भारत में डॉक्टरों के लिए AI स्क्राइब: प्रमाण क्या कहते हैं, और क्या पूछें

एंबिएंट AI स्क्राइब (ambient AI scribe) ज़्यादातर डॉक्टरों के सामने आने वाला पहला AI टूल है। इसका वादा सीधा है: स्क्राइब परामर्श (कंसल्टेशन) सुनता है, नोट का मसौदा तैयार करता है, और डॉक्टर टाइप करना बंद कर देते हैं। बाहरी मरीज़ों (आउट-पेशेंट) के एक सत्र में साठ मरीज़ देखने वाले डॉक्टर के लिए, हर मरीज़ पर थोड़ी-सी बचत भी जुड़कर बड़ी हो जाती है।

अब इतने प्रमाण मौजूद हैं कि बताया जा सके कि स्क्राइब असल में क्या करते हैं, और क्या नहीं करते। यह लेख उनका सार देता है, बताता है कि भारतीय परामर्शों में क्या अलग है, और वे सवाल गिनाता है जो कोई स्क्राइब चुनने से पहले पूछे जाने चाहिए।

एंबिएंट स्क्राइब कैसे काम करता है

1. मरीज़ को बताया जाता है कि परामर्श रिकॉर्ड होगा, और वे सहमति देते हैं।
2. बातचीत रिकॉर्ड की जाती है और उसे लिखित रूप में बदला जाता है।
3. एक भाषा मॉडल (लैंग्वेज मॉडल) बातचीत की लिखित प्रति (ट्रांसक्रिप्ट) से क्लिनिकल नोट का मसौदा तैयार करता है: शिकायतें, बीमारी का इतिहास, जांच में मिली बातें, आकलन और इलाज की योजना।
4. डॉक्टर मसौदा पढ़ते हैं, उसे सुधारते हैं और उस पर हस्ताक्षर करते हैं। तभी वह रिकॉर्ड का हिस्सा बनता है।

असल बात आख़िरी कदम की है। स्क्राइब एक मसौदा बनाता है, रिकॉर्ड नहीं।

ट्रायल में क्या सामने आया

समय की बचत: असली, लेकिन मामूली। सबसे मज़बूत प्रमाण UCLA में हुआ एक यादृच्छिक परीक्षण (रैंडमाइज़्ड ट्रायल) है, जो 2025 में NEJM AI में प्रकाशित हुआ। इसमें 14 स्पेशलिटी के 238 डॉक्टरों के बीच दो व्यावसायिक स्क्राइब की तुलना सामान्य कामकाज (usual care) से की गई। एक स्क्राइब ने सामान्य कामकाज की तुलना में नोट लिखने में लगने वाला समय 9.5% कम किया; दूसरे से कोई उल्लेखनीय फ़र्क नहीं पड़ा।

2026 में JAMA में प्रकाशित एक बड़े अवलोकन अध्ययन (ऑब्ज़र्वेशनल स्टडी) ने पांच अकादमिक केंद्रों के 8,581 चिकित्सकों (क्लिनिशियन) पर नज़र रखी, जिनमें से 1,809 ने स्क्राइब अपनाया। मरीज़ देखने के लिए निर्धारित हर आठ घंटों पर, स्क्राइब इस्तेमाल करने वालों ने दस्तावेज़ीकरण में लगभग 16 मिनट कम और EHR में 13 मिनट कम बिताए, और हर हफ़्ते लगभग आधी विज़िट ज़्यादा देखी। लेखकों ने इन असरों को मामूली बताया। काम के घंटों के बाद रिकॉर्ड पर बिताया गया समय उल्लेखनीय रूप से नहीं बदला।

पेशेवर थकावट (बर्नआउट): शायद बेहतर। UCLA ट्रायल में बर्नआउट, काम के बोझ और काम से होने वाली थकान के पैमानों ने दोनों स्क्राइब के साथ सुधार का संकेत दिया। 2025 में ही NEJM AI में प्रकाशित एक अलग स्टेप्ड-वेज (stepped-wedge) ट्रायल में पाया गया कि काम से होने वाली थकान कम हुई, हालांकि पेशेवर संतोष नहीं बढ़ा; और दस्तावेज़ीकरण का समय घटा, जबकि नोट की गुणवत्ता में कमी नहीं आई।

गलतियां: कभी-कभार, और वे मायने रखती हैं। UCLA ट्रायल में चिकित्सकों ने बताया कि क्लिनिकल रूप से महत्वपूर्ण गलतियां “कभी-कभार” हुईं, और ट्रायल में एक हल्की प्रतिकूल घटना दर्ज की गई। AI से लिखे गए क्लिनिकल सारांशों पर हुए अध्ययनों से इसके पैमाने का अंदाज़ा मिलता है: 2025 में npj Digital Medicine में प्रकाशित एक अध्ययन में पाया गया कि 1.47% वाक्यों में ऐसी बात थी जो कही नहीं गई थी, और 3.45% वाक्यों में कुछ छूट गया था।

ईमानदार सार यह है: स्क्राइब कुछ समय बचाता है, शायद बर्नआउट कम करे, और उसे ऐसे डॉक्टर की ज़रूरत है जो पढ़े कि उसने क्या लिखा।

भारतीय परामर्शों में क्या अलग है

ये सभी अध्ययन अमेरिका में हुए थे, और भारतीय प्रैक्टिस कुछ ऐसे तरीकों से अलग है जो नतीजे को किसी भी दिशा में बदल सकते हैं।

• भाषा। कई भारतीय परामर्श अंग्रेज़ी और हिंदी, तमिल, तेलुगु या किसी दूसरी भाषा के बीच आते-जाते रहते हैं, कभी-कभी एक ही वाक्य में। इस तरह की मिली-जुली भाषा (कोड-मिक्स्ड) वाली क्लिनिकल बोली के लिए बोली पहचानने वाली तकनीक (स्पीच रिकग्निशन) पर अंग्रेज़ी के मुक़ाबले बहुत कम शोध हुआ है, और शुरुआती शोध बताते हैं कि सिस्टम सबसे ज़्यादा यहीं नाकाम होते हैं।
• मरीज़ों की संख्या। एक व्यस्त OPD में अमेरिकी क्लिनिक की तुलना में कहीं ज़्यादा मरीज़, कहीं छोटे परामर्शों में देखे जाते हैं। यहां स्क्राइब हर मरीज़ पर कुछ सेकंड बचाता है, लेकिन साठ मरीज़ों में जोड़ें तो यह ज़्यादा मायने रख सकता है।
• नोट कौन लिखता है। कई अस्पतालों में नोट जूनियर डॉक्टर या सहायक लिखते हैं। स्क्राइब शायद कंसल्टेंट से ज़्यादा उनके काम को बदले।
• दवाओं के नाम। भारतीय पर्चे ब्रांड नामों और कॉम्बिनेशन दवाओं से भरे होते हैं। स्क्राइब को इन्हें बिल्कुल सही लिखना होगा, क्योंकि “Dolo 650” और गलत सुना गया कोई दूसरा नाम एक-दूसरे की जगह नहीं ले सकते।

इनमें से किसी को भी अभी तक भारत में किसी प्रकाशित ट्रायल में मापा नहीं गया है, इसलिए समय की बचत के किसी भी दावे को एक परिकल्पना मानें, जिसे अपने क्लिनिक में परखना है।

स्क्राइब चुनने से पहले पूछे जाने वाले सवाल

1. क्या यह मसौदा बनाता है, या सीधे रिकॉर्ड में लिखता है? डॉक्टर के हस्ताक्षर से पहले मरीज़ के रिकॉर्ड में कुछ भी नहीं पहुंचना चाहिए।
2. आप और आपके मरीज़ जो भाषाएं बोलते हैं, उन्हें यह कैसे संभालता है? इसे असली परामर्शों पर परखें, डेमो की स्क्रिप्ट पर नहीं।
3. दवाओं के नाम, खुराक और संक्षिप्त रूप (एब्रिविएशन) यह कैसे संभालता है? मसौदे पढ़ते समय ठीक इन्हीं बातों पर ध्यान दें।
4. मरीज़ क्या देखते हैं और किस बात पर सहमति देते हैं? हर बार सहमति मांगी और दर्ज की जानी चाहिए।
5. ऑडियो कहां जाता है, और कितने समय तक रखा जाता है? क्या डेटा भारत में ही रहता है? क्या इसका इस्तेमाल विक्रेता कंपनी के मॉडलों को ट्रेनिंग देने में होता है?
6. क्या आप मसौदे को आसानी से सुधार सकते हैं, और उसे दोबारा बनवा सकते हैं? जांच का कदम तेज़ होना चाहिए, वरना उसे छोड़ दिया जाएगा।
7. ट्रांसक्रिप्ट का क्या होता है? असल में क्या कहा गया था, यह जांचने के लिए क्या आप उसे नोट के साथ-साथ पढ़ सकते हैं?
8. क्या आप इसे माप सकते हैं? ट्रायल शुरू होने से पहले एक शुरुआती आंकड़ा (बेसलाइन) तय करें (प्रति नोट मिनट, उसी दिन पूरे हुए नोट), और एक महीने बाद फिर से मापें।

92health कहां फ़िट होता है

92health के परामर्श वर्कस्पेस में एक एंबिएंट स्क्राइब शामिल है। मरीज़ की सहमति से परामर्श रिकॉर्ड होता है और लिखित रूप में बदला जाता है, और डॉक्टर के सुधारने और हस्ताक्षर करने के लिए नोट का एक मसौदा तैयार होता है। असल में क्या कहा गया था, यह जांचने के लिए ट्रांसक्रिप्ट को मसौदे के साथ-साथ पढ़ा जा सकता है। आंखों के परामर्श में मसौदा एक क्लिनिशियन नोट होता है, जिसे डॉक्टर अपनी मर्ज़ी से रिकॉर्ड में जोड़ते हैं, अपने-आप कभी नहीं। डॉक्टर किसी नोट में बोलकर भी लिखवा सकते हैं, या किसी दवा का नाम बोलकर पर्चे की एक लाइन पा सकते हैं।

92health के हर AI फ़ीचर की तरह, स्क्राइब मसौदा बनाता है और फ़ैसला एक इंसान करता है। पूरी सूची आप हमारे AI पेज पर देख सकते हैं।

स्रोत

• Lukac PJ et al. Ambient AI scribes in clinical practice: a randomized trial. NEJM AI, 2025;2(12). doi:10.1056/AIoa2501000
• Afshar M et al. NEJM AI, 2025;2(12). doi:10.1056/aioa2500945
• Rotenstein LS et al. JAMA, 2026;335(16):1408-1417.
• Asgari E et al. A framework to assess clinical safety and hallucination rates of LLMs for medical text summarisation. npj Digital Medicine, 2025;8:274. doi:10.1038/s41746-025-01670-7