மருத்துவ AI கருவிகள் ஏன் தோல்வியடைகின்றன? நிபுணர்கள் விளக்கம்!

Detailed Coverage

மருத்துவ AI-யில் உள்ள பெரும் இடைவெளி

செயற்கை நுண்ணறிவு (AI) மருத்துவத் துறையில் வேகமாக வளர்ந்து வருகிறது. பல புதிய கண்டறியும் கருவிகள் (Diagnostic Tools) சந்தைக்கு வந்தாலும், தொழில்நுட்பத் திறனுக்கும் மருத்துவப் பயன்பாட்டிற்கும் இடையே ஒரு பெரிய இடைவெளி நீடிக்கிறது. பல சமயங்களில், டெவலப்பர்கள் தங்களிடம் உள்ள தரவுகளை அடிப்படையாகக் கொண்டு மென்பொருளை உருவாக்குகிறார்கள். ஆனால், மருத்துவர்கள் எதிர்கொள்ளும் உண்மையான, அவசரமான பிரச்சனைகளை அவர்கள் கண்டுகொள்வதில்லை. இதனால், தொழில்நுட்ப ரீதியாக சிறப்பாக இருந்தாலும், மருத்துவர்களின் அன்றாட வேலைப்பளுவை இவை குறைப்பதில்லை.

கதிரியக்கவியல் (Radiology) துறையில் ஒரு பார்வை

கதிரியக்கவியல் துறையில் இது தெளிவாகத் தெரிகிறது. இங்குள்ள பெரும்பாலான AI கருவிகள் 'செக்மென்டேஷன்' (Segmentation) எனப்படும் மருத்துவ ஸ்கேன்களில் உள்ள உறுப்புகள் அல்லது கட்டிகளைக் கண்டறியும் பணிகளுக்காக வடிவமைக்கப்பட்டுள்ளன. AI இந்த பணிகளில் அதிக துல்லியத்தைக் காட்டியிருந்தாலும், பிஸியான கதிரியக்க நிபுணர்களுக்கு இது அவர்களின் வேலை ஓட்டத்தை (Workflow) பெரிதாக வேகப்படுத்துவதில்லை. குறிப்பாக, வளங்கள் குறைவாக உள்ள இடங்களில், அவசரமான ஸ்கேன்களை விரைவாக வரிசைப்படுத்தி, உயிருக்கு ஆபத்தான நோய்களை உடனடியாக கண்டறிய உதவும் கருவிகளே முக்கியத் தேவையாக உள்ளது. இந்த AI கருவிகளை உருவாக்குவது தொழில்நுட்ப ரீதியாக கடினமானது மற்றும் தவறான கண்டறிதல் ஏற்படும் அபாயமும் அதிகம் என்பதால், டெவலப்பர்கள் இதைத் தவிர்க்கிறார்கள்.

குறிப்பிட்ட பிரச்சனைகளுக்கு தீர்வு காணும் கருவிகளின் வெற்றி

மருத்துவ நடைமுறைகளை (Clinical Workflows) தெளிவாகப் புரிந்துகொண்டு AI உருவாக்கப்பட்டால், அதன் தாக்கம் மிகப்பெரியதாக இருக்கும். உதாரணமாக, இந்தியாவின் Qure.ai என்ற ஸ்டார்ட்அப், காசநோயைக் கண்டறிய உதவும் மார்பக எக்ஸ்ரே கருவிக்காகப் பாராட்டுகளைப் பெற்றுள்ளது. ஒரு குறிப்பிட்ட, அதிகத் தேவை உள்ள பணியில் கவனம் செலுத்தியதன் மூலம், இந்தக் கருவி பயன்படுத்தப்பட்ட இடங்களில் காசநோய் கண்டறிதலை 15% அதிகரித்தது. மற்றொரு வெற்றிகரமான காரணி, 'Ambient Scribe' தொழில்நுட்பம் ஆகும். இது நோயாளி சந்திப்பின் போது தானாகவே மருத்துவ குறிப்புகளை உருவாக்குகிறது. இது ஒரு மருத்துவரின் அன்றாட வேலையில் பல மணிநேரங்களை எடுத்துக்கொள்ளும் ஆவணப்படுத்தும் சுமையைக் குறைக்கிறது. இதன் மூலம், The Permanente Medical Group போன்ற மருத்துவமனைகள் ஒரே ஆண்டில் 16,000 மருத்துவர் மணிநேரங்களை சேமித்ததாகக் கூறப்படுகிறது.

செயலாக்கம் மற்றும் சமத்துவ சவால்கள்

பயன்பாட்டிற்கு அப்பாற்பட்டு, சூழல் சார்ந்த சவால்களும் உள்ளன. சோதனைகளில் சிறப்பாக செயல்படும் AI மாடல்கள், நிஜ உலக மருத்துவமனை சூழல்களில் சிரமப்படலாம். மேலும், டெவலப்பர்கள் உள்ளூர் சுகாதாரப் புள்ளிவிவரங்களைக் கருத்தில் கொள்வதில்லை. உதாரணமாக, மெலனோமாவைக் கண்டறிய உருவாக்கப்பட்ட AI கருவிகள், கருமையான தோல் நிறம் கொண்ட நோயாளிகளுக்கு தோல் நிலைகளைத் துல்லியமாகக் கண்டறிவதில் சிரமப்படலாம். இது இந்தியா போன்ற பிராந்தியங்களில் அவற்றின் செயல்திறனைக் கட்டுப்படுத்துகிறது. அதேபோல், வெவ்வேறு சுகாதார அமைப்புகளுக்காக வடிவமைக்கப்பட்ட மாடல்கள் அதிகப்படியான தவறான எச்சரிக்கைகளை உருவாக்கலாம், இது ஊழியர்களுக்கு உதவியாக இருப்பதை விட அதிகமாக சிரமத்தை ஏற்படுத்தும்.

எதிர்கால வளர்ச்சி

AI-யின் வெற்றி, அதன் மேம்பாட்டு செயல்முறையை மறுசீரமைப்பதைப் பொறுத்தது. தொழில்நுட்ப சாத்தியக்கூறுகளுடன் தொடங்குவதற்குப் பதிலாக, டெவலப்பர்கள் நேரடியாக மருத்துவர்களுடன் கலந்தாலோசித்து, தீர்க்கப்பட வேண்டிய மிக முக்கியமான பிரச்சனைகளைக் கண்டறிய வேண்டும். சுகாதார வழங்குநர்கள் மற்றும் முதலீட்டாளர்களுக்கு, ஒரு தீர்வு, ஆவணப்படுத்தும் நேரம் அல்லது ஸ்கிரீனிங் திறன் போன்ற குறிப்பிட்ட, அளவிடக்கூடிய தடைகளைச் சமாளிக்கிறதா என்பதைப் பார்ப்பது முக்கியம். வெறும் பொதுவான AI-இயங்கும் கண்டறியும் அம்சத்தை வழங்குவதை விட இது முக்கியமானது.