क्लिनिकल ट्रायल में जांच के दौरान मेडिकल AI की डायग्नोस्टिक क्षमता पर सवाल

एप्लाइड साइंसेज में पब्लिश एक सिस्टमैटिक रिव्यू और मेटा-एनालिसिस के मुताबिक, AI-बेस्ड क्लिनिकल डिसीजन सपोर्ट सिस्टम हेल्थकेयर प्रोफेशनल्स के बीच डायग्नोस्टिक एक्यूरेसी को थोड़ा बेहतर कर सकते हैं, लेकिन मौजूदा रैंडमाइज्ड ट्रायल के सबूत सीमित, असमान हैं और क्लिनिकल सेटिंग्स में बड़े पैमाने पर डिप्लॉयमेंट को सही ठहराने के लिए काफी मजबूत नहीं हैं।

इस स्टडी का टाइटल है "हेल्थकेयर प्रोफेशनल्स के बीच डायग्नोस्टिक एक्यूरेसी पर AI-बेस्ड क्लिनिकल डिसीजन सपोर्ट सिस्टम का असर: रैंडमाइज्ड कंट्रोल्ड ट्रायल्स का एक सिस्टमैटिक रिव्यू और मेटा-एनालिसिस," इसमें 12,657 पार्टिसिपेंट्स वाले पांच रैंडमाइज्ड कंट्रोल्ड ट्रायल्स का एनालिसिस किया गया और पाया गया कि AI-बेस्ड क्लिनिकल डिसीजन सपोर्ट सिस्टम, स्टैंडर्ड केयर की तुलना में डायग्नोस्टिक एक्यूरेसी में एक छोटे, स्टैटिस्टिकली मामूली सुधार से जुड़े थे, जिसके सबसे मजबूत सिग्नल डीप लर्निंग-बेस्ड रेडियोलॉजी एप्लीकेशन्स में थे।

AI सपोर्ट डायग्नोसिस को बेहतर बनाता है, लेकिन इसका असर कम होता है

डायग्नोसिस एरर हेल्थकेयर में सबसे लगातार रिस्क में से एक है, जो दुनिया भर में क्लिनिकल एनकाउंटर्स को प्रभावित करता है और मरीज़ों को नुकसान पहुंचाता है। रिव्यू में बताया गया है कि मिस्ड, डिले या गलत डायग्नोसिस कॉग्निटिव बायस, टाइम प्रेशर, ओवरकॉन्फिडेंस, इन्फॉर्मेशन ओवरलोड और लिमिटेड डिसीजन-सपोर्ट इंफ्रास्ट्रक्चर से हो सकते हैं। AI-बेस्ड क्लिनिकल डिसीजन सपोर्ट सिस्टम, या AI-CDSS, का इस्तेमाल तेज़ी से डॉक्टरों को मरीज़ के डेटा को समझने, बीमारी के पैटर्न की पहचान करने और डायग्नोस्टिक फैसले लेने में सुधार करने में मदद करने के लिए किया जा रहा है।

रिसर्चर्स ने सिर्फ़ रैंडमाइज़्ड कंट्रोल्ड ट्रायल्स पर फोकस किया, जो रेट्रोस्पेक्टिव या ऑब्ज़र्वेशनल स्टडीज़ के मुकाबले ज़्यादा सख़्त सबूतों का आधार है। यह इसलिए मायने रखता है क्योंकि कई AI हेल्थकेयर दावे असली क्लिनिकल इस्तेमाल के बजाय कंट्रोल्ड डेटासेट में मॉडल परफॉर्मेंस पर आधारित होते हैं। कोई सिस्टम स्टोर की गई इमेज या रिकॉर्ड पर टेस्ट करने पर अच्छा परफॉर्म कर सकता है, लेकिन क्लिनिकल सवाल यह है कि क्या यह असली वर्कफ़्लो में हेल्थकेयर प्रोफेशनल्स द्वारा लिए गए फैसलों को बेहतर बनाता है।

रिव्यू में 2000 और 2026 के बीच पब्लिश हुई स्टडीज़ के लिए PubMed/MEDLINE, CINAHL, Embase, Cochrane CENTRAL और Google Scholar पर सर्च किया गया। एलिजिबल स्टडीज़ को AI-CDSS की तुलना स्टैंडर्ड केयर से करनी थी और लाइसेंस्ड हेल्थकेयर प्रोफेशनल्स के बीच डायग्नोस्टिक एक्यूरेसी को मापना था। पाँच रैंडमाइज़्ड ट्रायल्स क्राइटेरिया पर खरे उतरे।

ट्रायल्स में रेडियोलॉजी, इमरजेंसी मेडिसिन और जनरल मेडिसिन में इस्तेमाल होने वाले AI सिस्टम शामिल थे। पाँच में से चार स्टडीज़ में डीप लर्निंग सिस्टम शामिल थे, जो मुख्य रूप से इमेजिंग टास्क के लिए इस्तेमाल होने वाले कन्वोल्यूशनल न्यूरल नेटवर्क थे। एक स्टडी में डिफरेंशियल डायग्नोसिस सपोर्ट के लिए स्ट्रक्चर्ड इलेक्ट्रॉनिक हेल्थ रिकॉर्ड डेटा पर आधारित एक मशीन लर्निंग सिस्टम शामिल था। इसमें शामिल सिस्टम को चेस्ट रेडियोग्राफी, पल्मोनरी नोड्यूल डिटेक्शन, इमरजेंसी चेस्ट एक्स-रे इंटरप्रिटेशन, इंट्राक्रेनियल हेमरेज डिटेक्शन और जनरल डायग्नोस्टिक सपोर्ट पर टेस्ट किया गया।

पूल किए गए रिजल्ट में 0.182 का स्टैंडर्डाइज़्ड मीन डिफरेंस दिखा, जिसमें 0.003 से 0.362 तक 95% कॉन्फिडेंस इंटरवल था। रिजल्ट स्टैटिस्टिकली सिग्निफिकेंट था, लेकिन बहुत कम। कॉन्फिडेंस इंटरवल का लोअर बाउंड ज़ीरो के करीब था, जिसका मतलब है कि क्लिनिकल टर्म्स में असली असर बहुत कम हो सकता है। इसलिए लेखक सबूतों को डेफिनिटिव के बजाय शुरुआती मानते हैं।

रिव्यू में स्टडीज़ में मीडियम से लेकर काफी अंतर पाया गया, जिससे पता चलता है कि AI-CDSS का असर सिस्टम के टाइप, क्लिनिकल स्पेशियलिटी, टास्क डिज़ाइन और इम्प्लीमेंटेशन सेटिंग पर बहुत ज़्यादा निर्भर करता है। सबूतों को GRADE फ्रेमवर्क के तहत मीडियम सर्टेंटी के तौर पर रेट किया गया था, जिसे इनकंसिस्टेंसी और लिमिटेड जनरलाइज़ेबिलिटी के कारण कुछ हद तक डाउनग्रेड किया गया था।

नतीजों से पता चलता है कि AI सपोर्ट खास हालात में मदद कर सकता है, खासकर तब जब काम छोटा, डेटा-रिच और पैटर्न पहचानने के लिए सही हो।

रेडियोलॉजी में सबसे मज़बूत सिग्नल दिखता है

सबसे मज़बूत नतीजे रेडियोलॉजी से आए, खासकर चेस्ट इमेजिंग से। डीप लर्निंग सिस्टम ने सिंगल मशीन लर्निंग स्टडी की तुलना में ज़्यादा अनुमानित असर दिखाया, जबकि रेडियोलॉजी एप्लीकेशन ने इमरजेंसी मेडिसिन और जनरल मेडिसिन से बेहतर परफॉर्म किया। चेस्ट रेडियोलॉजी ने सबसे ज़्यादा सबग्रुप असर दिखाया, हालांकि लेखक इस बात पर ज़ोर देते हैं कि कुछ सबग्रुप तुलनाएं पक्के नतीजों को सपोर्ट करने के लिए बहुत कम स्टडी पर आधारित थीं।

क्लिनिकल AI के लिए रेडियोलॉजी सबसे ज़्यादा डेवलप्ड एरिया में से एक है क्योंकि इमेज क्लासिफिकेशन टास्क कई तरह के डायग्नोस्टिक रीज़निंग की तुलना में ज़्यादा स्ट्रक्चर्ड होते हैं। AI सिस्टम को बड़े इमेज डेटासेट पर काफ़ी साफ़ लेबल के साथ ट्रेन किया जा सकता है, और परफॉर्मेंस को तय रेफरेंस स्टैंडर्ड के आधार पर जांचा जा सकता है। इसलिए, चेस्ट एक्स-रे, CT स्कैन और दूसरी मेडिकल इमेज मौजूदा डीप लर्निंग तरीकों के लिए ज़्यादा सही हैं, उन मुश्किल मामलों की तुलना में जिनमें लक्षणों, फिजिकल जांच, मेडिकल हिस्ट्री और लैबोरेटरी डेटा के सिंथेसिस की ज़रूरत होती है।

AI-CDSS के लिए जनरल मेडिसिन और इमरजेंसी मेडिसिन ज़्यादा मुश्किल सेटिंग्स हैं। इन एरिया में डायग्नोसिस के लिए अक्सर अनिश्चितता में मल्टीमॉडल रीज़निंग की ज़रूरत होती है। एक डॉक्टर को मरीज़ की बातों, हल्के क्लिनिकल संकेतों, टेस्ट के नतीजों, बदलते लक्षणों, कोमोरबिडिटी और कॉन्टेक्स्ट के हिसाब से फैसले को मिलाने की ज़रूरत हो सकती है। अभी के AI टूल्स को इस तरह की सोच से मैच करने में मुश्किल हो सकती है, खासकर जब डेटा की क्वालिटी एक जैसी न हो या वर्कफ़्लो टाइम-सेंसिटिव हो।

रिव्यू में एक बड़ी इम्प्लीमेंटेशन प्रॉब्लम की भी पहचान की गई है: ऑटोमेशन बायस। डॉक्टर AI रिकमेंडेशन पर बहुत ज़्यादा भरोसा कर सकते हैं, भले ही वे रिकमेंडेशन गलत हों। अगर AI सिस्टम का इस्तेमाल सही ट्रेनिंग, गार्डरेल या ज़रूरी इंसानी निगरानी के बिना किया जाता है, तो यह रिस्क डायग्नोस्टिक एक्यूरेसी को कम कर सकता है। स्टडी में कहा गया है कि AI-CDSS को प्रोफेशनल जजमेंट के लिए सपोर्ट के तौर पर समझा जाना चाहिए, रिप्लेसमेंट के तौर पर नहीं।

AI की क्लिनिकल वैल्यू सिर्फ़ टेक्निकल परफॉर्मेंस पर ही नहीं, बल्कि इस बात पर भी निर्भर करती है कि टूल वर्कफ़्लो में कैसे फिट होता है, रिकमेंडेशन कैसे पेश की जाती हैं, डॉक्टर कैसे रिस्पॉन्स देते हैं और क्या सिस्टम समय के साथ नतीजों को बेहतर बनाता है। एक खराब तरीके से इंटीग्रेटेड AI टूल फ्रिक्शन बढ़ा सकता है, अलर्ट की थकान बढ़ा सकता है या गलत भरोसा पैदा कर सकता है।

रिव्यू में पब्लिकेशन बायस का कोई खास सबूत नहीं मिला, लेकिन इसका छोटा सा सबूत बेस इस बात को लिमिट करता है कि कितना नतीजा निकाला जा सकता है। सिर्फ़ पाँच ट्रायल एनालिसिस के लिए क्वालिफाई हुए। ज़्यादातर ईस्ट एशियन सेटिंग्स में किए गए थे, जिसमें तीन स्टडी साउथ कोरिया से और एक जापान से थी। एक स्टडी मल्टीनेशनल थी। यह कंसंट्रेशन दुनिया भर में आम होने की संभावना को कम करता है क्योंकि हेल्थकेयर सिस्टम, डायग्नोस्टिक वर्कफ़्लो, इमेजिंग इंफ्रास्ट्रक्चर, डॉक्टर की ट्रेनिंग और मरीज़ों की आबादी अलग-अलग इलाकों में अलग-अलग होती है।

लेखकों ने यह भी नोट किया कि ज़्यादातर शामिल स्टडीज़ में फ़ॉलो-अप का समय कम था, जिससे ये ज़रूरी सवाल खुले रह गए कि क्या AI-CDSS के फ़ायदे समय के साथ बने रहते हैं, क्या डॉक्टर AI पर बहुत ज़्यादा निर्भर हो जाते हैं, क्या सिस्टम अपडेट होने पर गलतियाँ बदल जाती हैं और क्या मरीज़ों के नतीजे डायग्नोस्टिक सटीकता से ज़्यादा बेहतर होते हैं।

अस्पतालों को चुनिंदा रोलआउट और लगातार मॉनिटरिंग की ज़रूरत है

कुल मिलाकर, स्टडी इस बात पर ज़ोर देती है कि AI डायग्नोस्टिक सपोर्ट को चुनिंदा तरीके से लागू किया जाना चाहिए, न कि बड़े पैमाने पर। अस्पतालों को उन सेटिंग्स को प्राथमिकता देनी चाहिए जहाँ ट्रायल के सबूत फ़ायदा दिखाते हैं और यह मानने से बचना चाहिए कि रेडियोलॉजी में सफलता अपने आप जनरल मेडिसिन, इमरजेंसी केयर या दूसरे मुश्किल डायग्नोस्टिक माहौल में चली जाएगी।

नतीजों से रेगुलेटरी और सुरक्षा संबंधी चिंताएँ भी पैदा होती हैं। AI-CDSS टूल क्लिनिकल व्यवहार को बदल सकते हैं, और उनका प्रदर्शन मरीज़ों के ग्रुप में अलग-अलग हो सकता है। अगर कोई AI मॉडल ज़्यादातर एक आबादी के डेटा पर ट्रेन किया जाता है, तो यह दूसरी आबादी में कम सटीकता से काम कर सकता है। इससे एल्गोरिदमिक बायस और अलग-अलग डायग्नोस्टिक क्वालिटी का खतरा पैदा होता है। AI इस्तेमाल करने वाले हेल्थ सिस्टम को उम्र, लिंग, जाति, बीमारी की गंभीरता और देखभाल की सेटिंग के हिसाब से परफॉर्मेंस पर नज़र रखनी चाहिए।

रिव्यू में पोस्ट-मार्केट सर्विलांस और लगातार आउटकम मॉनिटरिंग की बात कही गई है। AI सिस्टम स्टैटिक मेडिकल डिवाइस नहीं हैं। उन्हें समय के साथ अपडेट किया जा सकता है, रीट्रेन किया जा सकता है या अलग-अलग वर्कफ़्लो में इंटीग्रेट किया जा सकता है। एक टूल जो एक हॉस्पिटल में अच्छा परफॉर्म करता है, वह दूसरी जगह अलग तरह से परफॉर्म कर सकता है। इसलिए लगातार इवैल्यूएशन ज़रूरी है।

हॉस्पिटल को यह असेसमेंट करने की ज़रूरत है कि क्या स्टाफ सिस्टम पर ठीक से भरोसा करता है, क्या सिस्टम वर्कफ़्लो को धीमा करता है या बेहतर बनाता है, क्या अलर्ट समझ में आते हैं और क्या डॉक्टरों को पता है कि AI रिकमेंडेशन को कब चैलेंज करना है। ट्रेनिंग का फोकस न केवल AI का इस्तेमाल कैसे करें, बल्कि इसकी लिमिट को पहचानने पर भी होना चाहिए।

फ्यूचर रिसर्च में ज़्यादा स्पेशियलिटी, ज़्यादा रीजन और ज़्यादा अलग-अलग तरह के हेल्थकेयर सिस्टम में रैंडमाइज्ड ट्रायल शामिल होने चाहिए। ट्रायल में न केवल डायग्नोस्टिक एक्यूरेसी, बल्कि पेशेंट आउटकम, कॉस्ट-इफेक्टिवनेस, हेल्थ इक्विटी, डॉक्टर के वर्कलोड और लॉन्ग-टर्म सेफ्टी को भी मेज़र किया जाना चाहिए। अलग-अलग AI आर्किटेक्चर की तुलना करने वाली हेड-टू-हेड स्टडी से यह तय करने में भी मदद मिलेगी कि कौन से सिस्टम खास कामों के लिए सबसे अच्छा काम करते हैं।

एनालिसिस में केवल पाँच रैंडमाइज्ड ट्रायल शामिल थे, जिससे इसका स्कोप लिमिटेड हो गया। सबूत रेडियोलॉजी और ईस्ट एशियन हेल्थकेयर सिस्टम में कंसंट्रेटेड थे। कुछ सबग्रुप के नतीजे सिंगल स्टडीज़ पर आधारित थे और उनसे बड़ी तुलना नहीं की जा सकती। कुल मिलाकर असर स्टैटिस्टिकली कमज़ोर था, और जब एक असरदार स्टडी को हटा दिया गया तो नतीजे का महत्व खत्म हो गया।