Anderson का एंगल
आसानी से मनाया जा सकने वाला AI डॉक्टर

मुख्य बिंदुएआई मॉडल गलत चिकित्सा सलाह को विशेषज्ञ से आने पर चिकित्सा छात्र की तुलना में कहीं अधिक…
और देखें
- एआई मॉडल गलत चिकित्सा सलाह को विशेषज्ञ से आने पर चिकित्सा छात्र की तुलना में कहीं अधिक आसानी से स्वीकार कर लेते हैं।
- गलत निदान का समर्थन करने वाला मनगढ़ंत स्पष्टीकरण वास्तविक साक्ष्य के बिना भी एआई के सही उत्तर को अधिलंघित कर सकता है।
- एआई को समझाना कठिन बनाना समाधान नहीं है क्योंकि समझाना वास्तविक त्रुटियों को भी सुधार सकता है।
2026 में छूट गए: साल का यह वह समय है जब शोध का स्तर और मात्रा, दोनों नवंबर में होने वाले आखिरी कुछ सम्मेलनों और दिसंबर के साथ तालमेल में घटते-बढ़ते हैं। इन छिटपुट सूखे दौरों से निपटने के लिए, हम 2026 के उन कुछ दिलचस्प शोधपत्रों पर नज़र डाल रहे हैं जो चयन के करीब तो पहुँचे, लेकिन अधिक प्रतिस्पर्धी प्रस्तुति अवधियों में दूसरे शोधकार्यों के चलते बाहर हो गए।
AI निर्णय मॉडल में बढ़ती दिलचस्पी की एक वजह, निर्णय लेते समय सामान्य प्रयोजन वाले AI चैटबॉट्स की सीमाएँ हैं। ChatGPT जैसे अत्याधुनिक AI उत्पाद भले ही परदे के पीछे निर्णय से जुड़ी अवस्थाओं को चुपचाप अपने या दूसरे निर्णय मॉडलों के हवाले कर दें, लेकिन उनकी अपनी राय को आसानी से पूरी तरह बदलवाया जा सकता है।
उदाहरण के लिए, कवरेज के संभावित विषयों में से चुनने में मदद के लिए, कभी-कभी मैं उन्हें एक साथ ChatGPT, Claude 5.5 और उस मॉडल के सामने रखता हूँ जिसे Gemini उस सुबह मुफ्त में उपलब्ध कराने को तैयार होता है। मुझे पता है कि क्या उम्मीद करनी है: GPT और Claude मूल्यांकन के मानदंडों के कुछ पहलुओं को जरूरत से ज्यादा महत्व देंगे; (मुफ्त वाला) Gemini हर चीज़ को शानदार मानेगा; और Claude के लिए लगभग कुछ भी पर्याप्त अच्छा नहीं होगा।
जब मैं GPT 5.6 Sol के सामने Claude या Gemini की अलग राय रखकर उसे चुनौती देता हूँ, तो वह लगभग हर बार, कम या ज्यादा हद तक (आमतौर पर पूरी तरह), पीछे हट जाता है। उसके सामने कोई विरोधी या प्रतिस्पर्धी राय रखने पर GPT आम तौर पर अपना फैसला पूरी तरह पलट देता है। जब आप उसे बताते हैं कि उसे कितनी आसानी से प्रभावित किया जा सकता है, तो GPT अपनी पिछली राय पर लौट आता है, मानो उस पर लगाए गए आरोप से खिन्न हो। हालाँकि, तब भी उपयोगकर्ता के मामूली-से सुझाव से उसका रुख़ मनचाहे ढंग से बदला जा सकता है।
इसके उलट, Claude अक्सर अपने रुख़ पर और अड़ जाता है: उसके फैसले को चुनौती देने पर वह और भी दृढ़ हो जाता है, मानो उसे AI विमर्श की ‘बदलाव के प्रति संवेदनशीलता की समस्या’ का पता हो और उसे रुख़ कभी न बदलने के लिए कहा गया हो—जो कि एक काफ़ी नाज़ुक समाधान है।
एक और पक्ष की राय
लेकिन इसके समर्थन में मिले-जुले किस्से ही हैं। आज arXiv पर आए थोड़े फीके शोधपत्रों ने मुझे उस शोधपत्र की ओर फिर से लौटाया, जिसने गर्मियों में मेरी दिलचस्पी जगाई थी, लेकिन तब हमारे पास उसे कवर करने का समय नहीं था।
नैदानिक निर्णय लेने में AI को आसानी से मनाया जा सकता है शीर्षक वाला यह Stanford/Oxford अध्ययन जाँचता है कि GPT-4o, Claude Sonnet 5 और Qwen3.7-plus को चिकित्सा निदान बदलने के लिए मनाना कितना आसान है।
पता चला कि डॉक्टर की वरिष्ठता, राष्ट्रीयता, संस्थान की प्रतिष्ठा और उसके बताए गए कार्य-अनुभव—ये सभी मॉडल को प्रभावित कर सकते हैं, भले ही सलाह गलत हो। संख्याओं का असर भी जुड़ता जाता है: एक प्रयोग में, तीन डॉक्टरों के सहमत होने पर GPT-4o गलत निदान स्वीकार करने के लिए कहीं अधिक तैयार था।
बिना कोई नया सबूत दिए, AI को बार-बार यह बताना कि वह गलत है, आखिरकार उसका मन बदल सकता था।
शोधपत्र में कहा गया है:
‘हमने पाया कि पेशेवर अधिकार, राष्ट्रीय पृष्ठभूमि, संस्थान से संबद्धता, बताया गया पिछला प्रदर्शन, कई चिकित्सकों की राय, चिकित्सकों के समर्थन वाली राय और बार-बार दबाव डालना—ये सभी AI के निर्णयों को प्रभावित कर सकते हैं।
‘हैरानी की बात है कि किसी वरिष्ठ चिकित्सक की ओर से दी गई वही प्रेरक जानकारी, चिकित्सा के एक छात्र की तुलना में लगभग 10% अधिक मामलों में निर्णय बदल देती है। बेहतर प्रदर्शन का इतिहास होने का दावा भर करने से चिकित्सक की बात लगातार अधिक प्रभावशाली हो जाती है।
‘इससे भी अधिक चौंकाने वाली बात यह है कि किसी चिकित्सक की विश्वसनीय लगने वाली राय AI को सही फैसले से दूर कर सकती है, भले ही उसे गलत जवाब का समर्थन करने के लिए गढ़ा गया हो।’
समाधान के तौर पर, लेखकों का सुझाव है कि AI को डॉक्टर की सलाह के पीछे मौजूद सबूतों का आकलन करने में बेहतर होना चाहिए, ताकि वह अधिकार, समूह के दबाव या विश्वसनीय लगने वाले लेकिन झूठे तर्कों से प्रभावित हुए बिना सही सुधार स्वीकार कर सके।
हालाँकि, इसे हासिल कैसे किया जाए, यह अब भी एक खुला सवाल है। 2026 का MedStress ढाँचा दावा करता है कि इससे AI के निदान पलटने की समस्या लगभग पूरी तरह खत्म हो जाती है; 2026 के एक अन्य शोध में (मेरे अपने अनुभव के विपरीत) पाया गया कि Google Gemini चिकित्सा निदान को लेकर गैसलाइटिंग का सबसे अधिक प्रतिरोध करता है; और सितंबर 2026 की एक समीक्षा में ऐसे मानकीकृत परीक्षणों का प्रस्ताव दिया गया, जो उन मामलों में अंतर कर सकें जहाँ AI सही ढंग से अपना फैसला बदलता है और उन मामलों में जहाँ वह दबाव के आगे झुककर गलत निदान अपना लेता है।
अमेरिका के 80% से अधिक चिकित्सक किसी न किसी रूप में AI का इस्तेमाल कर रहे हैं, और निदान क्षमता को सीमित कर्मचारियों की संख्या और सीमित कवरेज से आगे बढ़ाने को लेकर इस क्षेत्र में साफ़ उत्साह है—ये सीमाएँ अक्सर खबरों की सुर्खियाँ बनती हैं। ऐसे में यह नैदानिक AI को अपनाने की राह की बड़ी बाधाओं में से एक बनने वाला है और इस पर अधिक या अधिक प्रभावी ध्यान देना स्पष्ट रूप से ज़रूरी है।
इस बीच, आइए देखें कि Oxford/Stanford के अध्ययन के अनुसार यह समस्या किस तरह सामने आती है।
विधि
परीक्षणों के लिए, MedBullets से चिकित्सा से जुड़े 308 सवाल लिए गए। यह नैदानिक मामलों का एक ऐसा संग्रह है जिनकी कठिनाई चिकित्सा लाइसेंसिंग परीक्षाओं के बराबर है:

MedBullets द्वारा संकलित नैदानिक मामलों का एक नमूना परिदृश्य। स्रोत
हर सवाल के साथ एक मरीज का परिदृश्य, पाँच संभावित जवाब और सही विकल्प की व्याख्या दी गई थी। इसके बाद यह मापा गया कि एआई को सही जवाब छोड़ने के लिए कितनी बार राजी किया जा सकता है।
जैसा कि पहले बताया गया है, परीक्षण में तीन एआई मॉडल शामिल थे: GPT-4o, Qwen3.7-Plus और Sonnet 5। हर मॉडल को चिकित्सा निर्णय-सहायता प्रणाली के रूप में काम करने का निर्देश दिया गया था, ताकि उपलब्ध नैदानिक साक्ष्यों के आधार पर सही निदान तक पहुँचा जा सके।
हर मामले में मॉडल को एक जवाब चुनना था; यह बताना था कि क्या उसने अपना शुरुआती निर्णय बदला है; अपने भरोसे का स्तर 0 से 100 के पैमाने पर बताना था; अगला कदम सुझाना था; और यह दर्शाने वाला एक स्कोर देना था कि आगे कार्रवाई कितनी जरूरी है—इसका दायरा कोई कार्रवाई न करने से लेकर प्रक्रिया रोककर मामले को आगे की समीक्षा के लिए भेजने तक था। यह सुनिश्चित करने के लिए कि सभी नियोजित परीक्षण पूरे हों, विफल अनुरोधों को दोहराया गया।
कुछ परीक्षणों में एआई को एक चिकित्सकीय मामला और डॉक्टर की सलाह देकर निदान करने के लिए कहा गया; अन्य परीक्षणों में पहले एआई ने निदान किया और बातचीत के बाद के चरण में डॉक्टर की सलाह दी गई। परीक्षणों में यह भी देखा गया कि क्या समझाने-बुझाने से सही निदान को गलत निदान में बदला जा सकता है, या शुरुआती गलती को सुधारा जा सकता है।
प्राधिकार रखने वाले लोग
एक ही चिकित्सकीय सलाह को अलग-अलग वरिष्ठता वाले डॉक्टरों की सलाह के रूप में पेश किया गया—चिकित्सा छात्रों से लेकर विशेषज्ञों तक। निदान और मरीज का विवरण अपरिवर्तित रखा गया, ताकि पेशेवर प्राधिकार के प्रभाव को मापा जा सके।
यह सलाह कैमरून, चीन, संयुक्त अरब अमीरात, यूनाइटेड किंगडम और संयुक्त राज्य अमेरिका के डॉक्टरों की ओर से दी गई बताई गई। आगे के परीक्षणों में देखा गया कि क्या एआई पर डॉक्टर का किसी प्रमुख चिकित्सा केंद्र, शहरी अस्पताल या ग्रामीण अस्पताल से जुड़ा होना असर डालता है। केवल डॉक्टर की बताई गई पृष्ठभूमि बदली गई।
यह भी जाँचा गया कि डॉक्टर कहाँ काम करता था, इसका एआई पर क्या असर पड़ता है। इसके लिए प्रतिष्ठित शैक्षणिक चिकित्सा केंद्रों, शहरी सामुदायिक अस्पतालों और ग्रामीण अस्पतालों की तुलना की गई। यह देखने के लिए कि डॉक्टर की कथित विश्वसनीयता से एआई की सलाह स्वीकार करने की तत्परता प्रभावित होती है या नहीं, मॉडलों को पिछले नौ मामलों में अपने और डॉक्टर के प्रदर्शन के काल्पनिक रिकॉर्ड भी दिए गए।
समूह के दबाव का प्रभाव जाँचने के लिए एआई को बताया गया कि उसके निदान पर एक डॉक्टर, सहमत तीन डॉक्टरों या अस्पताल की समीक्षा समिति ने आपत्ति जताई है। कुछ परीक्षणों में वैकल्पिक निदान सुझाया गया; अन्य में एआई को केवल यह बताया गया कि उसका जवाब गलत है।
चिकित्सकीय तर्क के प्रभाव की जाँच करने के लिए मॉडलों को सही निदान के समर्थन में स्पष्टीकरण दिए गए, या जान-बूझकर गढ़े गए ऐसे तर्क दिए गए जो गलत निदान का समर्थन करते थे। इन स्पष्टीकरणों को पेशेवर वरिष्ठता के दावों के साथ भी परखा गया, ताकि यह पता चल सके कि दोनों को मिलाने से कितना अधिक प्रभाव पड़ता है।
अंत में, लगातार दबाव के प्रभावों को बातचीत के दस चरणों में परखा गया और हर बार वही आपत्ति दोहराई गई। चुनौतियों में साधारण असहमति, चिकित्सकीय प्राधिकार के दावे और अन्य डॉक्टरों की कथित सहमति शामिल थे। इन बातचीतों के दौरान कोई अतिरिक्त चिकित्सकीय साक्ष्य नहीं दिया गया।
मापदंड
मापदंडों में, मनाने से प्रभावित होने की प्रवृत्ति से यह आँका गया कि जब एआई का शुरुआती जवाब डॉक्टर के जवाब से अलग था, तब उसने कितनी बार डॉक्टर का जवाब अपना लिया; मनाने की दिशा से यह देखा गया कि डॉक्टर के हस्तक्षेप ने शुरुआती गलती सुधारी या सही जवाब को गलत बना दिया; और सटीकता पर प्रभाव से यह मापा गया कि डॉक्टर की राय शामिल करने पर एआई का प्रदर्शन कितना बेहतर या खराब हुआ (उन परीक्षणों की तुलना में जिनमें वह राय शामिल नहीं थी)। जब सही जवाब बदलकर गलत हो गया, तो नतीजों का औसत चार संभावित गलत जवाबों के आधार पर निकाला गया।
परीक्षण
पहले नतीजों से पता चला कि वरिष्ठ डॉक्टरों की बातों से एआई मॉडल अधिक आसानी से प्रभावित हुए, भले ही उनकी सलाह गलत थी। नीचे दिखाए गए अनुसार, GPT-4o ने चिकित्सा छात्र की सलाह होने पर 2% मामलों में गलत सलाह स्वीकार की; विशेषज्ञ की सलाह बताए जाने पर यह आँकड़ा बढ़कर 12.8% हो गया। Claude Sonnet 5 के लिए यह वृद्धि 3.5% से 14.4% तक थी, जबकि Qwen3.7-Plus पर इसका असर कम पड़ा:

चिकित्सकीय वरिष्ठता के चार स्तरों के अनुसार मनाने की दरें। प्रतिशत बताते हैं कि प्रत्येक एआई मॉडल ने कितनी बार डॉक्टर का परस्पर-विरोधी जवाब स्वीकार किया; आम तौर पर अधिक वरिष्ठ चिकित्सकों के लिए ये दरें ऊँची थीं।
जैसा कि नीचे दिखाया गया है, वरिष्ठता का असर इस बात पर भी पड़ा कि सही सलाह कितनी आसानी से स्वीकार की गई। चिकित्सा छात्रों की सलाह मिलने पर GPT-4o और Claude Sonnet 5 की सटीकता वास्तव में घट गई। हालाँकि, जब वही सही सलाह विशेषज्ञों की बताई गई, तो सटीकता क्रमशः 10.1 और 8.8 प्रतिशत अंक बढ़ी:

अलग-अलग वरिष्ठता स्तरों के डॉक्टरों से सही चिकित्सकीय सलाह मिलने पर AI की सटीकता में बदलाव। धनात्मक और ऋणात्मक मान, बिना सलाह के प्रत्येक मॉडल की सटीकता (GPT-4o: 71.4%; Qwen3.7-plus: 75.0%; Claude Sonnet 5: 80.8%) से प्रतिशत-अंकों में हुए बदलाव दर्शाते हैं।
शोधपत्र में कहा गया है:
‘इन नतीजों से यह भी पता चलता है कि AI शायद अनजाने में अपनी क्षमता को कनिष्ठ चिकित्सकों से अधिक, लेकिन वरिष्ठ चिकित्सकों से कम मानता है। वह मेडिकल छात्रों और रेज़िडेंट डॉक्टरों की सलाह का प्रतिरोध करता है, जबकि अटेंडिंग फिज़िशियन और खास तौर पर विशेषज्ञों की बात से सहमत होने के लिए अधिक तैयार रहता है।
‘आत्म-स्थिति निर्धारण का यह आभास इस बात को प्रभावित करता है कि पेशेवर प्राधिकार किसी को मनाने में कितना प्रभावी होता है।’
सबसे बड़ा अंतर इस बात से पड़ा कि डॉक्टरों ने अपने जवाबों की वजह समझाई या नहीं। GPT-4o के लिए मेडिकल छात्र की सलाह, विशेषज्ञ की सलाह से भी अधिक प्रभावशाली रही—जब छात्र ने चिकित्सकीय स्पष्टीकरण दिया और विशेषज्ञ ने नहीं।
जब एक मेडिकल छात्र ने सही उत्तर के समर्थन में स्पष्टीकरण दिया, तो GPT-4o ने 58% मामलों में अपना शुरुआती गलत जवाब बदलकर सही कर लिया। उस स्पष्टीकरण के बिना, वरिष्ठ विशेषज्ञ की सलाह से ऐसा केवल 36.4% मामलों में हुआ। जब विशेषज्ञ ने भी सही उत्तर समझाया, तो यह आंकड़ा बढ़कर 89.8% हो गया:

अलग-अलग वरिष्ठता स्तरों के डॉक्टरों की सलाह मिलने पर GPT-4o की गलत जवाबों को सुधारने की क्षमता। बार दिखाते हैं कि चिकित्सकीय स्पष्टीकरण के साथ और उसके बिना, मॉडल ने कितनी बार सही जवाब दिया। स्पष्टीकरण से हर वरिष्ठता स्तर पर नतीजों में काफी सुधार हुआ।
स्पष्टीकरणों से मॉडल के विश्वास-स्तर के आकलन में भी सुधार हुआ। जवाब सही होने पर उसका आत्मविश्वास बढ़ा और गलत होने पर घटा।
अटेंडिंग फिज़िशियन के मामले में, सही और गलत जवाबों के बीच आत्मविश्वास का अंतर 2.1 से बढ़कर 11.5 प्रतिशत अंक हो गया, जैसा कि नीचे दिखाया गया है:

डॉक्टरों के वरिष्ठता के चार स्तरों के अनुसार, सही और गलत चिकित्सकीय जवाबों को लेकर GPT-4o का आत्मविश्वास। अंक चिकित्सकीय स्पष्टीकरण के साथ और उसके बिना दिखाए गए हैं। आखिरी कॉलम सही और गलत जवाबों के बीच आत्मविश्वास का अंतर दर्शाते हैं, जो स्पष्टीकरण दिए जाने पर काफी बढ़ गया।
अमेरिकी गौरव
जिन देशों की जांच की गई, उनमें से किसी भी अन्य देश के डॉक्टरों की तुलना में मॉडल अमेरिकी डॉक्टरों की बातों से अधिक आसानी से प्रभावित हुए—भले ही उनकी चिकित्सकीय सलाह गलत हो। उदाहरण के लिए, GPT-4o ने 10.9% मामलों में अमेरिकी डॉक्टर का गलत निदान स्वीकार किया, जबकि कैमरून के डॉक्टर का निदान 8.4% मामलों में स्वीकार किया:

पांच देशों के डॉक्टरों के नाम से दी गई परस्पर विरोधी चिकित्सकीय सलाह को तीन AI मॉडल कितनी आसानी से मानते हैं, इसकी तुलना। तीनों मॉडलों में अमेरिकी डॉक्टरों की सलाह सबसे अधिक प्रभावशाली रही; प्रतिशत बताते हैं कि AI ने कितनी बार अपना जवाब बदला।
जब GPT-4o को लगा कि परस्पर विरोधी निदान किसी अमेरिकी डॉक्टर ने दिया है, तो उसने 6.4% मामलों में उसे स्वीकार किया; वही सलाह कैमरून के डॉक्टर के नाम से दिए जाने पर उसने 4.3% मामलों में उसे स्वीकार किया। जैसा कि ऊपर दिखाया गया है, अमेरिकी डॉक्टरों को यह तरजीह तीनों मॉडलों में देखने को मिली।
AI प्रतिष्ठित अस्पतालों के डॉक्टरों से भी अधिक आसानी से प्रभावित हुआ। उदाहरण के लिए, जब GPT-4o को लगा कि सलाह किसी अग्रणी अकादमिक चिकित्सा केंद्र से आई है, तो उसने 6.6% मामलों में अपना निदान बदल दिया; ग्रामीण अस्पताल से सलाह आने पर ऐसा केवल 2.8% मामलों में हुआ:

अस्पतालों की प्रतिष्ठा का तीन AI मॉडलों के चिकित्सकीय फैसलों पर असर। क्षैतिज अक्ष सही सलाह से हुए सुधार दिखाता है; ऊर्ध्वाधर अक्ष गलत सलाह के कारण सटीकता में आई कमी दिखाता है। रंग मॉडल और आकृतियां अस्पतालों के प्रकार दर्शाती हैं। आम तौर पर, प्रतिष्ठा बढ़ने से दोनों प्रभाव बढ़ते हैं।
प्रतिष्ठित अस्पतालों से मिली सलाह ने GPT-4o के प्रदर्शन में 3.2 प्रतिशत अंक का सुधार किया, जबकि यही सलाह जब ग्रामीण अस्पतालों से जुड़ी बताई गई, तो इससे सटीकता में वास्तव में 3.6 अंक की कमी आई—हालाँकि शोधपत्र में कहा गया है कि Claude Sonnet 5 पर डॉक्टर के भौगोलिक स्थान का प्रभाव काफ़ी कम था।
इसके अतिरिक्त*, शोधकर्ताओं ने पाया कि GPT-4o को केवल यह बताने से कि एक डॉक्टर ने इससे पहले नौ मरीज़ों का सही निदान किया था, वह उस डॉक्टर की सलाह मानने के लिए कहीं अधिक तैयार हो गया। एआई का शुरुआती जवाब सही होने पर भी, उसे 95% विश्वसनीय चिकित्सा साक्ष्य की जानकारी दिए जाने के बावजूद, डॉक्टर उसे अधिक जोखिम वाले 15.6% मामलों में गलती करने के लिए राज़ी कर सकता था।

अलग-अलग स्तर के चिकित्सकीय जोखिम और साक्ष्य की विश्वसनीयता के बीच, सही या पूरी तरह गलत रिकॉर्ड वाले डॉक्टरों पर GPT-4o की प्रतिक्रिया के परीक्षण नतीजे। आँकड़े बताते हैं कि मॉडल ने कितनी बार डॉक्टर की सलाह मानी, कितनी बार सही जवाब को गलत जवाब में बदल दिया और अपने फैसलों को लेकर उसे कितना भरोसा था। सही रिकॉर्ड होने के दावे से डॉक्टर का प्रभाव बहुत बढ़ गया—भले ही उसकी सलाह गलत थी।
विश्वसनीय लगने वाली चिकित्सकीय व्याख्या और भी ख़तरनाक हो सकती है। जब किसी गलत निदान के समर्थन में मनगढ़ंत व्याख्या दी गई, तो GPT-4o ने 31.2% मामलों में अपना सही जवाब छोड़ दिया। सलाह किसी प्रामाणिक माने जाने वाले डॉक्टर की ओर से आने पर यह आँकड़ा बढ़कर 38.7% हो गया।
शोधपत्र का निष्कर्ष है:
“इन निष्कर्षों से पता चलता है कि एआई को महज़ मनाना कठिन बना देना समाधान नहीं है। मनाने से गलती सुधर सकती है, लेकिन सही फैसले को भी पलटा जा सकता है।
“चुनौती यह है कि एआई मनाने के दबाव में भी सही निर्णय-क्षमता बनाए रखे और जहाँ सुधार उचित हो, वहाँ अपना फैसला बदले। इस क्षमता को समझना और बेहतर बनाना, उच्च जोखिम वाले चिकित्सकीय निर्णयों में एआई के सुरक्षित और भरोसेमंद उपयोग के लिए अहम होगा।”
निष्कर्ष
मानव वकीलों, वास्तुकारों और डॉक्टरों का महत्व इस बात में है कि अगर कुछ विनाशकारी रूप से गलत हो जाए, तो जवाबदेही तय करने के लिए कोई होता है। इसलिए यह समझना मुश्किल है कि किसी नकारात्मक और विवादित चिकित्सकीय नतीजे में एआई की भागीदारी को किस हद तक कम किया जा सकता है, उसका महत्व घटाया जा सकता है या विवाद और मतभेद के बिना उसका हिसाब रखा जा सकता है।
एआई को वास्तव में इस काम के लिए तैयार नहीं किया गया है, क्योंकि चिकित्सकीय निदान के फैसलों में अक्सर विज्ञान से बढ़कर अनुभव काम आता है। अग्रणी चिकित्सकों को अपने हालिया व्यावहारिक अनुभवों से शायद जर्नलों में अब तक प्रकाशित योगदान से भी अधिक जानकारी मिलती हो।
इससे निर्णय की स्थिति एक ऐसी व्याख्यात्मक स्थिति बन जाती है, जिससे निपटने के लिए एआई फिलहाल अच्छी तरह सक्षम नहीं है। इसमें उपलब्ध सर्वोत्तम जानकारी के आधार पर यह कह पाने की क्षमता शामिल है कि किसी बात को लेकर वाजिब तौर पर यक़ीन है, और यह कि अमुक कार्रवाई से संभवतः सबसे अच्छा नतीजा मिलेगा। इस स्थिति में ‘मानवीय अंतर्ज्ञान’ के मूल्य को दोहरा पाना लगभग असंभव है। यह स्पष्ट रूप से डीएनए प्रोफाइलिंग या तत्वों की सारणियों जैसे ‘वस्तुनिष्ठ’ विज्ञान की श्रेणी में नहीं आता, भले ही इसका संबंध नियतात्मक वैज्ञानिक विषयों से हो।
इसलिए यह मानना उचित लगता है कि इस काम के लिए बनाए जाने वाले मॉडलों की अगली पीढ़ियों को पारंपरिक एआई विमर्श और निर्णय इंजनों से अलग तरीके से, या संभवतः अलग संरचना के साथ, तैयार किया जा सकता है।
* शोधपत्र में परीक्षण के पाँच अतिरिक्त खंड हैं, जिनका प्रभाव और प्रासंगिकता शुरुआती प्रमुख निष्कर्षों जितनी नहीं है। इनके बारे में अधिक जानकारी के लिए मैं पाठकों को मूल PDF देखने का सुझाव देता हूँ।
पहली बार प्रकाशित: गुरुवार, 19 नवंबर 2026












