From Electronic Records to AI-Enabled Workflows: A Scoping Review of Real-World EHR Information Processing in Hospitals and Implications for AI Readiness in China
यह स्कोपिंग समीक्षा अस्पताल के EHR वर्कफ़्लो में AI-सक्षम सूचना प्रसंस्करण के वास्तविक दुनिया के एकीकरण को मैप करने के लिए एक AI-एजेंट स्क्रीनिंग दृष्टिकोण का उपयोग करती है, जो यह रेखांकित करती है कि जबकि प्रक्रिया-स्तरीय व्यवहार्यता स्पष्ट है, सुरक्षित मूल्य प्राप्त करने और चीन की AI-तैयारी की स्थितियों के साथ संरेखित होने के लिए कठोर मानव सत्यापन, अंशांकन और अंतरसंचालनीयता की आवश्यकता 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
आज के अस्पताल सूचनाओं की एक विशाल, निरंतर धारा पर चलते हैं। हर बार जब एक डॉक्टर कोई नोट लिखता है, एक नर्स महत्वपूर्ण संकेत (वाइटल साइन) की जांच करती है, या कोई मशीन लैब के परिणाम प्रोसेस करती है, तो वह डेटा एक डिजिटल सिस्टम में दर्ज हो जाता है जिसे इलेक्ट्रॉनिक हेल्थ रिकॉर्ड कहा जाता है। वर्षों से, चिकित्सा के क्षेत्र में आर्टिफिशियल इंटेलिजेंस का वादा यह रहा है कि कंप्यूटर इस डेटा से सीखकर बीमारियों की भविष्यवाणी कर सकते हैं या उपचार सुझा सकते हैं। लेकिन एक कंप्यूटर मॉडल, चाहे वह कितना भी स्मार्ट क्यों न हो, बेकार है यदि वह लैब में बैठा रहे जबकि डॉक्टर मरीज की फाइल खोजने में व्यस्त हो। असली चुनौती केवल एक स्मार्ट एल्गोरिदम बनाने की नहीं है, बल्कि इसे अस्पताल के दैनिक, जटिल कार्यप्रवाह (वर्कफ्लो) में इस तरह बुनने की है कि यह काम में मदद करे न कि बाधा डाले। यही एक ऐसे उपकरण और एक ऐसे उपकरण के बीच का अंतर है जो कागज पर काम करता है और एक ऐसे उपकरण के बीच जो एक व्यस्त आपातकालीन कक्ष (इमरजेंसी रूम) में काम करता है।
चीन के जियांगयिन पीपल्स हॉस्पिटल के शोधकर्ताओं की एक टीम ने यह मानचित्रण करने का प्रयास किया कि वास्तव में वास्तविक दुनिया में यह एकीकरण कैसे हो रहा है। उन्होंने केवल यह नहीं पूछा कि आर्टिफिशियल इंटेलिजेंस अच्छा है या बुरा; इसके बजाय, उन्होंने उन विशिष्ट चरणों का परीक्षण किया जहाँ कंप्यूटर और मनुष्य मिलते हैं। उन्होंने इस बात की जांच की कि ये सिस्टम सूचनाओं के अधिग्रहण, डेटा के वर्गीकरण, जोखिमों की भविष्यवाणी और मेडिकल नोट्स के अंतिम लेखन को कैसे संभालते हैं। उनका लक्ष्य यह देखना था कि क्या इन उपकरणों को सुरक्षित रूप से चलाने के लिए आवश्यक स्थितियाँ वास्तव में अस्पतालों में मौजूद हैं, जिसमें विशेष रूप से इस बात पर ध्यान केंद्रित किया गया कि ये स्थितियाँ चीन के वर्तमान अस्पतालों की स्थिति की तुलना में कैसी हैं।
शोधकर्ताओं ने चिकित्सा पत्रिकाओं और सार्वजनिक रिकॉर्ड से हजारों रिपोर्ट एकत्र करके शुरुआत की। उन्होंने लगभग 2,300 रिकॉर्ड्स को छांटने के लिए एक व्यवस्थित पद्धति का उपयोग किया, और उन अध्ययनों की तलाश की जहाँ आर्टिफिशियल इंटेलिजेंस का उपयोग वास्तव में अस्पताल के इलेक्ट्रॉनिक रिकॉर्ड सिस्टम के भीतर किया गया था, न कि केवल पुराने डेटा पर परीक्षण किया गया था। उन्होंने पाया कि हालांकि यह प्रमाण बढ़ता जा रहा है कि ये उपकरण एकीकृत किए जा सकते हैं, लेकिन इनके लाभ अक्सर गति और संगठन के बारे में होते हैं, न कि तत्काल रोगी स्वास्थ्य में सुधार के बारे में। उदाहरण के लिए, कई अध्ययनों में पाया गया कि आर्टिफिशियल इंटेलिजेंस के उपयोग से डॉक्टरों और नर्सों द्वारा नोट्स लिखने या जानकारी खोजने में लगने वाला समय काफी कम हो गया। संयुक्त राज्य अमेरिका के एक अध्ययन में पाया गया कि जब डॉक्टरों ने एक ऐसे 'एम्बिएंट सिस्टम' का उपयोग किया जो बातचीत को सुनता था और उनके लिए नोट्स तैयार करता था, तो एक शिफ्ट के दौरान दस्तावेजीकरण (डॉक्यूमेंटेशन) पर लगने वाला समय लगभग 30 प्रतिशत तक गिर गया। इसी प्रकार, ताइवान के एक पायलट प्रोग्राम ने दिखाया कि नर्सें हैंडओवर नोट्स पर लगने वाले समय को प्रति मरीज तीन मिनट से घटाकर लगभग एक मिनट कर सकती हैं।
हालाँकि, शोधकर्ताओं ने सावधानीपूर्वक यह स्पष्ट किया कि समय बचाने का मतलब स्वचालित रूप से जीवन बचाना नहीं है। उन्हें मिले साक्ष्य बताते हैं कि जबकि ये उपकरण कार्यप्रवाह को सुगम बनाते हैं, वे अभी तक यह सिद्ध नहीं करते हैं कि वे बेहतर निदान या कम मृत्यु दर की ओर ले जाते हैं। वास्तव में, अध्ययन इस बात पर प्रकाश डालता है कि एक उपकरण तेज़ हो सकता है लेकिन फिर भी खतरनाक हो सकता है यदि इसे सही ढंग से सेटअप नहीं किया गया है। शोधकर्ताओं ने पाया कि इन सिस्टम की सफलता काफी हद तक इस बात पर निर्भर करती है कि उन्हें उपयोग करने वाले विशिष्ट अस्पताल के लिए कितनी अच्छी तरह से कैलिब्रेट किया गया है। एक मॉडल जो एक अस्पताल में अच्छा काम करता है, वह दूसरे में विफल हो सकता है यदि डेटा थोड़ा अलग हो या यदि डॉक्टर इसके द्वारा भेजे गए अलर्ट पर भरोसा न करें। एक उदाहरण में, सूचना प्रदर्शित करने के लिए उपयोग किए जाने वाले कंप्यूटर टेम्पलेट में बदलाव के कारण मेडिकल कोडिंग की सटीकता नाटकीय रूप से गिरकर लगभग 80 प्रतिशत से 35 प्रतिशत रह गई, जब तक कि सिस्टम को फिर से डिजाइन नहीं किया गया और स्टाफ को पुन: प्रशिक्षित नहीं किया गया। यह दर्शाता है कि तकनीक नाजुक है और इसके लिए निरंतर मानवीय निगरानी की आवश्यकता होती है।
समीक्षा ने इन तकनीकों को अपनाने के लिए अस्पतालों की तैयारी को भी देखा, विशेष रूप से चीन की स्थिति की जांच की। शोधकर्ताओं ने पाया कि हालांकि कई चीनी अस्पताल डिजिटल रिकॉर्ड रखने के बुनियादी चरण से आगे बढ़ चुके हैं, लेकिन केवल एक सिस्टम होने और एक ऐसे सिस्टम होने के बीच एक बड़ा अंतर है जो उन्नत आर्टिफिशियल इंटेलिजेंस के लिए तैयार हो। सार्वजनिक डेटा बताता है कि हालांकि अधिकांश प्रमुख अस्पतालों ने अपने रिकॉर्ड को डिजिटल करने के स्तर तक पहुँच लिया है, लेकिन बहुत कम ही उस उच्च परिपक्वता स्तर तक पहुँचे हैं जहाँ सूचना विभिन्न विभागों के बीच निर्बाध रूप से प्रवाहित होती है और जटिल निर्णय लेने में सहायता करती है। शोधकर्ताओं ने नोट किया कि सूचना के प्रवाह में मौजूद निरंतर अंतराल, जिन्हें अक्सर "साइलो" (Silos) कहा जाता है, एक बड़ी बाधा बने हुए हैं। डेटा के सुचारू प्रवाह के बिना, सबसे स्मार्ट आर्टिफिशियल इंटेलिजेंस भी ठीक से कार्य नहीं कर सकता।
अंततः, अध्ययन यह निष्कर्ष निकालता है कि आगे का रास्ता एक आदर्श एल्गोरिदम की प्रतीक्षा करने के बारे में नहीं है, बल्कि हमारे पास मौजूद उपकरणों के लिए एक विश्वसनीय वातावरण बनाने के बारे में है। शोधकर्ताओं का तर्क है कि आर्टिफिशियल इंटेलिजेंस को सुरक्षित और उपयोगी बनाने के लिए, अस्पतालों को कार्यान्वयन के विवरणों पर ध्यान केंद्रित करना चाहिए: यह सुनिश्चित करना कि डेटा सटीक है, कर्मचारियों को सिस्टम पर भरोसा करने और उसकी पुष्टि करने के लिए प्रशिक्षित करना, और यह स्पष्ट नियम बनाना कि जब सिस्टम गलती करता है तो क्या होगा। उन्होंने पाया कि सबसे सफल तैनाती वे होती हैं जहाँ तकनीक को एक सावधानीपूर्वक प्रबंधित प्रक्रिया में एक भागीदार के रूप में माना जाता है, न कि एक जादू की छड़ी के रूप में जो सब कुछ अपने आप ठीक कर देती है। चीन और दुनिया भर के अस्पतालों के लिए सबक यह है कि आर्टिफिशियल इंटेलिजेंस के लिए तत्परता कोई एक स्विच नहीं है जिसे चालू किया जा सके, बल्कि यह एक परतदार आधार है जिसे कदम-दर-कदम बनाया जाना चाहिए, जिसकी शुरुआत डेटा की गुणवत्ता और वर्कफ्लो की स्पष्टता से होती है। जब तक ये आधार मजबूत नहीं होंगे, स्वास्थ्य सेवा में आर्टिफिशियल इंटेलिजेंस की पूर्ण क्षमता पहुंच से बाहर रहेगी, चाहे मॉडल कितने भी उन्नत क्यों न हों।
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।