विचार नेता

AI पहले ही आपके डॉक्टर से अधिक बुद्धिमान है। यह डरावना हिस्सा नहीं है।

Dr. Brandy Zachary
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
मुख्य बिंदुक्लिनिकल एआई तब विफल होता है जब वह अनिश्चितता स्वीकार करने के बजाय चुपचाप डेटा छोड़…
और देखें
  • क्लिनिकल एआई तब विफल होता है जब वह अनिश्चितता स्वीकार करने के बजाय चुपचाप डेटा छोड़ देता है।
  • मानवीय उपस्थिति वह क्लिनिकल डेटा प्रदान करती है जिसे कोई चार्ट या मॉडल कैद नहीं कर सकता।
  • असली कठिन काम कच्ची बुद्धिमत्ता के बजाय मॉडल के आसपास के विश्वसनीय सिस्टमों में निहित है।

मैं चाहता था कि AI इस समस्या को हल करे।

सालों से, मैं जटिल रोगी इतिहास, प्रयोगशाला परिणाम, लक्षण, दवाएँ, सप्लीमेंट और पिछले उपचार के वर्षों को ले रहा था और उन्हें एक सुसंगत क्लिनिकल योजना में बदलने की कोशिश कर रहा था। एक जटिल केस में तीन घंटे का शोध लग सकता था, इससे पहले कि मैं यह तय करने में सहज महसूस करूँ कि क्या महत्वपूर्ण है और आगे क्या होना चाहिए।

फिर जनरेटिव AI आया।

मेरा पहला विचार स्पष्ट था: आखिरकार।

यह वह तकनीक थी जो विशाल मात्रा में जानकारी को संसाधित कर सकती थी, चिकित्सा ज्ञान को मेरी तुलना में तेज़ी से याद रख सकती थी और सेकंडों में केस के बीच संबंध ढूँढ सकती थी। मैंने माना कि मैं बड़े भाषा मॉडल के चारों ओर एक इंटरफ़ेस रख सकता हूँ, कुछ सुरक्षा उपाय बना सकता हूँ और काम समाप्त हो जाएगा।

यह शानदार होता।

इसके बजाय, लगभग एक वर्ष और $1 मिलियन बाद, सॉफ़्टवेयर इंजीनियरों के 10‑व्यक्ति क्लिनिकल टीम के साथ काम करने के बाद भी, हम अभी भी निर्माण चरण में थे।

कारण यह नहीं था कि AI पर्याप्त बुद्धिमान नहीं था।

बल्कि बुद्धिमत्ता आसान हिस्सा थी।

मैं दूसरों से अलग AI प्राप्त कर रहा था

मेरा पहला संकेत तब आया जब हमने अभी तक क्लिनिकल सॉफ़्टवेयर बनाने की कोशिश नहीं की थी। मैं लगातार देखता रहा कि मैं अपने बगल में बैठे किसी व्यक्ति के समान AI टूल का उपयोग करके अत्यधिक बेहतर परिणाम प्राप्त कर सकता हूँ।

क्यों? क्योंकि मैं केवल प्रश्न पूछकर उत्तर नहीं ले रहा था। मैं इसके साथ तर्क कर रहा था। धारणाओं को चुनौती दे रहा था। वह जो संदर्भ चूक गया था, उसे प्रदान कर रहा था। त्रुटियों को सुधार रहा था। ढाँचा बदल रहा था। फिर से धकेल रहा था।

तकनीकी रूप से, हम वही टूल उपयोग कर रहे थे। कार्यात्मक रूप से, हम नहीं थे।

जब आप विज्ञापन लिख रहे हों तो यह एक रोचक उत्पादकता समस्या है। जब विषय रोगी हो तो यह पूरी तरह अलग समस्या बन जाती है।

मैंने 70,000 से अधिक चिकित्सकों के साथ काम किया है। कोई क्लिनिकल रूप से उत्कृष्ट हो सकता है और फिर भी AI प्रणाली से उपयोगी जानकारी निकालने में बहुत खराब हो सकता है।

ये अलग-अलग कौशल हैं।

फिर भी स्वास्थ्य देखभाल का अधिकांश उत्तर यह लगता है कि चिकित्सकों को केवल “प्रॉम्प्ट इंजीनियरिंग” सीखनी चाहिए।

मुझे नहीं लगता कि यह एक गंभीर समाधान है।

यदि एक क्लिनिकल AI प्रणाली को विश्वसनीय बनने से पहले चिकित्सक को एक परिष्कृत प्रॉम्प्ट इंजीनियर बनना पड़े, तो हमने क्लिनिकल AI का निर्माण पूरा नहीं किया है।

शोध पहले ही हमें एक असहज तथ्य बता रहा है

2024 में हुए रैंडमाइज़्ड क्लिनिकल परीक्षण ने 50 चिकित्सकों को कठिन निदान केस दिए। GPT-4 का उपयोग करने वाले चिकित्सकों ने 76 प्रतिशत अंक प्राप्त किए; पारंपरिक संसाधनों का उपयोग करने वालों ने 74 प्रतिशत अंक प्राप्त किए, एक अंतर जो सांख्यिकीय रूप से महत्वपूर्ण नहीं था।

फिर शोधकर्ताओं ने केवल GPT-4 का परीक्षण किया। इसने पारंपरिक संसाधनों का उपयोग करने वाले चिकित्सकों को 16 प्रतिशत अंक से पीछे छोड़ दिया।

2026 में पाकिस्तान में हुए परीक्षण ने पाया कि AI-साक्षरता प्रशिक्षण के बाद, GPT-4o एक्सेस वाले चिकित्सकों ने निदान तर्क में 71.4 प्रतिशत अंक प्राप्त किए, जबकि पारंपरिक संसाधनों का उपयोग करने वालों ने 42.6 प्रतिशत अंक प्राप्त किए। लेकिन केवल GPT-4o ने 82.9 प्रतिशत अंक प्राप्त किए।

2026 यूके में पुनरावृत्ति ने समान अंतर दिखाया: चिकित्सकों ने AI सहायता से सुधार किया लेकिन फिर भी स्वयं LLM की तुलना में 21 प्रतिशत अंक से अधिक नीचे अंक प्राप्त किए।

हमें असहज भाग को स्पष्ट रूप से कहना चाहिए: कुछ संज्ञानात्मक कार्यों में, AI पहले ही एक व्यक्तिगत चिकित्सक से बेहतर है।

कोई भी चिकित्सक हर मेडिकल पेपर नहीं पढ़ सकता या हर दुर्लभ रोग, इंटरैक्शन या चिकित्सकीय निषेध को तुरंत याद नहीं रख सकता जब वह प्रासंगिक हो जाए। AI विशाल मात्रा में जानकारी को बिना थके या समय समाप्त हुए प्रक्रिया कर सकता है।

गलती यह मानना है कि हम एक चैटबॉट को क्लिनिशियन के सामने रख सकते हैं और समस्या को हल मान सकते हैं।

खाली प्रॉम्प्ट बॉक्स ही समस्या है

कल्पना करें कि एक चिकित्सक 150 मार्करों वाली प्रयोगशाला रिपोर्ट अपलोड करता है और LLM से उसका विश्लेषण करने को कहता है।

उत्तर सुंदरता से व्यवस्थित वापस आता है। केवल एक समस्या है: प्रणाली सभी 150 मार्करों को विश्वसनीय रूप से निकाल नहीं पाई।

सामान्य-उद्देश्य LLM निर्धारक क्लिनिकल दस्तावेज़ पार्सर नहीं होते। तालिकाएँ और सघन मेडिकल रिपोर्टें विशेष रूप से कठिन रहती हैं। डरावनी बात यह है कि अंतिम प्रतिक्रिया शायद यह घोषणा न करे, “मुझसे 50 मान छूट गए।”

यह केवल उत्तर दे सकता है।

अब कल्पना करें कि उन चूके हुए मानों में से एक को तुरंत मेडिकल मूल्यांकन की आवश्यकता है।

यह वह सीमा नहीं थी जिसे मैं स्वीकार करने को तैयार था। हमें विभिन्न निष्कर्षण तकनीक बनानी पड़ी ताकि प्रयोगशाला रिपोर्टों को सटीक और पुनरुत्पादक रूप से संभाला जा सके, इससे पहले कि हमारे सिस्टम का क्लिनिकल रीजनिंग भाग शुरू हो सके।

उस अनुभव ने AI सुरक्षा के बारे में मेरी सोच को बदल दिया।

एक AI प्रणाली जो आपको बताती है कि उसे कोई खास बात नहीं पता, असुविधाजनक है।

एक AI प्रणाली जो यह नहीं जानती कि उससे क्या छूट गया, वह खतरनाक है।

हमें AI से आगे निर्माण क्यों करना पड़ा

क्लिनिकल कार्य को ऐसी चीज़ की आवश्यकता होती है जो सामान्य-उद्देश्य जनरेटिव AI स्वाभाविक रूप से प्रदान नहीं करती: पुनरुत्पादकता।

हमें यह नियंत्रण चाहिए था कि क्या इनपुट में जाता है और क्या आउटपुट में आता है: विश्वसनीय डेटा निष्कर्षण, संरचित ज्ञान, निर्धारक तर्क, सुरक्षा उपाय और ऐसे सिस्टम जो रोगी के इतिहास में संबंधों का मूल्यांकन कर सकें।

क्लिनिकल तर्क केवल ‘यदि‑तो’ कथनों का संग्रह नहीं है। कभी‑कभी संकेत कई मार्करों के बीच संबंध होता है। कभी‑कभी पाँच व्यक्तिगत रूप से सामान्य खोजें एक साथ देखी जाने पर महत्वपूर्ण हो जाती हैं।

इंजीनियरों को ऐसे नियम चाहिए होते हैं जो इतने स्पष्ट हों कि सॉफ़्टवेयर उन्हें निष्पादित कर सके। चिकित्सक अपना जीवन “हाँ, सिवाय…” कहकर बिताते हैं।

मानव जीवविज्ञान अपवादों, संशोधकों, संदर्भ और प्रतिस्पर्धी व्याख्याओं से भरा है। कभी‑कभी सिस्टम बनाते समय ऐसा लगा जैसे एक समूह संकेत भाषा में बात कर रहा हो और दूसरा क्लिंगन में।

उत्तर कभी “AI” या “नॉन‑AI” नहीं था। यह यह तय करने में था कि प्रत्येक कहाँ फिट बैठता है।

AI चार्ट पढ़ सकता है। मनुष्य माहौल पढ़ सकते हैं।

सही ढंग से उपयोग किया जाए तो AI चिकित्सक की स्मृति को विस्तारित कर सकता है, शोध को तेज़ कर सकता है, दुर्लभ संभावनाओं को उजागर कर सकता है और विशाल मात्रा में जानकारी में पैटर्न पहचान सकता है।

यह अधिकतर चिकित्सक को बदलने जैसा नहीं, बल्कि एक बायोनिक चिकित्सक बनाने जैसा दिखता है।

लेकिन रोगी किसी क्लिनिकल केस का संक्षिप्त विवरण नहीं है।

एक चिकित्सक उत्तर से पहले हिचकिचाहट सुनता है। वह तब नोटिस करता है जब कहानी बदलती है। वह जानता है कि एक रोगी लगातार लक्षणों को कम करके बताता है जबकि दूसरा हर संवेदना को अधिकतम तीव्रता पर रिपोर्ट करता है। वह समझता है कि “मैं ठीक हूँ” स्पष्ट रूप से ठीक नहीं है।

वह जानकारी चार्ट में कभी मौजूद नहीं हो सकती।

चिकित्सा में मानवीय बातचीत केवल मशीन के बौद्धिक कार्य के बाद जोड़ी गई एक सुखद परत नहीं है। यह क्लिनिकल डेटा का एक और स्रोत है।

AI चार्ट पढ़ सकता है। मनुष्य माहौल पढ़ सकते हैं।

सबसे अच्छे क्लिनिकल सिस्टम को दोनों की आवश्यकता होगी।

इस प्रश्न को पूछना बंद करें कि क्या AI डॉक्टर को बदल देगा

हम गलत सवाल पूछ रहे हैं।

भविष्य जरूरी नहीं कि सबसे चतुर चैटबॉट या सबसे स्मार्ट फाउंडेशन मॉडल वाली कंपनी का हो। महत्वपूर्ण नवाचार मॉडल के आसपास ही हो रहा है: जानकारी कैसे कैप्चर और सत्यापित की जाती है, कौन सा ज्ञान प्रदान किया जाता है, सिस्टम को क्या अनुमान लगाने की अनुमति है, जहाँ निर्धारक नियंत्रण कार्यभार संभालते हैं और जहाँ मानव को लूप में रहना चाहिए।

कच्ची बुद्धिमत्ता प्रचुर मात्रा में उपलब्ध हो रही है।

उस बुद्धिमत्ता को लागू करने वाले विश्वसनीय सिस्टम बनाना बहुत कठिन है।

और हमें यह समस्या इस तरह हल नहीं करनी चाहिए कि हर चिकित्सक को एक शौकिया AI डेवलपर बनना पड़े। जटिलता तकनीक के भीतर रहनी चाहिए, न कि डॉक्टर के प्रॉम्प्ट में।

भविष्य का चिकित्सक AI को स्मृति के मामले में नहीं हरा पाएगा। वह प्रतिस्पर्धा पहले ही निरर्थक होती जा रही है।

इसके बजाय, हमें ऐसे सिस्टम बनाने चाहिए जो चिकित्सकों को मशीन की स्मृति, प्रोसेसिंग शक्ति और पैटर्न पहचान प्रदान करें, जबकि संदर्भ, निर्णय, संदेह और मानव संबंध को बनाए रखें।

हम इसे बायोनिक चिकित्सक कहते हैं।

मुझे लगता है कि रोगी अंततः इसे कुछ बहुत सरल कहेंगे।

उनका डॉक्टर।

डॉ. ब्रैंडी ज़ैकरी, DC, IFMCP, जिन्हें डॉ. Z के रूप में जाना जाता है, TDZ Functional Medicine Academy (TDZ-FMA), LabDX और DiagnoseThis की संस्थापक और सीईओ हैं। वह एक काइरोप्रैक्टिक चिकित्सक और Institute for Functional Medicine प्रमाणित प्रैक्टिशनर हैं। उन्होंने TDZ-FMA को बिना बाहरी निवेश के 2026 Inc. 5000 कंपनी में बदल दिया, जिसमें तीन वर्षों में 2,095% की वृद्धि हुई। डॉ. Z Best Female Entrepreneur के लिए प्रथम Gold Stevie® Award विजेता हैं और वह आठ पुस्तकों की लेखिका हैं, जिसमें एक McGraw‑Hill शीर्षक भी शामिल है।