Evidence-Grounded Retrieval- Augmented Generation and Knowledge-Graph Grounding for Patient-Safety Reasoning: A Comparative Evaluation

अस्पताल के गहन देखभाल इकाई (ICU) के उच्च-जोखिम वाले वातावरण में, त्रुटि की गुंजाइश बेहद कम होती है। एक दवा और रोगी के विशिष्ट लैब परिणामों के बीच एक छूटा हुआ संपर्क, या किसी पिछली प्रक्रिया को वर्तमान लक्षण से जोड़ने में विफलता, निवारणीय क्षति का कारण बन सकती है। दशकों से, डॉक्टर इस जटिल सूचना जाल को समझने के लिए अपने स्वयं के प्रशिक्षण और स्मृति पर भरोसा करते आए हैं, लेकिन आधुनिक चिकित्सा में डेटा की मात्रा इतनी विशाल हो गई है कि कोई भी मानव मस्तिष्क इसे एक साथ नहीं रख सकता। यहीं पर आर्टिफिशियल इंटेलिजेंस (AI) प्रवेश करता है, जो एक नए प्रकार के सहायक के रूप में कार्य करता है जो सेकंडों में चिकित्सा रिकॉर्ड के हजारों पन्नों को पढ़ने में सक्षम है। हालाँकि, ये शक्तिशाली कंप्यूटर प्रोग्राम, जिन्हें 'लार्ज लैंग्वेज मॉडल्स' कहा जाता है, में एक महत्वपूर्ण दोष है: वे आत्मविश्वास के साथ बोलने में तो उत्कृष्ट हैं लेकिन कभी-कभी तथ्य गढ़ सकते हैं या महत्वपूर्ण विवरणों को छोड़ सकते हैं, जो कि तब अस्वीकार्य है जब रोगी की सुरक्षा दांव पर हो। इसे ठीक करने के लिए, शोधकर्ता इन AI प्रणालियों को "ग्राउंड" (ground) करने के तरीके तलाश रहे हैं, जिससे उन्हें केवल अपनी आंतरिक स्मृति के बजाय वास्तविक, बाहरी साक्ष्य और संरचित तथ्यों पर निर्भर रहने के लिए मजबूर किया जा सके।

शारारे ताहेरी मोगादम और एम. शफीकुर रहमान जाबिन के नेतृत्व में शोधकर्ताओं की एक टीम ने यह परीक्षण करने का लक्ष्य रखा कि इन AI सहायकों को रोगी देखभाल के लिए सुरक्षित और अधिक विश्वसनीय कैसे बनाया जाए। उन्होंने संभावित खतरों को भांपने के लिए उपयोग किए जाने वाले एक विशिष्ट प्रकार के आर्टिफिशियल इंटेलिजेंस तर्क (reasoning) पर ध्यान केंद्रित किया। टीम ने एक मौलिक प्रश्न पूछा: क्या AI को अद्यतित चिकित्सा अनुसंधान की एक लाइब्रेरी तक पहुंच देना मददगार है, या इसे चिकित्सा अवधारणाओं के बीच संबंधों का एक संरचित मानचित्र (map) देना बेहतर है? या, शायद सबसे महत्वपूर्ण बात यह है कि क्या दोनों दृष्टिकोणों को मिलाने से एक ऐसी प्रणाली बनती है जो अकेले किसी एक के उपयोग से कहीं अधिक श्रेष्ठ है? उत्तर खोजने के लिए, उन्होंने हजारों गहन देखभाल रोगियों के वास्तविक, अज्ञात (de-identified) डेटा का उपयोग करके एक नियंत्रित प्रयोग बनाया। उन्होंने एक ही सुरक्षा समस्याओं को हल करने के लिए एक ही AI सिस्टम के चार अलग-अलग संस्करण बनाए। पहला संस्करण बुनियादी मॉडल था, जो केवल उस पर निर्भर था जो उसने अपने प्रशिक्षण के दौरान सीखा था। दूसरे संस्करण को एक सर्च इंजन तक पहुंच दी गई जो प्रासंगिक चिकित्सा लेखों और दिशानिर्देशों को खोजकर लाता था। तीसरे संस्करण को एक संरचित 'नॉलेज ग्राफ' (knowledge graph) से जोड़ा गया था, जो एक डिजिटल मानचित्र है जो रोगियों, दवाओं, लैब परीक्षणों और सुरक्षा घटनाओं को आपस में जोड़ता है। चौथा और अंतिम संस्करण सबसे मजबूत था, जो सर्च इंजन और संरचित मानचित्र दोनों से सुसज्जित था।

इसके बाद शोधकर्ताओं ने इन चार प्रणालियों को क्रिटिकल केयर रिकॉर्ड से प्राप्त वास्तविक रोगी परिदृश्यों का उपयोग करके परखा। उन्होंने प्रणालियों से सुरक्षा संबंधी चिंताओं की पहचान करने, अपने तर्क को समझाने और किसी भी जोखिम की ओर संकेत करने के लिए कहा। परिणाम स्पष्ट और सुसंगत थे। बुनियादी AI मॉडल, अपने आप पर छोड़ दिए जाने पर, सबसे अधिक त्रुटियां करता था। इसने बार-बार बिना आधार वाले दावे किए, महत्वपूर्ण सुरक्षा संबंधों को मिस किया, और ऐसे स्पष्टीकरण दिए जिन्हें मानव विशेषज्ञों के लिए सत्यापित करना कठिन था। जब शोधकर्ताओं ने सर्च इंजन की क्षमता जोड़ी, तो सिस्टम की दिशा में सुधार हुआ, उसने वास्तविक चिकित्सा साहित्य का हवाला दिया और मनगढ़ंत तथ्यों की संख्या को कम किया, हालांकि विश्लेषण में ये विशिष्ट लाभ सांख्यिकीय रूप से महत्वपूर्ण (statistically significant) नहीं पाए गए। जब उन्होंने संरचित ज्ञान मानचित्र (knowledge map) जोड़ा, तो सिस्टम में भी सुधार हुआ, वह स्थापित चिकित्सा संबंधों के आधार पर यह समझने में बेहतर हुआ कि एक विशिष्ट दवा किसी विशिष्ट रोगी स्थिति के साथ कैसे परस्पर क्रिया कर सकती है। हालाँकि, जिस सिस्टम ने दोनों उपकरणों—सर्च इंजन और नॉलेज मैप—को मिलाया था, उसने समग्र रूप से सर्वश्रेष्ठ प्रदर्शन किया। इस हाइब्रिड सिस्टम ने सबसे सटीक तथ्यपूर्ण उत्तर, सबसे सुरक्षित सिफारिशें और सबसे पारदर्शी स्पष्टीकरण दिए। जहाँ इसने 'हलुसिनेशन' (hallucination) और बिना आधार वाले दावों के निम्नतम स्तर को दिखाया, वहीं सांख्यिकीय विश्लेषण ने उल्लेख किया कि संयुक्त प्रणाली और बेसलाइन के बीच बाइनरी त्रुटि पैटर्न में अंतर सांख्यिकीय रूप से महत्वपूर्ण नहीं था।

अध्ययन से पता चला कि ये दो उपकरण अलग-अलग लेकिन पूरक भूमिकाएं निभाते हैं। सर्च इंजन एक संदर्भ पुस्तकालयाध्यक्ष (reference librarian) की तरह कार्य करता है, जो नवीनतम शोध और दिशानिर्देशों को खोजता है ताकि यह सुनिश्चित हो सके कि AI नवीनतम जानकारी के साथ काम कर रहा है। नॉलेज मैप एक संरचनात्मक इंजीनियर (structural engineer) की तरह कार्य करता है, जो एक कठोर ढांचा प्रदान करता है जो स्पष्ट रूप से दिखाता है कि विभिन्न चिकित्सा तथ्य एक-दूसरे से कैसे जुड़े हैं। जब एक साथ उपयोग किए जाते हैं, तो वे एक सुरक्षा जाल बनाते हैं जो उन त्रुटियों को पकड़ लेता है जिन्हें कोई भी उपकरण अकेले नहीं पकड़ पाता। शोधकर्ताओं ने पाया कि संरचित ज्ञान मानचित्र विशेष रूप से शक्तिशाली था, जिसने अकेले सर्च इंजन की तुलना में समग्र सटीकता में अधिक योगदान दिया। यह सुझाव देता है कि रोगी सुरक्षा के लिए, केवल अधिक टेक्स्ट तक पहुंच होना पर्याप्त नहीं है; AI को तथ्यों के बीच के संबंधों को समझने की आवश्यकता है। संयुक्त प्रणाली न केवल अधिक आत्मविश्वासी सुनाई देती थी; बल्कि यह तथ्यात्मक शुद्धता और साक्ष्य आधारित होने के मामले में स्पष्ट रूप से अधिक विश्वसनीय थी, जिसमें "हलुसिनेशन" (जहाँ AI ऐसी विवरण बनाता है जो कभी हुए ही नहीं) के मामलों में कमी का रुझान देखा गया।

इन आशाजनक परिणामों के बावजूद, शोधकर्ता सावधानीपूर्वक यह नोट करते हैं कि यह डॉक्टरों को बदलने के लिए तैयार कोई अंतिम उत्पाद नहीं है। अध्ययन 'रिट्रोस्पेक्टिव डेटा' (retrospective data) का उपयोग करके किया गया था, जिसका अर्थ है कि AI का परीक्षण पिछले रिकॉर्ड पर किया गया था, न कि लाइव अस्पताल सेटिंग में जहाँ यह वास्तविक समय में वास्तविक रोगियों के साथ बातचीत करेगा। मापे गए सुधार AI के तर्क की गुणवत्ता और साक्ष्य उद्धृत करने की इसकी क्षमता में थे, न कि वास्तविक रोगी परिणामों में जैसे कि कम लोग बीमार हुए या नहीं। टीम ने यह भी पाया कि हालांकि सिस्टम बेहतर था, लेकिन यह पूर्ण नहीं था। ऐसे क्षण भी थे जहाँ प्राप्त जानकारी पूरी तरह से प्रासंगिक नहीं थी, या जहाँ साक्ष्य और निष्कर्ष के बीच संबंध को और मजबूत किया जा सकता था। अध्ययन इस बात पर जोर देता है कि लक्ष्य एक स्वायत्त निर्णय लेने वाला बनाना नहीं है, बल्कि एक ऐसा उपकरण बनाना है जो मानव चिकित्सकों को सहायता प्रदान करे। इस दृष्टि में, AI एक अत्यधिक सूचित सहायक के रूप में कार्य करता है जो जोखिमों को उजागर करता है और साक्ष्य प्रदान करता है, जिससे अंतिम निर्णय और जिम्मेदारी चिकित्सा पेशेवर के हाथों में रहती है।

इस कार्य के निहितार्थ केवल एक अस्पताल या एक प्रकार की त्रुटि तक ही सीमित नहीं हैं। यह एक ब्लूप्रिंट प्रदान करता है कि कैसे आर्टिफिशियल इंटेलिजेंस को महत्वपूर्ण क्षेत्रों में भरोसेमंद बनाया जा सकता है। यह सिद्ध करके कि बाहरी साक्ष्य को संरचित ज्ञान के साथ मिलाने से एक अधिक विश्वसनीय प्रणाली बनती है, शोधकर्ताओं ने एक ऐसा मार्ग दिखाया है जिससे ऐसे AI विकसित किया जा सके जिस पर डॉक्टर वास्तव में भरोसा कर सकें। निष्कर्ष बताते हैं कि चिकित्सा AI का भविष्य केवल मॉडलों को अलग-थलग बड़े या स्मार्ट बनाने में नहीं है, बल्कि उन्हें अपने स्वयं के विचारों को सत्यापित करने के लिए बेहतर उपकरण देने में है। जैसे-जैसे स्वास्थ्य सेवा उद्योग इन तकनीकों को एकीकृत करने की ओर बढ़ रहा है, इस अध्ययन का सबक स्पष्ट है: सुरक्षा मशीन को वास्तविकता से जोड़ने (grounding) से आती है, यह सुनिश्चित करते हुए कि उसका प्रत्येक दावा एक वास्तविक रोगी रिकॉर्ड, एक सत्यापित चिकित्सा दिशानिर्देश, या चिकित्सा अवधारणाओं के बीच एक सिद्ध संबंध तक वापस जा सके। यह दृष्टिकोण AI को अनुमान लगाने वाले एक 'ब्लैक बॉक्स' से बदलकर एक पारदर्शी भागीदार में बदल देता है जो तर्क करता है, जिससे एक ऐसे भविष्य का मार्ग प्रशस्त होता है जहाँ तकनीक और मानवीय विशेषज्ञता मिलकर नुकसान को रोकने के लिए काम करते हैं।