास्तविक समय के क्लिनिक में जीवित रोगियों पर। परिणाम बताते हैं कि यह दृष्टिकोण व्यवहार्य है और सुरक्षा तंत्र इच्छित रूप से कार्य करते हैं, लेकिन शोधकर्ता चेतावनी देते हैं कि इस उपकरण को रोजमर्रा के अभ्यास में उपयोग करने से पहले और अधिक परीक्षण की आवश्यकता है। वे इस बात पर जोर देते हैं कि यह सिस्टम एक सहायता उपकरण है जो डॉक्टरों को तेज़ और अधिक सूचित निर्णय लेने में मदद करने के लिए है, न कि एक डायग्नोस्टिक मशीन जो क्लिनिकल जजमेंट या प्रयोगशाला परीक्षणों की आवश्यकता को प्रतिस्थापित कर सके। एक ऐसा सिस्टम बनाकर जो यह जानता है कि कब रुकना है और मदद मांगनी है, शोधकर्ताओं ने एक ऐसा ढांचा तैयार किया है जो अंततः उन बच्चों की संख्या को कम करने में मदद कर सकता है जो उन स्थितियों में देरी से निदान के कारण पीड़ित होते हैं जहाँ हर मिनट मायने रखता है। यह कार्य प्रदर्शित करता है कि दुनिया के सबसे चुनौतीपूर्ण स्वास्थ्य वातावरणों में आर्टिफिशियल इंटेलिजेंस को वास्तव में उपयोगी होने के लिए, इसे विनम्रता के साथ बनाया जाना चाहिए, इसे वास्तविक जीवन की अव्यवस्था को संभालने के लिए डिज़ाइन किया जाना चाहिए, और इसे ऐसे नियमों द्वारा शासित किया जाना चाहिए जो गति के ऊपर सुरक्षा को प्राथमिकता देते हों।