ਪਾੜਾ ਪੂਰਨਾ: ਕੀ AI ਮੈਡੀਕਲ ਸ਼ਬਦਾਵਲੀ ਨੂੰ ਸਮਝਣਯੋਗ ਬਣਾ ਸਕਦਾ ਹੈ?

ਆਧੁਨਿਕ ਸਿਹਤ ਸੰਭਾਲ ਦੇ ਗੁੰਝਲਦਾਰ ਜਾਲ ਵਿੱਚ, ਮਾਹਿਰਾਂ ਅਤੇ ਆਮ ਪ੍ਰੈਕਟੀਸ਼ਨਰਾਂ ਵਿਚਕਾਰ ਸੰਚਾਰ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਫਿਰ ਵੀ, ਮੈਡੀਕਲ ਨੋਟਸ ਵਿੱਚ ਅਕਸਰ ਵਰਤੀ ਜਾਂਦੀ ਬਹੁਤ ਵਿਸ਼ੇਸ਼ ਭਾਸ਼ਾ ਮਹੱਤਵਪੂਰਨ ਰੁਕਾਵਟਾਂ ਪੈਦਾ ਕਰ ਸਕਦੀ ਹੈ, ਖਾਸ ਕਰਕੇ ਜਦੋਂ ophthalmology ਵਰਗੇ ਗੁੰਝਲਦਾਰ ਖੇਤਰਾਂ ਨਾਲ ਨਜਿੱਠਣਾ ਹੋਵੇ। ਇੱਕ ਤਾਜ਼ਾ ਜਾਂਚ ਇੱਕ ਸੰਭਾਵੀ ਤਕਨੀਕੀ ਹੱਲ ਦੀ ਖੋਜ ਕਰਦੀ ਹੈ: ਆਰਟੀਫਿਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ, ਖਾਸ ਤੌਰ ‘ਤੇ ਵੱਡੇ ਭਾਸ਼ਾਈ ਮਾਡਲਾਂ (LLMs) ਦੀ ਸ਼ਕਤੀ ਦਾ ਲਾਭ ਉਠਾਉਣਾ, ਤਾਂ ਜੋ ਸੰਘਣੀ, ਸ਼ਬਦਾਵਲੀ ਨਾਲ ਭਰੀ ophthalmology ਰਿਪੋਰਟਾਂ ਨੂੰ ਸਪਸ਼ਟ, ਸੰਖੇਪ ਸਾਰਾਂਸ਼ਾਂ ਵਿੱਚ ਅਨੁਵਾਦ ਕੀਤਾ ਜਾ ਸਕੇ ਜੋ ਵਿਸ਼ੇਸ਼ਤਾ ਤੋਂ ਬਾਹਰ ਵਾਲਿਆਂ ਲਈ ਸਮਝਣ ਯੋਗ ਹੋਣ। ਖੋਜਾਂ ਅੰਤਰ-ਕਲੀਨਿਸ਼ੀਅਨ ਸੰਚਾਰ ਨੂੰ ਵਧਾਉਣ ਅਤੇ ਸੰਭਾਵੀ ਤੌਰ ‘ਤੇ ਮਰੀਜ਼ ਦੇਖਭਾਲ ਤਾਲਮੇਲ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਇੱਕ ਵਾਅਦਾਜਨਕ ਰਾਹ ਸੁਝਾਉਂਦੀਆਂ ਹਨ, ਹਾਲਾਂਕਿ ਸ਼ੁੱਧਤਾ ਅਤੇ ਨਿਗਰਾਨੀ ਸੰਬੰਧੀ ਮਹੱਤਵਪੂਰਨ ਚੇਤਾਵਨੀਆਂ ਦੇ ਬਿਨਾਂ ਨਹੀਂ।

ਵਿਸ਼ੇਸ਼ ਸੰਚਾਰ ਦੀ ਚੁਣੌਤੀ

ਮੈਡੀਕਲ ਸੰਸਾਰ ਸ਼ੁੱਧਤਾ ‘ਤੇ ਵਧਦਾ-ਫੁੱਲਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਅਕਸਰ ਹਰੇਕ ਅਨੁਸ਼ਾਸਨ ਦੇ ਅੰਦਰ ਬਹੁਤ ਖਾਸ ਸ਼ਬਦਾਵਲੀ ਦਾ ਵਿਕਾਸ ਹੁੰਦਾ ਹੈ। ਜਦੋਂ ਕਿ ਸਾਥੀਆਂ ਵਿਚਕਾਰ ਸੂਖਮ ਚਰਚਾ ਲਈ ਜ਼ਰੂਰੀ ਹੈ, ਇਹ ਵਿਸ਼ੇਸ਼ ਸ਼ਬਦਾਵਲੀ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਰੁਕਾਵਟ ਬਣ ਸਕਦੀ ਹੈ ਜਦੋਂ ਜਾਣਕਾਰੀ ਨੂੰ ਵੱਖ-ਵੱਖ ਵਿਭਾਗਾਂ ਵਿੱਚ ਜਾਂ ਪ੍ਰਾਇਮਰੀ ਕੇਅਰ ਪ੍ਰਦਾਤਾਵਾਂ ਤੱਕ ਪਹੁੰਚਾਉਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। Ophthalmology, ਇਸਦੇ ਵਿਲੱਖਣ ਸਰੀਰਿਕ ਸ਼ਬਦਾਂ, ਗੁੰਝਲਦਾਰ ਨਿਦਾਨ ਪ੍ਰਕਿਰਿਆਵਾਂ, ਅਤੇ ਵਿਸ਼ੇਸ਼ ਸੰਖੇਪ ਰੂਪਾਂ ਦੇ ਨਾਲ, ਇਸ ਚੁਣੌਤੀ ਦੀ ਉਦਾਹਰਣ ਦਿੰਦਾ ਹੈ। ਅੱਖਾਂ ਦੀ ਜਾਂਚ ਪ੍ਰਣਾਲੀਗਤ ਸਿਹਤ ਸਥਿਤੀਆਂ ਬਾਰੇ ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੀ ਹੈ - ਸ਼ੂਗਰ, ਮਲਟੀਪਲ ਸਕਲੇਰੋਸਿਸ, ਜਾਂ ਇੱਥੋਂ ਤੱਕ ਕਿ ਆਉਣ ਵਾਲੇ ਸਟ੍ਰੋਕ ਦੇ ਸੰਕੇਤਾਂ ਨੂੰ ਪ੍ਰਗਟ ਕਰਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਜੇਕਰ ophthalmologist ਦੀਆਂ ਵਿਸਤ੍ਰਿਤ ਖੋਜਾਂ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲੇ ਕਲੀਨਿਸ਼ੀਅਨ ਲਈ ਅਣਜਾਣ ਸ਼ਬਦਾਂ ਵਿੱਚ ਬਿਆਨ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਤਾਂ ਇਹ ਮਹੱਤਵਪੂਰਨ ਨਿਦਾਨਕ ਸੁਰਾਗ ਨਜ਼ਰਅੰਦਾਜ਼ ਜਾਂ ਗਲਤ ਸਮਝੇ ਜਾਣ ਦੇ ਜੋਖਮ ਵਿੱਚ ਹੁੰਦੇ ਹਨ। ਸੰਭਾਵੀ ਨਤੀਜੇ ਦੇਰੀ ਨਾਲ ਇਲਾਜ ਤੋਂ ਲੈ ਕੇ ਖੁੰਝੇ ਹੋਏ ਨਿਦਾਨਾਂ ਤੱਕ ਹੁੰਦੇ ਹਨ, ਅੰਤ ਵਿੱਚ ਮਰੀਜ਼ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ।

ਪ੍ਰਾਇਮਰੀ ਕੇਅਰ ਫਿਜ਼ੀਸ਼ੀਅਨ ਜਾਂ ਹਸਪਤਾਲ ਦੇ ਡਾਕਟਰ ‘ਤੇ ਗੌਰ ਕਰੋ ਜੋ ਕਈ ਸਿਹਤ ਸਮੱਸਿਆਵਾਂ ਵਾਲੇ ਮਰੀਜ਼ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰ ਰਿਹਾ ਹੈ। ਉਹ ਮਰੀਜ਼ ਦੀ ਸਥਿਤੀ ਦਾ ਇੱਕ ਸੰਪੂਰਨ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਬਣਾਉਣ ਲਈ ਵੱਖ-ਵੱਖ ਮਾਹਿਰਾਂ ਦੀਆਂ ਰਿਪੋਰਟਾਂ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ। ਇੱਕ ophthalmology ਨੋਟ ਜੋ ‘Tmax’ (ਵੱਧ ਤੋਂ ਵੱਧ ਅੰਦਰੂਨੀ ਅੱਖ ਦਾ ਦਬਾਅ), ‘CCT’ (ਕੇਂਦਰੀ ਕੌਰਨੀਅਲ ਮੋਟਾਈ), ਜਾਂ ‘cosopt’ (ਇੱਕ ਸੰਯੁਕਤ ਗਲਾਕੋਮਾ ਡਰੱਗ) ਵਰਗੇ ਸੰਖੇਪ ਰੂਪਾਂ ਨਾਲ ਭਰਿਆ ਹੁੰਦਾ ਹੈ, ਸਮਝਣ ਵਿੱਚ ਉਲਝਣ ਵਾਲਾ ਅਤੇ ਸਮਾਂ ਲੈਣ ਵਾਲਾ ਹੋ ਸਕਦਾ ਹੈ। ਤੁਰੰਤ ਸਪਸ਼ਟਤਾ ਦੀ ਇਹ ਘਾਟ ਕੁਸ਼ਲ ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ ਰੁਕਾਵਟ ਪਾ ਸਕਦੀ ਹੈ ਅਤੇ ਮਰੀਜ਼ ਅਤੇ ਉਹਨਾਂ ਦੇ ਪਰਿਵਾਰ ਨਾਲ ਉਹਨਾਂ ਦੀ ਸਿਹਤ ਦੇ ਵਿਆਪਕ ਸੰਦਰਭ ਵਿੱਚ ਅੱਖਾਂ ਦੀਆਂ ਖੋਜਾਂ ਦੀ ਮਹੱਤਤਾ ਬਾਰੇ ਚਰਚਾ ਨੂੰ ਗੁੰਝਲਦਾਰ ਬਣਾ ਸਕਦੀ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਬਹੁਤ ਸਾਰੇ ਮੈਡੀਕਲ ਪੇਸ਼ੇਵਰਾਂ ਨੂੰ ਉਹਨਾਂ ਦੀ ਸਿਖਲਾਈ ਦੌਰਾਨ ophthalmology ਦਾ ਸੀਮਤ ਐਕਸਪੋਜਰ ਮਿਲਦਾ ਹੈ - ਕਈ ਵਾਰ ਸਿਰਫ ਕੁਝ ਲੈਕਚਰਾਂ ਤੱਕ - ਇਸ ਸਮਝ ਦੇ ਪਾੜੇ ਨੂੰ ਹੋਰ ਵਧਾਉਂਦਾ ਹੈ।

AI ਪ੍ਰੀਖਿਆ ਕਮਰੇ ਵਿੱਚ ਦਾਖਲ ਹੁੰਦਾ ਹੈ: ਸਪਸ਼ਟਤਾ ਵਿੱਚ ਇੱਕ ਅਧਿਐਨ

ਇਸ ਸੰਚਾਰ ਰੁਕਾਵਟ ਨੂੰ ਪਛਾਣਦੇ ਹੋਏ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਇਹ ਪਤਾ ਲਗਾਉਣ ਲਈ ਇੱਕ ਗੁਣਵੱਤਾ ਸੁਧਾਰ ਅਧਿਐਨ ਸ਼ੁਰੂ ਕੀਤਾ ਕਿ ਕੀ AI ਇੱਕ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਅਨੁਵਾਦਕ ਵਜੋਂ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ। ਮੁੱਖ ਸਵਾਲ ਇਹ ਸੀ ਕਿ ਕੀ ਮੌਜੂਦਾ LLM ਤਕਨਾਲੋਜੀ ਕੋਲ ਗੁੰਝਲਦਾਰ ophthalmology ਨੋਟਸ ਨੂੰ ਸਰਵ ਵਿਆਪਕ ਤੌਰ ‘ਤੇ ਸਮਝਣ ਯੋਗ ਸਾਰਾਂਸ਼ਾਂ ਵਿੱਚ ਬਦਲਣ ਲਈ ਲੋੜੀਂਦੀ ਸੂਝ, ਸ਼ੁੱਧਤਾ ਅਤੇ ਅਪ-ਟੂ-ਡੇਟ ਗਿਆਨ ਅਧਾਰ ਹੈ। ਕੀ AI ਅੱਖਾਂ ਦੇ ਮਾਹਿਰਾਂ ਅਤੇ ਹੋਰ ਮੈਡੀਕਲ ਖੇਤਰਾਂ ਵਿੱਚ ਉਹਨਾਂ ਦੇ ਸਹਿਯੋਗੀਆਂ ਵਿਚਕਾਰ ਸ਼ਬਦਾਵਲੀ ਦੇ ਪਾੜੇ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਪੂਰਾ ਕਰ ਸਕਦਾ ਹੈ?

ਇਹ ਅਧਿਐਨ, ਫਰਵਰੀ ਅਤੇ ਮਈ 2024 ਦੇ ਵਿਚਕਾਰ Mayo Clinic ਵਿਖੇ ਕੀਤਾ ਗਿਆ, ਜਿਸ ਵਿੱਚ 20 ophthalmologists ਸ਼ਾਮਲ ਸਨ। ਇਹਨਾਂ ਮਾਹਿਰਾਂ ਨੂੰ ਮਰੀਜ਼ਾਂ ਦੇ ਮੁਲਾਂਕਣਾਂ ਨੂੰ ਦਸਤਾਵੇਜ਼ੀ ਰੂਪ ਦੇਣ ਤੋਂ ਬਾਅਦ ਦੋ ਮਾਰਗਾਂ ਵਿੱਚੋਂ ਇੱਕ ਲਈ ਬੇਤਰਤੀਬੇ ਤੌਰ ‘ਤੇ ਨਿਰਧਾਰਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਇੱਕ ਸਮੂਹ ਨੇ ਆਪਣੇ ਮਿਆਰੀ ਕਲੀਨਿਕਲ ਨੋਟਸ ਸਿੱਧੇ ਤੌਰ ‘ਤੇ ਸੰਬੰਧਿਤ ਦੇਖਭਾਲ ਟੀਮ ਦੇ ਮੈਂਬਰਾਂ (ਡਾਕਟਰਾਂ, ਰੈਜ਼ੀਡੈਂਟਸ, ਫੈਲੋਜ਼, ਨਰਸ ਪ੍ਰੈਕਟੀਸ਼ਨਰਾਂ, ਫਿਜ਼ੀਸ਼ੀਅਨ ਅਸਿਸਟੈਂਟਸ, ਅਤੇ ਸਹਾਇਕ ਸਿਹਤ ਸਟਾਫ) ਨੂੰ ਭੇਜੇ। ਦੂਜੇ ਸਮੂਹ ਨੇ ਪਹਿਲਾਂ ਆਪਣੇ ਨੋਟਸ ਨੂੰ ਇੱਕ AI ਪ੍ਰੋਗਰਾਮ ਦੁਆਰਾ ਪ੍ਰੋਸੈਸ ਕੀਤਾ ਜੋ ਇੱਕ ਸਧਾਰਨ ਭਾਸ਼ਾ ਦਾ ਸਾਰਾਂਸ਼ ਤਿਆਰ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੀ। ਇਹਨਾਂ AI-ਤਿਆਰ ਸਾਰਾਂਸ਼ਾਂ ਦੀ ਸਮੀਖਿਆ ophthalmologist ਦੁਆਰਾ ਕੀਤੀ ਗਈ ਸੀ, ਜੋ ਤੱਥਾਂ ਦੀਆਂ ਗਲਤੀਆਂ ਨੂੰ ਠੀਕ ਕਰ ਸਕਦੇ ਸਨ ਪਰ ਉਹਨਾਂ ਨੂੰ ਸ਼ੈਲੀਗਤ ਤਬਦੀਲੀਆਂ ਨਾ ਕਰਨ ਦੀ ਹਦਾਇਤ ਦਿੱਤੀ ਗਈ ਸੀ। ਇਸ ਦੂਜੇ ਸਮੂਹ ਤੋਂ ਨੋਟਸ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲੇ ਦੇਖਭਾਲ ਟੀਮ ਦੇ ਮੈਂਬਰਾਂ ਨੂੰ ਦੋਵੇਂ ਮੂਲ ਮਾਹਰ ਨੋਟ ਅਤੇ AI-ਤਿਆਰ ਸਧਾਰਨ ਭਾਸ਼ਾ ਦਾ ਸਾਰਾਂਸ਼ ਪ੍ਰਾਪਤ ਹੋਇਆ।

ਇਸ ਦਖਲਅੰਦਾਜ਼ੀ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ, ਇਹਨਾਂ ਨੋਟਸ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲੇ ਗੈਰ-ophthalmology ਕਲੀਨਿਸ਼ੀਅਨਾਂ ਅਤੇ ਪੇਸ਼ੇਵਰਾਂ ਨੂੰ ਸਰਵੇਖਣ ਵੰਡੇ ਗਏ ਸਨ। ਕੁੱਲ 362 ਜਵਾਬ ਇਕੱਠੇ ਕੀਤੇ ਗਏ ਸਨ, ਜੋ ਲਗਭਗ 33% ਦੀ ਜਵਾਬ ਦਰ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਲਗਭਗ ਅੱਧੇ ਉੱਤਰਦਾਤਾਵਾਂ ਨੇ ਸਿਰਫ ਮਿਆਰੀ ਨੋਟਸ ਦੀ ਸਮੀਖਿਆ ਕੀਤੀ, ਜਦੋਂ ਕਿ ਦੂਜੇ ਅੱਧ ਨੇ ਨੋਟਸ ਅਤੇ AI ਸਾਰਾਂਸ਼ ਦੋਵਾਂ ਦੀ ਸਮੀਖਿਆ ਕੀਤੀ। ਸਰਵੇਖਣ ਦਾ ਉਦੇਸ਼ ਸਪਸ਼ਟਤਾ, ਸਮਝ, ਵੇਰਵੇ ਦੇ ਪੱਧਰ ਨਾਲ ਸੰਤੁਸ਼ਟੀ, ਅਤੇ ਸਮੁੱਚੀ ਤਰਜੀਹ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ ਸੀ।

ਸ਼ਾਨਦਾਰ ਨਤੀਜੇ: ਤਰਜੀਹ ਅਤੇ ਵਧੀ ਹੋਈ ਸਮਝ

ਗੈਰ-ophthalmology ਪੇਸ਼ੇਵਰਾਂ ਵੱਲੋਂ AI-ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਸਾਰਾਂਸ਼ਾਂ ਪ੍ਰਤੀ ਫੀਡਬੈਕ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਕਾਰਾਤਮਕ ਸੀ। ਇੱਕ ਕਮਾਲ ਦੇ 85% ਉੱਤਰਦਾਤਾਵਾਂ ਨੇ ਮੂਲ ਨੋਟ ਦੇ ਨਾਲ ਸਧਾਰਨ ਭਾਸ਼ਾ ਦਾ ਸਾਰਾਂਸ਼ ਪ੍ਰਾਪਤ ਕਰਨ ਨੂੰ ਤਰਜੀਹ ਦਿੱਤੀ, ਸਿਰਫ ਮਿਆਰੀ ਨੋਟ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਤੁਲਨਾ ਵਿੱਚ। ਇਹ ਤਰਜੀਹ ਸਮਝੀ ਗਈ ਸਪਸ਼ਟਤਾ ਅਤੇ ਸਮਝ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਸੁਧਾਰਾਂ ਦੁਆਰਾ ਸਮਰਥਤ ਸੀ।

• ਸਪਸ਼ਟਤਾ: ਜਦੋਂ ਪੁੱਛਿਆ ਗਿਆ ਕਿ ਕੀ ਨੋਟਸ ‘ਬਹੁਤ ਸਪਸ਼ਟ’ ਸਨ, ਤਾਂ AI ਸਾਰਾਂਸ਼ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲਿਆਂ ਵਿੱਚੋਂ 62.5% ਸਹਿਮਤ ਹੋਏ, ਜਦੋਂ ਕਿ ਮਿਆਰੀ ਨੋਟਸ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲਿਆਂ ਵਿੱਚੋਂ ਸਿਰਫ 39.5% ਸਹਿਮਤ ਹੋਏ - ਇੱਕ ਅੰਕੜਾਤਮਕ ਤੌਰ ‘ਤੇ ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ (P<0.001)। ਇਹ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ AI ਉਲਝਣ ਵਾਲੀ ਸ਼ਬਦਾਵਲੀ ਨੂੰ ਹਟਾਉਣ ਅਤੇ ਮੁੱਖ ਜਾਣਕਾਰੀ ਨੂੰ ਵਧੇਰੇ ਪਹੁੰਚਯੋਗ ਢੰਗ ਨਾਲ ਪੇਸ਼ ਕਰਨ ਵਿੱਚ ਸਫਲ ਰਿਹਾ।
• ਸਮਝ: ਸਾਰਾਂਸ਼ਾਂ ਨੇ ਸਮਝ ਵਿੱਚ ਵੀ ਸਪੱਸ਼ਟ ਤੌਰ ‘ਤੇ ਸੁਧਾਰ ਕੀਤਾ। 33% ਪ੍ਰਾਪਤਕਰਤਾਵਾਂ ਨੇ ਮਹਿਸੂਸ ਕੀਤਾ ਕਿ AI ਸਾਰਾਂਸ਼ ਨੇ ਉਹਨਾਂ ਦੀ ਸਮਝ ਨੂੰ ‘ਬਹੁਤ ਜ਼ਿਆਦਾ’ ਸੁਧਾਰਿਆ ਹੈ, ਜੋ ਕਿ ਮਿਆਰੀ ਨੋਟਸ ਬਾਰੇ ਇਹੀ ਮਹਿਸੂਸ ਕਰਨ ਵਾਲੇ 24% ਨਾਲੋਂ ਕਾਫ਼ੀ ਜ਼ਿਆਦਾ ਹੈ (P=0.001)। ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਸਾਰਾਂਸ਼ਾਂ ਨੇ ਸਿਰਫ ਭਾਸ਼ਾ ਨੂੰ ਸਰਲ ਨਹੀਂ ਬਣਾਇਆ ਬਲਕਿ ਰਿਪੋਰਟ ਦੇ ਕਲੀਨਿਕਲ ਤੱਤ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਸਰਗਰਮੀ ਨਾਲ ਸਹਾਇਤਾ ਕੀਤੀ।
• ਵੇਰਵੇ ਨਾਲ ਸੰਤੁਸ਼ਟੀ: ਦਿਲਚਸਪ ਗੱਲ ਇਹ ਹੈ ਕਿ, ਸਾਰਾਂਸ਼ ਹੋਣ ਦੇ ਬਾਵਜੂਦ, AI ਸੰਸਕਰਣਾਂ ਨੇ ਪ੍ਰਦਾਨ ਕੀਤੀ ਗਈ ਜਾਣਕਾਰੀ ਦੇ ਪੱਧਰ ਨਾਲ ਵਧੇਰੇ ਸੰਤੁਸ਼ਟੀ ਦਿੱਤੀ। 63.6% AI ਸਾਰਾਂਸ਼ ਫਾਰਮੈਟ ਵਿੱਚ ਵੇਰਵੇ ਨਾਲ ਸੰਤੁਸ਼ਟ ਸਨ, ਜਦੋਂ ਕਿ ਮਿਆਰੀ ਨੋਟਸ ਲਈ 42.2% (P<0.001)। ਇਹ ਸੁਝਾਅ ਦੇ ਸਕਦਾ ਹੈ ਕਿ ਸਪਸ਼ਟਤਾ ਤਕਨੀਕੀ ਡੇਟਾ ਦੀ ਪੂਰੀ ਮਾਤਰਾ ਨੂੰ ਪਛਾੜਦੀ ਹੈ; ਮੁੱਖ ਨੁਕਤਿਆਂ ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਮਝਣਾ ਵਿਆਪਕ ਸ਼ਬਦਾਵਲੀ ਤੱਕ ਪਹੁੰਚ ਹੋਣ ਨਾਲੋਂ ਵਧੇਰੇ ਸੰਤੁਸ਼ਟੀਜਨਕ ਹੈ ਜਿਸਦੀ ਆਸਾਨੀ ਨਾਲ ਵਿਆਖਿਆ ਨਹੀਂ ਕੀਤੀ ਜਾ ਸਕਦੀ।

ਸਭ ਤੋਂ ਮਜਬੂਰ ਕਰਨ ਵਾਲੀਆਂ ਖੋਜਾਂ ਵਿੱਚੋਂ ਇੱਕ ਗਿਆਨ ਦੇ ਪਾੜੇ ਨੂੰ ਪੂਰਾ ਕਰਨ ਨਾਲ ਸਬੰਧਤ ਸੀ। ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਦੇਖਿਆ ਕਿ ਜਿਹੜੇ ਕਲੀਨਿਸ਼ੀਅਨ ਸ਼ੁਰੂ ਵਿੱਚ ophthalmology ਸ਼ਬਦਾਵਲੀ ਨਾਲ ਅਸਹਿਜ ਮਹਿਸੂਸ ਕਰਦੇ ਸਨ, ਉਹਨਾਂ ਨੇ AI ਸਾਰਾਂਸ਼ਾਂ ਤੋਂ ਵਧੇਰੇ ਮਹੱਤਵਪੂਰਨ ਲਾਭ ਦਾ ਅਨੁਭਵ ਕੀਤਾ। ਸਧਾਰਨ ਭਾਸ਼ਾ ਦੇ ਸਾਰਾਂਸ਼ ਨੂੰ ਜੋੜਨ ਨਾਲ ਅੱਖਾਂ ਨਾਲ ਸਬੰਧਤ ਸ਼ਬਦਾਵਲੀ ਨਾਲ ਆਰਾਮਦਾਇਕ ਅਤੇ ਅਸਹਿਜ ਲੋਕਾਂ ਵਿਚਕਾਰ ਸਮਝ ਦੀ ਅਸਮਾਨਤਾ ਨੂੰ ਨਾਟਕੀ ਢੰਗ ਨਾਲ ਘਟਾ ਦਿੱਤਾ ਗਿਆ, ਪਾੜੇ ਨੂੰ 26.1% ਤੋਂ ਘਟਾ ਕੇ 14.4% ਕਰ ਦਿੱਤਾ ਗਿਆ। ਇਹ ‘ਬਰਾਬਰੀ ਪ੍ਰਭਾਵ’ ਵੱਖ-ਵੱਖ ਪੇਸ਼ੇਵਰ ਭੂਮਿਕਾਵਾਂ ਵਿੱਚ ਦੇਖਿਆ ਗਿਆ, ਜਿਸ ਵਿੱਚ ਡਾਕਟਰ, ਨਰਸਾਂ, ਅਤੇ ਹੋਰ ਸਹਾਇਕ ਸਿਹਤ ਸਟਾਫ ਸ਼ਾਮਲ ਹਨ, ਜੋ ਵਿਭਿੰਨ ਸਿਹਤ ਸੰਭਾਲ ਟੀਮਾਂ ਵਿੱਚ ਸਮਝ ਨੂੰ ਲੋਕਤੰਤਰੀ ਬਣਾਉਣ ਲਈ ਅਜਿਹੇ ਸਾਧਨਾਂ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ। ਕਲੀਨਿਸ਼ੀਅਨਾਂ ਨੇ ਖਾਸ ਤੌਰ ‘ਤੇ ਟਿੱਪਣੀ ਕੀਤੀ ਕਿ AI ਸਾਰਾਂਸ਼ ਸੰਖੇਪ ਰੂਪਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਅਤੇ ਵਿਸ਼ੇਸ਼ ਸ਼ਬਦਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਵਿੱਚ ਮਾਹਰ ਸਨ, ਜਿਸ ਨਾਲ ਬਦਲੇ ਵਿੱਚ ਮਰੀਜ਼ਾਂ ਅਤੇ ਪਰਿਵਾਰਾਂ ਨਾਲ ਅੱਖਾਂ ਦੀਆਂ ਖੋਜਾਂ ਬਾਰੇ ਉਹਨਾਂ ਦੀ ਬਾਅਦ ਦੀ ਗੱਲਬਾਤ ਨੂੰ ਸਰਲ ਬਣਾਇਆ ਗਿਆ।

ਸਧਾਰਨ ਭਾਸ਼ਾ ਦੀ ਸ਼ਕਤੀ: ਇੱਕ ਉਦਾਹਰਣ

ਵਿਹਾਰਕ ਅੰਤਰ ਨੂੰ ਦਰਸਾਉਣ ਲਈ, ਅਧਿਐਨ ਦੇ ਵਰਣਨ ‘ਤੇ ਅਧਾਰਤ ਇੱਕ ਕਾਲਪਨਿਕ ਉਦਾਹਰਣ ‘ਤੇ ਗੌਰ ਕਰੋ। ਪ੍ਰਾਇਮਰੀ ਓਪਨ-ਐਂਗਲ ਗਲਾਕੋਮਾ ਵਾਲੇ ਮਰੀਜ਼ ਲਈ ਇੱਕ ophthalmologist ਦਾ ਨੋਟ ਇਸ ਤਰ੍ਹਾਂ ਪੜ੍ਹਿਆ ਜਾ ਸਕਦਾ ਹੈ:

‘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.’

ਇੱਕ ਗੈਰ-ਮਾਹਰ ਲਈ, ਇਹ ਸੰਖੇਪ ਰੂਪਾਂ (Pt, c/o, VA, OD, OS, IOPs, Tmax, CCT, OU, Gonio, Gr, ONH, C/D, NRR, HVF, Cont, BID, F/U, RTC, sx, SLT) ਅਤੇ ਵਿਸ਼ੇਸ਼ ਮਾਪਦੰਡਾਂ ਨਾਲ ਭਰਿਆ ਹੋਇਆ ਹੈ ਜਿਨ੍ਹਾਂ ਦੀ ਵਿਆਖਿਆ ਦੀ ਲੋੜ ਹੈ।

ਇਸਦੇ ਉਲਟ, AI-ਤਿਆਰ ਸਧਾਰਨ ਭਾਸ਼ਾ ਦਾ ਸਾਰਾਂਸ਼, ਅਧਿਐਨ ਦੇ ਉਹਨਾਂ ਦੇ ਕਾਰਜ ਦੇ ਵਰਣਨ ਦੇ ਅਧਾਰ ਤੇ, ਇਸ ਤਰ੍ਹਾਂ ਦਾ ਹੋ ਸਕਦਾ ਹੈ:

‘ਇਸ ਮਰੀਜ਼ ਨੂੰ ਗਲਾਕੋਮਾ ਹੈ, ਇੱਕ ਅਜਿਹੀ ਸਥਿਤੀ ਜਿਸ ਵਿੱਚ ਅੱਖ ਦੇ ਅੰਦਰ ਉੱਚ ਦਬਾਅ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ ਜੋ ਆਪਟਿਕ ਨਰਵ ਨੂੰ ਨੁਕਸਾਨ ਪਹੁੰਚਾ ਸਕਦਾ ਹੈ ਅਤੇ ਨਜ਼ਰ ਦਾ ਨੁਕਸਾਨ ਕਰ ਸਕਦਾ ਹੈ। ਅੱਜ ਅੱਖਾਂ ਦਾ ਦਬਾਅ ਥੋੜ੍ਹਾ ਵਧਿਆ ਹੋਇਆ ਸੀ (ਸੱਜੀ ਅੱਖ ਵਿੱਚ 24, ਖੱਬੀ ਅੱਖ ਵਿੱਚ 22)। ਆਪਟਿਕ ਨਰਵ ਕੁਝ ਨੁਕਸਾਨ ਦੇ ਸੰਕੇਤ ਦਿਖਾਉਂਦੇ ਹਨ, ਸੱਜੀ ਅੱਖ ਵਿੱਚ ਜ਼ਿਆਦਾ। ਇੱਕ ਵਿਜ਼ੂਅਲ ਫੀਲਡ ਟੈਸਟ ਨੇ ਸੱਜੀ ਅੱਖ ਦੀ ਉਪਰਲੀ ਪੈਰੀਫਿਰਲ ਨਜ਼ਰ ਵਿੱਚ ਕੁਝ ਨਜ਼ਰ ਦੇ ਨੁਕਸਾਨ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ। ਮਰੀਜ਼ ਦੋਵਾਂ ਅੱਖਾਂ ਵਿੱਚ ਦਿਨ ਵਿੱਚ ਦੋ ਵਾਰ Cosopt ਆਈ ਡ੍ਰੌਪਸ ਦੀ ਵਰਤੋਂ ਜਾਰੀ ਰੱਖੇਗਾ। Cosopt ਇੱਕ ਸੰਯੁਕਤ ਦਵਾਈ ਹੈ ਜਿਸ ਵਿੱਚ ਦੋ ਦਵਾਈਆਂ (dorzolamide ਅਤੇ timolol) ਹੁੰਦੀਆਂ ਹਨ ਜੋ ਅੱਖਾਂ ਦੇ ਦਬਾਅ ਨੂੰ ਘੱਟ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀਆਂ ਹਨ। ਅਸੀਂ ਭਵਿੱਖ ਦੇ ਵਿਕਲਪ ਵਜੋਂ Selective Laser Trabeculoplasty (SLT), ਅੱਖਾਂ ਦੇ ਦਬਾਅ ਨੂੰ ਘੱਟ ਕਰਨ ਲਈ ਇੱਕ ਲੇਜ਼ਰ ਪ੍ਰਕਿਰਿਆ, ਬਾਰੇ ਚਰਚਾ ਕੀਤੀ। ਮਰੀਜ਼ ਨੂੰ 3 ਮਹੀਨਿਆਂ ਵਿੱਚ ਫਾਲੋ-ਅੱਪ ਲਈ ਵਾਪਸ ਆਉਣਾ ਚਾਹੀਦਾ ਹੈ, ਜਾਂ ਜੇਕਰ ਨਜ਼ਰ ਵਿੱਚ ਬਦਲਾਅ ਜਾਂ ਹੋਰ ਲੱਛਣ ਹੁੰਦੇ ਹਨ ਤਾਂ ਜਲਦੀ ਆਉਣਾ ਚਾਹੀਦਾ ਹੈ।’

ਇਹ ਸੰਸਕਰਣ ਤੁਰੰਤ ਨਿਦਾਨ ਨੂੰ ਸਪਸ਼ਟ ਕਰਦਾ ਹੈ, ਦਵਾਈ ਦੇ ਉਦੇਸ਼ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ (‘Cosopt’ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦਾ ਹੈ), ਮੁੱਖ ਖੋਜਾਂ ਨੂੰ ਸਮਝਣ ਯੋਗ ਸੰਕਲਪਾਂ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਦਾ ਹੈ, ਅਤੇ ਗੁਪਤ ਸੰਖੇਪ ਰੂਪਾਂ ਤੋਂ ਬਚਦਾ ਹੈ। ਇਹ ਵਧੀ ਹੋਈ ਸਪਸ਼ਟਤਾ ਪ੍ਰਾਇਮਰੀ ਕੇਅਰ ਪ੍ਰਦਾਤਾ ਜਾਂ ਸਲਾਹਕਾਰ ਡਾਕਟਰ ਨੂੰ ਮਰੀਜ਼ ਦੀ ਸਥਿਤੀ ਅਤੇ ophthalmologist ਦੀ ਯੋਜਨਾ ਨੂੰ ਜਲਦੀ ਸਮਝਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ।

ਸ਼ੁੱਧਤਾ ਦੀਆਂ ਚਿੰਤਾਵਾਂ ਅਤੇ ਨਿਗਰਾਨੀ ਦੀ ਲੋੜ

ਸਮਝ ਵਿੱਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਕਾਰਾਤਮਕ ਸਵਾਗਤ ਅਤੇ ਪ੍ਰਦਰਸ਼ਿਤ ਲਾਭਾਂ ਦੇ ਬਾਵਜੂਦ, ਅਧਿਐਨ ਨੇ AI-ਤਿਆਰ ਸਾਰਾਂਸ਼ਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਬਾਰੇ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਚੇਤਾਵਨੀ ਵੀ ਦਿੱਤੀ। ਜਦੋਂ ophthalmologists ਨੇ LLM ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਸ਼ੁਰੂਆਤੀ ਸਾਰਾਂਸ਼ਾਂ ਦੀ ਸਮੀਖਿਆ ਕੀਤੀ ਪਹਿਲਾਂ ਉਹਨਾਂ ਨੂੰ ਭੇਜਿਆ ਗਿਆ ਸੀ, ਤਾਂ ਉਹਨਾਂ ਨੇ 26% ਮਾਮਲਿਆਂ ਵਿੱਚ ਗਲਤੀਆਂ ਦੀ ਪਛਾਣ ਕੀਤੀ। ਜਦੋਂ ਕਿ ਇਹਨਾਂ ਵਿੱਚੋਂ ਬਹੁਤੀਆਂ ਗਲਤੀਆਂ (83.9%) ਨੂੰ ਮਰੀਜ਼ ਨੂੰ ਨੁਕਸਾਨ ਪਹੁੰਚਾਉਣ ਦੇ ਘੱਟ ਜੋਖਮ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਗਿਆ ਸੀ, ਅਤੇ ਮਹੱਤਵਪੂਰਨ ਤੌਰ ‘ਤੇ, ਕੋਈ ਵੀ ਗੰਭੀਰ ਨੁਕਸਾਨ ਜਾਂ ਮੌਤ ਦਾ ਖਤਰਾ ਪੈਦਾ ਕਰਨ ਵਾਲਾ ਨਹੀਂ ਮੰਨਿਆ ਗਿਆ ਸੀ, ਇਹ ਸ਼ੁਰੂਆਤੀ ਗਲਤੀ ਦਰ ਮਹੱਤਵਪੂਰਨ ਹੈ।

ਇਸ ਤੋਂ ਵੀ ਵੱਧ ਚਿੰਤਾਜਨਕ, ਇੱਕ ਬਾਹਰੀ ophthalmologist ਦੁਆਰਾ ਕੀਤੇ ਗਏ ਇੱਕ ਬਾਅਦ ਦੇ ਸੁਤੰਤਰ ਵਿਸ਼ਲੇਸ਼ਣ ਨੇ 235 ਸਧਾਰਨ ਭਾਸ਼ਾ ਦੇ ਸਾਰਾਂਸ਼ਾਂ ਦੀ ਸਮੀਖਿਆ ਕੀਤੀ ਜਦੋਂ ਉਹਨਾਂ ਦੀ ਪਹਿਲਾਂ ਹੀ ਅਧਿਐਨ ਦੇ ophthalmologists ਦੁਆਰਾ ਸਮੀਖਿਆ ਅਤੇ ਸੰਪਾਦਨ ਕੀਤਾ ਜਾ ਚੁੱਕਾ ਸੀ। ਇਸ ਸਮੀਖਿਆ ਵਿੱਚ ਪਾਇਆ ਗਿਆ ਕਿ 15% ਸਾਰਾਂਸ਼ਾਂ ਵਿੱਚ ਅਜੇ ਵੀ ਗਲਤੀਆਂ ਸਨ। ਇਹ ਲਗਾਤਾਰ ਗਲਤੀ ਦਰ, ਮਾਹਰ ਦੀ ਨਿਗਰਾਨੀ ਤੋਂ ਬਾਅਦ ਵੀ, ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਨੁਕਤੇ ਨੂੰ ਰੇਖਾਂਕਿਤ ਕਰਦੀ ਹੈ: ਕਲੀਨਿਕਲ ਸੈਟਿੰਗਾਂ ਵਿੱਚ AI ਸਾਧਨ ਸਖ਼ਤ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ਤੋਂ ਬਿਨਾਂ ਖੁਦਮੁਖਤਿਆਰੀ ਨਾਲ ਕੰਮ ਨਹੀਂ ਕਰ ਸਕਦੇ।

ਅਧਿਐਨ ਨੇ ਇਹਨਾਂ ਗਲਤੀਆਂ ਦੀ ਖਾਸ ਪ੍ਰਕਿਰਤੀ ਦੀ ਖੋਜ ਨਹੀਂ ਕੀਤੀ, ਜੋ ਕਿ ਇੱਕ ਸੀਮਾ ਹੈ। ਸੰਭਾਵੀ ਗਲਤੀਆਂ ਸੰਖਿਆਤਮਕ ਡੇਟਾ ਦਾ ਅਨੁਵਾਦ ਕਰਨ ਵਿੱਚ ਮਾਮੂਲੀ ਅਸ਼ੁੱਧੀਆਂ, ਕਿਸੇ ਖੋਜ ਦੀ ਗੰਭੀਰਤਾ ਦੀ ਗਲਤ ਵਿਆਖਿਆ, ਮੂਲ ਨੋਟ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਸੂਖਮਤਾਵਾਂ ਨੂੰ ਛੱਡਣਾ, ਜਾਂ ਸਰੋਤ ਟੈਕਸਟ ਵਿੱਚ ਮੌਜੂਦ ਨਾ ਹੋਣ ਵਾਲੀ ਜਾਣਕਾਰੀ ਨੂੰ ਪੇਸ਼ ਕਰਨਾ (hallucinations) ਤੱਕ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਜਦੋਂ ਕਿ ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਜੋਖਮ ਪ੍ਰੋਫਾਈਲ ਘੱਟ ਦਿਖਾਈ ਦਿੱਤਾ, ਗਲਤੀ ਦੀ ਸੰਭਾਵਨਾ ਮਜ਼ਬੂਤ ਵਰਕਫਲੋ ਦੀ ਲੋੜ ਹੈ ਜੋ ਕਲੀਨਿਕਲ ਫੈਸਲੇ ਲੈਣ ਜਾਂ ਸੰਚਾਰ ਲਈ AI-ਤਿਆਰ ਸਾਰਾਂਸ਼ਾਂ ‘ਤੇ ਭਰੋਸਾ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਲਾਜ਼ਮੀ ਕਲੀਨਿਸ਼ੀਅਨ ਸਮੀਖਿਆ ਅਤੇ ਸੁਧਾਰ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦੇ ਹਨ। ਇਹ ਵੀ ਧਿਆਨ ਦੇਣ ਯੋਗ ਹੈ, ਜਿਵੇਂ ਕਿ ਅਧਿਐਨ ਦੇ ਲੇਖਕਾਂ ਨੇ ਹੋਰ ਖੋਜ ਦਾ ਹਵਾਲਾ ਦੇ ਕੇ ਇਸ਼ਾਰਾ ਕੀਤਾ, ਕਿ ਗਲਤੀਆਂ ਸਿਰਫ AI ਲਈ ਵਿਸ਼ੇਸ਼ ਨਹੀਂ ਹਨ; ਗਲਤੀਆਂ ਮੂਲ ਕਲੀਨਿਸ਼ੀਅਨ-ਲਿਖਤ ਨੋਟਸ ਵਿੱਚ ਵੀ ਮੌਜੂਦ ਹੋ ਸਕਦੀਆਂ ਹਨ ਅਤੇ ਹੁੰਦੀਆਂ ਹਨ। ਹਾਲਾਂਕਿ, ਇੱਕ AI ਪਰਤ ਨੂੰ ਪੇਸ਼ ਕਰਨਾ ਗਲਤੀ ਦਾ ਇੱਕ ਨਵਾਂ ਸੰਭਾਵੀ ਸਰੋਤ ਜੋੜਦਾ ਹੈ ਜਿਸਦਾ ਪ੍ਰਬੰਧਨ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

ਮਾਹਿਰਾਂ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ

ਅਧਿਐਨ ਵਿੱਚ ਹਿੱਸਾ ਲੈਣ ਵਾਲੇ ophthalmologists ਨੇ ਵੀ ਫੀਡਬੈਕ ਪ੍ਰਦਾਨ ਕੀਤਾ। 489 ਸਰਵੇਖਣ ਜਵਾਬਾਂ (ਮਾਹਿਰਾਂ ਤੋਂ 84% ਜਵਾਬ ਦਰ) ਦੇ ਅਧਾਰ ਤੇ, AI ਸਾਰਾਂਸ਼ਾਂ ਬਾਰੇ ਉਹਨਾਂ ਦਾ ਨਜ਼ਰੀਆ ਆਮ ਤੌਰ ‘ਤੇ ਸਕਾਰਾਤਮਕ ਸੀ, ਭਾਵੇਂ ਕਿ ਸੁਧਾਰਾਂ ਦੀ ਲੋੜ ਬਾਰੇ ਉਹਨਾਂ ਦੀ ਜਾਗਰੂਕਤਾ ਦੁਆਰਾ ਸੰਜਮਿਤ ਹੋਵੇ।

• ਨਿਦਾਨ ਦੀ ਪ੍ਰਤੀਨਿਧਤਾ: ਇੱਕ ਉੱਚ ਪ੍ਰਤੀਸ਼ਤ, 90%, ਨੇ ਮਹਿਸੂਸ ਕੀਤਾ ਕਿ ਸਧਾਰਨ ਭਾਸ਼ਾ ਦੇ ਸਾਰਾਂਸ਼ਾਂ ਨੇ ਮਰੀਜ਼ ਦੇ ਨਿਦਾਨਾਂ ਨੂੰ ‘ਬਹੁਤ ਜ਼ਿਆਦਾ’ ਦਰਸਾਇਆ ਹੈ। ਇਹ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ AI ਨੇ ਆਮ ਤੌਰ ‘ਤੇ ਮਾਹਰ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ ਮੁੱਖ ਕਲੀਨਿਕਲ ਤਸਵੀਰ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਹਾਸਲ ਕੀਤਾ ਹੈ।
• ਸਮੁੱਚੀ ਸੰਤੁਸ਼ਟੀ: 75% ophthalmologist ਜਵਾਬਾਂ ਨੇ ਸੰਕੇਤ ਦਿੱਤਾ ਕਿ ਉਹ ਆਪਣੇ ਨੋਟਸ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਸਾਰਾਂਸ਼ਾਂ ਤੋਂ ‘ਬਹੁਤ ਸੰਤੁਸ਼ਟ’ ਸਨ (ਸੰਭਵ ਤੌਰ ‘ਤੇ ਉਹਨਾਂ ਦੀ ਸਮੀਖਿਆ ਅਤੇ ਸੁਧਾਰ ਤੋਂ ਬਾਅਦ)।

ਜਦੋਂ ਕਿ ਸੰਤੁਸ਼ਟ ਹਨ, ਸਾਰਾਂਸ਼ਾਂ ਦੀ ਸਮੀਖਿਆ ਅਤੇ ਸੁਧਾਰ ਵਿੱਚ ਸ਼ਾਮਲ ਕੋਸ਼ਿਸ਼ ਨੂੰ ਮਾਪਿਆ ਨਹੀਂ ਗਿਆ ਸੀ ਪਰ ਵਰਕਫਲੋ ਏਕੀਕਰਣ ਲਈ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਵਿਚਾਰ ਬਣਿਆ ਹੋਇਆ ਹੈ। ਉਹਨਾਂ ਦੀ ਸਮੀਖਿਆ ਤੋਂ ਬਾਅਦ ਵੀ ਪਾਈ ਗਈ 15% ਗਲਤੀ ਦਰ ਚੁਣੌਤੀ ਨੂੰ ਉਜਾਗਰ ਕਰਦੀ ਹੈ - ਮਾਹਰ ਵਿਅਸਤ ਹਨ, ਅਤੇ ਨਿਗਰਾਨੀ, ਜਦੋਂ ਕਿ ਜ਼ਰੂਰੀ ਹੈ, ਕੁਸ਼ਲ ਅਤੇ ਭਰੋਸੇਮੰਦ ਹੋਣ ਦੀ ਲੋੜ ਹੈ।

ਵਿਆਪਕ ਪ੍ਰਭਾਵ ਅਤੇ ਭਵਿੱਖ ਦੀਆਂ ਦਿਸ਼ਾਵਾਂ

ਇਹ ਅਧਿਐਨ ਇੱਕ ਖਿੜਕੀ ਖੋਲ੍ਹਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਤਕਨਾਲੋਜੀ, ਖਾਸ ਤੌਰ ‘ਤੇ AI, ਨੂੰ ਮਨੁੱਖੀ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਨੂੰ ਬਦਲਣ ਲਈ ਨਹੀਂ ਬਲਕਿ ਵਿਸ਼ੇਸ਼ ਦਵਾਈ ਵਿੱਚ ਮੌਜੂਦ ਸੰਚਾਰ ਰੁਕਾਵਟਾਂ ਨੂੰ ਦੂਰ ਕਰਕੇ ਇਸਨੂੰ ਵਧਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਗੁੰਝਲਦਾਰ ophthalmology ਨੋਟਸ ਨੂੰ ਸਧਾਰਨ ਭਾਸ਼ਾ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਨ ਵਿੱਚ AI ਦੀ ਸਫਲਤਾ ਵਿਆਪਕ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਵਾਅਦਾ ਰੱਖਦੀ ਹੈ।

• ਅੰਤਰ-ਕਲੀਨਿਸ਼ੀਅਨ ਸੰਚਾਰ: ਮਾਡਲ ਨੂੰ ਸੰਭਾਵੀ ਤੌਰ ‘ਤੇ ਹੋਰ ਬਹੁਤ ਵਿਸ਼ੇਸ਼ ਖੇਤਰਾਂ (ਉਦਾਹਰਨ ਲਈ, cardiology, neurology, pathology) ਲਈ ਅਨੁਕੂਲਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜਿੱਥੇ ਗੁੰਝਲਦਾਰ ਸ਼ਬਦਾਵਲੀ ਗੈਰ-ਮਾਹਿਰਾਂ ਦੁਆਰਾ ਸਮਝ ਵਿੱਚ ਰੁਕਾਵਟ ਪਾ ਸਕਦੀ ਹੈ, ਅਨੁਸ਼ਾਸਨਾਂ ਵਿੱਚ ਦੇਖਭਾਲ ਤਾਲਮੇਲ ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਸਕਦੀ ਹੈ।
• ਮਰੀਜ਼ ਸਿੱਖਿਆ: ਸ਼ਾਇਦ ਸਭ ਤੋਂ ਦਿਲਚਸਪ ਸੰਭਾਵੀ ਵਿਸਤਾਰਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ ਉਹਨਾਂ ਦੇ ਆਪਣੇ ਵਿਜ਼ਿਟ ਨੋਟਸ ਦੇ ਮਰੀਜ਼-ਅਨੁਕੂਲ ਸਾਰਾਂਸ਼ ਤਿਆਰ ਕਰਨ ਲਈ ਸਮਾਨ AI ਸਾਧਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ। ਮਰੀਜ਼ਾਂ ਨੂੰ ਉਹਨਾਂ ਦੀਆਂ ਸਥਿਤੀਆਂ ਅਤੇ ਇਲਾਜ ਯੋਜਨਾਵਾਂ ਬਾਰੇ ਸਪਸ਼ਟ, ਸਮਝਣ ਯੋਗ ਜਾਣਕਾਰੀ ਨਾਲ ਸ਼ਕਤੀ ਪ੍ਰਦਾਨ ਕਰਨਾ ਸਿਹਤ ਸਾਖਰਤਾ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਸੁਧਾਰ ਕਰ ਸਕਦਾ ਹੈ, ਸਾਂਝੇ ਫੈਸਲੇ ਲੈਣ ਦੀ ਸਹੂਲਤ ਦੇ ਸਕਦਾ ਹੈ, ਅਤੇ ਸੰਭਾਵੀ ਤੌਰ ‘ਤੇ ਇਲਾਜ ਦੀ ਪਾਲਣਾ ਨੂੰ ਵਧਾ ਸਕਦਾ ਹੈ। ਕਲਪਨਾ ਕਰੋ ਕਿ ਇੱਕ ਮਰੀਜ਼ ਪੋਰਟਲ ਅਧਿਕਾਰਤ ਕਲੀਨਿਕਲ ਨੋਟ ਦੇ ਨਾਲ ਆਪਣੇ ਆਪ ਇੱਕ ਸਧਾਰਨ ਭਾਸ਼ਾ ਦਾ ਸਾਰਾਂਸ਼ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।

ਹਾਲਾਂਕਿ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਗਲਤੀ ਦਰਾਂ ਤੋਂ ਪਰੇ ਸੀਮਾਵਾਂ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਸਵੀਕਾਰ ਕੀਤਾ। ਅਧਿਐਨ ਇੱਕ ਸਿੰਗਲ ਅਕਾਦਮਿਕ ਕੇਂਦਰ ਵਿੱਚ ਕੀਤਾ ਗਿਆ ਸੀ, ਸੰਭਾਵੀ ਤੌਰ ‘ਤੇ ਖੋਜਾਂ ਦੀ ਆਮਯੋਗਤਾ ਨੂੰ ਹੋਰ ਅਭਿਆਸ ਸੈਟਿੰਗਾਂ (ਉਦਾਹਰਨ ਲਈ, ਕਮਿਊਨਿਟੀ ਹਸਪਤਾਲ, ਨਿੱਜੀ ਅਭਿਆਸ) ਤੱਕ ਸੀਮਤ ਕਰਦਾ ਹੈ। ਸਰਵੇਖਣ ਭਾਗੀਦਾਰਾਂ ਬਾਰੇ ਜਨਸੰਖਿਆ ਸੰਬੰਧੀ ਜਾਣਕਾਰੀ ਇਕੱਠੀ ਨਹੀਂ ਕੀਤੀ ਗਈ ਸੀ, ਜਿਸ ਨਾਲ ਇਸ ਗੱਲ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਰੋਕਿਆ ਗਿਆ ਸੀ ਕਿ ਤਜ਼ਰਬੇ ਦੇ ਸਾਲਾਂ ਜਾਂ ਖਾਸ ਭੂਮਿਕਾਵਾਂ ਵਰਗੇ ਕਾਰਕ ਧਾਰਨਾਵਾਂ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਤ ਕਰ ਸਕਦੇ ਹਨ। ਮਹੱਤਵਪੂਰਨ ਤੌਰ ‘ਤੇ, ਅਧਿਐਨ ਨੇ ਮਰੀਜ਼ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਟਰੈਕ ਨਹੀਂ ਕੀਤਾ, ਇਸ ਲਈ ਸਿੱਧਾ ਕਲੀਨਿਕਲ ਮਹੱਤਵ - ਕੀ ਇਹਨਾਂ ਸੁਧਰੇ ਹੋਏ ਸਾਰਾਂਸ਼ਾਂ ਨੇ ਅਸਲ ਵਿੱਚ ਬਿਹਤਰ ਇਲਾਜ ਦੇ ਫੈਸਲਿਆਂ ਜਾਂ ਸਿਹਤ ਨਤੀਜਿਆਂ ਦੀ ਅਗਵਾਈ ਕੀਤੀ - ਅਣਜਾਣ ਰਹਿੰਦਾ ਹੈ ਅਤੇ ਭਵਿੱਖ ਦੀ ਖੋਜ ਲਈ ਇੱਕ ਮਹ