Bridging the QC–QA Cognitive Handoff: An Agentic Verification Harness for Error Detection, Specification Cross-Checking and Quality Documentation Assembly in Pharmaceutical Quality Assurance

प्रत्येक दवा जो फार्मेसी के शेल्फ तक पहुँचती है, वह कागज पर किए गए एक वादे के रूप में अपना जीवन शुरू करती है। एक भी गोली पैक होने से पहले, एक फार्मास्युटिकल कंपनी को नियामकों को यह साबित करना होगा कि उसका उत्पाद सुरक्षित, शुद्ध और बिल्कुल वही है जिसका वह दावा करती है। यह प्रमाण एक विशाल नियामक डोजियर (dossier) के रूप में आता है, जो परीक्षण परिणामों, विनिर्माण लॉग और स्थिरता डेटा वाले हजारों पृष्ठों का एक संग्रह है। इस डेटा की यात्रा दो टीमों के बीच एक रिले रेस की तरह है: गुणवत्ता नियंत्रण वैज्ञानिक जो लैब में कच्चे नंबर उत्पन्न करते हैं, और गुणवत्ता आश्वासन समीक्षक जिन्हें उन नंबरों को अंतिम आवेदन में कॉपी करना होता है। दशकों से, यह एक मैनुअल प्रक्रिया रही है। एक मानव समीक्षक बैठता है, एक लैब रिपोर्ट खोलता है, एक मान (value) ढूंढता है, अंतिम दस्तावेज़ खोलता है, और जांचता है कि नंबर मेल खाते हैं या नहीं। वे सैकड़ों मानों के लिए ऐसा करते हैं, यह सुनिश्चित करते हुए कि एक बैच नंबर हर उस जगह समान हो जहाँ वह दिखाई देता है, कि एक तारीख तर्कसंगत हो, और कि एक परिणाम सुरक्षा सीमाओं के भीतर हो। यह अत्यधिक मात्रा और उच्च दांव वाला कार्य है। एक लिपिकीय त्रुटि (transcription error), एक गलत दशमलव बिंदु, या एक छूटा हुआ परिणाम, किसी जीवन रक्षक दवा की मंजूरी में देरी कर सकता है या, इससे भी बदतर, एक दोषपूर्ण उत्पाद को मरीजों तक पहुँचने दे सकता है।

चुनौती यह नहीं है कि गणित कठिन है; गणित सरल है। कठिनाई आवश्यक जाँचों की विशाल संख्या और थकान या व्याकुलता के कारण गलतियाँ करने की मानवीय प्रवृत्ति है। हाल के वर्षों में, आर्टिफिशियल इंटेलिजेंस (AI) को इसे स्वचालित करने के समाधान के रूपв रूप में प्रस्तावित किया गया है। हालाँकि, मानक AI मॉडल अक्सर इस विशिष्ट कार्य के लिए अविश्वसनीय होते हैं। वे सुसंगत हो सकते हैं लेकिन गलत हो सकते हैं, ऐसे तथ्य गढ़ सकते हैं जो सुनने में तर्कसंगत लगते हैं लेकिन मूल दस्तावेजों में मौजूद नहीं होते। वे किसी संख्या की गलत गणना कर सकते हैं या किसी मान को उसके मूल पृष्ठ तक ट्रैक करने में विफल हो सकते हैं। एक विनियमित उद्योग के लिए जहाँ प्रत्येक दावे के पीछे अकाट्य साक्ष्य होना चाहिए, एक ऐसा सिस्टम जो केवल अनुमान लगाता है, पर्याप्त नहीं है। उद्योग को एक ऐसे उपकरण की आवश्यकता है जो मनुष्य की तरह पढ़े लेकिन मशीन की तरह गणना करे, जो अपने आप में कोई निर्णय न ले बल्कि केवल एक योग्य विशेषज्ञ द्वारा समीक्षा के लिए संभावित त्रुटियों को चिह्नित करे।

यही वह समस्या है जिसे हल करने के लिए शोधकर्ताओं की एक टीम ने एक नए प्रकार के सॉफ्टवेयर सिस्टम के साथ प्रयास किया। उन्होंने ऐसा AI बनाने की कोशिश नहीं की जो अंतिम रिपोर्ट लिख सके या यह तय कर सके कि दवा सुरक्षित थी या नहीं। इसके बजाय, उन्होंने एक 'वेरिफिकेशन हार्नेस' (verification harness) बनाया, एक संरचित वर्कफ़्लो जो पढ़ने, गणना करने और निर्णय लेने की भूमिकाओं को अलग करता है। उनके सिस्टम में, एक आर्टिफिशियल इंटेलिजेंस मॉडल केवल एक 'रीडर' (पाठक) के रूप में कार्य करता है। यह दस्तावेजों को स्कैन करता है और प्रस्तावित करता है कि कोई संख्या या तारीख क्या हो सकती है। एक बार जब AI एक प्रस्ताव बनाता है, तो वह तुरंत हट जाता है। एक अलग, नियतात्मक (deterministic) कंप्यूटर प्रोग्राम कार्यभार संभाल लेता है। यह प्रोग्राम प्रत्येक गणना करता है, प्रत्येक गणितीय समस्या की जाँच करता है, और प्रत्येक प्रस्तावित मान की तुलना नियमों और सीमाओं के विरुद्ध करता है जो विनियमों में परिभाषित हैं। यदि नंबर मेल नहीं खाते, या यदि एक दस्तावेज़ में एक मान दूसरे दस्तावेज़ के मान से विरोधाभासी है, तो सिस्टम विसंगति को चिह्नित करता है। अंत में, एक योग्य फार्मासिस्ट प्रत्येक फ्लैग (flag) की समीक्षा करता है। मानव अंतिम निर्णय लेता है कि फ्लैग एक वास्तविक त्रुटि है या एक गलत अलार्म। AI निर्णय नहीं लेता; वह केवल सुझाव देता है। कोड अनुमान नहीं लगाता; वह केवल गणना करता है। मानव अनुमान नहीं लगाता; वह केवल निर्णय लेता है।

यह परीक्षण करने के लिए कि क्या यह दृष्टिकोण वास्तव में काम करता है, शोधकर्ताओं ने एक एकल निर्माता के तीन वास्तविक नियामक डोजियर का उपयोग करके एक यथार्थवादी परीक्षण वातावरण बनाया। ये वास्तविक दुनिया के दस्तावेज़ थे जिनमें सैकड़ों डेटा बिंदु शामिल थे, जो टैबलेट और कैप्सूल जैसी विभिन्न प्रकार की दवाओं को कवर करते थे। यह देखने के लिए कि क्या सिस्टम त्रुटियों को ढूंढ सकता है, टीम ने इन दस्तावेजों की प्रतियों में विशिष्ट गलतियाँ डालीं। उन्होंने तीन फाइलों में 332 विशिष्ट त्रुटियाँ डालीं, जिनमें एक अंक का बदलना, दो स्थानों पर अलग बैच नंबर होना, या माप की गलत इकाई में परिणाम रिपोर्ट करना शामिल था। फिर सिस्टम को इन दस्तावेजों पर चलाया गया, बिना यह बताए कि त्रुटियाँ कहाँ छिपाई गई थीं। इसे पृष्ठों को पढ़ने, डेटा को क्रॉस-रेफरेंस करने और नियमों को लागू करने की अपनी क्षमता पर पूरी तरह से निर्भर रहते हुए, खुद से उन्हें खोजना था।

परिणामों ने दिखाया कि सिस्टम डाली गई त्रुटियों को खोजने में प्रभावी था, हालांकि पूर्ण नहीं। तीन अलग-अलग डोजियरों में, सिस्टम ने डाली गई गलतियों में से 84 प्रतिशत का सफलतापूर्वक पता लगाया, जिसका अर्थ है कि उसने 52 गलतियाँ छोड़ दीं। पहले डोजियर में, इसने 112 में से 95 त्रुटियाँ पाईं। दूसरे में, इसने 100 में से 80 पाईं। तीसरे में, इसने 120 में से 105 पाईं। सिस्टम ने उन सभी प्रकार की त्रुटियों में से कम से कम एक त्रुटि खोजने में सफलता प्राप्त की जिन्हें खोजने के लिए इसे डिज़ाइन किया गया था, जिसमें गायब मान, विरोधाभासी तिथियां और सुरक्षा सीमाओं से मेल न खाने वाले परिणाम शामिल थे। यह सुझाव देता है कि रीडर को कैलकुलेटर से अलग करने वाली वास्तुकला (architecture) फार्मास्युटिकल डेटा की जटिलता को संभालने का एक व्यवहार्य तरीका है। सिस्टम विभिन्न दस्तावेजों के लेआउट से भ्रमित नहीं हुआ, हालांकि शोधकर्ता नोट करते हैं कि केवल तीन डोजियरों के साथ, लेआउट अंतर के लिए सांख्यिकीय परीक्षण की शक्ति सीमित है। इसने लगातार पहचाना कि कई मामलों में कुछ गलत था, लेकिन 52 छूटी हुई त्रुटियों के लिए, कारण अज्ञात है; शोधकर्ता यह निर्धारित नहीं कर सके कि वे पढ़ने की त्रुटियों, नियमों के अंतराल, या स्कोरिंग निर्णयों के कारण थे।

हालाँकि, शोधकर्ता यह स्पष्ट करने में सावधानी बरतते हैं कि इस अध्ययन ने क्या सिद्ध नहीं किया। जबकि सिस्टम ने डाली गई त्रुटियों को खोजा, अध्ययन ने यह माप नहीं किया कि यह कितनी बार 'फॉल्स अलार्म' (गलत चेतावनी) उत्पन्न कर सकता है। चूंकि शोधकर्ताओं ने सिस्टम को त्रुटि-मुक्त दस्तावेजों पर नहीं चलाया, इसलिए वे यह नहीं कह सकते कि सिस्टम कितनी बार एक सही मान को गलती के रूप में चिह्नित कर सकता है। एक वास्तविक परिदृश्य में, यदि सिस्टम बहुत अधिक गलत अलार्म देता है, तो यह मानव समीक्षकों को अभिभूत कर सकता है, जिससे काम तेज़ होने के बजाय धीमा हो जाएगा। इसके अलावा, अध्ययन ने केवल एक बार प्रत्येक दस्तावेज़ पर सिस्टम चलाया। इसने यह परीक्षण नहीं किया कि क्या सिस्टम एक ही दस्तावेज़ को दूसरी बार चलाने पर भी वही परिणाम देगा, जो किसी भी विनियमित वातावरण में उपयोग किए जाने वाले उपकरण के लिए एक प्रमुख आवश्यकता है। टीम ने यह भी उल्लेख किया कि उनके द्वारा डाली गई त्रुटियों का घनत्व सामान्य सबमिशन की तुलना में बहुत अधिक था, जिससे त्रुटियों को पहचानना आसान हो गया होगा।

इस कार्य का सबसे महत्वपूर्ण योगदान स्वयं डिटेक्शन रेट (खोज दर) नहीं हो सकता है, बल्कि वह ब्लूप्रिंट है जो यह भविष्य में ऐसे सिस्टम का परीक्षण करने के लिए प्रदान करता है। शोधकर्ताओं ने एक निष्पक्ष परीक्षण बनाने के लिए एक विस्तृत प्रोटोकॉल तैयार किया, जिसमें ज्ञात त्रुटियों के साथ दस्तावेजों का सेट बनाना, स्वतंत्र विशेषज्ञों द्वारा उन त्रुटियों को सत्यापित करना और बिना किसी पूर्वाग्रह के सिस्टम के प्रदर्शन को मापना शामिल है। उन्होंने जोर दिया कि फार्मास्युटिकल गुणवत्ता में आर्टिफिशियल इंटेलिजेंस पर भरोसा करने के लिए, इसे उन मानकों के विरुद्ध मान्य किया जाना चाहिए जो उतने ही कठोर हों जितने कि वे नियम जिनका यह समर्थन करने के लिए बनाया गया है। अध्ययन निष्कर्ष निकालता है कि हालांकि सिस्टम आशाजनक है, लेकिन यह अभी तक दैनिक उपयोग के लिए तैयार कोई पूर्ण उत्पाद नहीं है। यह एक 'प्रूफ ऑफ कॉन्सेप्ट' है जो एक मार्ग प्रदर्शित करता है: एक ऐसा उपकरण जो डेटा तुलना के भारी काम को संभालकर मानव बुद्धि को बढ़ाता है, जबकि अंतिम निर्णय उन योग्य मानव विशेषज्ञों को सौंप देता है जो अंततः रोगी सुरक्षा के लिए जिम्मेदार हैं। यह कार्य सुझाव देता है कि दवा गुणवत्ता आश्वासन का भविष्य मानव समीक्षक को बदलने में नहीं है, बल्कि उन्हें एक तेज़, अधिक विश्वसनीय दृष्टि देने में है ताकि वे उन गलतियों को पकड़ सकें जिन्हें मात्रा और थकान अन्यथा छूट जाने देती।