AI स्वास्थ्य समानता में मित्र या शत्रु हो सकता है – यहाँ जानें कि यह कैसे मदद कर सकता है, न कि नुकसान पहुँचाए

स्वास्थ्य सेवा में असमानताएं और देखभाल में असमानताएं सामाजिक, आर्थिक और लिंग आधारित विभाजनों में व्यापक हैं। एक समाज के रूप में, हमें इन अंतरालों को भरने और सुनिश्चित करने के लिए नैतिक, नैतिक और आर्थिक जिम्मेदारी है कि हर किसी के लिए स्वास्थ्य सेवा तक निरंतर, न्यायसंगत और सस्ती पहुंच हो।

आर्टिफ़िशियल इंटेलिजेंस (एआई) इन असमानताओं को दूर करने में मदद करता है, लेकिन यह एक दो-धारी तलवार भी है। निश्चित रूप से, एआई पहले से ही देखभाल वितरण को सुव्यवस्थित करने, बड़े पैमाने पर व्यक्तिगत चिकित्सा को सक्षम करने और नए अविष्कारों का समर्थन करने में मदद कर रहा है। हालांकि, डेटा, एल्गोरिदम और उपयोगकर्ताओं में निहित पूर्वाग्रह समस्या को और भी बदतर बना सकता है अगर हम सावधान नहीं हैं।

इसका मतलब है कि हमें एआई-संचालित स्वास्थ्य सेवा समाधानों को विकसित और तैनात करने वालों को सावधानी से यह सुनिश्चित करना होगा कि एआई मौजूदा अंतरालों को अनजाने में चौड़ा नहीं कर रहा है, और शासी निकायों और पेशेवर संघों को पूर्वाग्रह से बचने और कम करने के लिए गार्डरेल स्थापित करने में सक्रिय भूमिका निभानी होगी।

यहाँ बताया गया है कि एआई का लाभ उठाकर असमानता के अंतरालों को कैसे पाटा जा सकता है, न कि उन्हें चौड़ा किया जा सकता है।

नैदानिक ​​परीक्षणों में समानता प्राप्त करें

नई दवा और उपचार परीक्षणों में ऐतिहासिक रूप से डिजाइन में पूर्वाग्रह रहा है, चाहे वह जानबूझकर हो या नहीं। उदाहरण के लिए, यह 1993 तक नहीं था कि महिलाओं को कानून द्वारा एनआईएच-वित्त पोषित नैदानिक ​​अनुसंधान में शामिल किया जाना आवश्यक था। हाल ही में, कोविड वैक्सीन का गर्भवती महिलाओं पर जानबूझकर परीक्षण नहीं किया गया था – यह केवल इसलिए था क्योंकि कुछ परीक्षण प्रतिभागी परीक्षण के समय अनजाने में गर्भवती थीं कि हमें पता था कि यह सुरक्षित थी।

एक चुनौती यह है कि हमें यह नहीं पता होता है कि हमें क्या नहीं पता है। फिर भी, एआई हमें आबादी के डेटा का विश्लेषण करके और जनसांख्यिकीय कवरेज में असमानता या अंतराल को ध्वजांकित करके पूर्वाग्रहपूर्ण डेटा सेट को उजागर करने में मदद करता है। लक्षित आबादी का सही प्रतिनिधित्व करने वाले डेटा पर प्रशिक्षित एआई मॉडल और विविध प्रतिनिधित्व सुनिश्चित करके, एआई समावेशिता, हानि को कम करने और परिणामों को अनुकूलित करने में मदद करता है।

न्यायसंगत उपचार सुनिश्चित करें

यह स्थापित है कि गर्भवती माताओं को प्रसव के दौरान दर्द और जटिलताओं का अनुभव होता है, अक्सर उन्हें अनदेखा किया जाता है, जिसके परिणामस्वरूप काली महिलाओं में मातृ मृत्यु दर 3 गुना अधिक होती है गैर-हिस्पैनिक श्वेत महिलाओं की तुलना में आय या शिक्षा की परवाह किए बिना। समस्या को मुख्य रूप से निहित पूर्वाग्रह द्वारा बढ़ावा मिला है: चिकित्सा पेशेवरों के बीच एक व्यापक गलत धारणा है कि काले लोगों की दर्द सहने की क्षमता श्वेत लोगों की तुलना में अधिक होती है।

एआई एल्गोरिदम में पूर्वाग्रह समस्या को और भी बदतर बना सकता है: हार्वर्ड के शोधकर्ताओं ने पाया कि एक सामान्य एल्गोरिदम ने भविष्यवाणी की कि काली और लैटिना महिलाएं सफल योनि प्रसव के बाद सीजेरियन सेक्शन (वीबीएसी) के लिए कम प्रवण थीं, जिससे डॉक्टरों को रंग की महिलाओं पर अधिक सीजेरियन सेक्शन करने के लिए प्रेरित किया जा सकता था। हालांकि, शोधकर्ताओं ने पाया कि “सहसंबंध जैविक संभावना द्वारा समर्थित नहीं है,” जो सुझाव देता है कि जाति “अन्य चरों के लिए एक प्रॉक्सी है जो नस्लवाद के प्रभाव को स्वास्थ्य पर प्रतिबिंबित करता है।” एल्गोरिदम को बाद में जोखिम की गणना करते समय जाति या जातीयता को शामिल नहीं करने के लिए अद्यतन किया गया था।

यह एक आदर्श अनुप्रयोग है जहां एआई अंतर्निहित पूर्वाग्रह को उजागर करने और साक्ष्य के साथ देखभाल मार्गों का सुझाव देने के लिए उपयोग किया जा सकता है जो पहले अनदेखे रहे होंगे। इसके बजाय “मानक देखभाल” का अभ्यास जारी रखने के बजाय, हम एआई का उपयोग यह निर्धारित करने के लिए कर सकते हैं कि क्या सर्वोत्तम अभ्यास वास्तव में सभी महिलाओं के अनुभव पर आधारित हैं या केवल श्वेत महिलाओं पर। एआई सुनिश्चित करता है कि हमारे डेटा फाउंडेशन में उन रोगियों को शामिल किया जाता है जिन्हें स्वास्थ्य सेवा और प्रौद्योगिकी में प्रगति से सबसे अधिक लाभ होने की संभावना है।

जबकि ऐसी स्थितियां हो सकती हैं जहां जाति और जातीयता प्रभावी कारक हो सकते हैं, हमें सावधानी से यह जानना होगा कि कब और कैसे उन्हें विचार किया जाना चाहिए और कब हम केवल ऐतिहासिक पूर्वाग्रह पर अपनी धारणाओं और एआई एल्गोरिदम को सूचित करने के लिए डिफ़ॉल्ट कर रहे हैं।

न्यायसंगत रोकथाम रणनीतियों को प्रदान करें

एआई समाधान आसानी से सीमांत समुदायों में कुछ स्थितियों को अनदेखा कर सकते हैं यदि संभावित पूर्वाग्रह के लिए सावधानी से विचार नहीं किया जाता है। उदाहरण के लिए, वेटरन्स एडमिनिस्ट्रेशन हृदय रोग और हृदय गति रुकने के संकेतों का पता लगाने और भविष्यवाणी करने के लिए कई एल्गोरिदम पर काम कर रहा है। इसमें जीवन रक्षक क्षमता है, लेकिन अध्ययनों के अधिकांश में ऐतिहासिक रूप से महिलाओं को शामिल नहीं किया गया है, जिनमें हृदय रोग मृत्यु का प्रमुख कारण है।

इस डेटासेट में महिलाओं की एक आनुपातिक संख्या शामिल करने से महिलाओं में 3.2 मिलियन हृदय गति रुकने और प्रति वर्ष 50 मिलियन से अधिक हृदय संबंधी मौतों को रोकने में मदद मिल सकती है प्रारंभिक पता लगाने और हस्तक्षेप के माध्यम से। इसी तरह, नए एआई टूल किडनी रोग की जांच में जाति-आधारित एल्गोरिदम को हटा रहे हैं, जो ऐतिहासिक रूप से काले, हिस्पैनिक और मूल अमेरिकियों को बाहर कर देते थे, जिसके परिणामस्वरूप देखभाल में देरी और खराब नैदानिक ​​परिणाम होते थे।

इसके बजाय हाशिए पर पड़े व्यक्तियों को बाहर करने के, एआई वास्तव में सीमांत आबादी के लिए स्वास्थ्य जोखिमों की भविष्यवाणी करने और व्यक्तिगत जोखिम मूल्यांकन को सक्षम करने में मदद कर सकता है ताकि हस्तक्षेप को बेहतर ढंग से लक्षित किया जा सके। डेटा पहले से ही वहां हो सकता है; यह केवल “मॉडल को ट्यून” करने का मामला है ताकि यह पता लगाया जा सके कि जाति, लिंग और अन्य जनसांख्यिकीय कारक परिणामों को प्रभावित करते हैं – यदि वे करते हैं।

प्रशासनिक कार्यों को सुव्यवस्थित करें

रोगी परिणामों पर सीधे प्रभाव डालने के अलावा, एआई के पास प्रवाह को तेज करने की अविश्वसनीय क्षमता है पृष्ठभूमि में कार्यों को कम करने के लिए असमानता को कम करने के लिए। उदाहरण के लिए, कंपनियां और प्रदाता पहले से ही दावा कोडिंग और निपटान में अंतराल को भरने, चिकित्सक नोट्स के खिलाफ निदान कोड को मान्य करने और सामान्य निदान प्रक्रियाओं के लिए पूर्व-अनुमोदन प्रक्रियाओं को स्वचालित करने के लिए एआई का उपयोग कर रहे हैं।

इन कार्यों को सुव्यवस्थित करके, हम परिचालन लागत को काफी कम कर सकते हैं, प्रदाता कार्यालयों को अधिक कुशलता से चलाने में मदद कर सकते हैं और कर्मचारियों को रोगियों के साथ अधिक समय बिताने के लिए दे सकते हैं, जिससे देखभाल को असीमित रूप से अधिक सस्ती और सुलभ बना दिया जाता है।

हमें एक महत्वपूर्ण भूमिका निभानी है

यह तथ्य कि हमारे पास इन अविश्वसनीय उपकरणों का उपयोग करने की क्षमता है, यह और भी महत्वपूर्ण बनाता है कि हम उन्हें स्वास्थ्य सेवा में पूर्वाग्रह को उखाड़ फेंकने और दूर करने के लिए उपयोग करें। दुर्भाग्य से, संयुक्त राज्य अमेरिका में कोई प्रमाणन निकाय नहीं है जो स्वास्थ्य सेवा वितरण को “अपूर्वाग्रह” करने के लिए एआई का उपयोग करने के प्रयासों को नियंत्रित करता है, और उन संगठनों के लिए भी जिन्होंने दिशानिर्देश जारी किए हैं, उन्हें उनका पालन करने के लिए कोई नियामक प्रोत्साहन नहीं है।

इसलिए, एआई प्रैक्टिशनर, डेटा वैज्ञानिक, एल्गोरिदम निर्माता और उपयोगकर्ताओं के रूप में, हमें एक जानबूझकर रणनीति विकसित करने की जिम्मेदारी है ताकि हम इन उपकरणों और अंतर्दृष्टि के उपयोग में समावेशिता, विविधता और न्यायसंगतता सुनिश्चित कर सकें।

इसके लिए सटीक एकीकरण और इंटरऑपरेबिलिटी आवश्यक हैं। कई डेटा स्रोतों के साथ – पोर्टेबल डिवाइस, तृतीय-पक्ष प्रयोगशाला और इमेजिंग प्रदाताओं से लेकर प्राथमिक देखभाल, स्वास्थ्य जानकारी एक्सचेंज और इनपेशेंट रिकॉर्ड तक – हमें यह सुनिश्चित करने के लिए सभी डेटा एकत्र करना होगा कि महत्वपूर्ण टुकड़े शामिल हैं, भले ही स्रोत हमारे हों। उद्योग को डेटा सामान्यीकरण, मानकीकरण और पहचान मिलान की आवश्यकता है ताकि यह सुनिश्चित किया जा सके कि आवश्यक रोगी डेटा शामिल है, भले ही विभिन्न संस्कृतियों और भाषाओं के आधार पर विभिन्न नाम वर्तनी या नामकरण सम्मेलन हों।

हमें अपनी एआई विकास प्रक्रिया में विविधता मूल्यांकन भी बनाना होगा और समय के साथ हमारे मेट्रिक्स में “ड्रिफ्ट” की निगरानी करनी होगी। एआई प्रैक्टिशनर को मॉडल के प्रदर्शन का परीक्षण विभिन्न जनसांख्यिकीय उप-समूहों में करने की जिम्मेदारी है, पूर्वाग्रह ऑडिट करना होगा और यह समझना होगा कि मॉडल निर्णय कैसे लेता है। हमें यह सुनिश्चित करने के लिए दौड़-आधारित धारणाओं से परे जाने की आवश्यकता हो सकती है कि हमारा विश्लेषण उस आबादी का प्रतिनिधित्व करता है जिसके लिए हम इसे बना रहे हैं। उदाहरण के लिए, पिमा भारतीय जनजाति के सदस्य जो एरिजोना में गिला नदी आरक्षण में रहते हैं, मोटापे और टाइप 2 मधुमेह की अत्यधिक दर है, जबकि उसी जनजाति के सदस्य जो मेक्सिको में सिएरा माद्रे पहाड़ियों में रहते हैं, मोटापे और मधुमेह की दर काफी कम है, जो साबित करता है कि आनुवंशिकी एकमात्र कारक नहीं हैं।

अंत में, हमें अमेरिकन मेडिकल एसोसिएशन, ऑफिस ऑफ द नेशनल कोऑर्डिनेटर फॉर हेल्थ इन्फॉर्मेशन टेक्नोलॉजी, और अमेरिकन कॉलेज ऑफ ऑब्स्टेट्रिक्स एंड गायनेकोलॉजी, अमेरिकन एकेडमी ऑफ पीडियाट्रिक्स, अमेरिकन कॉलेज ऑफ कार्डियोलॉजी जैसे विशेषज्ञ संगठनों सहित कई अन्य संगठनों की आवश्यकता है एक साथ मिलकर डेटा एक्सचेंज और एकता के लिए मानक और ढांचे स्थापित करने के लिए पूर्वाग्रह के खिलाफ रक्षा करने के लिए।

स्वास्थ्य डेटा को साझा करने के लिए मानकों को मानकीकृत करके और HTI-1 और HTI-2 पर विस्तार करके प्रमाणन निकायों के साथ काम करने वाले डेवलपर्स की आवश्यकता को शामिल करने के लिए, हम पूर्वाग्रह के लिए अनुपालन सुनिश्चित करते हैं और असमानता के पिछले त्रुटियों को सुधारते हैं। इसके अलावा, पूर्ण, सटीक रोगी डेटा तक पहुंच को लोकतांत्रिक बनाकर, हम उन अंधेरों को हटा सकते हैं जिन्होंने पूर्वाग्रह को बढ़ावा दिया है और अधिक व्यापक, वस्तुनिष्ठ अंतर्दृष्टि के माध्यम से देखभाल में असमानता को हल करने के लिए एआई का उपयोग कर सकते हैं।