आधुनिक चिकित्सा की दुनिया में, डॉक्टर और कंप्यूटर सिस्टम अक्सर एक सरल धारणा पर भरोसा करते हैं: यदि दो मरीज अभी एक जैसे दिखते हैं, तो वे संभवतः एक ही पथ का अनुसरण करेंगे। यदि दो लोगों का रक्तचाप, ट्यूमर का आकार और लक्षण एक समान हैं, तो यह अपेक्षा की जाती है कि वे उपचार के प्रति समान रूप से प्रतिक्रिया देंगे या उनकी बीमारी एक ही दर से बढ़ेगी। यह विश्वास हमारे स्वास्थ्य परिणामों की भविष्यवाणी करने और व्यक्तिगत देखभाल योजनाएं तैयार करने के तरीके के आधार को पुख्ता करता है। हालांकि, यह धारणा इस विचार पर टिकी है कि एक ही क्षण में जो जानकारी हम देख और माप सकते हैं, वह किसी व्यक्ति के भविष्य के स्वास्थ्य की पूरी कहानी बताने के लिए पर्याप्त है। यह मानता है कि वर्तमान स्नैपशॉट में अगले कदम की भविष्यवाणी करने के लिए सभी आवश्यक सुराग मौजूद हैं। लेकिन क्या होगा यदि वह स्नैपशॉट अधूरा हो? क्या होगा यदि दो लोग मानचित्र पर वास्तव में एक ही स्थान पर खड़े हैं, लेकिन वे पूरी तरह से अलग गंतव्यों की ओर बढ़ रहे हैं, इसलिए नहीं कि वे भ्रमित हैं, बल्कि इसलिए क्योंकि मानचित्र स्वयं उस भूभाग को दिखाने में विफल रहा है जो उनके पथों को अलग करता है?

यह वह केंद्रीय प्रश्न है जिसे इलिनॉय विश्वविद्यालय, शिकागो के शोधकर्ता मौरिस एंटनी यूइंग द्वारा किए गए एक नए अध्ययन में तलाशा गया है। यह कार्य इस विचार को चुनौती देता है कि बेहतर कंप्यूटर मॉडल या अधिक जटिल एल्गोरिदम रोगी के परिणामों की भविष्यवाणी करने की समस्या को हल कर सकते हैं। इसके बजाय, अध्ययन सुझाव देता है कि समस्या उन उपकरणों में नहीं है जिनका उपयोग हम डेटा के विश्लेषण के लिए करते हैं, बल्कि डेटा में ही निहित है। शोधकर्ताओं ने जांच की कि क्या वह जानकारी जो एक डॉक्टर निर्णय लेता है समय पर उपलब्ध होती है, वास्तव में विभिन्न संभावित भविष्यों के बीच अंतर करने के लिए पर्याप्त है। उन्होंने पाया कि बड़ी संख्या में रोगियों के लिए, उत्तर 'नहीं' है। दो लोग हर उस माप के आधार पर समान दिख सकते हैं जो एक डॉक्टर ले सकता है, फिर भी उनमें से एक ठीक हो सकता है जबकि दूसरा बिगड़ सकता है। अध्ययन का तर्क है कि यह भविष्यवाणी तकनीक की विफलता नहीं है, बल्कि उपलब्ध जानकारी की एक मौलिक सीमा है।

इसे समझने के लिए, दो विशिष्ट बीमारी वाले रोगियों की कल्पना करें। जिस क्षण डॉक्टर उनकी जांच करता है, उनके महत्वपूर्ण संकेत (vital signs), लैब परिणाम और इमेजिंग स्कैन लगभग एक समान होते हैं। एक मानक भविष्यवाणी मॉडल इन नंबरों को देखेगा और उन्हें एक ही संभावित परिणाम प्रदान करेगा। लेकिन वास्तव में, एक रोगी तेजी से ठीक हो सकता है जबकि दूसरा बिगड़ सकता है। अध्ययन पूछता है: ऐसा क्यों होता है? क्या इसलिए कि कंप्यूटर मॉडल इतना स्मार्ट नहीं है कि वह छिपे हुए पैटर्न को खोज सके? या इसलिए कि वह पैटर्न उन नंबरों में मौजूद ही नहीं है जो डॉक्टर के पास हैं? शोधकर्ता इस घटना को "नॉन-आइडेंटिफिएबिलिटी" (अपहचानियता) कहते हैं। इसका अर्थ है कि रोगी की वर्तमान स्थिति में यह पहचानने के लिए पर्याप्त अनूठी जानकारी नहीं है कि कौन सा भविष्य पथ उनका है। भविष्य केवल अनिश्चित नहीं है; यह वर्तमान अवलोकनों से मौलिक रूप से अपरिभाष्य है।

इसकी जांच करने के लिए, शोधकर्ताओं ने वास्तविक दुनिया के चिकित्सा डेटा का एक विशाल संग्रह एकत्र किया। उन्होंने 13 विभिन्न मानव नैदानिक डेटासेटों को देखा, जिसमें अल्जाइमर जैसी न्यूरोडीजेनेरेटिव बीमारियों, क्रिटिकल केयर परिदृश्यों, कैंसर और हृदय रोग सहित विभिन्न स्थितियां शामिल थीं। कुल मिलाकर, उन्होंने समय के साथ दर्ज किए गए लगभग 7,00,000 व्यक्तिगत स्वास्थ्य अवलोकनों की जांच की। उन्होंने पांच बड़े रोगी समूहों पर ध्यान केंद्रित किया जिन्हें लंबे समय तक ट्रैक किया गया था, जिसमें 56,000 से अधिक व्यक्ति और उनके स्वास्थ्य सफर के 4,00,000 से अधिक विशिष्ट क्षण शामिल थे। रोगी के इतिहास के प्रत्येक क्षण के लिए, शोधकर्ताओं ने एक सरल प्रश्न पूछा: यदि हम अन्य रोगियों को पाते हैं जो इस विशिष्ट क्षण पर बिल्कुल इस व्यक्ति की तरह दिखते हैं, तो क्या वे सभी एक ही भविष्य की ओर बढ़ते हैं?

परिणाम चौंकाने वाले थे। अध्ययन किए गए पांच प्रमुख समूहों में, शोधकर्ताओं ने पाया कि लगभग हर मामले में, जो रोगी एक विशिष्ट क्षण पर समान दिखते थे, वे बहुत अलग भविष्य की ओर बढ़े। विशेष रूप से, उनके द्वारा जांचे गए रोगी अवस्थाओं में से 65% से 99% "नॉन-आइडेंटिफिएबल" थे। इसका मतलब है कि इन अधिकांश क्षणों के लिए, उपलब्ध जानकारी ने सुधार या गिरावट के भविष्य के बीच अंतर नहीं किया। कुछ समूहों में, जैसे पार्किंसंस रोग या एमयोट्रोफिक लेटरल स्क्लेरोसिस (ALS) वाले रोगियों में, यह संख्या 98.7% जितनी अधिक थी। और भी अधिक स्पष्ट रूप से, शोधकर्ताओं ने उन मामलों की तलाश की जहां समान स्थिति वाले रोगी विपरीत दिशाओं में गए—एक बेहतर हुआ और दूसरा बदतर। उन्होंने पाया कि इन मेल खाने वाले समूहों में से 59% और 82% के बीच, सकारात्मक और नकारात्मक दोनों परिणाम हो रहे थे। यह सिद्ध करता है कि अस्पष्टता केवल इस बारे में नहीं है कि रोगी स्थिर रहता है या बदलता है; बल्कि यह इस बारे में है कि समान रोगी सक्रिय रूप से विपरीत दिशाओं में जा रहे हैं।

अध्ययन ने एक सामान्य प्रति-तर्क को भी संबोधित किया: शायद डेटा वहां है, लेकिन कंप्यूटर मॉडल पर्याप्त परिष्कृत नहीं हैं कि उसे खोज सकें। इसकी जांच करने के लिए, शोधकर्ताओं ने केवल एक प्रकार के कृत्रिम बुद्धिमत्ता (AI) पर भरोसा नहीं किया। इसके बजाय, उन्होंने सरल सांख्यिकीय उपकरणों से लेकर जटिल डीप लर्निंग सिस्टम तक, विभिन्न मॉडलों के एक "चिड़ियाघर" (zoo) का उपयोग किया। उन्होंने विभिन्न प्रकार के डेटा और विभिन्न रोग परिदृश्यों में इन मॉडलों का परीक्षण किया। परिणाम सुसंगत था: मॉडल चाहे कितना भी उन्नत क्यों न हो, वह इन रोगियों के भविष्य की दिशा की भविष्यवाणी अन्य मॉडलों की तुलना में बेहतर नहीं कर सका। जब मॉडल विफल हुए, तो वे सभी एक ही तरह से विफल हुए। यह सुझाव देता है कि सीमा कंप्यूटर प्रोग्राम की वास्तुकला (architecture) में नहीं, बल्कि उसमें फीड की गई जानकारी में है। एक मॉडल उस अंतर को पैदा नहीं कर सकता जो डेटा में मौजूद ही नहीं है। यदि देखी गई स्थिति में वह सुराग नहीं है जो एक ठीक होने वाले रोगी को एक बिगड़ने वाले रोगी से अलग करता है, तो कोई भी गणितीय जटिलता उस सुराग को नहीं बना सकती।

शोधकर्ताओं ने यह भी देखा कि क्या अधिक इतिहास जोड़ने से समस्या हल हो जाएगी। सहज रूप से, कोई सोच सकता है कि रोगी के पिछले प्रक्षेपवक्र (trajectory) को जानना—कि वे वर्तमान स्थिति तक कैसे पहुंचे—यह अनुमान लगाने में मदद करेगा कि वे आगे कहाँ जा रहे हैं। अध्ययन में पाया गया कि हालांकि इतिहास कभी-कभी मदद करता है, लेकिन अक्सर नहीं करता। कई मामलों में, रोगी की पूरी स्थिति का इतिहास भी कई विपरीत भविष्यों के अनुकूल था। दो रोगियों के पास एक ही बिंदु तक पहुँचने के लिए बहुत अलग रास्ते हो सकते थे, फिर भी उनके बाद के पथ उन तरीकों से अलग हुए जिनकी भविष्यवाणी उनके इतिहास ने नहीं की थी। इसका अर्थ है कि केवल अधिक डेटा एकत्र करना या समय में पीछे देखना स्वचालित रूप से समस्या को हल नहीं करता है। मुख्य बात अवलोकनों की मात्रा नहीं है, बल्कि यह है कि क्या वे अवलोकन उन विशिष्ट सूचनाओं से युक्त हैं जो विभिन्न संभावित भविष्य को अलग कर सकें।

इस निष्कर्ष के चिकित्सा पद्धति के प्रति दृष्टिकोण के लिए गहरे निहितार्थ हैं। वर्षों से, चिकित्सा कृत्रिम बुद्धिमत्ता (Medical AI) में ध्यान बेहतर मॉडल बनाने, अधिक डेटा खोजने और एल्गोरिदम को बेहतर बनाने पर रहा है। यह अध्ययन सुझाव देता है कि यह दृष्टिकोण एक कठिन सीमा (ceiling) से टकराता है। यदि दो रोगियों के बीच अंतर करने के लिए आवश्यक जानकारी नैदानिक रिकॉर्ड में गायब है, तो कोई भी मॉडल इस अंतर को पाट नहीं सकता। समस्या यह नहीं है कि हम डेटा से गलत प्रश्न पूछ रहे हैं; समस्या यह है कि डेटा स्वयं उस प्रश्न का उत्तर देने के लिए अपर्याप्त है। शोधकर्ता इस बात पर जोर देते हैं कि यह दावा नहीं है कि रोगी स्वाभाविक रूप से रहस्यमय तरीके से अप्रत्याशित हैं, बल्कि यह कि जो विशिष्ट जानकारी हम मापते और रिकॉर्ड करते हैं, वह अक्सर उनके भविष्य की कहानी बताने के लिए पर्याप्त नहीं होती है।

अध्ययन यह दावा नहीं करता है कि हमें परिणामों की भविष्यवाणी करना बंद कर देना चाहिए या हम देखभाल में सुधार नहीं कर सकते। इसके बजाय, यह एक अलग मार्ग की ओर संकेत करता है। यदि वर्तमान माप पर्याप्त नहीं हैं, तो समाधान नए प्रकार की जानकारी खोजने में निहित है। इसका अर्थ विभिन्न जैविक मार्करों को मापना, विभिन्न प्रकार की इमेजिंग का उपयोग करना, या उन कारकों को देखना हो सकता है जिन्हें वर्तमान में अनदेखा किया जाता है। इसका अर्थ यह भी हो सकता है कि कुछ रोगियों के लिए, कुछ क्षणों में, उपलब्ध जानकारी सटीक भविष्यवाणी करने की अनुमति नहीं देती है, और सबसे अच्छा कदम निर्णय लेने से पहले अधिक विशिष्ट डेटा एकत्र करना हो सकता है। अध्ययन का निष्कर्ष है कि बेहतर मॉडल बनाने में अपने संसाधन खर्च करने से पहले, हमें पहले यह पूछना चाहिए कि क्या हमारे पास जो जानकारी है वह वास्तव में उन भविष्यों को अलग करने के लिए पर्याप्त है जिनकी हम भविष्यवाणी करने की कोशिश कर रहे हैं।

अंत में, यह शोध प्रिसिजन मेडिसिन (सटीक चिकित्सा) के क्षेत्र के लिए एक गंभीर लेकिन आवश्यक वास्तविकता की जाँच प्रस्तुत करता है। यह दिखाता है कि जो हम देख सकते हैं और जो होने वाला है, उसके बीच का अंतर अक्सर हमारी सोच से कहीं अधिक गहरा है। दो रोगी साथ-साथ खड़े हो सकते हैं, आधुनिक चिकित्सा द्वारा मापे जाने वाले हर तरीके से समान दिख सकते हैं, फिर भी वे पूरी तरह से अलग प्रक्षेपवक्रों पर हो सकते हैं। उनके भविष्य की भविष्यवाणी करने के लिए उपयोग किए जाने वाले उपकरण टूटे हुए नहीं हैं; वे केवल अधूरे मानचित्रों के साथ काम कर रहे हैं। आगे का रास्ता हमें मॉडलिंग के वर्तमान स्तर से परे देखने और इस मौलिक प्रश्न पर ध्यान केंद्रित करने की आवश्यकता बताता है कि एक रोगी की कहानी को दूसरे से अलग करने के लिए वास्तव में किस जानकारी की आवश्यकता है। जब तक हम वह लापता जानकारी नहीं ढूंढ लेते, भविष्यवाणी की सीमाएं बनी रहेंगी, कंप्यूटिंग शक्ति की कमी के कारण नहीं, बल्कि डेटा में स्वयं विभेदक विवरण की कमी के कारण।