AI اور طبی اصطلاحات: کیا یہ فرق مٹا سکتا ہے؟

جدید صحت کی دیکھ بھال کے پیچیدہ جال میں، ماہرین اور عمومی معالجین کے درمیان رابطہ سب سے اہم ہے۔ پھر بھی، طبی نوٹس میں اکثر استعمال ہونے والی انتہائی ماہرانہ زبان نمایاں رکاوٹیں پیدا کر سکتی ہے، خاص طور پر جب ophthalmology جیسے پیچیدہ شعبوں سے نمٹا جا رہا ہو۔ ایک حالیہ تحقیق ایک ممکنہ تکنیکی حل کی کھوج کرتی ہے: مصنوعی ذہانت، خاص طور پر large language models (LLMs) کی طاقت کا استعمال کرتے ہوئے، گھنی، اصطلاحات سے بھری ophthalmology رپورٹس کو واضح، مختصر خلاصوں میں ترجمہ کرنا جو اس شعبے سے باہر کے لوگ سمجھ سکیں۔ نتائج بین الکلیشین رابطے کو بڑھانے اور ممکنہ طور پر مریضوں کی دیکھ بھال کے تال میل کو بہتر بنانے کے لیے ایک امید افزا راستہ تجویز کرتے ہیں، اگرچہ درستگی اور نگرانی کے حوالے سے اہم انتباہات کے بغیر نہیں۔

خصوصی رابطے کا چیلنج

طبی دنیا درستگی پر پروان چڑھتی ہے، جو اکثر ہر شعبے میں انتہائی مخصوص اصطلاحات کی ترقی کا باعث بنتی ہے۔ اگرچہ ساتھیوں کے درمیان باریک بینی سے بحث کے لیے ضروری ہے، یہ خصوصی ذخیرہ الفاظ ایک اہم رکاوٹ بن سکتا ہے جب معلومات کو مختلف محکموں یا بنیادی نگہداشت فراہم کرنے والوں تک پہنچانے کی ضرورت ہوتی ہے۔ Ophthalmology، اپنی منفرد تشریحی اصطلاحات، پیچیدہ تشخیصی طریقہ کار، اور خصوصی مخففات کے ساتھ، اس چیلنج کی مثال پیش کرتا ہے۔ آنکھوں کا معائنہ نظامی صحت کی حالتوں کے بارے میں اہم بصیرت فراہم کر سکتا ہے - ذیابیطس، multiple sclerosis، یا یہاں تک کہ آنے والے فالج کے آثار ظاہر کرتا ہے۔ تاہم، اگر ماہر امراض چشم کے تفصیلی نتائج ایسی اصطلاحات میں بیان کیے گئے ہیں جن سے وصول کنندہ معالج ناواقف ہے، تو یہ اہم تشخیصی سراغ نظر انداز یا غلط تشریح ہونے کا خطرہ رکھتے ہیں۔ ممکنہ نتائج تاخیر سے علاج سے لے کر چھوٹی ہوئی تشخیص تک ہوتے ہیں، جو بالآخر مریض کے نتائج کو متاثر کرتے ہیں۔

بنیادی نگہداشت کے معالج یا ہسپتال کے ماہر پر غور کریں جو متعدد صحت کے مسائل والے مریض کا انتظام کر رہا ہے۔ وہ مریض کی حالت کا ایک جامع نظریہ بنانے کے لیے مختلف ماہرین کی رپورٹس پر انحصار کرتے ہیں۔ ایک ophthalmology نوٹ جو ‘Tmax’ (maximum intraocular pressure)، ‘CCT’ (central corneal thickness)، یا مخصوص ادویات کے شارٹ ہینڈ جیسے ‘cosopt’ (ایک مجموعہ گلوکوما دوا) جیسے مخففات سے بھرا ہوا ہے، سمجھنے میں پریشان کن اور وقت طلب ہو سکتا ہے۔ فوری وضاحت کی یہ کمی موثر فیصلہ سازی میں رکاوٹ بن سکتی ہے اور مریض اور ان کے خاندان کے ساتھ ان کی صحت کے وسیع تر تناظر میں آنکھوں کے نتائج کی اہمیت کے بارے میں بات چیت کو پیچیدہ بنا سکتی ہے۔ مزید برآں، بہت سے طبی پیشہ ور افراد کو اپنی تربیت کے دوران ophthalmology سے ملنے والی محدود نمائش - بعض اوقات صرف چند لیکچرز تک محدود ہوتی ہے - اس سمجھ بوجھ کے فرق کو بڑھا دیتی ہے۔

AI امتحان کے کمرے میں داخل: وضاحت میں ایک مطالعہ

اس مواصلاتی رکاوٹ کو تسلیم کرتے ہوئے، محققین نے ایک معیاری بہتری کا مطالعہ شروع کیا تاکہ یہ معلوم کیا جا سکے کہ کیا AI ایک مؤثر مترجم کے طور پر کام کر سکتا ہے۔ بنیادی سوال یہ تھا کہ کیا موجودہ LLM ٹیکنالوجی پیچیدہ ophthalmology نوٹس کو عالمی طور پر قابل فہم خلاصوں میں تبدیل کرنے کے لیے درکار نفاست، درستگی، اور تازہ ترین علمی بنیاد رکھتی ہے؟ کیا AI آنکھوں کے ماہرین اور دیگر طبی شعبوں میں ان کے ساتھیوں کے درمیان اصطلاحات کے فرق کو مؤثر طریقے سے ختم کر سکتا ہے؟

یہ مطالعہ، جو فروری اور مئی 2024 کے درمیان Mayo Clinic میں کیا گیا، 20 ماہرین امراض چشم پر مشتمل تھا۔ ان ماہرین کو مریضوں کے مقابلوں کو دستاویز کرنے کے بعد تصادفی طور پر دو راستوں میں سے ایک پر تفویض کیا گیا تھا۔ ایک گروپ نے اپنے معیاری کلینیکل نوٹس براہ راست متعلقہ نگہداشت ٹیم کے اراکین (معالجین، رہائشیوں، فیلوز، نرس پریکٹیشنرز، فزیشن اسسٹنٹس، اور الائیڈ ہیلتھ اسٹاف) کو بھیجے۔ دوسرے گروپ نے پہلے اپنے نوٹس کو ایک AI پروگرام کے ذریعے پراسیس کیا جو سادہ زبان کا خلاصہ تیار کرنے کے لیے ڈیزائن کیا گیا تھا۔ ان AI سے تیار کردہ خلاصوں کا جائزہ ماہر امراض چشم نے لیا، جو حقائق کی غلطیوں کو درست کر سکتے تھے لیکن انہیں اسٹائلسٹک تبدیلیاں نہ کرنے کی ہدایت دی گئی تھی۔ اس دوسرے گروپ سے نوٹس وصول کرنے والے نگہداشت ٹیم کے اراکین کو دونوں اصل ماہر کا نوٹ اور AI سے تیار کردہ سادہ زبان کا خلاصہ موصول ہوا۔

اس مداخلت کی تاثیر کا اندازہ لگانے کے لیے، ان غیر ماہر امراض چشم معالجین اور پیشہ ور افراد کو سروے تقسیم کیے گئے جنہوں نے یہ نوٹس وصول کیے۔ کل 362 جوابات جمع کیے گئے، جو تقریباً 33% کی جوابی شرح کی نمائندگی کرتے ہیں۔ تقریباً نصف جواب دہندگان نے صرف معیاری نوٹس کا جائزہ لیا، جبکہ دوسرے نصف نے نوٹس اور AI خلاصوں دونوں کا جائزہ لیا۔ سروے کا مقصد وضاحت، سمجھ، تفصیل کی سطح سے اطمینان، اور مجموعی ترجیح کا اندازہ لگانا تھا۔

حیران کن نتائج: ترجیح اور بہتر تفہیم

غیر ماہر امراض چشم پیشہ ور افراد کی طرف سے رائے AI کی مدد سے تیار کردہ خلاصوں کے حق میں بے حد مثبت تھی۔ ایک قابل ذکر 85% جواب دہندگان نے اصل نوٹ کے ساتھ سادہ زبان کا خلاصہ وصول کرنے کو ترجیح دی، بمقابلہ صرف معیاری نوٹ وصول کرنے کے۔ یہ ترجیح سمجھی جانے والی وضاحت اور فہم میں نمایاں بہتری پر مبنی تھی۔

• وضاحت: جب پوچھا گیا کہ کیا نوٹس ‘بہت واضح’ تھے، تو 62.5% جنہوں نے AI خلاصے وصول کیے، اس سے متفق تھے، بمقابلہ صرف 39.5% جنہوں نے معیاری نوٹس وصول کیے – ایک شماریاتی طور پر اہم فرق (P<0.001)۔ اس سے پتہ چلتا ہے کہ AI الجھن پیدا کرنے والی اصطلاحات کو ختم کرنے اور بنیادی معلومات کو زیادہ قابل رسائی انداز میں پیش کرنے میں کامیاب رہا۔
• تفہیم: خلاصوں نے سمجھ بوجھ کو بھی نمایاں طور پر بہتر کیا۔ 33% وصول کنندگان نے محسوس کیا کہ AI خلاصے نے ان کی سمجھ کو ‘بہت زیادہ’ بہتر کیا، جو کہ 24% سے نمایاں طور پر زیادہ تھا جنہوں نے معیاری نوٹس کے بارے میں ایسا ہی محسوس کیا (P=0.001)۔ اس سے ظاہر ہوتا ہے کہ خلاصوں نے نہ صرف زبان کو آسان بنایا بلکہ رپورٹ کے کلینیکل مواد کو سمجھنے میں بھی فعال طور پر مدد کی۔
• تفصیل سے اطمینان: دلچسپ بات یہ ہے کہ خلاصے ہونے کے باوجود، AI ورژن نے فراہم کردہ معلومات کی سطح سے زیادہ اطمینان کا باعث بنا۔ 63.6% AI خلاصہ فارمیٹ میں تفصیل سے مطمئن تھے، بمقابلہ 42.2% معیاری نوٹس کے لیے (P<0.001)۔ اس سے یہ تجویز ہو سکتا ہے کہ وضاحت تکنیکی ڈیٹا کے محض حجم پر غالب آتی ہے؛ کلیدی نکات کو اچھی طرح سمجھنا وسیع اصطلاحات تک رسائی حاصل کرنے سے زیادہ اطمینان بخش ہے جن کی آسانی سے تشریح نہیں کی جا سکتی۔

سب سے زیادہ مجبور کرنے والے نتائج میں سے ایک علم کے فرق کو ختم کرنے سے متعلق تھا۔ محققین نے مشاہدہ کیا کہ وہ معالجین جنہوں نے ابتدائی طور پر ophthalmology کی اصطلاحات سے غیر آرام دہ محسوس کرنے کی اطلاع دی تھی، انہوں نے AI خلاصوں سے زیادہ اہم فائدہ اٹھایا۔ سادہ زبان کے خلاصے کے اضافے نے آنکھوں سے متعلق اصطلاحات سے آرام دہ اور غیر آرام دہ افراد کے درمیان سمجھ بوجھ کے فرق کو ڈرامائی طور پر کم کر دیا، فرق کو 26.1% سے کم کر کے 14.4% کر دیا۔ یہ ‘مساوی اثر’ مختلف پیشہ ورانہ کرداروں میں دیکھا گیا، بشمول معالجین، نرسیں، اور دیگر الائیڈ ہیلتھ اسٹاف، جو متنوع صحت کی دیکھ بھال ٹیموں میں سمجھ کو جمہوری بنانے کے لیے ایسے ٹولز کی صلاحیت کو اجاگر کرتا ہے۔ معالجین نے خاص طور پر تبصرہ کیا کہ AI خلاصے مخففات کی تعریف کرنے اور خصوصی اصطلاحات کی وضاحت کرنے میں ماہر تھے، جس نے بدلے میں مریضوں اور خاندانوں کے ساتھ آنکھوں کے نتائج کے بارے میں ان کی بعد کی بات چیت کو آسان بنا دیا۔

سادہ زبان کی طاقت: ایک مثال

عملی فرق کو واضح کرنے کے لیے، مطالعہ کی وضاحتوں پر مبنی ایک فرضی مثال پر غور کریں۔ پرائمری اوپن اینگل گلوکوما والے مریض کے لیے ایک ماہر امراض چشم کا نوٹ کچھ اس طرح پڑھا جا سکتا ہے:

‘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.’

ایک غیر ماہر کے لیے، یہ مخففات (Pt, c/o, VA, OD, OS, IOPs, Tmax, CCT, OU, Gonio, Gr, ONH, C/D, NRR, HVF, Cont, BID, F/U, RTC, sx, SLT) اور مخصوص میٹرکس سے بھرا ہوا ہے جن کی تشریح کی ضرورت ہے۔

اس کے برعکس، AI سے تیار کردہ سادہ زبان کا خلاصہ، مطالعہ کی ان کے فنکشن کی وضاحت پر مبنی، اس سے ملتا جلتا ہو سکتا ہے:

‘اس مریض کو گلوکوما ہے، یہ ایک ایسی حالت ہے جس میں آنکھ کے اندر زیادہ دباؤ شامل ہوتا ہے جو آپٹک اعصاب کو نقصان پہنچا سکتا ہے اور بینائی کے نقصان کا سبب بن سکتا ہے۔ آج آنکھ کا دباؤ قدرے بلند تھا (دائیں آنکھ میں 24، بائیں آنکھ میں 22)۔ آپٹک اعصاب نقصان کے کچھ آثار دکھاتے ہیں، دائیں آنکھ میں زیادہ۔ بصری فیلڈ ٹیسٹ نے دائیں آنکھ کے اوپری پیریفرل وژن میں کچھ بینائی کے نقصان کی تصدیق کی۔ مریض دونوں آنکھوں میں روزانہ دو بار Cosopt آئی ڈراپس کا استعمال جاری رکھے گا۔ Cosopt ایک مجموعہ دوا ہے جس میں دو دوائیں (dorzolamide اور timolol) شامل ہیں جو آنکھ کے دباؤ کو کم کرنے میں مدد کرتی ہیں۔ ہم نے Selective Laser Trabeculoplasty (SLT) پر تبادلہ خیال کیا، جو آنکھ کے دباؤ کو کم کرنے کے لیے ایک لیزر طریقہ کار ہے، بطور مستقبل کا آپشن۔ مریض کو 3 ماہ میں فالو اپ کے لیے واپس آنا چاہیے، یا اگر بینائی میں تبدیلی یا دیگر علامات ظاہر ہوں تو جلد آنا چاہیے۔’

یہ ورژن فوری طور پر تشخیص کو واضح کرتا ہے، دوا کے مقصد کی وضاحت کرتا ہے (‘Cosopt’ کی تعریف کرتا ہے)، کلیدی نتائج کو قابل فہم تصورات میں ترجمہ کرتا ہے، اور خفیہ مخففات سے گریز کرتا ہے۔ یہ بہتر وضاحت بنیادی نگہداشت فراہم کرنے والے یا مشاورتی معالج کو مریض کی حیثیت اور ماہر امراض چشم کے منصوبے کو تیزی سے سمجھنے کی اجازت دیتی ہے۔

درستگی کے خدشات اور نگرانی کی ضرورت

فہم میں بے حد مثبت استقبال اور ظاہر کردہ فوائد کے باوجود، مطالعہ نے AI سے تیار کردہ خلاصوں کی درستگی کے حوالے سے احتیاط کا ایک اہم نوٹ بھی دیا۔ جب ماہرین امراض چشم نے LLM کے ذریعہ تیار کردہ ابتدائی خلاصوں کا جائزہ لیا اس سے پہلے کہ وہ بھیجے جائیں، تو انہوں نے 26% معاملات میں غلطیوں کی نشاندہی کی۔ اگرچہ ان غلطیوں کی اکثریت (83.9%) کو مریض کو نقصان پہنچانے کے کم خطرے کے طور پر درجہ بندی کیا گیا تھا، اور اہم بات یہ ہے کہ کسی کو بھی شدید نقصان یا موت کا خطرہ لاحق نہیں سمجھا گیا تھا، یہ ابتدائی غلطی کی شرح اہم ہے۔

اس سے بھی زیادہ تشویشناک بات یہ ہے کہ ایک بیرونی ماہر امراض چشم کے ذریعہ کئے گئے بعد کے آزادانہ تجزیے نے 235 سادہ زبان کے خلاصوں کا جائزہ لیا اس کے بعد کہ ان کا مطالعہ کے ماہرین امراض چشم نے پہلے ہی جائزہ لیا اور ترمیم کی تھی۔ اس جائزے سے پتا چلا کہ 15% خلاصوں میں اب بھی غلطیاں موجود تھیں۔ یہ مستقل غلطی کی شرح، یہاں تک کہ ماہر کی نگرانی کے بعد بھی، ایک اہم نکتے کی نشاندہی کرتی ہے: کلینیکل سیٹنگز میں AI ٹولز سخت انسانی نگرانی کے بغیر خود مختار طور پر کام نہیں کر سکتے۔

مطالعہ نے ان غلطیوں کی مخصوص نوعیت پر غور نہیں کیا، جو ایک حد ہے۔ ممکنہ غلطیاں عددی ڈیٹا کے ترجمہ میں معمولی غلطیوں، کسی تلاش کی شدت کی غلط تشریح، اصل نوٹ سے اہم باریکیوں کو چھوڑنے، یا یہاں تک کہ ماخذ متن میں موجود نہ ہونے والی معلومات متعارف کرانے (hallucinations) تک ہو سکتی ہیں۔ اگرچہ اس مطالعہ میں خطرے کا پروفائل کم دکھائی دیا، غلطی کی صلاحیت مضبوط ورک فلوز کی ضرورت ہے جو کلینیکل فیصلہ سازی یا مواصلات کے لیے AI سے تیار کردہ خلاصوں پر انحصار کرنے سے پہلے لازمی معالج کے جائزے اور اصلاح کو شامل کریں۔ یہ بھی قابل ذکر ہے، جیسا کہ مطالعہ کے مصنفین نے دیگر تحقیق کا حوالہ دے کر نشاندہی کی، کہ غلطیاں صرف AI تک محدود نہیں ہیں؛ غلطیاں اصل معالج کے لکھے ہوئے نوٹس میں بھی ہو سکتی ہیں اور ہوتی ہیں۔ تاہم، AI پرت متعارف کرانے سے غلطی کا ایک نیا ممکنہ ذریعہ شامل ہوتا ہے جس کا انتظام کیا جانا چاہیے۔

ماہرین کے نقطہ نظر

مطالعہ میں حصہ لینے والے ماہرین امراض چشم نے بھی رائے فراہم کی۔ 489 سروے جوابات کی بنیاد پر (ماہرین سے 84% جوابی شرح)، AI خلاصوں کے بارے میں ان کا نظریہ عام طور پر مثبت تھا، اگرچہ شاید اصلاحات کی ضرورت کے بارے میں ان کی آگاہی سے معتدل ہو۔

• تشخیص کی نمائندگی: ایک اعلی فیصد، 90%، نے محسوس کیا کہ سادہ زبان کے خلاصے مریض کی تشخیص کی ‘بہت زیادہ’ نمائندگی کرتے ہیں۔ اس سے پتہ چلتا ہے کہ AI نے عام طور پر ماہر کے نقطہ نظر سے بنیادی کلینیکل تصویر کو درست طریقے سے پکڑا۔
• مجموعی اطمینان: 75% ماہر امراض چشم کے جوابات نے اشارہ کیا کہ وہ اپنے نوٹس کے لیے تیار کردہ خلاصوں سے ‘بہت مطمئن’ تھے (غالباً ان کے جائزے اور اصلاح کے بعد)۔

اگرچہ مطمئن ہیں، خلاصوں کا جائزہ لینے اور درست کرنے میں شامل کوشش کی مقدار درست نہیں کی گئی لیکن ورک فلو انضمام کے لیے ایک اہم غور طلب ہے۔ ان کے جائزے کے بعد بھی پائی جانے والی 15% غلطی کی شرح چیلنج کو اجاگر کرتی ہے - ماہرین مصروف ہیں، اور نگرانی، اگرچہ ضروری ہے، موثر اور قابل اعتماد ہونے کی ضرورت ہے۔

وسیع تر مضمرات اور مستقبل کی سمتیں

یہ مطالعہ ایک کھڑکی کھولتا ہے کہ کس طرح ٹیکنالوجی، خاص طور پر AI، کو انسانی تعامل کو تبدیل کرنے کے لیے نہیں بلکہ اسے بڑھانے کے لیے استعمال کیا جا سکتا ہے تاکہ خصوصی ادویات میں موروثی مواصلاتی رکاوٹوں پر قابو پایا جا سکے۔ پیچیدہ ophthalmology نوٹس کو سادہ زبان میں ترجمہ کرنے میں AI کی کامیابی وسیع تر ایپلی کیشنز کے لیے امید رکھتی ہے۔

• بین الکلیشین مواصلات: ماڈل کو ممکنہ طور پر دیگر انتہائی خصوصی شعبوں (مثلاً، کارڈیالوجی، نیورولوجی، پیتھالوجی) کے لیے ڈھال لیا جا سکتا ہے جہاں پیچیدہ اصطلاحات غیر ماہرین کی سمجھ میں رکاوٹ بن سکتی ہیں، جس سے شعبوں میں دیکھ بھال کے تال میل کو بہتر بنایا جا سکتا ہے۔
• مریض کی تعلیم: شاید سب سے زیادہ دلچسپ ممکنہ توسیع میں سے ایک اسی طرح کے AI ٹولز کا استعمال کرتے ہوئے مریضوں کے لیے ان کے اپنے وزٹ نوٹس کے دوستانہ خلاصے تیار کرنا ہے۔ مریضوں کو ان کی حالتوں اور علاج کے منصوبوں کے بارے میں واضح، قابل فہم معلومات کے ساتھ بااختیار بنانا صحت کی خواندگی کو نمایاں طور پر بہتر بنا سکتا ہے، مشترکہ فیصلہ سازی میں سہولت فراہم کر سکتا ہے، اور ممکنہ طور پر علاج کی پابندی کو بڑھا سکتا ہے۔ تصور کریں کہ ایک مریض پورٹل خود بخود سرکاری کلینیکل نوٹ کے ساتھ سادہ زبان کا خلاصہ فراہم کرتا ہے۔

تاہم، محققین نے غلطی کی شرحوں سے ہٹ کر حدود کو بجا طور پر تسلیم کیا۔ یہ مطالعہ ایک واحد تعلیمی مرکز میں کیا گیا تھا، جو ممکنہ طور پر نتائج کی عمومیت کو دیگر پریکٹس سیٹنگز (مثلاً، کمیونٹی ہسپتال، نجی پریکٹس) تک محدود کرتا ہے۔ سروے کے شرکاء کے بارے میں آبادیاتی معلومات جمع نہیں کی گئیں، جس سے اس بات کا تجزیہ روکا گیا کہ تجربے کے سال یا مخصوص کردار جیسے عوامل تاثرات کو کیسے متاثر کر سکتے ہیں۔ اہم بات یہ ہے کہ مطالعہ نے مریض کے نتائج کو ٹریک نہیں کیا، لہذا براہ راست کلینیکل اہمیت - کیا یہ بہتر خلاصے واقعی بہتر علاج کے فیصلوں یا صحت کے نتائج کا باعث بنے - نامعلوم ہے اور مستقبل کی تحقیق کے لیے ایک اہم علاقہ ہے۔

کلینیکل ورک فلوز میں AI کو ضم کرنے کا سفر واضح طور پر جاری ہے۔ یہ تحقیق زبردست ثبوت فراہم کرتی ہے کہ LLMs طبی پیشہ ور افراد کے درمیان مواصلات کی وضاحت کو بہتر بنانے کے لیے طاقتور ٹولز کے طور پر کام کر سکتے ہیں۔ پھر بھی، یہ ایک طاقتور یاد دہانی کے طور پر بھی کام کرتا ہے کہ ٹیکنالوجی ایک آلہ ہے، کوئی علاج نہیں۔ آگے بڑھنے کے لیے محتاط نفاذ، مسلسل توثیق، اور درستگی اور مریض کی حفاظت کو یقینی بنانے کے لیے انسانی نگرانی کے لیے غیر متزلزل عزم کی ضرورت ہے۔ دیرینہ مواصلاتی رکاوٹوں کو توڑنے کی صلاحیت بہت زیادہ ہے، لیکن اسے مستعدی اور صحت کی دیکھ بھال کے پیچیدہ منظر نامے میں مصنوعی ذہانت کی صلاحیتوں اور حدود دونوں کی واضح تفہیم کے ساتھ آگے بڑھانا چاہیے۔