समाचार

2007 में आईबीएम वाटसन की शुरुआत के बाद से, मानव लगातार चिकित्सा कृत्रिम बुद्धिमत्ता (एआई) के विकास में लगा हुआ है। एक उपयोगी और शक्तिशाली चिकित्सा एआई प्रणाली में आधुनिक चिकित्सा के सभी पहलुओं को नया रूप देने, अधिक स्मार्ट, सटीक, कुशल और समावेशी देखभाल को सक्षम बनाने, चिकित्साकर्मियों और रोगियों के स्वास्थ्य को बेहतर बनाने और इस प्रकार मानव स्वास्थ्य में व्यापक सुधार लाने की अपार क्षमता है। पिछले 16 वर्षों में, हालाँकि चिकित्सा एआई शोधकर्ताओं ने विभिन्न छोटे-छोटे क्षेत्रों में काम किया है, लेकिन इस स्तर पर, वे अभी तक विज्ञान कथा को वास्तविकता में नहीं बदल पाए हैं।

इस वर्ष, चैटजीपीटी जैसी एआई तकनीक के क्रांतिकारी विकास के साथ, मेडिकल एआई ने कई पहलुओं में शानदार प्रगति की है। मेडिकल एआई की क्षमता में अभूतपूर्व सफलता: नेचर जर्नल ने लगातार मेडिकल बड़े भाषा मॉडल और मेडिकल इमेज बेसिक मॉडल के अनुसंधान को लॉन्च किया है; Google ने Med-PaLM और इसके उत्तराधिकारी को जारी किया, जो US मेडिकल प्रैक्टिशनर परीक्षा के प्रश्नों में एक विशेषज्ञ स्तर तक पहुँच गया। प्रमुख अकादमिक पत्रिकाएँ मेडिकल AI पर ध्यान केंद्रित करेंगी: नेचर ने सामान्य मेडिकल AI के मूल मॉडल पर दृष्टिकोण जारी किया; इस वर्ष की शुरुआत में मेडिसिन में एआई की समीक्षाओं की एक श्रृंखला के बाद, न्यू इंग्लैंड जर्नल ऑफ मेडिसिन (NEJM) ने 30 नवंबर को अपनी पहली डिजिटल स्वास्थ्य समीक्षा प्रकाशित की,

नीचे, हम 2023 में प्रयोग करने योग्य चिकित्सा एआई की दिशा में दुनिया भर के शोधकर्ताओं द्वारा की गई महत्वपूर्ण प्रगति की समीक्षा करते हैं।

मेडिकल एआई बेसिक मॉडल

मेडिकल एआई बेसिक मॉडल का निर्माण निस्संदेह इस वर्ष का सबसे गर्म शोध केंद्र है। नेचर पत्रिकाओं ने वर्ष के दौरान हेल्थकेयर के यूनिवर्सल बेसिक मॉडल और हेल्थकेयर के बड़े भाषा मॉडल पर समीक्षा लेख प्रकाशित किए हैं। उद्योग की शीर्ष पत्रिका, मेडिकल इमेज एनालिसिस ने मेडिकल इमेज विश्लेषण में बुनियादी मॉडल अनुसंधान की चुनौतियों और अवसरों की समीक्षा की और उनका इंतजार किया, और मेडिकल एआई के बुनियादी मॉडल अनुसंधान के विकास को संक्षेप और मार्गदर्शन करने के लिए "बेसिक मॉडल की वंशावली" की अवधारणा का प्रस्ताव रखा। हेल्थकेयर के लिए बुनियादी एआई मॉडल का भविष्य स्पष्ट होता जा रहा है। चैटजीपीटी जैसे बड़े भाषा मॉडल के सफल उदाहरणों का उपयोग करते हुए, अधिक उन्नत स्व-पर्यवेक्षित पूर्व-प्रशिक्षण विधियों और प्रशिक्षण डेटा के विशाल संचय का उपयोग करते हुए,

चिकित्सा डेटा अधिग्रहण एआई मॉडल

डाउनस्ट्रीम क्लिनिकल डेटा विश्लेषण कार्यों में महत्वपूर्ण भूमिका निभाने वाले बड़े एआई मॉडल के अलावा, अपस्ट्रीम क्लिनिकल डेटा अधिग्रहण में, जनरेटिव एआई मॉडल द्वारा दर्शाई गई तकनीक भी उभरी है। एआई एल्गोरिदम द्वारा डेटा अधिग्रहण की प्रक्रिया, गति और गुणवत्ता में उल्लेखनीय सुधार किया जा सकता है।

इस वर्ष की शुरुआत में, नेचर बायोमेडिकल इंजीनियरिंग ने तुर्की के स्ट्रेट्स विश्वविद्यालय का एक अध्ययन प्रकाशित किया, जो नैदानिक ​​अनुप्रयोगों में पैथोलॉजिकल इमेज-असिस्टेड डायग्नोसिस की समस्या को हल करने के लिए जनरेटिव एआई के उपयोग पर केंद्रित था। सर्जरी के दौरान जमे हुए खंड के ऊतकों में कलाकृतियाँ तेजी से नैदानिक ​​मूल्यांकन में बाधा हैं। हालांकि फॉर्मेलिन और पैराफिन एम्बेडेड (FFPE) ऊतक एक उच्च गुणवत्ता वाला नमूना प्रदान करता है, इसकी उत्पादन प्रक्रिया समय लेने वाली है और अक्सर 12-48 घंटे लगते हैं, जिससे यह सर्जरी में उपयोग के लिए अनुपयुक्त हो जाता है। इसलिए अनुसंधान दल ने AI-FFPE नामक एक एल्गोरिथ्म का प्रस्ताव दिया, जो जमे हुए खंड में ऊतक की उपस्थिति को FFPE के समान बना सकता है। एल्गोरिथ्म ने जमे हुए खंडों की कलाकृतियों को सफलतापूर्वक ठीक किया, छवि की गुणवत्ता में सुधार किया

सेल रिपोर्ट्स मेडिसिन जिलिन विश्वविद्यालय के थर्ड क्लिनिकल कॉलेज, रेडियोलॉजी विभाग, फुडन विश्वविद्यालय से संबद्ध झोंगशान अस्पताल और शंघाई विज्ञान एवं प्रौद्योगिकी विश्वविद्यालय [25] की एक टीम द्वारा किए गए शोध कार्य की रिपोर्ट करता है। यह अध्ययन उच्च बहुमुखी प्रतिभा और लचीलेपन के साथ एक सामान्य-उद्देश्य वाले गहन शिक्षण और पुनरावृत्त पुनर्निर्माण संलयन ढांचे (हाइब्रिड डीएल-आईआर) का प्रस्ताव करता है, जो तेज एमआरआई, कम खुराक सीटी और तेज पीईटी में उत्कृष्ट छवि पुनर्निर्माण प्रदर्शन दिखाता है। एल्गोरिथ्म 100 सेकंड में एमआर सिंगल-ऑर्गन मल्टी-सीक्वेंस स्कैनिंग को प्राप्त कर सकता है, विकिरण खुराक को सीटी छवि के केवल 10% तक कम कर सकता है और शोर को खत्म कर सकता है और गति कलाकृतियों के प्रभाव को कम करते हुए 2 से 4 गुना त्वरण के साथ पीईटी अधिग्रहण से छोटे घावों का पुनर्निर्माण कर सकता है।

चिकित्साकर्मियों के सहयोग से मेडिकल एआई

मेडिकल एआई के तेजी से विकास ने चिकित्सा पेशेवरों को भी गंभीरता से विचार करने और यह पता लगाने के लिए प्रेरित किया है कि नैदानिक ​​प्रक्रियाओं को बेहतर बनाने के लिए एआई के साथ कैसे सहयोग किया जाए। इस साल जुलाई में, डीपमाइंड और एक बहु-संस्थागत शोध दल ने संयुक्त रूप से कॉम्प्लिमेंट्री ड्रिवेन क्लिनिकल वर्कफ़्लो डिले (CoDoC) नामक एक AI प्रणाली का प्रस्ताव रखा। नैदानिक ​​प्रक्रिया का पहले एक पूर्वानुमानित AI प्रणाली द्वारा निदान किया जाता है, फिर पिछले परिणाम पर एक अन्य AI प्रणाली द्वारा निर्णय लिया जाता है, और यदि संदेह है, तो निदान अंततः नैदानिक ​​सटीकता और संतुलन दक्षता में सुधार के लिए एक चिकित्सक द्वारा किया जाता है। जब स्तन कैंसर की जांच की बात आती है, तो CoDoC ने उसी झूठी नकारात्मक दर के साथ झूठी सकारात्मक दरों को 25% तक कम कर दिया, जबकि यूके में वर्तमान "डबल-रीड आर्बिट्रेशन" प्रक्रिया की तुलना में चिकित्सक के कार्यभार को 66% तक कम कर दिया।

इसी तरह, यूके के लंदन में खेइरॉन कंपनी की एनी वाई. एनजी एट अल ने डबल-रीड आर्बिट्रेशन प्रक्रिया में कोई रिकॉल परिणाम न होने पर परिणामों की दोबारा जांच करने के लिए (मानव परीक्षकों के सहयोग से) अतिरिक्त एआई रीडर्स की शुरुआत की, जिससे शुरुआती स्तन कैंसर जांच में छूटे हुए पता लगाने की समस्या में सुधार हुआ और इस प्रक्रिया में लगभग कोई गलत सकारात्मक परिणाम नहीं थे। टेक्सास विश्वविद्यालय के मैकगवर्न मेडिकल स्कूल की एक टीम के नेतृत्व में और चार स्ट्रोक केंद्रों पर पूरे किए गए एक अन्य अध्ययन में बड़े संवहनी अवरोधक इस्केमिक स्ट्रोक (एलवीओ) का पता लगाने के लिए कंप्यूटेड टोमोग्राफी एंजियोग्राफी (सीटीए) आधारित एआई तकनीक लागू की गई। चिकित्सकों और रेडियोलॉजिस्ट को सीटी इमेजिंग पूरी होने के कुछ ही मिनटों के भीतर उनके मोबाइल फोन पर रीयल-टाइम अलर्ट प्राप्त होते हैं, जो उन्हें एलवीओ की संभावित उपस्थिति के बारे में सूचित करते हैं

सार्वभौमिक लाभ के लिए एक एआई स्वास्थ्य सेवा मॉडल

2023 में कई अच्छे काम भी देखने को मिलेंगे, जो मेडिकल एआई का उपयोग करके उन विशेषताओं को ढूंढ़ते हैं जो मानव आंखों के लिए अधिक आसानी से उपलब्ध डेटा से अदृश्य हैं, जिससे सार्वभौमिक निदान और बड़े पैमाने पर प्रारंभिक जांच संभव हो सके। वर्ष की शुरुआत में, नेचर मेडिसिन ने सन यात-सेन विश्वविद्यालय के झोंगशान आई सेंटर और फ़ुज़ियान मेडिकल यूनिवर्सिटी के दूसरे संबद्ध अस्पताल द्वारा किए गए अध्ययनों को प्रकाशित किया। स्मार्टफोन को एप्लिकेशन टर्मिनलों के रूप में उपयोग करते हुए, उन्होंने बच्चों की निगाहों को प्रेरित करने और बच्चों के टकटकी व्यवहार और चेहरे की विशेषताओं को रिकॉर्ड करने के लिए कार्टून जैसी वीडियो छवियों का उपयोग किया और जन्मजात मोतियाबिंद, जन्मजात पीटोसिस और जन्मजात ग्लूकोमा सहित 16 नेत्र रोगों की सफलतापूर्वक पहचान करने के लिए डीप लर्निंग मॉडल का उपयोग करके असामान्य मॉडलों का विश्लेषण किया,

वर्ष के अंत में, नेचर मेडिसिन ने शंघाई इंस्टीट्यूट ऑफ पैंक्रियाटिक डिजीज और झेजियांग विश्वविद्यालय के प्रथम संबद्ध अस्पताल सहित दुनिया भर के 10 से अधिक चिकित्सा और अनुसंधान संस्थानों द्वारा किए गए कार्य की रिपोर्ट प्रस्तुत की। लेखक ने शारीरिक परीक्षण केंद्रों, अस्पतालों आदि में बिना लक्षण वाले लोगों की अग्नाशय कैंसर की जाँच में कृत्रिम बुद्धिमत्ता (एआई) का प्रयोग किया, ताकि सादे स्कैन सीटी चित्रों में घावों की उन विशेषताओं का पता लगाया जा सके जिन्हें केवल नंगी आँखों से पहचानना मुश्किल होता है, ताकि अग्नाशय के कैंसर का कुशल और गैर-आक्रामक प्रारंभिक पता लगाया जा सके। 20,000 से अधिक रोगियों के डेटा की समीक्षा में, मॉडल ने चिकित्सकीय रूप से छूटे हुए घावों के 31 मामलों की भी पहचान की, जिससे नैदानिक ​​परिणामों में उल्लेखनीय सुधार हुआ।

चिकित्सा डेटा साझा करना

2023 में, दुनिया भर में कई और अधिक परिपूर्ण डेटा साझाकरण तंत्र और सफल मामले सामने आए हैं, जो डेटा गोपनीयता और सुरक्षा की रक्षा के आधार पर बहु-केंद्र सहयोग और डेटा खुलापन सुनिश्चित करते हैं।

सबसे पहले, एआई तकनीक की मदद से ही, एआई शोधकर्ताओं ने चिकित्सा डेटा साझा करने में योगदान दिया है। संयुक्त राज्य अमेरिका के रटगर्स विश्वविद्यालय के क्यूई चांग और अन्य ने नेचर कम्युनिकेशंस में एक लेख प्रकाशित किया, जिसमें वितरित सिंथेटिक एडवर्सेरियल नेटवर्क पर आधारित एक संघीय शिक्षण ढाँचा डीएसएल प्रस्तावित किया गया है, जो बहु-केंद्रों के विशिष्ट उत्पन्न डेटा को प्रशिक्षित करने के लिए जनरेटिव एआई का उपयोग करता है, और फिर बहु-केंद्रों के वास्तविक डेटा को उत्पन्न डेटा से बदल देता है। डेटा गोपनीयता की रक्षा करते हुए बहु-केंद्रीय बड़े डेटा पर आधारित एआई प्रशिक्षण सुनिश्चित करें। इसी टीम ने उत्पन्न रोग संबंधी छवियों और उनके संबंधित एनोटेशन के एक डेटासेट को भी ओपन-सोर्स किया है। उत्पन्न डेटासेट पर प्रशिक्षित विभाजन मॉडल वास्तविक डेटा के समान परिणाम प्राप्त कर सकता है।

सिंघुआ विश्वविद्यालय के दाई किओन्घाई की टीम ने एनपीजे डिजिटल हेल्थ पर एक शोधपत्र प्रकाशित किया, जिसमें रिले लर्निंग का प्रस्ताव दिया गया है, जो स्थानीय डेटा संप्रभुता और क्रॉस-साइट नेटवर्क कनेक्शन की अनुपस्थिति के आधार पर एआई मॉडल को प्रशिक्षित करने के लिए मल्टी-साइट बिग डेटा का उपयोग करता है। यह एआई प्रदर्शन की खोज के साथ डेटा सुरक्षा और गोपनीयता संबंधी चिंताओं को संतुलित करता है। इसी टीम ने बाद में गुआंगज़ौ मेडिकल विश्वविद्यालय के प्रथम संबद्ध अस्पताल और देश भर के 24 अस्पतालों के सहयोग से, संघीय शिक्षा पर आधारित चेस्ट सीटी पैन-मीडियास्टिनल ट्यूमर निदान प्रणाली, कैमेन (CAIMEN) को संयुक्त रूप से विकसित और प्रमाणित किया। यह प्रणाली, जिसे 12 सामान्य मीडियास्टिनल ट्यूमर पर लागू किया जा सकता है, ने अकेले इस्तेमाल करने पर मानव विशेषज्ञों की तुलना में 44.9 प्रतिशत बेहतर सटीकता हासिल की, और मानव विशेषज्ञों की सहायता से निदान में 19 प्रतिशत बेहतर सटीकता हासिल की।

दूसरी ओर, सुरक्षित, वैश्विक, बड़े पैमाने पर चिकित्सा डेटा सेट बनाने के लिए कई पहल चल रही हैं। नवंबर 2023 में, हार्वर्ड मेडिकल स्कूल में बायोमेडिकल इंफॉर्मेटिक्स विभाग से अगस्टिना साएंज़ और अन्य ने लैंसेट डिजिटल हेल्थ में ऑनलाइन मेडिकल इमेज डेटा साझा करने के लिए एक वैश्विक ढांचा प्रकाशित किया, जिसे आर्टिफिशियल इंटेलिजेंस डेटा फॉर ऑल हेल्थकेयर (MAIDA) कहा जाता है। वे डेटा संग्रह को मानकीकृत करने के लिए यूएस फेडरल डिमॉन्स्ट्रेशन पार्टनर (FDP) टेम्पलेट का उपयोग करके डेटा संग्रह और डी-आइडेंटिफिकेशन पर व्यापक मार्गदर्शन प्रदान करने के लिए दुनिया भर के स्वास्थ्य सेवा संगठनों के साथ काम कर रहे हैं। वे दुनिया भर के विभिन्न क्षेत्रों और नैदानिक ​​सेटिंग्स में एकत्र किए गए डेटा सेट को धीरे-धीरे जारी करने की योजना बना रहे हैं। पहला डेटासेट 2024 की शुरुआत में जारी होने की उम्मीद है

इस प्रस्ताव के मद्देनजर, यूके बायोबैंक ने एक मिसाल कायम की है। यूके बायोबैंक ने 30 नवंबर को अपने 5,00,000 प्रतिभागियों के संपूर्ण जीनोम अनुक्रमण से नया डेटा जारी किया। यह डेटाबेस, जो 5,00,000 ब्रिटिश स्वयंसेवकों में से प्रत्येक का संपूर्ण जीनोम अनुक्रम प्रकाशित करता है, दुनिया का सबसे बड़ा संपूर्ण मानव जीनोम डेटाबेस है। दुनिया भर के शोधकर्ता इस अज्ञात डेटा तक पहुँच का अनुरोध कर सकते हैं और इसका उपयोग स्वास्थ्य और रोग के आनुवंशिक आधार की जाँच के लिए कर सकते हैं। आनुवंशिक डेटा अतीत में सत्यापन के लिए हमेशा अत्यधिक संवेदनशील रहा है, और यूके बायोबैंक की यह ऐतिहासिक उपलब्धि साबित करती है कि एक खुला, गोपनीयता-मुक्त वैश्विक बड़े पैमाने का डेटाबेस बनाना संभव है। इस तकनीक और डेटाबेस के साथ, मेडिकल एआई अगली छलांग लगाने के लिए बाध्य है।

चिकित्सा एआई का सत्यापन और मूल्यांकन

चिकित्सा एआई तकनीक के तेज़ी से विकास की तुलना में, चिकित्सा एआई के सत्यापन और मूल्यांकन का विकास थोड़ा धीमा है। सामान्य एआई क्षेत्र में सत्यापन और मूल्यांकन अक्सर चिकित्सकों और रोगियों की एआई संबंधी वास्तविक आवश्यकताओं की अनदेखी करते हैं। पारंपरिक यादृच्छिक नियंत्रित नैदानिक ​​परीक्षण एआई उपकरणों के तेज़ पुनरावृत्ति के साथ मेल खाने के लिए बहुत श्रमसाध्य हैं। चिकित्सा एआई उपकरणों के लिए उपयुक्त सत्यापन और मूल्यांकन प्रणाली में जल्द से जल्द सुधार करना, चिकित्सा एआई को अनुसंधान और विकास को नैदानिक ​​​​पहुँचाने के लिए वास्तव में छलांग लगाने के लिए सबसे महत्वपूर्ण कदम है।

नेचर में प्रकाशित मेड-पीएएलएम पर गूगल के शोध पत्र में, टीम ने मल्टीमेडक्यूए मूल्यांकन बेंचमार्क भी प्रकाशित किया, जिसका उपयोग नैदानिक ​​ज्ञान प्राप्त करने के लिए बड़े भाषा मॉडल की क्षमता का आकलन करने के लिए किया जाता है। यह बेंचमार्क छह मौजूदा पेशेवर चिकित्सा प्रश्नोत्तर डेटासेट को जोड़ता है, जो पेशेवर चिकित्सा ज्ञान, अनुसंधान और अन्य पहलुओं को कवर करता है, साथ ही एक ऑनलाइन खोज चिकित्सा प्रश्न डेटाबेस डेटासेट भी है, जो डॉक्टर-रोगी ऑनलाइन प्रश्नोत्तर पर विचार करता है, और एआई को कई पहलुओं से एक योग्य डॉक्टर के रूप में प्रशिक्षित करने का प्रयास करता है। इसके अलावा, टीम मानव मूल्यांकन पर आधारित एक ढाँचा प्रस्तावित करती है जो तथ्य, समझ, तर्क और संभावित पूर्वाग्रह के कई आयामों को ध्यान में रखता है। यह इस वर्ष प्रकाशित स्वास्थ्य सेवा में एआई का मूल्यांकन करने के लिए सबसे प्रतिनिधि शोध प्रयासों में से एक है।

हालांकि, क्या यह तथ्य कि बड़े भाषा मॉडल उच्च स्तर के एन्कोडिंग नैदानिक ​​ज्ञान को दर्शाते हैं, इसका मतलब यह है कि बड़े भाषा मॉडल वास्तविक दुनिया के नैदानिक ​​कार्यों के लिए सक्षम हैं? जिस तरह एक मेडिकल छात्र जो पूर्ण अंकों के साथ पेशेवर चिकित्सक की परीक्षा उत्तीर्ण करता है, वह अभी भी एकल मुख्य चिकित्सक से बहुत दूर है, Google द्वारा प्रस्तावित मूल्यांकन मानदंड AI मॉडल के लिए चिकित्सा AI मूल्यांकन के विषय का सही उत्तर नहीं हो सकता है। 2021 और 2022 की शुरुआत में, शोधकर्ताओं ने Decid-AI, SPIRIT-AI और INTRPRT जैसे रिपोर्टिंग दिशानिर्देशों का प्रस्ताव दिया है, जो नैदानिक ​​व्यावहारिकता, सुरक्षा, मानवीय कारकों और पारदर्शिता/व्याख्या जैसे कारकों पर विचार करने की शर्त के तहत चिकित्सा AI के प्रारंभिक विकास और सत्यापन का मार्गदर्शन करने की उम्मीद करते हैं। अभी हाल ही में, नेचर मेडिसिन पत्रिका ने ऑक्सफ़ोर्ड विश्वविद्यालय और स्टैनफोर्ड विश्वविद्यालय के शोधकर्ताओं द्वारा एक अध्ययन प्रकाशित किया

एआई उपकरणों की निष्पक्ष प्रकृति भी एक महत्वपूर्ण मूल्यांकन दिशा है जिस पर इस वर्ष साइंस और एनईजेएम दोनों लेखों में ध्यान दिया गया है। एआई अक्सर पूर्वाग्रह प्रदर्शित करता है क्योंकि यह प्रशिक्षण डेटा तक सीमित होता है। यह पूर्वाग्रह सामाजिक असमानता को दर्शा सकता है, जो आगे चलकर एल्गोरिथम संबंधी भेदभाव में बदल जाता है। नेशनल इंस्टीट्यूट ऑफ हेल्थ ने हाल ही में ब्रिज2एआई पहल शुरू की है, जिसकी अनुमानित लागत $130 मिलियन है, ताकि विविध डेटासेट (ऊपर उल्लिखित MAIDA पहल के लक्ष्यों के अनुरूप) तैयार किए जा सकें जिनका उपयोग मेडिकल एआई उपकरणों की निष्पक्षता को सत्यापित करने के लिए किया जा सके। मल्टीमेडक्यूए द्वारा इन पहलुओं पर विचार नहीं किया गया है। मेडिकल एआई मॉडलों को कैसे मापा और सत्यापित किया जाए, इस प्रश्न पर अभी भी व्यापक और गहन चर्चा की आवश्यकता है।

जनवरी में, नेचर मेडिसिन ने टेक्सास विश्वविद्यालय के एमडी एंडरसन कैंसर सेंटर के विवेक सुब्बैया द्वारा लिखा गया "द नेक्स्ट जेनरेशन ऑफ़ एविडेंस-बेस्ड मेडिसिन" नामक एक विचार लेख प्रकाशित किया, जिसमें COVID-19 महामारी के संदर्भ में उजागर हुए नैदानिक ​​परीक्षणों की सीमाओं की समीक्षा की गई और नवाचार तथा नैदानिक ​​अनुसंधान प्रक्रिया के पालन के बीच विरोधाभास को इंगित किया गया। अंत में, यह नैदानिक ​​परीक्षणों के पुनर्गठन के भविष्य की ओर इशारा करता है - कृत्रिम बुद्धिमत्ता का उपयोग करते हुए नैदानिक ​​परीक्षणों की अगली पीढ़ी, अर्थात, प्रमुख साक्ष्य खोजने के लिए बड़ी संख्या में ऐतिहासिक शोध डेटा, वास्तविक दुनिया डेटा, मल्टी-मोडल नैदानिक ​​डेटा, पहनने योग्य डिवाइस डेटा से कृत्रिम बुद्धिमत्ता का उपयोग। क्या इसका मतलब यह है कि भविष्य में AI तकनीक और AI नैदानिक ​​सत्यापन प्रक्रियाएं परस्पर सुदृढ़ और सह-विकसित हो सकती हैं?

चिकित्सा एआई का विनियमन

एआई तकनीक की उन्नति एआई के नियमन के लिए भी चुनौतियां पेश करती है और दुनिया भर के नीति निर्माता सावधानीपूर्वक और सावधानी से प्रतिक्रिया दे रहे हैं। 2019 में, FDA ने पहली बार आर्टिफिशियल इंटेलिजेंस मेडिकल डिवाइसेस (चर्चा ड्राफ्ट) में सॉफ्टवेयर परिवर्तनों के लिए एक प्रस्तावित नियामक ढांचा प्रकाशित किया, जिसमें एआई और मशीन लर्निंग-संचालित सॉफ्टवेयर संशोधनों की प्रीमार्केट समीक्षा के लिए इसके संभावित दृष्टिकोण का विवरण दिया गया था। 2021 में, FDA ने "मेडिकल डिवाइस एक्शन प्लान के रूप में आर्टिफिशियल इंटेलिजेंस/मशीन लर्निंग-आधारित सॉफ्टवेयर" का प्रस्ताव रखा, जिसने पांच विशिष्ट एआई मेडिकल नियामक उपायों को स्पष्ट किया। इस वर्ष, FDA ने डिवाइस सॉफ्टवेयर सुविधाओं के लिए प्रीमार्केट सबमिशन को फिर से जारी किया

पिछले साल जुलाई में यूरोपीय स्वास्थ्य डेटा स्पेस के प्रकाशन के बाद, यूरोपीय संघ ने एक बार फिर कृत्रिम बुद्धिमत्ता अधिनियम लागू किया है। पूर्व का उद्देश्य उच्च-गुणवत्ता वाली स्वास्थ्य सेवा प्रदान करने, असमानताओं को कम करने और रोकथाम, निदान, उपचार, वैज्ञानिक नवाचार, निर्णय लेने और कानून बनाने के लिए डेटा का समर्थन करने हेतु स्वास्थ्य डेटा का सर्वोत्तम उपयोग करना है, साथ ही यह सुनिश्चित करना है कि यूरोपीय संघ के नागरिकों का अपने व्यक्तिगत स्वास्थ्य डेटा पर अधिक नियंत्रण हो। उत्तरार्द्ध यह स्पष्ट करता है कि चिकित्सा निदान प्रणाली एक उच्च-जोखिम वाली कृत्रिम बुद्धिमत्ता प्रणाली है, और इसे लक्षित सुदृढ़ पर्यवेक्षण, संपूर्ण जीवन चक्र पर्यवेक्षण और पूर्व-मूल्यांकन पर्यवेक्षण अपनाने की आवश्यकता है। यूरोपीय औषधि एजेंसी (ईएमए) ने दवा विकास, विनियमन और उपयोग में सहायता के लिए कृत्रिम बुद्धिमत्ता के उपयोग पर एक मसौदा प्रतिबिंब पत्र प्रकाशित किया है, जिसमें रोगी सुरक्षा और नैदानिक ​​अनुसंधान परिणामों की अखंडता सुनिश्चित करने के लिए कृत्रिम बुद्धिमत्ता की विश्वसनीयता में सुधार पर ज़ोर दिया गया है। कुल मिलाकर, यूरोपीय संघ का नियामक दृष्टिकोण धीरे-धीरे आकार ले रहा है, और अंतिम कार्यान्वयन विवरण अधिक विस्तृत और सख्त हो सकते हैं। यूरोपीय संघ के कड़े विनियमन के विपरीत, ब्रिटेन के एआई विनियामक ब्लूप्रिंट से स्पष्ट है कि सरकार नरम रुख अपनाने की योजना बना रही है तथा फिलहाल नए विधेयक नहीं बनाएगी या नए नियामकों की स्थापना नहीं करेगी।

चीन में, राष्ट्रीय चिकित्सा उत्पाद प्रशासन के चिकित्सा उपकरण तकनीकी समीक्षा केंद्र (एनएमपीए) ने पहले "डीप लर्निंग असिस्टेड डिसीजन सॉफ्टवेयर के समीक्षा बिंदु", "आर्टिफिशियल इंटेलिजेंस मेडिकल डिवाइसेस के पंजीकरण की समीक्षा के लिए मार्गदर्शक सिद्धांत (टिप्पणी के लिए मसौदा)" और "आर्टिफिशियल इंटेलिजेंस मेडिकल सॉफ्टवेयर उत्पादों के वर्गीकरण और परिभाषा के लिए मार्गदर्शक सिद्धांतों पर परिपत्र (2021 में संख्या 47)" जैसे दस्तावेज जारी किए हैं। इस वर्ष, "2023 में पहले चिकित्सा उपकरण उत्पाद वर्गीकरण परिणामों का सारांश" फिर से जारी किया गया। दस्तावेजों की यह श्रृंखला कृत्रिम बुद्धिमत्ता चिकित्सा सॉफ्टवेयर उत्पादों की परिभाषा, वर्गीकरण और विनियमन को स्पष्ट और संचालित करने में आसान बनाती है, और उद्योग में विभिन्न उद्यमों की उत्पाद स्थिति और पंजीकरण रणनीतियों के लिए स्पष्ट मार्गदर्शन प्रदान करती है। ये दस्तावेज़ एआई चिकित्सा उपकरणों के वैज्ञानिक विनियमन के लिए एक रूपरेखा और प्रबंधन निर्णय प्रदान करते हैं। यह देखने लायक है कि 21 से 23 दिसंबर तक हांग्जो में आयोजित चाइना मेडिकल आर्टिफिशियल इंटेलिजेंस कॉन्फ्रेंस के एजेंडे ने डिजिटल मेडिकल गवर्नेंस और सार्वजनिक अस्पतालों के उच्च-गुणवत्ता वाले विकास और आर्टिफिशियल इंटेलिजेंस मेडिकल डिवाइस परीक्षण और मूल्यांकन प्रौद्योगिकी मानकीकरण उद्योग विकास मंच पर एक विशेष मंच स्थापित किया। उस समय, राष्ट्रीय विकास और सुधार आयोग और एनएमपीए के अधिकारी बैठक में भाग लेंगे और नई जानकारी जारी कर सकते हैं।

निष्कर्ष

2023 में, मेडिकल एआई ने अस्पताल डेटा संग्रह, संलयन, विश्लेषण, निदान और उपचार, और सामुदायिक जांच को कवर करते हुए, संपूर्ण चिकित्सा अपस्ट्रीम और डाउनस्ट्रीम प्रक्रिया में एकीकृत होना शुरू कर दिया है, और चिकित्सा/रोग नियंत्रण कार्यकर्ताओं के साथ व्यवस्थित रूप से सहयोग करते हुए, मानव स्वास्थ्य में सुधार लाने की क्षमता प्रदर्शित की है। प्रयोग करने योग्य मेडिकल एआई अनुसंधान का उदय हो रहा है। भविष्य में, मेडिकल एआई की प्रगति न केवल तकनीकी विकास पर निर्भर करती है, बल्कि उद्योग, विश्वविद्यालय और चिकित्सा अनुसंधान के पूर्ण सहयोग और नीति निर्माताओं व नियामकों के समर्थन की भी आवश्यकता है। यह अंतर-क्षेत्रीय सहयोग एआई-एकीकृत चिकित्सा सेवाओं को प्राप्त करने की कुंजी है, और निश्चित रूप से मानव स्वास्थ्य के विकास को बढ़ावा देगा।