خبریں

جب سے IBM واٹسن 2007 میں شروع ہوا، انسان مسلسل طبی مصنوعی ذہانت (AI) کی ترقی کی کوشش کر رہا ہے۔ ایک قابل استعمال اور طاقتور طبی AI نظام جدید ادویات کے تمام پہلوؤں کو نئے سرے سے ڈھالنے کی بہت زیادہ صلاحیت رکھتا ہے، جس سے ہوشیار، زیادہ درست، موثر، اور جامع دیکھ بھال، طبی کارکنوں اور مریضوں کی فلاح و بہبود، اور اس طرح انسانی صحت کو بہت بہتر بنایا جا سکتا ہے۔ گزشتہ 16 سالوں میں، اگرچہ طبی AI محققین نے مختلف چھوٹے شعبوں میں جمع کیا ہے، اس مرحلے پر، وہ ابھی تک سائنس فکشن کو حقیقت میں لانے میں کامیاب نہیں ہو سکے ہیں۔

اس سال، چیٹ جی پی ٹی جیسی AI ٹیکنالوجی کی انقلابی ترقی کے ساتھ، میڈیکل AI نے بہت سے پہلوؤں میں بہت ترقی کی ہے۔ طبی AI کی صلاحیت میں بے مثال پیش رفت: نیچر جرنل نے میڈیکل بڑے لینگویج ماڈل اور میڈیکل امیج کے بنیادی ماڈل کی تحقیق کا مسلسل آغاز کیا ہے۔ Google نے Med-PaLM اور اس کے جانشین کو جاری کیا، امریکی طبی پریکٹیشنر امتحان کے سوالات میں ماہر کی سطح تک پہنچ گیا۔ بڑے تعلیمی جرائد طبی AI پر توجہ مرکوز کریں گے: فطرت عام طبی AI کے بنیادی ماڈل پر نقطہ نظر جاری کرتی ہے۔ اس سال کے شروع میں میڈیسن میں AI کے جائزوں کی ایک سیریز کے بعد، نیو انگلینڈ جرنل آف میڈیسن (NEJM) نے اپنا پہلا ڈیجیٹل صحت جائزہ 30 نومبر کو شائع کیا، اور 12 دسمبر کو NEJM ذیلی جریدے NEJM AI کا پہلا شمارہ جاری کیا۔ یو ایس فوڈ اینڈ ڈرگ ایڈمنسٹریشن (FDA) میڈیکل AI کے ضابطے کے لیے گائیڈ لائنز کا مسودہ تیار کر رہا ہے۔

ذیل میں، ہم اس اہم پیش رفت کا جائزہ لیتے ہیں جو دنیا بھر کے محققین نے 2023 میں قابل استعمال طبی AI کی سمت میں کی ہے۔

میڈیکل AI بنیادی ماڈل

طبی AI بنیادی ماڈل کی تعمیر بلاشبہ اس سال کی سب سے گرم تحقیقی توجہ ہے۔ نیچر جرنلز نے سال کے دوران صحت کی دیکھ بھال کے یونیورسل بنیادی ماڈل اور صحت کی دیکھ بھال کے بڑے لینگوئج ماڈل پر جائزہ مضامین شائع کیے ہیں۔ میڈیکل امیج اینالیسس، انڈسٹری کا سب سے بڑا جریدہ ہے، نے طبی امیج کے تجزیہ میں بنیادی ماڈل ریسرچ کے چیلنجوں اور مواقع کا جائزہ لیا اور ان کا انتظار کیا، اور میڈیکل AI کی بنیادی ماڈل ریسرچ کی ترقی کا خلاصہ اور رہنمائی کرنے کے لیے "بنیادی ماڈل کا نسب" کا تصور تجویز کیا۔ صحت کی دیکھ بھال کے لیے بنیادی AI ماڈلز کا مستقبل واضح ہوتا جا رہا ہے۔ ChatGPT جیسے بڑے لینگویج ماڈلز کی کامیاب مثالوں کی طرف متوجہ کرتے ہوئے، خود زیر نگرانی پہلے سے تربیتی طریقوں اور تربیتی ڈیٹا کے وسیع ذخیرے کا استعمال کرتے ہوئے، طبی AI کے شعبے میں محققین 1) بیماری کے لیے مخصوص بیس ماڈلز، 2) جنرل بیس ماڈلز، اور 3) ملٹی موڈل بڑے ماڈلز بنانے کی کوشش کر رہے ہیں جو وسیع پیمانے پر ماس رینج کے وسیع پیمانے پر پیرامیٹرز کو مربوط کرتے ہیں۔

میڈیکل ڈیٹا ایکوزیشن اے آئی ماڈل

بڑے AI ماڈلز کے علاوہ جو ڈاؤن اسٹریم کلینیکل ڈیٹا کے تجزیہ کے کاموں میں بہت بڑا کردار ادا کرتے ہیں، اپ اسٹریم کلینیکل ڈیٹا کے حصول میں، جنریٹیو AI ماڈلز کی نمائندگی کرنے والی ٹیکنالوجی بھی سامنے آئی ہے۔ AI الگورتھم کے ذریعے ڈیٹا کے حصول کے عمل، رفتار اور معیار کو نمایاں طور پر بہتر بنایا جا سکتا ہے۔

اس سال کے شروع میں، نیچر بایومیڈیکل انجینئرنگ نے ترکی کی اسٹریٹس یونیورسٹی سے ایک مطالعہ شائع کیا جس میں کلینیکل ایپلی کیشنز میں پیتھولوجک امیج اسسٹڈ تشخیص کے مسئلے کو حل کرنے کے لیے جنریٹو اے آئی کے استعمال پر توجہ مرکوز کی گئی۔ سرجری کے دوران منجمد سیکشن ٹشو میں موجود نمونے تیزی سے تشخیصی تشخیص میں رکاوٹ ہیں۔ اگرچہ فارملین اور پیرافین ایمبیڈڈ (FFPE) ٹشو اعلیٰ معیار کا نمونہ فراہم کرتا ہے، لیکن اس کی پیداوار کا عمل وقت طلب ہے اور اکثر اس میں 12-48 گھنٹے لگتے ہیں، جس کی وجہ سے یہ سرجری میں استعمال کے لیے موزوں نہیں ہے۔ لہذا تحقیقی ٹیم نے AI-FFPE نامی ایک الگورتھم تجویز کیا، جو منجمد حصے میں ٹشو کی ظاہری شکل کو FFPE کی طرح بنا سکتا ہے۔ الگورتھم نے منجمد حصوں کے نمونے کو کامیابی کے ساتھ درست کیا، تصویر کے معیار کو بہتر بنایا، اور اسی وقت طبی لحاظ سے متعلقہ خصوصیات کو برقرار رکھا۔ طبی توثیق میں، AI-FFPE الگورتھم ٹیومر کی ذیلی قسموں کے لیے پیتھالوجسٹ کی تشخیصی درستگی کو نمایاں طور پر بہتر بناتا ہے، جبکہ طبی تشخیص کے وقت کو بہت کم کرتا ہے۔

سیل رپورٹس میڈیسن جیلین یونیورسٹی کے تھرڈ کلینکل کالج، شعبہ ریڈیولوجی، فوڈان یونیورسٹی سے وابستہ ژونگشن ہسپتال، اور شنگھائی یونیورسٹی آف سائنس اینڈ ٹیکنالوجی [25] کی ایک ٹیم کے تحقیقی کام کی رپورٹ کرتی ہے۔ یہ مطالعہ ایک عمومی مقصد کی گہرائی سے سیکھنے اور تکراری تعمیر نو کے فیوژن فریم ورک (ہائبرڈ DL-IR) کو اعلی استعداد اور لچک کے ساتھ تجویز کرتا ہے، جو تیز ایم آر آئی، کم خوراک سی ٹی، اور تیز پی ای ٹی میں بہترین تصویری تعمیر نو کی کارکردگی دکھاتا ہے۔ الگورتھم 100 سیکنڈ میں MR سنگل آرگن ملٹی سیکوینس سکیننگ حاصل کر سکتا ہے، تابکاری کی خوراک کو CT امیج کے صرف 10% تک کم کر سکتا ہے، اور شور کو ختم کر سکتا ہے، اور PET کے حصول سے چھوٹے گھاووں کو 2 سے 4 گنا ایکسلریشن کے ساتھ دوبارہ تشکیل دے سکتا ہے، جبکہ حرکت کے نمونے کے اثر کو کم کر سکتا ہے۔

طبی کارکنوں کے تعاون سے میڈیکل AI

طبی AI کی تیز رفتار ترقی نے طبی پیشہ ور افراد کو بھی سنجیدگی سے غور کرنے اور دریافت کرنے پر مجبور کیا ہے کہ طبی عمل کو بہتر بنانے کے لیے AI کے ساتھ کس طرح تعاون کیا جائے۔ اس سال جولائی میں، ڈیپ مائنڈ اور ایک ملٹی انسٹی ٹیوشنل ریسرچ ٹیم نے مشترکہ طور پر ایک AI سسٹم تجویز کیا جسے Complementary Driven Clinical Workflow Delay (CoDoC) کہا جاتا ہے۔ تشخیصی عمل کی تشخیص پہلے پیش گوئی کرنے والے AI نظام کے ذریعے کی جاتی ہے، پھر پچھلے نتائج پر ایک اور AI نظام کے ذریعے فیصلہ کیا جاتا ہے، اور اگر کوئی شک ہو تو، تشخیص کی درستگی اور توازن کی کارکردگی کو بہتر بنانے کے لیے آخر میں تشخیص ایک معالج کے ذریعے کی جاتی ہے۔ جب بات چھاتی کے کینسر کی اسکریننگ کی ہو تو، CoDoC نے اسی غلط منفی شرح کے ساتھ غلط مثبت شرحوں کو 25% تک کم کیا، جبکہ برطانیہ میں موجودہ "ڈبل ریڈ ثالثی" کے عمل کے مقابلے میں، کلینشین کے کام کے بوجھ کو 66% تک کم کیا۔ ٹی بی کی درجہ بندی کے لحاظ سے، آزاد AI اور کلینیکل ورک فلو کے مقابلے میں اسی غلط منفی شرح کے ساتھ جھوٹے مثبت شرحوں میں 5 سے 15 فیصد تک کمی واقع ہوئی ہے۔

اسی طرح، لندن، یو کے میں کھیرون کمپنی کی اینی وائی این جی ایٹ ال نے اضافی AI ریڈرز (انسانی معائنہ کاروں کے تعاون سے) متعارف کرائے تاکہ نتائج کی دوبارہ جانچ پڑتال کی جا سکے جب دوہری پڑھنے والے ثالثی کے عمل میں کوئی نتائج واپس نہ ملے، جس نے چھاتی کے کینسر کی ابتدائی اسکریننگ میں کھو جانے کا پتہ لگانے کے مسئلے کو بہتر بنایا، اور اس عمل میں تقریباً کوئی غلط مثبت نہیں تھا۔ یونیورسٹی آف ٹیکساس میک گورن میڈیکل اسکول کی ایک ٹیم کی سربراہی میں اور چار اسٹروک مراکز میں مکمل ہونے والی ایک اور تحقیق نے بڑے عروقی اوکلوسیو اسکیمک اسٹروک (LVO) کا پتہ لگانے کے لیے کمپیوٹیڈ ٹوموگرافی انجیوگرافی (CTA) پر مبنی AI ٹیکنالوجی کا اطلاق کیا۔ کلینشین اور ریڈیولوجسٹ CT امیجنگ مکمل ہونے کے چند منٹوں کے اندر اپنے موبائل فونز پر ریئل ٹائم الرٹس وصول کرتے ہیں، انہیں LVO کی ممکنہ موجودگی کے بارے میں مطلع کرتے ہیں۔ یہ AI عمل شدید اسکیمک اسٹروک کے لیے ہسپتال کے اندر کام کے بہاؤ کو بہتر بناتا ہے، علاج کے لیے داخلے سے لے کر داخلے کے وقت کو کم کرتا ہے اور کامیاب بچاؤ کے مواقع فراہم کرتا ہے۔ نتائج JAMA نیورولوجی میں شائع ہوئے ہیں۔

یونیورسل بینیفٹ کے لیے ایک AI ہیلتھ کیئر ماڈل

2023 میں بہت سارے اچھے کام بھی دیکھنے کو ملیں گے جو طبی AI کا استعمال کرتے ہوئے ایسی خصوصیات تلاش کرتا ہے جو زیادہ آسانی سے دستیاب ڈیٹا سے انسانی آنکھ سے پوشیدہ ہیں، عالمی سطح پر تشخیص اور ابتدائی اسکریننگ کو قابل بناتا ہے۔ سال کے آغاز میں، نیچر میڈیسن نے سن یات سین یونیورسٹی کے ژونگشن آئی سنٹر اور فوزیان میڈیکل یونیورسٹی کے دوسرے الحاق شدہ ہسپتال کے ذریعے کیے گئے مطالعات کو شائع کیا۔ اسمارٹ فونز کو ایپلیکیشن ٹرمینلز کے طور پر استعمال کرتے ہوئے، انہوں نے بچوں کی نگاہوں کو دلانے اور بچوں کی نگاہوں کے رویے اور چہرے کی خصوصیات کو ریکارڈ کرنے کے لیے کارٹون جیسی ویڈیو امیجز کا استعمال کیا، اور آنکھوں کی 16 بیماریوں کی کامیابی سے شناخت کرنے کے لیے ڈیپ لرننگ ماڈلز کا استعمال کرتے ہوئے غیر معمولی ماڈلز کا مزید تجزیہ کیا، جن میں پیدائشی موتیابند، پیدائشی ptosis اور پیدائشی گلوکوما کی اوسط سے زیادہ %8 زیادہ ہے۔ یہ بچوں کے بصری افعال کی خرابی اور متعلقہ آنکھوں کی بیماریوں کی بڑے پیمانے پر ابتدائی اسکریننگ کے لیے ایک مؤثر اور مقبول تکنیکی ذرائع فراہم کرتا ہے۔

سال کے آخر میں، نیچر میڈیسن نے دنیا بھر کے 10 سے زیادہ طبی اور تحقیقی اداروں کے کام کی اطلاع دی، جس میں شنگھائی انسٹی ٹیوٹ آف لبلبے کی بیماری اور زیجیانگ یونیورسٹی کا پہلا منسلک ہسپتال شامل ہیں۔ مصنف نے جسمانی امتحانی مراکز، ہسپتالوں وغیرہ میں بغیر علامات والے لوگوں کی لبلبے کے کینسر کی اسکریننگ پر AI کا اطلاق کیا، تاکہ سادہ اسکین CT امیجز میں ان گھاووں کی خصوصیات کا پتہ لگایا جا سکے جن کا صرف ننگی آنکھ سے پتہ لگانا مشکل ہے، تاکہ لبلبے کے کینسر کا موثر اور غیر حملہ آور جلد پتہ لگایا جا سکے۔ 20,000 سے زیادہ مریضوں کے اعداد و شمار کا جائزہ لیتے ہوئے، ماڈل نے طبی طور پر چھوٹ جانے والے زخموں کے 31 کیسز کی بھی نشاندہی کی، جس سے طبی نتائج میں نمایاں بہتری آئی۔

میڈیکل ڈیٹا کا اشتراک

2023 میں، ڈیٹا کی رازداری اور تحفظ کے تحفظ کی بنیاد کے تحت کثیر مرکز کے تعاون اور ڈیٹا کے کھلے پن کو یقینی بناتے ہوئے، دنیا بھر میں بہت سے بہترین ڈیٹا شیئرنگ میکانزم اور کامیاب کیسز سامنے آئے ہیں۔

سب سے پہلے، خود AI ٹیکنالوجی کی مدد سے، AI محققین نے طبی ڈیٹا کے اشتراک میں اپنا حصہ ڈالا ہے۔ ریاستہائے متحدہ کی Rutgers یونیورسٹی سے Qi Chang اور دیگر نے نیچر کمیونیکیشنز میں ایک مضمون شائع کیا، جس میں تقسیم شدہ مصنوعی مخالف نیٹ ورکس پر مبنی ایک فیڈرل لرننگ فریم ورک DSL تجویز کیا گیا، جو ملٹی سینٹرز کے مخصوص تیار کردہ ڈیٹا کو تربیت دینے کے لیے جنریٹو AI کا استعمال کرتا ہے، اور پھر ملٹی سینٹرز کے حقیقی ڈیٹا کو جنریٹڈ ڈیٹا سے بدل دیتا ہے۔ ڈیٹا پرائیویسی کی حفاظت کرتے ہوئے ملٹی سینٹر بگ ڈیٹا پر مبنی AI ٹریننگ کو یقینی بنائیں۔ اسی ٹیم نے پیتھولوجیکل امیجز اور ان سے متعلقہ تشریحات کا ڈیٹا سیٹ بھی اوپن سورس کیا۔ تیار کردہ ڈیٹا سیٹ پر تربیت یافتہ سیگمنٹیشن ماڈل حقیقی ڈیٹا سے ملتے جلتے نتائج حاصل کر سکتا ہے۔

سنگھوا یونیورسٹی سے ڈائی کیونگھائی کی ٹیم نے npj ڈیجیٹل ہیلتھ پر ایک مقالہ شائع کیا، جس میں ریلے لرننگ کی تجویز پیش کی گئی، جو مقامی ڈیٹا کی خودمختاری اور بغیر کسی کراس سائٹ نیٹ ورک کنکشن کی بنیاد پر AI ماڈلز کو تربیت دینے کے لیے ملٹی سائٹ بگ ڈیٹا کا استعمال کرتا ہے۔ یہ AI کارکردگی کے حصول کے ساتھ ڈیٹا کی حفاظت اور رازداری کے خدشات کو متوازن کرتا ہے۔ اسی ٹیم نے بعد میں گوانگزو میڈیکل یونیورسٹی کے پہلے منسلک ہسپتال اور ملک بھر کے 24 ہسپتالوں کے ساتھ مل کر، CAIMEN، ایک چیسٹ CT پین-میڈیاسٹینل ٹیومر کی تشخیص کا نظام، وفاقی تعلیم پر مبنی مشترکہ طور پر تیار کیا اور اس کی تصدیق کی۔ یہ نظام، جسے 12 عام میڈیسٹینل ٹیومر پر لاگو کیا جا سکتا ہے، اکیلے استعمال کرنے پر 44.9 فیصد بہتر درستگی حاصل کی جب کہ اکیلے انسانی ماہرین کے استعمال کے مقابلے میں، اور 19 فیصد بہتر تشخیصی درستگی حاصل کی جب انسانی ماہرین کی مدد کی گئی۔

دوسری طرف، محفوظ، عالمی، بڑے پیمانے پر طبی ڈیٹا سیٹس کی تعمیر کے لیے کئی اقدامات جاری ہیں۔ نومبر 2023 میں، ہارورڈ میڈیکل اسکول کے بایومیڈیکل انفارمیٹکس کے شعبہ سے آگسٹینا سینز اور دیگر نے لانسیٹ ڈیجیٹل ہیلتھ میں طبی امیج ڈیٹا شیئر کرنے کے لیے ایک عالمی فریم ورک شائع کیا جسے آرٹیفیشل انٹیلی جنس ڈیٹا فار آل ہیلتھ کیئر (MAIDA) کہا جاتا ہے۔ وہ ڈیٹا شیئرنگ کو معیاری بنانے کے لیے یو ایس فیڈرل ڈیموسٹریشن پارٹنر (FDP) ٹیمپلیٹ کا استعمال کرتے ہوئے ڈیٹا اکٹھا کرنے اور ڈی-آئیڈینٹیفیکیشن پر جامع رہنمائی فراہم کرنے کے لیے دنیا بھر میں صحت کی دیکھ بھال کرنے والی تنظیموں کے ساتھ کام کر رہے ہیں۔ وہ دنیا بھر کے مختلف خطوں اور کلینیکل سیٹنگز میں جمع کیے گئے ڈیٹا سیٹ کو آہستہ آہستہ جاری کرنے کا ارادہ رکھتے ہیں۔ پہلا ڈیٹاسیٹ 2024 کے اوائل میں جاری ہونے کی امید ہے، شراکت داری کے پھیلنے کے ساتھ ساتھ مزید آنے والی ہیں۔ یہ پروجیکٹ عوامی طور پر دستیاب AI ڈیٹا کے عالمی، بڑے پیمانے پر اور متنوع سیٹ بنانے کی ایک اہم کوشش ہے۔

اس تجویز کے تناظر میں، UK Biobank نے ایک مثال قائم کی ہے۔ UK Biobank نے 30 نومبر کو اپنے 500,000 شرکاء کے جینوم کی ترتیب سے نیا ڈیٹا جاری کیا۔ ڈیٹا بیس، جو 500,000 برطانوی رضاکاروں میں سے ہر ایک کا مکمل جینوم ترتیب شائع کرتا ہے، دنیا کا سب سے بڑا مکمل انسانی جینوم ڈیٹا بیس ہے۔ دنیا بھر کے محققین اس غیر شناخت شدہ ڈیٹا تک رسائی کی درخواست کر سکتے ہیں اور اسے صحت اور بیماری کی جینیاتی بنیاد کی تحقیقات کے لیے استعمال کر سکتے ہیں۔ ماضی میں جینیاتی ڈیٹا ہمیشہ تصدیق کے لیے انتہائی حساس رہا ہے، اور UK Biobank کی یہ تاریخی کامیابی ثابت کرتی ہے کہ ایک کھلا، رازداری سے پاک عالمی بڑے پیمانے پر ڈیٹا بیس بنانا ممکن ہے۔ اس ٹیکنالوجی اور ڈیٹا بیس کے ساتھ، میڈیکل AI اگلی چھلانگ لگانے کا پابند ہے۔

میڈیکل AI کی تصدیق اور تشخیص

خود میڈیکل AI ٹیکنالوجی کی تیز رفتار ترقی کے مقابلے میں، طبی AI کی تصدیق اور تشخیص کی ترقی قدرے سست ہے۔ عام AI فیلڈ میں توثیق اور تشخیص اکثر AI کے لیے معالجین اور مریضوں کی حقیقی ضروریات کو نظر انداز کر دیتے ہیں۔ روایتی بے ترتیب کنٹرول شدہ کلینیکل ٹرائلز AI ٹولز کی تیز رفتار تکرار سے ملنے کے لیے بہت محنتی ہیں۔ طبی AI ٹولز کے لیے موزوں تصدیق اور تشخیص کے نظام کو جلد از جلد بہتر بنانا طبی AI کو حقیقی معنوں میں تحقیق اور ترقی کو کلینکل لینڈنگ تک لے جانے کے لیے سب سے اہم چیز ہے۔

نیچر میں شائع ہونے والے Med-PaLM پر گوگل کے تحقیقی مقالے میں، ٹیم نے ملٹی میڈ کیو اے ایویلیویشن بینچ مارک بھی شائع کیا، جس کا استعمال بڑے لینگویج ماڈلز کی کلینیکل علم حاصل کرنے کی صلاحیت کا جائزہ لینے کے لیے کیا جاتا ہے۔ بینچ مارک چھ موجودہ پیشہ ورانہ طبی سوال و جواب کے ڈیٹاسیٹس کو یکجا کرتا ہے، جس میں پیشہ ورانہ طبی علم، تحقیق اور دیگر پہلوؤں کا احاطہ کیا گیا ہے، ساتھ ہی ایک آن لائن سرچ میڈیکل سوال ڈیٹا بیس ڈیٹا سیٹ، ڈاکٹر مریض کے آن لائن سوال و جواب پر غور کرتے ہوئے، AI کو کئی پہلوؤں سے ایک مستند ڈاکٹر کی تربیت دینے کی کوشش کرتا ہے۔ اس کے علاوہ، ٹیم انسانی تشخیص پر مبنی ایک فریم ورک کی تجویز پیش کرتی ہے جو حقیقت، تفہیم، استدلال، اور ممکنہ تعصب کی متعدد جہتوں کو مدنظر رکھتا ہے۔ یہ اس سال شائع ہونے والی صحت کی دیکھ بھال میں AI کا جائزہ لینے کے لیے سب سے زیادہ نمائندہ تحقیقی کوششوں میں سے ایک ہے۔

تاہم، کیا حقیقت یہ ہے کہ بڑے لینگویج ماڈلز اعلیٰ سطح کے انکوڈنگ کلینیکل علم کو ظاہر کرتے ہیں اس کا مطلب یہ ہے کہ بڑے زبان کے ماڈل حقیقی دنیا کے طبی کاموں کے لیے اہل ہیں؟ جس طرح ایک میڈیکل طالب علم جو پروفیشنل فزیشن کا امتحان پرفیکٹ سکور کے ساتھ پاس کرتا ہے وہ اب بھی سولو چیف فزیشن سے بہت دور ہے، اسی طرح گوگل کی طرف سے تجویز کردہ تشخیصی معیار AI ماڈلز کے لیے میڈیکل AI تشخیص کے موضوع کا بہترین جواب نہیں ہو سکتا۔ 2021 اور 2022 کے اوائل میں، محققین نے رپورٹنگ کے رہنما خطوط جیسے Decid-AI، SPIRIT-AI، اور INTRPRT تجویز کیے ہیں، امید کرتے ہیں کہ طبی AI کی ابتدائی ترقی اور توثیق کے لیے طبی عملیت، حفاظت، انسانی عوامل، اور شفافیت/ تشریح جیسے عوامل پر غور کیا جائے۔ ابھی حال ہی میں، جریدے نیچر میڈیسن نے آکسفورڈ یونیورسٹی اور اسٹینفورڈ یونیورسٹی کے محققین کا ایک مطالعہ شائع کیا ہے کہ آیا "بیرونی توثیق" یا "بار بار چلنے والی مقامی توثیق۔" AI ٹولز کی توثیق کرنے کے لیے۔

AI ٹولز کی غیر جانبدارانہ نوعیت بھی ایک اہم تشخیصی سمت ہے جس پر اس سال سائنس اور NEJM دونوں مضامین سے توجہ ملی ہے۔ AI اکثر تعصب کا مظاہرہ کرتا ہے کیونکہ یہ تربیتی ڈیٹا تک محدود ہے۔ یہ تعصب سماجی عدم مساوات کی عکاسی کر سکتا ہے، جو مزید الگورتھمک امتیاز میں بدل جاتا ہے۔ نیشنل انسٹی ٹیوٹ آف ہیلتھ نے حال ہی میں Bridge2AI اقدام شروع کیا، جس کی لاگت کا تخمینہ $130 ملین ہے، متنوع ڈیٹا سیٹس کی تعمیر کے لیے (مذکورہ MAIDA اقدام کے اہداف کے مطابق) جسے طبی AI ٹولز کی غیرجانبداری کو درست کرنے کے لیے استعمال کیا جا سکتا ہے۔ MultiMedQA ان پہلوؤں پر غور نہیں کرتا ہے۔ میڈیکل AI ماڈلز کی پیمائش اور توثیق کرنے کے سوال پر ابھی بھی وسیع اور گہرائی سے بحث کی ضرورت ہے۔

جنوری میں، نیچر میڈیسن نے یونیورسٹی آف ٹیکساس کے ایم ڈی اینڈرسن کینسر سنٹر کے وویک سببیہ کی طرف سے "ثبوت پر مبنی دوائیوں کی اگلی نسل" کے نام سے ایک رائے کا ٹکڑا شائع کیا، جس میں COVID-19 وبائی امراض کے تناظر میں سامنے آنے والی کلینیکل ٹرائلز کی حدود کا جائزہ لیا گیا اور جدت طرازی اور تحقیق کے درمیان تضاد کی نشاندہی کی۔ آخر میں، یہ کلینیکل ٹرائلز کی تنظیم نو کے مستقبل کی نشاندہی کرتا ہے - مصنوعی ذہانت کا استعمال کرتے ہوئے کلینیکل ٹرائلز کی اگلی نسل، یعنی تاریخی تحقیقی ڈیٹا، حقیقی دنیا کے ڈیٹا، ملٹی موڈل کلینیکل ڈیٹا، پہننے کے قابل ڈیوائس ڈیٹا کی ایک بڑی تعداد سے مصنوعی ذہانت کا استعمال کلیدی ثبوت تلاش کرنے کے لیے۔ کیا اس کا مطلب یہ ہے کہ AI ٹیکنالوجی اور AI کلینیکل توثیق کے عمل مستقبل میں باہمی طور پر تقویت دینے والے اور ہم آہنگ ہو سکتے ہیں؟ یہ 2023 کا کھلا اور سوچنے والا سوال ہے۔

میڈیکل AI کا ضابطہ

AI ٹیکنالوجی کی ترقی نے AI کے ضابطے کے لیے بھی چیلنجز پیدا کیے ہیں، اور دنیا بھر کے پالیسی ساز احتیاط اور احتیاط سے جواب دے رہے ہیں۔ 2019 میں، FDA نے سب سے پہلے مصنوعی ذہانت کے طبی آلات (ڈسکشن ڈرافٹ) میں سافٹ ویئر کی تبدیلیوں کے لیے ایک مجوزہ ریگولیٹری فریم ورک شائع کیا، جس میں AI اور مشین لرننگ سے چلنے والے سافٹ ویئر میں ترمیم کے قبل از مارکیٹ جائزے کے لیے اس کے ممکنہ نقطہ نظر کی تفصیل دی گئی۔ 2021 میں، FDA نے "مصنوعی ذہانت/مشین لرننگ پر مبنی سافٹ ویئر بطور میڈیکل ڈیوائس ایکشن پلان" تجویز کیا، جس نے پانچ مخصوص AI میڈیکل ریگولیٹری اقدامات کو واضح کیا۔ اس سال، FDA نے ڈیوائس سافٹ ویئر کی خصوصیات کی حفاظت اور افادیت کے FDA کی تشخیص کے لیے پری مارکیٹ جمع کرانے کی سفارشات کے بارے میں معلومات فراہم کرنے کے لیے ڈیوائس سافٹ ویئر کی خصوصیات کے لیے پری مارکیٹ جمع کرانے کو دوبارہ جاری کیا، بشمول کچھ سافٹ ویئر ڈیوائس خصوصیات جو مشین لرننگ کے طریقوں کے ذریعے تربیت یافتہ مشین لرننگ ماڈلز کا استعمال کرتی ہیں۔ ایف ڈی اے کی ریگولیٹری پالیسی ایک ابتدائی تجویز سے عملی رہنمائی تک تیار ہوئی ہے۔

گزشتہ سال جولائی میں یورپین ہیلتھ ڈیٹا اسپیس کی اشاعت کے بعد یورپی یونین نے ایک بار پھر مصنوعی ذہانت کا قانون نافذ کیا ہے۔ سابقہ ​​کا مقصد اعلیٰ معیار کی صحت کی دیکھ بھال فراہم کرنے، عدم مساوات کو کم کرنے، اور روک تھام، تشخیص، علاج، سائنسی اختراع، فیصلہ سازی اور قانون سازی کے لیے ڈیٹا کو سپورٹ کرنے کے لیے صحت کے ڈیٹا کا بہترین استعمال کرنا ہے، جبکہ اس بات کو یقینی بنانا ہے کہ یورپی یونین کے شہریوں کا اپنے ذاتی صحت کے ڈیٹا پر زیادہ کنٹرول ہو۔ مؤخر الذکر یہ واضح کرتا ہے کہ طبی تشخیص کا نظام ایک اعلی خطرہ والا AI نظام ہے، اور اسے ہدف شدہ مضبوط نگرانی، پوری زندگی سائیکل کی نگرانی اور قبل از تشخیص نگرانی کو اپنانے کی ضرورت ہے۔ یورپی میڈیسن ایجنسی (EMA) نے ادویات کی نشوونما، ضابطے اور استعمال میں معاونت کے لیے AI کے استعمال پر ایک ڈرافٹ ریفلیکشن پیپر شائع کیا ہے، جس میں مریضوں کی حفاظت اور طبی تحقیق کے نتائج کی سالمیت کو یقینی بنانے کے لیے AI کی ساکھ کو بہتر بنانے پر زور دیا گیا ہے۔ مجموعی طور پر، یورپی یونین کا ریگولیٹری نقطہ نظر آہستہ آہستہ شکل اختیار کر رہا ہے، اور حتمی نفاذ کی تفصیلات زیادہ تفصیلی اور سخت ہو سکتی ہیں۔ EU کے سخت ضابطے کے بالکل برعکس، UK کا AI ریگولیٹری بلیو پرنٹ واضح کرتا ہے کہ حکومت نرم رویہ اپنانے کا ارادہ رکھتی ہے اور فی الحال نئے بلوں کو نافذ نہیں کرے گی اور نہ ہی نئے ریگولیٹرز قائم کرے گی۔

چین میں، نیشنل میڈیکل پروڈکٹس ایڈمنسٹریشن کے میڈیکل ڈیوائس ٹیکنیکل ریویو سینٹر (NMPA) نے اس سے قبل دستاویزات جاری کی ہیں جیسے کہ "ڈیپ لرننگ اسسٹڈ ڈیسیژن سافٹ ویئر کے ریویو پوائنٹس"، "آرٹیفیشل انٹیلی جنس میڈیکل ڈیوائسز کے رجسٹریشن ریویو کے لیے رہنما اصول (تبصرے کے لیے مسودہ)" اور "گائیڈنگ کلاسیفکیشن کے اصولوں کی درجہ بندی کے لیے" آرٹیفیشل انٹیلی جنس میڈیکل سافٹ ویئر پروڈکٹس (2021 میں نمبر 47)۔ اس سال، "2023 میں پہلے میڈیکل ڈیوائس پروڈکٹ کی درجہ بندی کے نتائج کا خلاصہ" دوبارہ جاری کیا گیا۔ دستاویزات کا یہ سلسلہ مصنوعی ذہانت والے میڈیکل سافٹ ویئر پروڈکٹس کی تعریف، درجہ بندی اور ریگولیشن کو زیادہ واضح اور کام کرنے میں آسان بناتا ہے، اور صنعت میں مختلف اداروں کی مصنوعات کی پوزیشننگ اور رجسٹریشن کی حکمت عملیوں کے لیے واضح رہنمائی فراہم کرتا ہے۔ یہ دیکھنے کے قابل ہے کہ 21 سے 23 دسمبر تک ہانگژو میں ہونے والی چائنا میڈیکل آرٹیفیشل انٹیلی جنس کانفرنس کے ایجنڈے میں ڈیجیٹل میڈیکل گورننس اور سرکاری ہسپتالوں کی اعلیٰ معیار کی ترقی اور مصنوعی ذہانت کے طبی آلات کی جانچ اور تشخیص ٹیکنالوجی اسٹینڈرڈائزیشن فورم کے اجلاس میں شرکت کریں گے۔ معلومات

نتیجہ

2023 میں، میڈیکل AI نے ہسپتال کے ڈیٹا اکٹھا کرنے، فیوژن، تجزیہ، تشخیص اور علاج، اور کمیونٹی اسکریننگ کا احاطہ کرتے ہوئے، پورے میڈیکل اپ اسٹریم اور ڈاون اسٹریم کے عمل میں ضم ہونا شروع کر دیا ہے، اور طبی/بیماریوں پر قابو پانے والے کارکنوں کے ساتھ باضابطہ طور پر تعاون کرتے ہوئے، انسانی صحت کو بہبود لانے کی صلاحیت کو ظاہر کرتا ہے۔ قابل استعمال طبی AI تحقیق کا آغاز ہو رہا ہے۔ مستقبل میں، میڈیکل AI کی ترقی کا انحصار نہ صرف خود تکنیکی ترقی پر ہے، بلکہ اسے صنعت، یونیورسٹی اور طبی تحقیق کے مکمل تعاون اور پالیسی سازوں اور ریگولیٹرز کے تعاون کی بھی ضرورت ہے۔ یہ کراس ڈومین تعاون AI سے مربوط طبی خدمات کے حصول کی کلید ہے، اور یقینی طور پر انسانی صحت کی ترقی کو فروغ دے گا۔