Design and Feasibility of a Large Language Model-Based Teaching Pathway for Clinical Pharmacy Practice Competencies

स्वास्थ्य सेवा की दुनिया में, मरीजों से बात करना सीखना उतना ही महत्वपूर्ण है जितना कि यह जानना कि कौन सी दवा निर्धारित करनी है। नए क्लिनिकल फार्मासिस्टों के लिए, इन बातचीत में महारत हासिल करने का रास्ता अक्सर एक सरल वास्तविकता से बाधित होता है: अभ्यास के लिए पर्याप्त वास्तविक मरीज उपलब्ध नहीं हैं, और जो विशेषज्ञ उनका मार्गदर्शन कर सकते हैं वे हर बातचीत को देखने के लिए बहुत व्यस्त हैं। पारंपरिक रूप से, स्कूलों ने "मानकीकृत रोगियों" (standardized patients) का उपयोग किया है—जो प्रशिक्षित अभिनेता होते हैं जो विशिष्ट लक्षणों के साथ बीमार होने का नाटक करते हैं—ताकि सुरक्षित अभ्यास वातावरण बनाया जा सके। हालांकि यह प्रभावी है, लेकिन इन अभिनेताओं को काम पर रखना महंगा है, उन्हें शेड्यूल करना कठिन है, और वे एक स्क्रिप्ट को केवल कुछ ही बार दोहरा सकते हैं इससे पहले कि वे थक जाएं या असंगत हो जाएं।

इस समस्या को हल करने के लिए, शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस की ओर रुख करना शुरू कर दिया है, विशेष रूप से एक प्रकार के कंप्यूटर प्रोग्राम जिसे 'लार्ज लैंग्वेज मॉडल' कहा जाता है। ये मॉडल विशाल मात्रा में टेक्स्ट पर प्रशिक्षित होते हैं और मानव जैसे उत्तर उत्पन्न कर सकते हैं, जिससे वे आभासी रोगियों (virtual patients) को बनाने के लिए संभावित उम्मीदवार बन जाते हैं जो कभी थकते नहीं हैं। हालांकि, चिकित्सा में इस तकनीक का उपयोग करने के शुरुआती प्रयासों के परिणामस्वरूप अक्सर कठोर, रोबोटिक बातचीत हुई जो अप्राकृतिक लगी या उपयोगी फीडबैक देने में विफल रही। चुनौती इन कंप्यूटर प्रोग्रामों को न केवल बात करना सिखाने की थी, बल्कि उन्हें एक चिकित्सा इतिहास वाले वास्तविक व्यक्ति की तरह व्यवहार करना सिखाने की भी थी, और साथ ही उन्हें एक छात्र के प्रदर्शन को निष्पक्ष रूप से ग्रेड करना सिखाने की भी थी।

नैन्जिंग मेडिकल यूनिवर्सिटी के एफिलिएटेड कैंसर अस्पताल के शोधकर्ताओं की एक टीम ने इस तकनीक का उपयोग करके फार्मासिस्टों को प्रशिक्षित करने का एक नया तरीका बनाने और परीक्षण करने का निर्णय लिया। वे देखना चाहते थे कि क्या वे एक ऐसा आभासी शिक्षण प्रणाली बना सकते हैं जो उपयोगी होने के लिए पर्याप्त वास्तविक महसूस हो, लेकिन बिना किसी मानव शिक्षक की उपस्थिति के सटीक फीडबैक देने के लिए पर्याप्त स्मार्ट भी हो। उन्होंने ऑन्कोलॉजी, या कैंसर देखभाल पर ध्यान केंद्रित किया, जो एक ऐसा क्षेत्र है जहाँ दवा प्रबंधन जटिल होता है और गलतियाँ खतरनाक हो सकती हैं। टीम ने विभिन्न प्रकार के कैंसर और कीमोथेरेपी व्यवस्था वाले रोगियों से जुड़े तीन विशिष्ट परिदृश्य बनाए। इसके बाद उन्होंने इक्कीस प्रशिक्षुओं, जिनमें जूनियर फार्मासिस्ट और स्नातक छात्र शामिल थे, को एक ओपन-सोर्स आर्टिफिशियल इंटेलिजेंस मॉडल द्वारा संचालित आभासी रोगी के साथ बातचीत करके अपने कौशल का अभ्यास करने के लिए आमंत्रित किया।

शोधकर्ताओं ने सिस्टम को दो मुख्य लक्ष्यों के साथ डिजाइन किया था: पहला, आभासी रोगी को एक वास्तविक व्यक्ति की तरह बोलने और व्यवहार करने के लिए बनाना, और दूसरा, कंप्यूटर को प्रशिक्षु के प्रदर्शन को स्वचालित रूप से स्कोर करने के लिए तैयार करना। पहले लक्ष्य को प्राप्त करने के लिए, उन्होंने निर्देशों का एक संरचित सेट, जिसे 'प्रॉम्ट' (prompt) कहा जाता है, का उपयोग किया, जिसने कंप्यूटर को ठीक से बताया कि उसे कैसे व्यवहार करना है। कंप्यूटर को एक मरीज के रूप में चरित्र में रहने, स्वाभाविक रूप से प्रश्नों का उत्तर देने और चिकित्सा विवरण केवल तभी साझा करने का निर्देश दिया गया था जब पूछा जाए या जब उसे लगे कि एक वास्तविक व्यक्ति ऐसी जानकारी स्वेच्छा से देगा। दूसरे लक्ष्य को प्राप्त करने के लिए, उन्होंने कंप्यूटर को एक परीक्षक के रूप में कार्य करने के लिए निर्देशों का एक अलग सेट दिया, जो बातचीत के टेक्स्ट की समीक्षा करता है ताकि यह देख सके कि क्या प्रशिक्षु ने सही प्रश्न पूछे और आवश्यक जानकारी एकत्र की।

जब अध्ययन शुरू हुआ, तो परिणाम उत्साहजनक थे। आभासी रोगी उल्लेखनीय रूप से विश्वसनीय थे। विशेषज्ञों ने बातचीत की समीक्षा की और कंप्यूटर की वास्तविक मानव की तरह दिखने की क्षमता को बहुत उच्च रेटिंग दी, यह देखते हुए कि भाषण स्वाभाविक था और रोबोटिक कड़ापन से मुक्त था। प्रशिक्षियों ने भी सहमति व्यक्त की, उन्होंने बताया कि वे मानवीय अभिनेता की तुलना में बातचीत के दौरान अधिक सहज और कम तनावपूर्ण महसूस करते थे। उन्होंने सराहना की कि आभासी रोगी ने बिना किसी निर्णय के डर के अभ्यास करने के लिए एक सुरक्षित स्थान प्रदान किया, जिससे उन्हें पूरी तरह से बातचीत पर ध्यान केंद्रित करने की अनुमति मिली। सिस्टम ने एक वास्तविक अस्पताल वार्ड राउंड के प्रवाह को सफलतापूर्वक सिम्युलेट किया, जो मेडिकल हिस्ट्री लेने से लेकर मरीज को परामर्श देने और उनके सवालों के जवाब देने तक फैला हुआ था।

कंप्यूटर प्रशिक्षुओं को ग्रेड करने में भी सक्षम सिद्ध हुआ। जब शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस द्वारा दिए गए स्कोर की तुलना मानव विशेषज्ञों के पैनल द्वारा दिए गए स्कोर से की, तो उन्होंने बहुत मजबूत सहमति पाई। कंप्यूटर और मनुष्यों ने आम तौर पर प्रशिक्षुओं को एक ही क्रम में रैंक किया, जिससे यह पहचान हुआ कि किसने अच्छा प्रदर्शन किया और किसे अधिक अभ्यास की आवश्यकता है। हालांकि, अध्ययन ने कंप्यूटर के ग्रेडिंग तर्क में एक विशिष्ट खामी भी उजागर की। आर्टिफिशियल इंटेलिजेंस मानव विशेषज्ञों की तुलना में कम अंक देने की प्रवृत्ति रखता था, जो एक मानक पैमाने पर लगभग ढाई अंकों का अंतर था।

इस अंतर का कारण नियमों की व्याख्या करने का कंप्यूटर का तरीका है। एक वास्तविक बातचीत में, एक मरीज महत्वपूर्ण जानकारी स्वेच्छा से दे सकता है, जैसे कि वे जिस दुष्प्रभाव का अनुभव कर रहे हैं उसका उल्लेख करना, भले ही फार्मासिस्ट ने अभी तक इसके बारे में नहीं पूछा हो। मानव विशेषज्ञ इसे एक सफल बातचीत के रूप में समझते हैं क्योंकि फार्मासिस्ट के पास अब वह जानकारी है। हालांकि, कंप्यूटर को एक विशिष्ट प्रश्न और उसके बाद के उत्तर को सख्ती से खोजने के लिए प्रोग्राम किया गया था। यदि मरीज ने बिना पूछे ही जानकारी दे दी, तो कंप्यूटर ने कभी-कभी अंक काट लिए, यह सोचकर कि फार्मासिस्ट ने सही प्रश्न नहीं पूछा। यह सुझाव देता है कि हालांकि कंप्यूटर सख्त नियमों का पालन करने में उत्कृष्ट है, फिर भी यह मानवीय बातचीत की सूक्ष्म और लचीली प्रकृति के साथ संघर्ष करता है जहाँ चेकलिस्ट से अधिक संदर्भ मायने रखता है।

इस स्कोरिंग सीमा के बावजूद, अध्ययन ने निष्कर्ष निकाला कि यह दृष्टिकोण प्रशिक्षण के लिए एक शक्तिशाली उपकरण है। यह प्रणाली अभी तक उच्च-दांव वाली परीक्षाओं के लिए मानव शिक्षकों को बदलने के लिए तैयार नहीं है जहाँ एक एकल स्कोर करियर निर्धारित करता है, क्योंकि इसमें निरंतर कम अनुमान लगाने की प्रवृत्ति है। लेकिन दैनिक अभ्यास, आत्म-मूल्यांकन और आत्मविश्वास बनाने के लिए, यह एक समाधान प्रदान करता है जो कम लागत वाला, हमेशा उपलब्ध और अत्यधिक प्रभावी है। शोधकर्ताओं ने दिखाया कि आर्टिफिशियल इंटेलिजेंस को निर्देशित करने के लिए स्पष्ट निर्देशों का उपयोग करके, वे एक ऐसा शिक्षण मार्ग बना सकते हैं जो वास्तविक और स्केलेबल दोनों है। इसका अर्थ है कि सीमित बजट वाले अस्पताल और स्कूल इस पद्धति को अपना सकते हैं ताकि वे अपने प्रशिक्षुओं को आवश्यक अभ्यास दे सकें, जिससे कक्षा सीखने और वास्तविक दुनिया की रोगी देखभाल के बीच के अंतर को पाटा जा सके। यह कार्य सुझाव देता है कि चिकित्सा प्रशिक्षण का भविष्य केवल अधिक अभिनेताओं को काम पर रखने पर नहीं, बल्कि कंप्यूटर को एक वास्तविक मानव के सूक्ष्म विवेक के साथ सुनने और प्रतिक्रिया देने के लिए प्रशिक्षित करने पर निर्भर हो सकता है।