ભારતના હેલ્થકેર AI સેક્ટરમાં ડેટાની અછતને કારણે મોટી મુશ્કેલીઓ સર્જાઈ છે. ક્લિનિકલ રેકોર્ડ્સ વેરવિખેર હોવાથી મોડેલ ટ્રેનિંગમાં અવરોધ આવી રહ્યો છે. હવે કંપનીઓ મેડિકલ વાતચીતને ડેટામાં રૂપાંતરિત કરવા પર ધ્યાન કેન્દ્રિત કરી રહી છે.
ભારતીય હેલ્થકેર સેક્ટરમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) ને લઈને જે ઉત્સાહ હતો, તેને હવે વાસ્તવિકતાનો સામનો કરવો પડી રહ્યો છે. સેક્ટરમાં મૂડીનો પ્રવાહ તો ઘણો આવ્યો છે, પરંતુ એક ગંભીર અવરોધ આ ટેકનોલોજીને સફળ થતા રોકી રહ્યો છે. મુખ્ય સમસ્યા કમ્પ્યુટિંગ પાવરની નથી, પરંતુ ઉચ્ચ ગુણવત્તાયુક્ત, લાંબા ગાળાના અને સ્ટ્રક્ચર્ડ ક્લિનિકલ ડેટાના અભાવની છે.
ડેટાની સમસ્યા શું છે?
ભારતમાં મોટાભાગની મેડિકલ સલાહ અંગ્રેજી અને પ્રાદેશિક ભાષાઓના મિશ્રણમાં અપાય છે. પરિણામે, ક્લિનિકલ નોટ્સ કાં તો હાથેથી લખેલી હોય છે અથવા અનસ્ટ્રક્ચર્ડ ઓડિયોના સ્વરૂપમાં હોય છે. જોકે Ayushman Bharat Digital Mission (ABHA) એ ડેટા સંમતિ અને દર્દીની ઓળખ માટે મજબૂત પ્લેટફોર્મ બનાવ્યું છે, પરંતુ તે મુખ્યત્વે રેકોર્ડ શેરિંગ માટે છે, ડેટા નિર્માણ માટે નથી. લાંબા ગાળાના વ્યવસ્થિત રેકોર્ડ્સના અભાવે AI મોડેલ્સ સચોટ નિદાન કરવામાં નિષ્ફળ જાય છે.
ભાષા અને સ્ટ્રક્ચર તરફ ઝુકાવ
આ ગેપને ભરવા માટે ઉદ્યોગ હવે 'ભાષાકીય તકો' (Linguistic Opportunity) પર ધ્યાન આપી રહ્યો છે. Eka Care અને Sarvam AI જેવી કંપનીઓ સ્પીચ-ટુ-ટેક્સ્ટ મોડેલ્સ દ્વારા આ સમસ્યા હલ કરી રહી છે. તેઓ પ્રાદેશિક ભાષામાં થતી ડોક્ટર-દર્દીની વાતચીતને રીયલ-ટાઇમમાં સ્ટ્રક્ચર્ડ ક્લિનિકલ અંગ્રેજીમાં રૂપાંતરિત કરી રહી છે, જે ભવિષ્યના AI મોડેલ્સ માટે જરૂરી પાયો છે.
રોકાણકારો માટે જોખમ અને વાસ્તવિકતા
રોકાણકારો માટે પડકાર એ છે કે કઈ કંપનીઓ ખરેખર ડેટા ઇન્ફ્રાસ્ટ્રક્ચર બનાવી રહી છે અને કઈ માત્ર 'રેપર' મોડેલ્સ પર નિર્ભર છે જે માત્ર ટેસ્ટમાં સફળ છે. હોસ્પિટલના વાતાવરણમાં AI ટૂલ્સને લાગુ કરવા એ ટેકનિકલ ડેવલપમેન્ટ કરતા પણ મોટો પડકાર છે. આગામી એક વર્ષમાં ઓપીડી (OPD) વર્કફ્લોમાં આ વોઈસ-બેસ્ડ ટ્રાન્સક્રિપ્શન ટૂલ્સનો ઉપયોગ કેવી રીતે થાય છે, તે જોવું સૌથી મહત્વનું રહેશે.