भारतातील हेल्थकेअर AI क्षेत्र सध्या एका मोठ्या डेटा कमतरतेचा सामना करत आहे. रुग्णांचे विखुरलेले मेडिकल रेकॉर्ड्स यामुळे AI मॉडेल्सच्या प्रशिक्षणात अडथळे येत आहेत. आता कंपन्या केवळ मॉडेल्स बनवण्याऐवजी, वैद्यकीय संभाषणांचे संरचनात्मक डेटा (Structured Data) तयार करण्यावर लक्ष केंद्रित करत आहेत.
भारतातील हेल्थकेअर क्षेत्रातील कृत्रिम बुद्धिमत्तेचा (AI) उत्साह सध्या एका वास्तवाच्या धक्क्याने थंडावला आहे. क्षेत्रात मोठ्या प्रमाणात भांडवल आले असले तरी, उच्च-गुणवत्तेच्या आणि दीर्घकालीन क्लिनिकल डेटाच्या अभावामुळे ही साधने अपयशी ठरत आहेत.
डेटाची मोठी अडचण
भारतातील बहुतेक वैद्यकीय सल्लामसलत ही इंग्रजी आणि प्रादेशिक भाषांच्या मिश्रणात चालते. यामुळे मिळणारे मेडिकल रेकॉर्ड्स एकतर हाताने लिहिलेले किंवा विखुरलेल्या ऑडिओ स्वरूपात असतात. 'आयुष्मान भारत डिजिटल मिशन' (ABHA) ने रेकॉर्ड शेअरिंगसाठी पायाभूत सुविधा तयार केल्या असल्या तरी, क्लिनिकल डेटा तयार करण्यात मर्यादा येत आहेत. रुग्णांचा पूर्ण वैद्यकीय इतिहास (Longitudinal Records) उपलब्ध नसल्याने AI मॉडेल्सना अचूक निदान करणे कठीण होत आहे.
भाषेचा आणि स्ट्रक्चरचा नवा मार्ग
या समस्येवर मात करण्यासाठी आता 'Eka Care' आणि 'Sarvam AI' सारख्या कंपन्या पुढे येत आहेत. या कंपन्या प्रगत 'स्पीच-टू-टेक्स्ट' मॉडेल्स वापरून प्रादेशिक भाषांमधील संभाषणांचे थेट स्ट्रक्चर्ड क्लिनिकल इंग्रजीमध्ये रूपांतर करत आहेत. यामुळे वैद्यकीय रेकॉर्ड आता केवळ एक दस्तऐवज न राहता एक डायनॅमिक डेटा स्ट्रीम बनत आहे.
गुंतवणूकदारांसाठी धोके आणि संधी
गुंतवणूकदारांनी आता अशा कंपन्यांकडे लक्ष दिले पाहिजे ज्या केवळ 'रॅपर' मॉडेल्स विकण्याऐवजी शाश्वत डेटा इन्फ्रास्ट्रक्चर तयार करत आहेत. चुकीच्या डेटावर आधारित AI मॉडेल्स हॉस्पिटलच्या वास्तविक वातावरणात अपयशी ठरू शकतात. तसेच, हॉस्पिटलच्या दैनंदिन कामकाजात (OPD Workflow) ही नवीन तंत्रज्ञान प्रणाली किती प्रभावीपणे बसवता येते, यावरच या क्षेत्राचे भविष्य अवलंबून असेल. येत्या वर्षात स्पीच-आधारित ट्रान्स्क्रिप्शन टूल्सचा स्वीकार किती वेगाने होतो, हे पाहणे महत्त्वाचे ठरेल.