ਭਾਰਤ ਦੇ ਹੈਲਥਕੇਅਰ AI ਸੈਕਟਰ ਵਿੱਚ ਵੱਡੀ ਰੁਕਾਵਟ ਸਾਹਮਣੇ ਆਈ ਹੈ। ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੇ ਡੇਟਾ ਦੀ ਘਾਟ ਕਾਰਨ ਕੰਪਨੀਆਂ ਹੁਣ ਆਪਣੇ ਮਾਡਲਾਂ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਮਰੀਜ਼ਾਂ ਅਤੇ ਡਾਕਟਰਾਂ ਵਿਚਕਾਰ ਹੋਣ ਵਾਲੀ ਗੱਲਬਾਤ ਨੂੰ ਸਟ੍ਰਕਚਰਡ ਕਰਨ 'ਤੇ ਜ਼ੋਰ ਦੇ ਰਹੀਆਂ ਹਨ।
ਭਾਰਤੀ ਹੈਲਥਕੇਅਰ ਵਿੱਚ ਆਰਟੀਫਿਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਨੂੰ ਲੈ ਕੇ ਜੋ ਉਤਸ਼ਾਹ ਦੇਖਣ ਨੂੰ ਮਿਲ ਰਿਹਾ ਸੀ, ਉਹ ਹੁਣ ਜ਼ਮੀਨੀ ਹਕੀਕਤ ਨਾਲ ਟਕਰਾ ਰਿਹਾ ਹੈ। ਸੈਕਟਰ ਵਿੱਚ ਭਾਰੀ ਨਿਵੇਸ਼ ਦੇ ਬਾਵਜੂਦ, ਇਕ ਸਟ੍ਰਕਚਰਡ ਅਤੇ ਲੰਬੇ ਸਮੇਂ ਦੇ ਕਲੀਨਿਕਲ ਡੇਟਾ ਦੀ ਵੱਡੀ ਘਾਟ ਹੈ, ਜੋ AI ਟੂਲਸ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਬਣਾਉਣ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਡੀ ਰੁਕਾਵਟ ਬਣੀ ਹੋਈ ਹੈ।
ਡੇਟਾ ਦੀ ਸਮੱਸਿਆ ਕੀ ਹੈ?
ਜ਼ਿਆਦਾਤਰ ਡਾਕਟਰੀ ਸਲਾਹ-ਮਸ਼ਵਰੇ ਖੇਤਰੀ ਭਾਸ਼ਾਵਾਂ ਜਾਂ ਅੰਗਰੇਜ਼ੀ ਦੇ ਮਿਸ਼ਰਣ ਵਿੱਚ ਹੁੰਦੇ ਹਨ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਅਕਸਰ ਹੱਥੀਂ ਲਿਖਿਆ ਜਾਂਦਾ ਹੈ ਜਾਂ ਅਨਸਟ੍ਰਕਚਰਡ ਆਡੀਓ ਦੇ ਰੂਪ ਵਿੱਚ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ। ਭਾਵੇਂ 'Ayushman Bharat Digital Mission' (ABHA) ਨੇ ਡੇਟਾ ਸ਼ੇਅਰਿੰਗ ਨੂੰ ਆਸਾਨ ਬਣਾ ਦਿੱਤਾ ਹੈ, ਪਰ ਇਹ ਸਿਸਟਮ ਕਲੀਨਿਕਲ ਡੇਟਾ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਅਜੇ ਪਿੱਛੇ ਹਨ। ਇਸ ਕਾਰਨ AI ਮਾਡਲ ਅਕਸਰ ਅਸਲ ਹਸਪਤਾਲਾਂ ਦੇ ਮਾਹੌਲ ਵਿੱਚ ਸਹੀ ਨਤੀਜੇ ਨਹੀਂ ਦੇ ਪਾਉਂਦੇ।
ਨਵੀਂ ਦਿਸ਼ਾ: ਭਾਸ਼ਾ ਅਤੇ ਬਣਤਰ (Structure)
ਹੁਣ ਕੰਪਨੀਆਂ ਜਿਵੇਂ ਕਿ Eka Care ਅਤੇ Sarvam AI ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਅੱਗੇ ਆ ਰਹੀਆਂ ਹਨ। ਇਹ ਕੰਪਨੀਆਂ ਅਜਿਹੇ Speech-to-Text ਮਾਡਲਾਂ 'ਤੇ ਕੰਮ ਕਰ ਰਹੀਆਂ ਹਨ ਜੋ ਖੇਤਰੀ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਹੋਈ ਗੱਲਬਾਤ ਨੂੰ ਤੁਰੰਤ ਸਟ੍ਰਕਚਰਡ ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ ਬਦਲ ਸਕਣ। ਇਹ ਪਹੁੰਚ ਕਲੀਨਿਕਲ ਰਿਕਾਰਡ ਨੂੰ ਸਿਰਫ਼ ਇੱਕ ਦਸਤਾਵੇਜ਼ ਨਹੀਂ, ਸਗੋਂ ਇੱਕ ਡਾਇਨਾਮਿਕ ਡੇਟਾ ਸਟ੍ਰੀਮ ਵਜੋਂ ਵੇਖਦੀ ਹੈ।
ਨਿਵੇਸ਼ਕਾਂ ਲਈ ਚੁਣੌਤੀ
ਨਿਵੇਸ਼ਕਾਂ ਲਈ ਹੁਣ ਇਹ ਪਛਾਣਨਾ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਕਿਹੜੀਆਂ ਕੰਪਨੀਆਂ ਅਸਲ ਡੇਟਾ ਬੁਨਿਆਦੀ ਢਾਂਚਾ (Infrastructure) ਤਿਆਰ ਕਰ ਰਹੀਆਂ ਹਨ ਅਤੇ ਕਿਹੜੀਆਂ ਸਿਰਫ਼ ਦਿਖਾਵੇ ਵਾਲੇ ਮਾਡਲ ਵੇਚ ਰਹੀਆਂ ਹਨ। ਹਸਪਤਾਲਾਂ ਦੇ ਵਰਕਫਲੋ ਵਿੱਚ ਇਨ੍ਹਾਂ ਟੂਲਸ ਨੂੰ ਜੋੜਨਾ ਤਕਨੀਕੀ ਵਿਕਾਸ ਨਾਲੋਂ ਵੀ ਵੱਡੀ ਚੁਣੌਤੀ ਹੈ। ਆਉਣ ਵਾਲੇ ਸਮੇਂ ਵਿੱਚ ਉਹੀ ਕੰਪਨੀਆਂ ਕਾਮਯਾਬ ਹੋਣਗੀਆਂ ਜੋ ਮੈਡੀਕਲ ਡੇਟਾ ਨੂੰ ਇਕੱਠਾ ਕਰਨ ਅਤੇ ਉਸਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਸਟ੍ਰਕਚਰ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਕੰਟਰੋਲ ਕਰ ਸਕਦੀਆਂ ਹਨ।