طبی تعلیم کی تیزی سے بدلتی دنیا میں، مصنوعی ذہانت (AI) ایک اہم کردار ادا کر رہی ہے، خاص طور پر بڑے لسانی ماڈلز (LLMs) کے ذریعے۔ یہ ماڈلز طبی تعلیم کے طریقہ کار میں انقلاب لانے کی صلاحیت رکھتے ہیں، اور اس مضمون میں ہم خاص طور پر ڈرمیٹولوجی کی تربیت میں LLMs کے استعمال پر توجہ مرکوز کریں گے۔
طبی تعلیم میں LLMs کا عروج
طبی تعلیم کا شعبہ مسلسل ترقی پذیر ہے، اور یہ نئی نسل کے طبی طلباء اور ریزیڈنٹس کی بدلتی ہوئی ضروریات کے مطابق ڈھل رہا ہے۔ ٹیکنالوجی کی ترقی کے ساتھ، یہ مستقبل کے ڈاکٹرز ڈیجیٹل ٹولز کی ایک وسیع رینج سے واقف ہو رہے ہیں جو ان کی تعلیم کو مزید موثر بنا سکتے ہیں۔ ان ٹیکنالوجیز میں، بڑے لسانی ماڈلز (LLMs) ایک خاص طور پر امید افزا شعبے کے طور پر ابھرے ہیں، جو اپنی غیر معمولی کمپیوٹیشنل طاقت کی وجہ سے توجہ مبذول کر رہے ہیں۔
LLMs ایک قسم کا مشین لرننگ ماڈل ہے جسے مختلف ذرائع سے حاصل کردہ متنی ڈیٹا کی وسیع مقدار پر تربیت دی جاتی ہے۔ یہ وسیع تربیت انہیں ان وسیع ڈیٹا سیٹس سے حاصل کردہ اجتماعی بصیرتوں کو ترکیب اور لاگو کرکے انتہائی خصوصی کام انجام دینے کے قابل بناتی ہے۔ طبی ڈومین میں واضح تربیت کے بغیر بھی، OpenAI کے GPT جیسے عام ماڈلز نے طبی ترتیبات میں متاثر کن کارکردگی کا مظاہرہ کیا ہے، جو طب میں LLMs کی وسیع صلاحیت کی نشاندہی کرتے ہیں۔
مصنوعی تعلیم کی صلاحیت کو اجاگر کرنا
LLMs اپنی تیز رفتار اور مؤثر طریقے سے نیا مواد تیار کرنے کی صلاحیت کی وجہ سے طبی تعلیم میں بے مثال افادیت پیش کرتے ہیں۔ اگرچہ LLMs کو طبی تعلیم کے مختلف کاموں پر لاگو کرنے میں کافی دلچسپی ہے، لیکن اس بات پر محدود تحقیق موجود ہے کہ LLM کی رہنمائی میں چلنے والے تعلیمی اقدامات حقیقی دنیا کے منظرناموں میں کیسی کارکردگی کا مظاہرہ کرتے ہیں۔ اس شعبے میں LLMs کا ایک خاص طور پر امید افزا لیکن غیر دریافت شدہ استعمال کلینیکل ویگنیٹ تیار کرنا ہے۔
کلینیکل ویگنیٹ جدید طبی تعلیم کا ایک اہم جزو ہیں، جو USMLE سوالات اور پری کلینیکل کیس پر مبنی تدریس دونوں کا ایک اہم حصہ بناتے ہیں۔ یہ ویگنیٹ طبی علم کو عملی منظرناموں کے ذریعے مربوط کرتے ہیں جو سیکھنے والے کی تشخیصی استدلال، انتظامی حکمت عملیوں کی ترجیح، اور نفسیاتی عوامل کی سمجھ کا جائزہ لیتے ہیں۔ طب کی پیچیدہ اور باریک بینیوں کو نقل کرتے ہوئے، ویگنیٹ مستقبل کے ڈاکٹروں کے لئے انمول تربیت فراہم کرتے ہیں۔
روایتی طور پر، کلینیکل ویگنیٹ پیشہ ورانہ سوسائٹیوں، فیکلٹی کے ذریعہ تیار کردہ داخلی مواد، یا تجارتی طور پر دستیاب سوال بینکوں سے حاصل کیے جاتے ہیں۔ تاہم، ان ویگنیٹ کی تخلیق ایک محنت طلب عمل ہے جس میں تجربہ کار ڈاکٹروں کی جانب سے نمایاں ان پٹ کی ضرورت ہوتی ہے۔ اگرچہ یہ ذرائع ایک حد تک کوالٹی کنٹرول پیش کرتے ہیں، لیکن ان مواد کی دستیابی اور مقدار مختلف اداروں اور طلباء کے سماجی و اقتصادی پس منظر میں نمایاں طور پر مختلف ہو سکتی ہے۔ مزید برآں، ویگنیٹ کی محدود دستیابی نے USMLE انتظامیہ پر ٹیسٹ سوالات کے تکرار کے بارے میں خدشات کو جنم دیا ہے۔
LLMs کے ساتھ ڈرمیٹولوجی کی تعلیم میں انقلاب
ڈرمیٹولوجی میں طبی تعلیم اگرچہ بصری تشخیص پر بہت زیادہ انحصار کرتی ہے، لیکن مجموعی طبی پیشکش جو بیماری کے عمل کو مربوط کرتی ہے، اتنی ہی اہم ہے۔ USMLE جیسے معیاری امتحانات اکثر جلد اور نرم بافتوں کی پیتھالوجیز کے علم کا جائزہ لینے کے لئے ٹیکسٹ پر مبنی ویگنیٹ کا استعمال کرتے ہیں۔ مزید برآں، جلد کے گھاووں کو بیان کرنے کے لئے استعمال ہونے والی مخصوص اصطلاحات کٹینیئس بیماریوں کی درست تشخیص اور علاج کے لئے ضروری ہیں۔
LLMs طبی تعلیم میں عام ڈرمیٹولوجک حالات کے لئے ٹیکسٹ پر مبنی ویگنیٹ کی دستیابی کو بڑھانے کا ایک منفرد موقع فراہم کرتے ہیں۔ موجودہ آف دی شیلف LLMs، جیسے GPT، ابتدائی کلینیکل ویگنیٹ کو پھیلانے، طلباء کے مزید سوالات پوچھنے پر انفرادی ضروریات کے مطابق ڈھالنے کی لچک فراہم کرتے ہیں۔ ہماری تحقیق میں، ہم نے طبی تعلیم کے مقاصد کے لئے اعلیٰ معیار کے کلینیکل ویگنیٹ تیار کرنے کے لئے GPT 4.0، OpenAI کے تازہ ترین عوامی طور پر دستیاب فاؤنڈیشن ماڈل کے استعمال کی فزیبلٹی کا جائزہ لیا۔
GPT-4 کی کارکردگی کا جائزہ لینا
کلینیکل ویگنیٹ تیار کرنے میں GPT-4 کی کارکردگی کا جائزہ لینے کے لئے، ہم نے 20 جلد اور نرم بافتوں کی بیماریوں پر توجہ مرکوز کی جن کا عام طور پر USMLE Step 2 CK امتحان میں ٹیسٹ کیا جاتا ہے۔ ہم نے ماڈل کو ہر حالت کے لئے تفصیلی کلینیکل ویگنیٹ تیار کرنے کے لئے کہا، جس میں سب سے زیادہ ممکنہ تشخیص کی وضاحت اور متبادل تشخیص کے کم امکان کی وجوہات شامل تھیں۔ ان ویگنیٹ کا جائزہ طبی ماہرین کے ایک پینل نے Likert پیمانے کا استعمال کرتے ہوئے ان کی سائنسی درستگی، جامعیت، مجموعی معیار، طبی نقصان کے امکان، اور ڈیموگرافک تعصب کا اندازہ لگانے کے لئے کیا۔
ویگنیٹ کی خصوصیات
20 کلینیکل ویگنیٹ کے ہمارے تجزیے سے کئی اہم خصوصیات کا پتہ چلا:
مریضوں کی ڈیموگرافکس: ویگنیٹ میں 15 مرد مریض اور 5 خواتین مریض شامل تھے، جن کی اوسط مریض کی عمر 25 سال تھی۔ صرف 4 مریضوں (3 کاکیشین، 1 افریقی امریکن) کے لئے نسل کی وضاحت کی گئی تھی۔ 3 مریضوں کے لئے عام نام استعمال کیے گئے، جبکہ باقی ویگنیٹ میں نام شامل نہیں تھے۔
الفاظ کی تعداد: ماڈل کی آؤٹ پٹ کے لئے اوسط الفاظ کی تعداد 332.68 تھی، جس میں 42.75 الفاظ کا معیاری انحراف تھا۔ کلینیکل ویگنیٹ کے حصے میں اوسطاً 145.79 الفاظ (SD = 26.97) تھے، جبکہ وضاحتوں میں اوسطاً 184.89 الفاظ (SD = 49.70) تھے۔ اوسطاً، وضاحتیں ان کے متعلقہ ویگنیٹ سے لمبی تھیں، جن میں ویگنیٹ سے وضاحت کی لمبائی کا تناسب 0.85 (SD = 0.30) تھا۔
طبی ماہرین کی درجہ بندی
طبی ماہرین کی درجہ بندی نے سائنسی اتفاق رائے (اوسط = 4.45، 95% CI: 4.28-4.62)، جامعیت (اوسط = 4.3، 95% CI: 4.11-4.89)، اور مجموعی معیار (اوسط = 4.28، 95% CI: 4.10-4.47) کے ساتھ اعلیٰ درجے کی صف بندی کی نشاندہی کی۔ درجہ بندی نے طبی نقصان کے کم خطرے (اوسط = 1.6، 95% CI: 1.38-1.81) اور ڈیموگرافک تعصب (اوسط = 1.52، 95% CI: 1.31-1.72) کی بھی نشاندہی کی۔ ڈیموگرافک تعصب کے لئے مسلسل کم درجہ بندی سے پتہ چلتا ہے کہ طبی درجہ بندی کرنے والوں نے مریضوں کی آبادی کی دقیانوسی یا غیر متناسب طور پر مسخ شدہ نمائندگی کے کسی بھی اہم نمونے کا پتہ نہیں لگایا۔
ارتباطی تجزیہ
مختلف تشخیصی معیار کے درمیان تعلقات کا جائزہ لینے کے لئے، ہم نے پیئرسن ارتباطی گتانک کا حساب لگایا۔ ہم نے پایا کہ سائنسی اتفاق رائے کے ساتھ صف بندی جامعیت (r = 0.67) اور مجموعی معیار (r = 0.68) کے ساتھ معتدل طور پر منسلک تھی۔ جامعیت اور مجموعی معیار نے ایک مضبوط ارتباط (r = 0.83) دکھایا، جبکہ طبی نقصان اور ڈیموگرافک تعصب کا امکان کمزور طور پر منسلک تھا (r = 0.22)۔
طبی تعلیم کے لئے مضمرات
ہماری تحقیق کے نتائج کے طبی تعلیم کے لئے اہم مضمرات ہیں، خاص طور پر معیاری طبی امتحانات کی بڑھتی ہوئی جانچ پڑتال کے تناظر میں۔ اعلیٰ معیار کے تعلیمی مواد کی ضرورت جو USMLE جیسے جائزوں کے لئے استعمال کیا جا سکے پہلے سے کہیں زیادہ اہم ہے۔ تاہم، نئے سوالات بنانے کا روایتی طریقہ وسائل سے بھرپور ہے، جس میں تجربہ کار ڈاکٹروں کی جانب سے کلینیکل ویگنیٹ لکھنا اور ان کی عمومیت کا جائزہ لینے کے لئے متعدد ٹیسٹ انتظامیہ کی ضرورت ہوتی ہے۔ متعدد، منفرد کلینیکل ویگنیٹ تیار کرنے کے لئے ناول طریقے اس لئے انتہائی مطلوب ہیں۔
ہماری تحقیق امید افزا ثبوت فراہم کرتی ہے کہ GPT-4 جیسے بڑے لسانی ماڈلز “مصنوعی طبی تعلیم” کے ماخذ کے طور پر کام کر سکتے ہیں، جو قابل رسائی، حسب ضرورت، اور قابل توسیع تعلیمی وسائل پیش کرتے ہیں۔ ہم نے ثابت کیا ہے کہ GPT-4 میں موروثی طبی علم موجود ہے جو نمائندہ اور درست مریض کی تفصیلات بنانے تک پھیلا ہوا ہے۔ ہمارے تجزیے سے پتہ چلا ہے کہ GPT-4 کے ذریعے USMLE Step 2 CK امتحان کے جلد اور نرم بافتوں کے سیکشن میں ٹیسٹ کی جانے والی بیماریوں کے لئے تیار کردہ ویگنیٹ انتہائی درست تھے، جس سے پتہ چلتا ہے کہ LLMs کو معیاری طبی امتحانات کے لئے ویگنیٹ ڈیزائن کرنے کے لئے ممکنہ طور پر استعمال کیا جا سکتا ہے۔
سائنسی اتفاق رائے، جامعیت، اور مجموعی معیار کے لئے اعلیٰ درجہ بندی، طبی نقصان اور ڈیموگرافک تعصب کے امکان کے لئے کم درجہ بندی کے ساتھ مل کر، اس مقصد کے لئے LLMs استعمال کرنے کے امکان کی مزید تائید کرتی ہے۔ ویگنیٹ جامعیت اور مجموعی معیار کے درمیان مضبوط شماریاتی ارتباط طبی تعلیم میں مکمل اور تفصیلی کیس پریزنٹیشن کی اہمیت کو اجاگر کرتا ہے اور طبی استدلال کے لئے سیاق و سباق سے متعلقہ اور مکمل منظرنامے فراہم کرنے کی LLMs کی صلاحیت کو ظاہر کرتا ہے۔
ویگنیٹ کی اوسط لمبائی (145.79 ± 26.97 الفاظ) USMLE ویگنیٹ کی لمبائی کے دائرہ کار میں آتی ہے، جس سے امتحان دینے والوں کو ہر سوال کا جواب دینے کے لئے تقریباً 90 سیکنڈ ملتے ہیں۔ ویگنیٹ کے ساتھ لمبی وضاحتوں کا شمولیت LLMs کی نہ صرف مریض کی تفصیلات بلکہ مفید تدریسی مواد تیار کرنے کی صلاحیت کو ظاہر کرتا ہے۔
حدود اور مستقبل کی سمتوں سے نمٹنا
اگرچہ ہماری تحقیق نے اعلیٰ معیار کے کلینیکل ویگنیٹ تیار کرنے میں LLMs کی صلاحیت کا مظاہرہ کیا، لیکن ہم نے کئی حدود کی بھی نشاندہی کی جنہیں مستقبل کی تحقیق میں حل کرنے کی ضرورت ہے۔ ایک اہم تشویش مریضوں کی ڈیموگرافکس میں محدود تنوع ہے، جس میں مرد مریضوں کی اکثریت اور نسلی تنوع کی کمی ہے۔ اس بات کو یقینی بنانے کے لئے کہ طبی طلباء مختلف مریضوں کی آبادی کی خدمت کے لئے مناسب طور پر تیار ہیں، پرامپٹ انجینئرنگ اور ماڈل ٹریننگ ڈیٹا سیٹس میں متنوع مریضوں کی نمائندگی کو شامل کرنے کی زیادہ شعوری کوششوں کو شامل کرنا بہت ضروری ہے۔ مستقبل کی تحقیق میں ماڈل آؤٹ پٹ میں نظامی تعصب کے ذرائع اور مظاہر کی بھی تحقیقات ہونی چاہئیں۔
ہماری تحقیق کی ایک اور حد ہمارے ماہر ریٹر پینل کی تشکیل ہے، جس میں اندرونی طب اور ایمرجنسی میڈیسن سے تعلق رکھنے والے دو حاضر ڈاکٹروں کے ساتھ صرف ایک ڈرمیٹولوجسٹ شامل تھا۔ اگرچہ غیر ڈرمیٹولوجسٹ ریٹر اکثر اپنی متعلقہ خصوصیات میں جلد کے عام حالات کی تشخیص اور انتظام کرتے ہیں، لیکن ان کی مہارت میں ڈرمیٹولوجک بیماریوں کا مکمل سپیکٹرم شامل نہیں ہو سکتا ہے۔ مستقبل کی تحقیقوں کو AI سے تیار کردہ کیسز کے زیادہ خصوصی جائزہ کو یقینی بنانے کے لئے ڈرمیٹولوجسٹ کے زیادہ تناسب سے فائدہ ہوگا۔
ان حدود کے باوجود، ہمارا کام زبردست ثبوت فراہم کرتا ہے کہ GPT-4 جیسے آف دی شیلف LLMs میں معیاری امتحان اور تدریسی مقاصد کے لئے کلینیکل ویگنیٹ تیار کرنے کی بڑی صلاحیت موجود ہے۔ زیادہ مخصوص ڈیٹا سیٹس پر تربیت یافتہ فٹ فار پرپز LLMs ان صلاحیتوں کو مزید بڑھا سکتے ہیں۔ “مصنوعی تعلیم” کی اعلیٰ درستگی اور کارکردگی طبی تعلیمی مواد تیار کرنے کے روایتی طریقوں میں موجودہ حدود کا ایک امید افزا حل پیش کرتی ہے۔