आधुनिक आरोग्यसेवेच्या गुंतागुंतीच्या जगात, विशेषज्ञ (specialists) आणि सामान्य चिकित्सक (general practitioners) यांच्यातील संवाद अत्यंत महत्त्वाचा आहे. तरीही, वैद्यकीय नोंदींमध्ये वापरली जाणारी अत्यंत विशेष भाषा अनेकदा मोठे अडथळे निर्माण करू शकते, विशेषतः नेत्ररोगशास्त्र (ophthalmology) सारख्या गुंतागुंतीच्या क्षेत्रांमध्ये. एका अलीकडील तपासात संभाव्य तांत्रिक समाधानावर लक्ष केंद्रित केले आहे: कृत्रिम बुद्धिमत्तेची (artificial intelligence), विशेषतः Large Language Models (LLMs) ची शक्ती वापरून, जड, क्लिष्ट शब्दांनी भरलेले नेत्ररोगशास्त्राचे अहवाल स्पष्ट, संक्षिप्त सारांशांमध्ये रूपांतरित करणे, जेणेकरून ते त्या क्षेत्राबाहेरील लोकांना समजू शकतील. या निष्कर्षांनुसार, आंतर-चिकित्सक संवाद वाढवण्यासाठी आणि संभाव्यतः रुग्णांच्या काळजी समन्वयात सुधारणा करण्यासाठी एक आशादायक मार्ग दिसतो, जरी अचूकता आणि देखरेखीबद्दल महत्त्वाचे मुद्दे आहेत.
विशेष संवादाचे आव्हान
वैद्यकीय जग अचूकतेवर भरभराट करते, ज्यामुळे प्रत्येक शाखेत अत्यंत विशिष्ट शब्दावली विकसित होते. समवयस्कांमध्ये सूक्ष्म चर्चेसाठी हे आवश्यक असले तरी, जेव्हा माहिती वेगवेगळ्या विभागांमध्ये किंवा प्राथमिक काळजी प्रदात्यांपर्यंत पोहोचवण्याची आवश्यकता असते, तेव्हा ही विशेष शब्दसंग्रह एक महत्त्वपूर्ण अडथळा बनू शकते. नेत्ररोगशास्त्र, त्याच्या अद्वितीय शारीरिक संज्ञा, गुंतागुंतीच्या निदान प्रक्रिया आणि विशेष संक्षेपांसह, या आव्हानाचे उदाहरण आहे. डोळ्यांच्या तपासणीतून प्रणालीगत आरोग्य स्थितींबद्दल महत्त्वपूर्ण माहिती मिळू शकते – मधुमेह (diabetes), मल्टिपल स्क्लेरोसिस (multiple sclerosis) किंवा अगदी येऊ घातलेल्या स्ट्रोकची (stroke) चिन्हे उघड होऊ शकतात. तथापि, जर नेत्ररोगतज्ज्ञांचे तपशीलवार निष्कर्ष प्राप्त करणाऱ्या चिकित्सकाला अपरिचित असलेल्या शब्दांमध्ये मांडले गेले, तर हे महत्त्वपूर्ण निदान संकेत दुर्लक्षित किंवा चुकीच्या पद्धतीने अर्थ लावले जाण्याचा धोका असतो. याचे संभाव्य परिणाम उपचारात विलंब होण्यापासून ते निदान चुकण्यापर्यंत असू शकतात, ज्यामुळे शेवटी रुग्णाच्या परिणामांवर परिणाम होतो.
अनेक आरोग्य समस्या असलेल्या रुग्णाचे व्यवस्थापन करणाऱ्या प्राथमिक काळजी चिकित्सक (primary care physician) किंवा हॉस्पिटलिस्टचा (hospitalist) विचार करा. ते रुग्णाच्या स्थितीचे समग्र दृश्य तयार करण्यासाठी विविध तज्ञांच्या अहवालांवर अवलंबून असतात. ‘Tmax’ (maximum intraocular pressure - कमाल डोळ्यातील दाब), ‘CCT’ (central corneal thickness - मध्यवर्ती कॉर्नियाची जाडी), किंवा ‘cosopt’ (एक संयुक्त ग्लॉकोमा औषध) सारख्या संक्षेपांनी भरलेली नेत्ररोगशास्त्राची नोंद गोंधळात टाकणारी आणि समजायला वेळखाऊ असू शकते. या तात्काळ स्पष्टतेच्या अभावामुळे कार्यक्षम निर्णय घेण्यास अडथळा येऊ शकतो आणि रुग्णाच्या आरोग्याच्या व्यापक संदर्भात डोळ्यांच्या निष्कर्षांच्या महत्त्वाविषयी रुग्ण आणि त्यांच्या कुटुंबासोबत चर्चा करणे गुंतागुंतीचे होऊ शकते. शिवाय, अनेक वैद्यकीय व्यावसायिकांना त्यांच्या प्रशिक्षणादरम्यान नेत्ररोगशास्त्राचा मर्यादित संपर्क मिळतो – कधीकधी फक्त काही व्याख्यानांपुरता – ज्यामुळे ही आकलन दरी आणखी वाढते.
AI तपासणी कक्षात: स्पष्टतेचा अभ्यास
हा संवाद अडथळा ओळखून, संशोधकांनी AI एक प्रभावी अनुवादक म्हणून काम करू शकते का हे तपासण्यासाठी गुणवत्ता सुधारणा अभ्यास (quality improvement study) सुरू केला. मुख्य प्रश्न असा होता की सध्याचे LLM तंत्रज्ञान गुंतागुंतीच्या नेत्ररोगशास्त्राच्या नोंदींना सार्वत्रिकरित्या समजण्यायोग्य सारांशांमध्ये रूपांतरित करण्यासाठी आवश्यक असलेली प्रगल्भता, अचूकता आणि अद्ययावत ज्ञान आधार धारण करते का? डोळ्यांचे विशेषज्ञ आणि इतर वैद्यकीय क्षेत्रांतील त्यांचे सहकारी यांच्यातील शब्दावलीतील दरी AI प्रभावीपणे भरून काढू शकेल का?
फेब्रुवारी ते मे 2024 दरम्यान Mayo Clinic मध्ये आयोजित केलेल्या या अभ्यासात 20 नेत्ररोगतज्ज्ञांचा समावेश होता. रुग्णांच्या भेटींचे दस्तऐवजीकरण केल्यानंतर या तज्ञांना यादृच्छिकपणे दोन मार्गांपैकी एकावर नियुक्त केले गेले. एका गटाने त्यांच्या प्रमाणित क्लिनिकल नोट्स थेट संबंधित काळजी टीम सदस्यांना (physicians, residents, fellows, nurse practitioners, physician assistants, and allied health staff) पाठवल्या. दुसऱ्या गटाने प्रथम त्यांच्या नोट्स एका AI प्रोग्रामद्वारे प्रक्रिया केल्या, जो साध्या भाषेत सारांश तयार करण्यासाठी डिझाइन केला होता. हे AI-व्युत्पन्न सारांश नेत्ररोगतज्ज्ञांनी तपासले, जे तथ्यात्मक चुका दुरुस्त करू शकत होते परंतु त्यांना शैलीत्मक बदल न करण्याच्या सूचना होत्या. या दुसऱ्या गटाकडून नोट्स प्राप्त करणाऱ्या काळजी टीम सदस्यांना मूळ विशेषज्ञ नोट आणि AI-व्युत्पन्न साधा भाषेतील सारांश दोन्ही मिळाले.
या हस्तक्षेपाची परिणामकारकता मोजण्यासाठी, या नोट्स प्राप्त करणाऱ्या गैर-नेत्ररोगशास्त्र चिकित्सक आणि व्यावसायिकांना सर्वेक्षणे वितरित केली गेली. एकूण 362 प्रतिसाद गोळा केले गेले, जे सुमारे 33% प्रतिसाद दराचे प्रतिनिधित्व करतात. अंदाजे निम्म्या प्रतिसादकर्त्यांनी फक्त प्रमाणित नोट्सचे पुनरावलोकन केले, तर उर्वरित निम्म्यांनी नोट्स आणि AI सारांश दोन्हीचे पुनरावलोकन केले. सर्वेक्षणाचा उद्देश स्पष्टता, आकलन, तपशिलाच्या पातळीवरील समाधान आणि एकूण पसंतीचे मूल्यांकन करणे हा होता.
लक्षणीय परिणाम: पसंती आणि सुधारित आकलन
गैर-नेत्ररोगशास्त्र व्यावसायिकांकडून मिळालेला प्रतिसाद AI-सहाय्यित सारांशांबद्दल अत्यंत सकारात्मक होता. उल्लेखनीय म्हणजे, 85% प्रतिसादकर्त्यांनी मूळ नोटसोबत साधा भाषेतील सारांश प्राप्त करण्यास पसंती दर्शविली, फक्त प्रमाणित नोट प्राप्त करण्याच्या तुलनेत. ही पसंती जाणवलेल्या स्पष्टता आणि आकलनातील महत्त्वपूर्ण सुधारणांवर आधारित होती.
- स्पष्टता: जेव्हा विचारले गेले की नोट्स ‘खूप स्पष्ट’ होत्या का, तेव्हा AI सारांश प्राप्त करणाऱ्यांपैकी 62.5% सहमत होते, तर प्रमाणित नोट्स प्राप्त करणाऱ्यांपैकी फक्त 39.5% सहमत होते – हा सांख्यिकीयदृष्ट्या महत्त्वपूर्ण फरक (P<0.001) आहे. यावरून असे सूचित होते की AI गोंधळात टाकणारे शब्द काढून टाकण्यात आणि मुख्य माहिती अधिक सुलभपणे सादर करण्यात यशस्वी झाले.
- आकलन: सारांशांनी आकलन सुधारण्यातही स्पष्टपणे मदत केली. 33% प्राप्तकर्त्यांना वाटले की AI सारांशामुळे त्यांचे आकलन ‘बऱ्याच प्रमाणात’ सुधारले, जे प्रमाणित नोट्सबद्दल असे वाटणाऱ्या 24% पेक्षा लक्षणीयरीत्या जास्त होते (P=0.001). हे दर्शवते की सारांशांनी केवळ भाषा सोपी केली नाही तर अहवालातील क्लिनिकल सार समजून घेण्यास सक्रियपणे मदत केली.
- तपशिलावरील समाधान: विशेष म्हणजे, सारांश असूनही, AI आवृत्त्यांमुळे प्रदान केलेल्या माहितीच्या पातळीबद्दल अधिक समाधान मिळाले. AI सारांश स्वरूपातील तपशिलावर 63.6% समाधानी होते, तर प्रमाणित नोट्ससाठी हे प्रमाण 42.2% होते (P<0.001). यावरून असे सूचित होऊ शकते की स्पष्टता तांत्रिक डेटाच्या निव्वळ प्रमाणापेक्षा अधिक महत्त्वाची आहे; मुख्य मुद्दे चांगल्या प्रकारे समजून घेणे हे विस्तृत जार्गनमध्ये प्रवेश करण्यापेक्षा अधिक समाधानकारक आहे जे सहजपणे समजू शकत नाही.
सर्वात आकर्षक निष्कर्षांपैकी एक ज्ञानातील दरी भरून काढण्याशी संबंधित होता. संशोधकांनी निरीक्षण केले की ज्या चिकित्सकांना सुरुवातीला नेत्ररोगशास्त्राच्या शब्दावलीबद्दल अस्वस्थ वाटत होते, त्यांना AI सारांशांचा अधिक महत्त्वपूर्ण फायदा झाला. साध्या भाषेतील सारांश जोडल्याने डोळ्यांशी संबंधित जार्गनमध्ये सोयीस्कर आणि अस्वस्थ असलेल्यांमधील आकलन तफावत नाटकीयरित्या कमी झाली, ही दरी 26.1% वरून 14.4% पर्यंत कमी झाली. हा ‘समानता प्रभाव’ (equalizing effect) विविध व्यावसायिक भूमिकांमध्ये, ज्यात चिकित्सक, परिचारिका आणि इतर संबंधित आरोग्य कर्मचारी यांचा समावेश आहे, दिसून आला, ज्यामुळे विविध आरोग्य सेवा संघांमध्ये आकलन लोकशाहीकरण करण्याची अशा साधनांची क्षमता अधोरेखित होते. चिकित्सकांनी विशेषतः टिप्पणी केली की AI सारांश संक्षेप परिभाषित करण्यात आणि विशेष संज्ञा स्पष्ट करण्यात निपुण होते, ज्यामुळे डोळ्यांच्या निष्कर्षांबद्दल रुग्ण आणि कुटुंबांसोबतच्या त्यांच्या नंतरच्या संभाषणांना सोपे केले.
साध्या भाषेची शक्ती: एक उदाहरण
व्यावहारिक फरक स्पष्ट करण्यासाठी, अभ्यासाच्या वर्णनांवर आधारित एक काल्पनिक उदाहरण विचारात घ्या. प्राथमिक ओपन-अँगल ग्लॉकोमा (primary open-angle glaucoma) असलेल्या रुग्णासाठी नेत्ररोगतज्ज्ञांची नोंद अशी असू शकते:
“Pt c/o blurred vision. Exam: VA OD 20/40, OS 20/30. IOPs 24 OD, 22 OS (Tmax 28). CCT 540 OU. Gonio: Open angles Gr III OU. ONH: C/D 0.7 OD, 0.6 OS, NRR thinning inf OD > OS. HVF: Sup arcuate defect OD. Plan: Cont Cosopt BID OU. F/U 3 mos. RTC sooner if sx worsen. Discussed SLT option.”
एका गैर-विशेषज्ञासाठी, हे संक्षेपांनी (Pt, c/o, VA, OD, OS, IOPs, Tmax, CCT, OU, Gonio, Gr, ONH, C/D, NRR, HVF, Cont, BID, F/U, RTC, sx, SLT) आणि विशिष्ट मेट्रिक्सने भरलेले आहे ज्यांचा अर्थ लावण्याची आवश्यकता आहे.
याउलट, AI-व्युत्पन्न साधा भाषेतील सारांश, अभ्यासाच्या त्यांच्या कार्यांच्या वर्णनावर आधारित, असा असू शकतो:
*”या रुग्णाला ग्लॉकोमा (glaucoma) आहे, ही एक अशी स्थिती आहे ज्यात डोळ्यातील उच्च दाब असतो ज्यामुळे दृष्टी मज्जातंतू (optic nerve) खराब होऊ शकते आणि दृष्टी कमी होऊ शकते. आज डोळ्यातील दाब किंचित वाढलेला होता (उजव्या डोळ्यात 24, डाव्या डोळ्यात 22). दृष्टी मज्जातंतूंमध्ये काही नुकसानीची चिन्हे दिसत आहेत, उजव्या डोळ्यात जास्त. दृष्टी क्षेत्र चाचणीने (visual field test) उजव्या डोळ्याच्या वरच्या परिघीय दृष्टीमध्ये काही दृष्टी कमी झाल्याची पुष्टी केली. रुग्ण दोन्ही डोळ्यांमध्ये दिवसातून दोनदा Cosopt आय ड्रॉप्स वापरणे सुरू ठेवेल. Cosopt हे दोन औषधांचे (dorzol