A Systematic Literature Review of Large Language Models in Clinical Triage from Risk Stratification to Human Escalation
यह व्यवस्थित और बिब्लियोमेट्रिक समीक्षा नैदानिक ट्राइएज (clinical triage) में लार्ज लैंग्वेज मॉडल्स के अनुप्रयोग का विश्लेषण करने के लिए 2022 और 2026 के बीच प्रकाशित 89 अध्ययनों का संश्लेषण करती है, जो उनकी अनुकूलन रणनीतियों, सुरक्षा तंत्रों और प्रदर्शन मेट्रिक्स का मूल्यांकन करती है और आपातकालीन देखभाल सेटिंग्स में उनके सुरक्षित अनुवाद के मार्गदर्शन के लिए एक नया 5-आयामी ढांचा प्रस्तावित करती 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
हर दिन, आपातकालीन कक्षों को देखभाल चाहने वाले लोगों के एक निरंतर ज्वार का सामना करना पड़ता है। कुछ मामूली खरोंच के साथ आते हैं, जबकि अन्य अपने जीवन के लिए संघर्ष कर रहे होते हैं। मरीजों को छाँटने का महत्वपूर्ण कार्य, जिसे ट्राइएज (triage) कहा जाता है, नर्सों और डॉक्टरों पर आता है जिन्हें तुरंत यह निर्णय लेना होता है कि किसे तत्काल ध्यान देने की आवश्यकता है और कौन प्रतीक्षा कर सकता है। यह प्रक्रिया मानकीकृत पैमानों पर निर्भर करती है जो तात्कालिकता का एक स्तर निर्धारित करते हैं, जिसमें पुनर्जीवन (resuscitation) की आवश्यकता वाले सबसे गंभीर मामलों से लेकर उन तक शामिल हैं जो गैर-जरूरी हैं। हालाँकि, जैसे-जैसे अस्पताल अधिक भीड़भाड़ वाले होते जा रहे हैं और डिजिटल स्वास्थ्य इनटेक का वॉल्यूम बढ़ रहा है, इन मानवीय द्वारपालों पर दबाव तीव्र होता जा रहा है। हाल के वर्षों में, एक नए प्रकार के आर्टिफिशियल इंटेलिजेंस का उदय हुआ है जो उल्लेखनीय प्रवाह के साथ मानवीय भाषा को पढ़ और समझ सकता है। ये प्रणालियाँ, जिन्हें लार्ज लैंग्वेज मॉडल्स (large language models) के रूप में जाना जाता है, लक्षणों के बारे में जटिल कहानियों की व्याख्या कर सकती हैं और चिकित्सा सलाह का सुझाव दे सकती हैं। लेकिन जहाँ वे रोगियों के प्रवाह को प्रबंधित करने में मदद करने के लिए एक संभावित उपकरण प्रदान करती हैं, वहीं वे महत्वपूर्ण जोखिम भी उठाती हैं। यदि ऐसा कोई मशीन किसी स्थिति का गलत आकलन करता है, तो इसके परिणाम गंभीर हो सकते हैं, जो महत्वपूर्ण रोगियों के लिए अनावश्यक देरी से लेकर उन लोगों के लिए आपातकालीन संसाधनों की अधिकता तक हो सकते हैं जिन्हें उनकी आवश्यकता नहीं है।
संयुक्त राज्य अमेरिका, भारत और यूरोप के संस्थानों के शोधकर्ताओं की एक टीम ने यह समझने के लिए हाथ मिलाया कि इन आर्टिफिशियल इंटेलिजेंस प्रणालियों का इस उच्च-दांव वाली भूमिका के लिए वास्तव में कैसे परीक्षण किया जा रहा है। उन्होंने 2022 और 2026 के बीच प्रकाशित नब्बे वैज्ञानिक अध्ययनों की एक व्यापक समीक्षा की। उनका लक्ष्य केवल यह देखना नहीं था कि तकनीक काम करती है या नहीं, बल्कि यह जांचना था कि इसे कैसे बनाया गया है, इसका परीक्षण कैसे किया जाता है, और क्या यह वास्तव में एक वास्तविक अस्पताल में उपयोग किए जाने के लिए पर्याप्त सुरक्षित है। शोधकर्ताओं ने पाया कि हालांकि ये कंप्यूटर प्रोग्राम अनुसंधान में तेजी से सामान्य होते जा रहे हैं, लेकिन वे अभी तक अपने आप में जीवन-मृत्यु के निर्णय लेने के लिए तैयार नहीं हैं। उनके द्वारा विश्लेषण किए गए अध्ययनों ने एक ऐसे परिदृश्य का खुलासा किया जहाँ तकनीक तेजी से सुधर रही है, फिर भी यह सबसे खतरनाक त्रुटियों के साथ संघर्ष करती है: एक मरीज को पहचान पाने में विफल होना जो गंभीर स्थिति में है।
समीक्षा की शुरुआत उन सभी उपलब्ध अध्ययनों को एकत्र करने से हुई जिन्होंने रोगी छँटाई के लिए इन भाषा-आधारित प्रणालियों के उपयोग को देखा था। शोधकर्ताओं ने सैकड़ों रिकॉर्ड्स को छानबीन किया, और अंततः नब्बे प्राथमिक अध्ययनों को चुना जो सख्त मानदंडों को पूरा करते थे। उन्होंने पाया कि इनमें से लगभग आधे अध्ययन आपातकालीन विभागों पर केंद्रित थे, जहाँ गति की आवश्यकता सबसे अधिक होती है। एक अन्य महत्वपूर्ण हिस्सा आउटपेशेंट क्लीनिकों और प्री-हॉस्पिटल आपातकालीन सेवाओं पर केंद्रित था। शोधकर्ताओं ने एक स्पष्ट रुझान देखा कि इन प्रणालियों को कैसे विकसित किया जा रहा था। शुरुआती अध्ययनों में, वैज्ञानिकों ने बस कंप्यूटर से बिना किसी विशेष प्रशिक्षण के प्रश्न पूछने को कहा, जिसे 'जीरो-शॉट प्रॉम्प्टिंग' (zero-shot prompting) नामक विधि कहा जाता है। हालाँकि, जैसे-जैसे समय बीता, शोधकर्ताओं ने अधिक परिष्कृत तकनीकों का उपयोग करना शुरू कर दिया। उन्होंने प्रणालियों को विशिष्ट चिकित्सा दिशानिर्देशों को खिलाना या उन्हें अस्पताल के नियमों के डेटाबेस से जोड़ना शुरू किया ताकि वे बेहतर निर्णय ले सकें। कुछ टीमों ने तो ऐसी प्रणालियाँ भी बनाईं जहाँ कई कंप्यूटर एजेंट मिलकर काम करते थे, जिसमें एक एजेंट निदान प्रस्तावित करता था और दूसरा त्रुटियों की जाँच के लिए एक आलोचक के रूप में कार्य करता था।
इन तकनीकी प्रगति के बावजूद, प्रदर्शन डेटा एक जटिल कहानी बताता है। मानक चिकित्सा पैमानों के विरुद्ध परीक्षण किए जाने पर, आर्टिफिशियल इंटेलिजेंस प्रणालियों ने अक्सर उच्च समग्र सटीकता प्राप्त की, जो लगभग अस्सी प्रतिशत मामलों में रोगियों को सही ढंग से वर्गीकृत करती हैं। हालाँकि, शोधकर्ताओं ने जोर देकर कहा कि एक उच्च औसत स्कोर एक खतरनाक दोष को छिपा देता है। आपातकालीन चिकित्सा की दुनिया में, सभी गलतियाँ समान नहीं होती हैं। एक प्रणाली जो मामूली चोट की गंभीरता को बढ़ाकर बताती है, वह केवल एक मरीज को लाइन में आगे भेज देती है, जिससे दूसरों के लिए देरी होती है लेकिन शायद ही कभी नुकसान पहुँचाती है। इसके विपरीत, एक प्रणाली जो गंभीर स्थिति की गंभीरता को कम आंकती है, वह एक मरते हुए मरीज को लाइन में पीछे भेज देती है, जिससे संभावित रूप प्रकार मृत्यु हो सकती है। समीक्षा में पाया गया कि जहाँ ये प्रणालियाँ मामूली समस्याओं की पहचान करने में आम तौर पर अच्छी थीं, वहीं वे अक्सर सबसे जरूरी मामलों को पहचानने में विफल रहीं। एक विशिष्ट अध्ययन ने रेखांकित किया कि इन प्रणालियों ने बच्चों के मामले में महत्वपूर्ण संख्या में चूक की, जिनमें सांस की नली में फंसी वस्तुओं के कारण होने वाली आपात स्थिति शामिल थी, जो एक जीवन-घातक आपात स्थिति है जिसके लिए तत्काल कार्रवाई की आवश्यकता होती है।
शोधकर्ताओं ने यह भी जांचा कि ये प्रणालियाँ अनिश्चितता को कैसे संभालती हैं। एक मानव डॉक्टर जानता है कि वह कब अनिश्चित है और वह मदद मांगेगा या अधिक परीक्षण करेगा। हालाँकि, कंप्यूटर प्रोग्राम अक्सर यह नहीं जानते कि वे अनुमान लगा रहे हैं। समीक्षा में पाया गया कि लगभग सत्तर प्रतिशत अध्ययनों में, शोधकर्ताओं ने यह मापने के लिए कोई तंत्र शामिल नहीं किया था कि सिस्टम अपने उत्तर के प्रति कितना आश्वस्त था। इस सुरक्षा जाँच के बिना, एक कंप्यूटर पूर्ण निश्चितता के साथ गलत उत्तर दे सकता है, जो कि हिचकिचाहट वाले उत्तर की तुलना में कहीं अधिक खतरनाक है। इसके अलावा, कई अध्ययन उस डेटा पर निर्भर थे जो पहले से ही अस्पताल के रिकॉर्ड में लिखा गया था या वैज्ञानिकों द्वारा लैब सेटिंग में बनाया गया था। ये स्थिर रिकॉर्ड एक व्यस्त आपातकालीन कक्ष की अराजक वास्तविकता को नहीं दर्शाते हैं, जहाँ एक मरीज की स्थिति मिनट-दर-मिनट बदल सकती है, या जहाँ परिवार का कोई सदस्य भ्रमित या भावनात्मक तरीके से लक्षणों का वर्णन कर सकता है।
इन खतरों को संबोधित करने के लिए, लेखकों ने एक नया ढांचा प्रस्तावित किया कि इन प्रणालियों को वास्तविक लोगों के उपयोग से पहले कैसे बनाया और परखा जाना चाहिए। उन्होंने तर्क दिया कि एक कंप्यूटर को कभी भी सबसे गंभीर आपात स्थितियों के लिए पहली रक्षा पंक्ति नहीं होना चाहिए। इसके बजाय, उन्होंने एक बहुस्तरीय दृष्टिकोण का सुझाव दिया। पहला स्तर नियमों का एक सरल, अपरिवizable सेट होना चाहिए जो तुरंत "सीने में दर्द" या "सांस लेने में कठिनाई" जैसे विशिष्ट कीवर्ड्स को फ्लैग करे और उन मरीजों को सीधे एक मानव डॉक्टर के पास भेज दे, जिससे वे जटिल भाषा मॉडल को पूरी तरह से बायपास कर सकें। दूसरा स्तर भाषा मॉडल का होगा, लेकिन केवल तभी जब इसकी लगातार चिकित्सा दिशानिर्देशों के विरुद्ध जाँच की जाए और यदि इसे अनिश्चित होने पर स्वीकार करने के लिए प्रोग्राम किया गया हो। यदि सिस्टम आश्वस्त नहीं है, तो उसे रुकना चाहिए और मदद के लिए मानव से पूछना चाहिए। अंतिम स्तर मानव डॉक्टर है, जिसका निर्णय हमेशा अंतिम होना चाहिए। समीक्षा ने निष्कर्ष निकाला कि हालांकि ये उपकरण डॉक्टरों को उनके कार्यभार को प्रबंधित करने में मदद करने के लिए आशाजनक हैं, लेकिन वे मानव निर्णय का स्थान लेने के लिए अभी तैयार नहीं हैं। तकनीक तेजी से आगे बढ़ रही है, लेकिन मानव जीवन के भरोसे के लिए आवश्यक सुरक्षा उपाय अभी भी बनाए जा रहे हैं। जब तक वे सुरक्षा उपाय स्थापित नहीं हो जाते, इन प्रणालियों की भूमिका एक सहायक सहायक के रूप में रहनी चाहिए, न कि एक स्वायत्त निर्णय लेने वाले के रूप में।
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।