ಭಾರತೀಯ ಆರೋಗ್ಯ ಸೇವೆಯಲ್ಲಿ AI: ನಿಜವಾಗಿಯೂ ಮುಖ್ಯವಾದ ಸಂಶೋಧನಾ ಪ್ರಶ್ನೆಗಳು

ಆರೋಗ್ಯಕ್ಕಾಗಿ ಇರುವ AI ಹೆಚ್ಚಾಗಿ ಬೇರೆಡೆ ತಯಾರಾಗಿ, ಸಿದ್ಧ ಉತ್ಪನ್ನವಾಗಿ ಭಾರತಕ್ಕೆ ಬರುತ್ತದೆ. ಅದರಲ್ಲಿ ಕೆಲವು ಇಲ್ಲಿ ಕೆಲಸ ಮಾಡುತ್ತವೆ; ಕೆಲವು ಮಾಡುವುದಿಲ್ಲ; ಮತ್ತು ಅದರ ಬಹುಭಾಗವನ್ನು ಯಾರೂ ಪರಿಶೀಲಿಸಿಯೇ ಇಲ್ಲ. AI ಭಾರತೀಯ ರೋಗಿಗಳಿಗೆ ನೆರವಾಗುತ್ತದೆಯೇ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುವ ಪ್ರಶ್ನೆಗಳು ಸಂಶೋಧನಾ ಪ್ರಶ್ನೆಗಳು, ಮತ್ತು ಅವುಗಳಲ್ಲಿ ಹಲವಕ್ಕೆ ಇನ್ನೂ ಉತ್ತರ ಸಿಕ್ಕಿಲ್ಲ.

ಅವುಗಳಲ್ಲಿ ನಾವು ಅತ್ಯಂತ ಮುಖ್ಯವೆಂದು ಭಾವಿಸುವ ಪ್ರಶ್ನೆಗಳು, ಪ್ರತಿಯೊಂದರ ಬಗ್ಗೆ ಈವರೆಗೆ ತಿಳಿದಿರುವುದು ಮತ್ತು ಇನ್ನೂ ತಿಳಿಯದಿರುವುದು ಇಲ್ಲಿವೆ. ಇವುಗಳ ಸುತ್ತಲೇ ನಾವು ನಮ್ಮದೇ ಸಂಶೋಧನಾ ಕೆಲಸವನ್ನು ರೂಪಿಸುತ್ತಿದ್ದೇವೆ, ಮತ್ತು ಇದೇ ಸಮಸ್ಯೆಗಳ ಮೇಲೆ ಕೆಲಸ ಮಾಡುತ್ತಿರುವ ಯಾರಿಂದಲಾದರೂ ಕೇಳಲು ಬಯಸುತ್ತೇವೆ.

1. ಒಂದು ಭಾರತೀಯ ವೈದ್ಯಕೀಯ ಸಮಾಲೋಚನೆಯನ್ನು ಯಂತ್ರ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಲ್ಲದೇ?

ಭಾರತದಲ್ಲಿ ವೈದ್ಯಕೀಯ ಸಮಾಲೋಚನೆ ಒಂದೇ ಭಾಷೆಯಲ್ಲಿ ಉಳಿಯುವುದು ಅಪರೂಪ. ವೈದ್ಯರು ಲಕ್ಷಣಗಳ ಬಗ್ಗೆ ತಮಿಳಿನಲ್ಲಿ ಕೇಳಬಹುದು, ಔಷಧದ ಹೆಸರನ್ನು ಇಂಗ್ಲಿಷ್‌ನಲ್ಲಿ ಹೇಳಬಹುದು, ಮತ್ತು ಸೂಚನೆಗಳನ್ನು ಎರಡನ್ನೂ ಬೆರೆಸಿ ಕೊಡಬಹುದು. AI ಸ್ಕ್ರೈಬ್‌ಗೆ (AI scribe) ಇದಕ್ಕಿಂತ ಕಷ್ಟದ ಸಂದರ್ಭ ಬೇರೊಂದಿಲ್ಲ.

ಈವರೆಗೆ ತಿಳಿದಿರುವುದು. ಭಾರತೀಯ ಭಾಷೆಗಳ ಸಾಮಾನ್ಯ ಮಾತು ಗುರುತಿಸುವಿಕೆ (speech recognition) ಬಹಳಷ್ಟು ಸುಧಾರಿಸಿದೆ; AI4Bharat ನ ಮುಕ್ತ ಕೆಲಸ ಇದಕ್ಕೆ ನೆರವಾಗಿದೆ. ಅದರ Vistaar ಮಾನದಂಡ ಸಂಗ್ರಹವು ಭಾರತೀಯ ಭಾಷೆಗಳ 59 ಮಾನದಂಡಗಳನ್ನು (benchmarks) ಒಟ್ಟುಗೂಡಿಸುತ್ತದೆ; ಅವುಗಳಲ್ಲಿ 39 ರಲ್ಲಿ ಅದರ IndicWhisper ಮಾದರಿಗಳು ಅತಿ ಕಡಿಮೆ ದೋಷ ದರ ದಾಖಲಿಸಿದವು. ಅದರ IndicVoices ದತ್ತಾಂಶ ಸಂಗ್ರಹವು (dataset) 145 ಜಿಲ್ಲೆಗಳ 16,000 ಕ್ಕೂ ಹೆಚ್ಚು ಮಾತನಾಡುವವರಿಂದ 22 ಭಾಷೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ.

ಇನ್ನೂ ತಿಳಿಯದಿರುವುದು. ವೈದ್ಯಕೀಯ ಮಾತಿನ ಬಗ್ಗೆ ಅಧ್ಯಯನ ತುಂಬಾ ಕಡಿಮೆ; ಈವರೆಗಿನ ಪುರಾವೆಗಳು ತಜ್ಞರ ಪರಾಮರ್ಶೆಗೆ ಒಳಪಟ್ಟ (peer-reviewed) ಪ್ರಬಂಧಗಳಲ್ಲಿ ಅಲ್ಲ, ಪ್ರಿಪ್ರಿಂಟ್‌ಗಳಲ್ಲಿ (preprints) ಇವೆ. ಕನ್ನಡ, ಹಿಂದಿ ಮತ್ತು ಭಾರತೀಯ ಇಂಗ್ಲಿಷ್‌ನಲ್ಲಿ ನಡೆದ ವೈದ್ಯಕೀಯ ಸಂದರ್ಶನಗಳನ್ನು ಪರೀಕ್ಷಿಸಿದ 2025 ರ ಒಂದು ಪ್ರಿಪ್ರಿಂಟ್, ಕೆಲವು ವ್ಯವಸ್ಥೆಗಳು ಭಾರತೀಯ ಇಂಗ್ಲಿಷ್‌ನಲ್ಲಿ ಚೆನ್ನಾಗಿ ಕೆಲಸ ಮಾಡಿದರೂ ಭಾಷೆಗಳು ಬೆರೆತ (code-mixed) ಅಥವಾ ಸ್ಥಳೀಯ ಭಾಷೆಯ ಮಾತಿನಲ್ಲಿ ವಿಫಲವಾದವು ಎಂದು ಕಂಡುಕೊಂಡಿತು. ಹಿಂದಿ-ಇಂಗ್ಲಿಷ್ ಪ್ರಾಥಮಿಕ ಆರೋಗ್ಯ ಸಮಾಲೋಚನೆಗಳ ಕುರಿತ 2026 ರ ಒಂದು ಪ್ರಿಪ್ರಿಂಟ್, ಒಂದು ಮಾದರಿಯನ್ನು ಆ ಸನ್ನಿವೇಶಕ್ಕೆ ಹೊಂದಿಸುವ ಮೂಲಕ ಪದ ದೋಷಗಳನ್ನು ಸುಮಾರು 27% ರಿಂದ 19% ಕ್ಕೆ ಇಳಿಸಿತು. ತಮಿಳು-ಇಂಗ್ಲಿಷ್ ಮಾತಿಗೆ ಪ್ರಕಟವಾದ ಯಾವುದೇ ವೈದ್ಯಕೀಯ ದತ್ತಾಂಶ ಸಂಗ್ರಹ ನಮಗೆ ಸಿಗಲಿಲ್ಲ.

ಬಗೆಹರಿಯದ ಪ್ರಶ್ನೆಗಳು. ಭಾಷೆಗಳು ಬೆರೆತ ಮಾತಿನೊಳಗೆ ಬರುವ ಔಷಧಗಳ ಹೆಸರುಗಳು, ಡೋಸ್‌ಗಳು ಮತ್ತು ಸಂಕ್ಷೇಪಣಗಳನ್ನು ಈಗಿನ ವ್ಯವಸ್ಥೆಗಳು ಎಷ್ಟು ಚೆನ್ನಾಗಿ ನಿಭಾಯಿಸುತ್ತವೆ? ವೈದ್ಯರು ಪರಿಶೀಲಿಸಲಿರುವ ಟಿಪ್ಪಣಿಗೆ ಎಷ್ಟು ದೋಷ ದರ ಒಪ್ಪಿಕೊಳ್ಳಬಹುದಾದದ್ದು? ರೋಗಿಗಳ ಸಮ್ಮತಿಯೊಂದಿಗೆ, ಅವರ ಗುರುತನ್ನು ಬಹಿರಂಗಪಡಿಸದೆ, ವೈದ್ಯಕೀಯ ಮಾತಿನ ದತ್ತಾಂಶ ಸಂಗ್ರಹವನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸಬಹುದು?

2. AI ಬರೆಯುವ ಕ್ಲಿನಿಕಲ್ ಟಿಪ್ಪಣಿಗಳು ಎಷ್ಟು ಸುರಕ್ಷಿತ?

AI ಒಂದು ಟಿಪ್ಪಣಿಯ ಕರಡನ್ನು ಬರೆಯುವಾಗ ಅಥವಾ ರೋಗದ ಇತಿಹಾಸವನ್ನು ಸಂಕ್ಷೇಪಿಸುವಾಗ, ಎರಡು ಬಗೆಯ ತಪ್ಪುಗಳು ಮುಖ್ಯವಾಗುತ್ತವೆ: ಹೇಳದ ಏನನ್ನಾದರೂ ಸೇರಿಸುವುದು (hallucination), ಮತ್ತು ಹೇಳಿದ ಏನನ್ನಾದರೂ ಬಿಟ್ಟುಬಿಡುವುದು (omission).

ಈವರೆಗೆ ತಿಳಿದಿರುವುದು. Nature Medicine ನಲ್ಲಿ ಪ್ರಕಟವಾದ 2024 ರ ಒಂದು ಅಧ್ಯಯನವು, ಹೊಂದಿಸಿದ ಭಾಷಾ ಮಾದರಿಗಳು (language models) ತಯಾರಿಸಿದ ಕ್ಲಿನಿಕಲ್ ಸಾರಾಂಶಗಳನ್ನು ಹೆಚ್ಚಿನ ಸಂದರ್ಭಗಳಲ್ಲಿ ವೈದ್ಯರು ತಜ್ಞರ ಸಾರಾಂಶಗಳಿಗೆ ಸಮಾನ ಅಥವಾ ಅವುಗಳಿಗಿಂತ ಉತ್ತಮ ಎಂದು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದ್ದನ್ನು ಕಂಡುಕೊಂಡಿತು; ಆದರೂ ಆ ಮಾದರಿಗಳು ಹಾನಿ ಉಂಟುಮಾಡಬಹುದಾದ ತಪ್ಪುಗಳನ್ನೂ ಮಾಡಿದ್ದವು. ವೈದ್ಯಕೀಯ ಸಿಬ್ಬಂದಿ ಟಿಪ್ಪಣಿ ಹಾಕಿದ (annotated) ಸುಮಾರು 13,000 ವಾಕ್ಯಗಳನ್ನು ಆಧರಿಸಿ npj Digital Medicine ನಲ್ಲಿ ಪ್ರಕಟವಾದ 2025 ರ ಒಂದು ಅಧ್ಯಯನವು, ಇಲ್ಲದ್ದನ್ನು ಸೇರಿಸುವ ದರವನ್ನು 1.47% ಮತ್ತು ಬಿಟ್ಟುಹೋಗುವ ದರವನ್ನು 3.45% ಎಂದು ಅಳೆಯಿತು, ಮತ್ತು ಎರಡರಲ್ಲೂ ಒಂದು ಭಾಗ ಗಂಭೀರವಾಗಿತ್ತು ಎಂದು ಕಂಡುಕೊಂಡಿತು. ಹಾಗೆಯೇ, Nature Medicine ನಲ್ಲಿ ಪ್ರಕಟವಾದ MedHELM ಎಂಬ 2026 ರ ಅಧ್ಯಯನವು, ನಿಜವಾದ ಕ್ಲಿನಿಕಲ್ ಕೆಲಸಗಳಲ್ಲಿ ಮಾದರಿಗಳು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತವೆ ಎಂಬುದರ ಬಗ್ಗೆ ವೈದ್ಯಕೀಯ ಪರವಾನಗಿ ಪರೀಕ್ಷೆಯ ಅಂಕಗಳು ಹೆಚ್ಚೇನೂ ಹೇಳುವುದಿಲ್ಲ ಎಂದು ವಾದಿಸಿತು.

ಬಗೆಹರಿಯದ ಪ್ರಶ್ನೆಗಳು. ಭಾಷೆಗಳು ಬೆರೆತ ಸಂಭಾಷಣೆಗಳಿಂದ ತಯಾರಾದ ಟಿಪ್ಪಣಿಗಳಲ್ಲಿ ದೋಷ ದರ ಹೆಚ್ಚಿರುತ್ತದೆಯೇ? ಬ್ರಾಂಡ್ ಹೆಸರುಗಳು, ಸಂಯೋಜಿತ ಔಷಧಗಳು ಮತ್ತು ಡೋಸ್‌ಗಳು ಬದಲಾಗುವ ಭಾರತೀಯ ಪ್ರಿಸ್ಕ್ರಿಪ್ಷನ್‌ಗಳಿಗೆ ಯಾವ ತಪ್ಪುಗಳು ಅತ್ಯಂತ ಮುಖ್ಯ? ಸಮಯದ ಒತ್ತಡದಲ್ಲಿ ವೈದ್ಯರು ಮಾಡುವ ಪರಿಶೀಲನೆ ನಿಜವಾಗಿ ತಪ್ಪುಗಳನ್ನು ಎಷ್ಟು ಚೆನ್ನಾಗಿ ಹಿಡಿಯುತ್ತದೆ, ಮತ್ತು ಅದಕ್ಕೆ ನೆರವಾಗುವಂತೆ ಪರಿಶೀಲನಾ ಪರದೆಯನ್ನು ಹೇಗೆ ವಿನ್ಯಾಸಗೊಳಿಸಬೇಕು?

3. ಭಾರತೀಯ ಕ್ಲಿನಿಕ್‌ಗಳಲ್ಲಿ AI ಸ್ಕ್ರೈಬ್‌ಗಳು ಸಮಯ ಉಳಿಸುತ್ತವೆಯೇ?

ಈವರೆಗೆ ತಿಳಿದಿರುವುದು. UCLA ಯಲ್ಲಿ 238 ವೈದ್ಯರೊಂದಿಗೆ ನಡೆದು, 2025 ರಲ್ಲಿ NEJM AI ನಲ್ಲಿ ಪ್ರಕಟವಾದ ಒಂದು ಯಾದೃಚ್ಛಿಕ ಪ್ರಯೋಗವು (randomised trial), ಸಾಮಾನ್ಯ ಆರೈಕೆಗೆ ಹೋಲಿಸಿದರೆ ಒಂದು ಆಂಬಿಯೆಂಟ್ ಸ್ಕ್ರೈಬ್ (ambient scribe) ಟಿಪ್ಪಣಿಗಳಿಗೆ ಹಿಡಿಯುವ ಸಮಯವನ್ನು 9.5% ಕಡಿಮೆ ಮಾಡಿತು, ಇನ್ನೊಂದು ಯಾವುದೇ ಗಮನಾರ್ಹ ವ್ಯತ್ಯಾಸ ಉಂಟುಮಾಡಲಿಲ್ಲ ಎಂದು ಕಂಡುಕೊಂಡಿತು. ಎರಡೂ ಕಡಿಮೆ ಕೆಲಸದ ಬಳಲಿಕೆಯೊಂದಿಗೆ (burnout) ಸಂಬಂಧ ಹೊಂದಿದ್ದವು, ಮತ್ತು ಆಗಾಗ ವೈದ್ಯಕೀಯವಾಗಿ ಮಹತ್ವದ ತಪ್ಪುಗಳು ಇದ್ದವು ಎಂದು ವೈದ್ಯಕೀಯ ಸಿಬ್ಬಂದಿ ತಿಳಿಸಿದರು. JAMA ದಲ್ಲಿ 8,581 ವೈದ್ಯಕೀಯ ಸಿಬ್ಬಂದಿಯ ಕುರಿತ 2026 ರ ಅಧ್ಯಯನವು, ಸ್ಕ್ರೈಬ್ ಬಳಸಿದವರು ನಿಗದಿತ ಪ್ರತಿ ಎಂಟು ಗಂಟೆಗಳಿಗೆ ದಾಖಲೀಕರಣಕ್ಕೆ ಸುಮಾರು 16 ನಿಮಿಷ ಕಡಿಮೆ ವ್ಯಯಿಸಿದರು ಎಂದು ಕಂಡುಕೊಂಡಿತು; ಅದರ ಲೇಖಕರು ಈ ಪರಿಣಾಮವನ್ನು ಸಾಧಾರಣ ಎಂದು ವಿವರಿಸಿದರು.

ಇನ್ನೂ ತಿಳಿಯದಿರುವುದು. ಇವು ಅಮೆರಿಕದ ಅಧ್ಯಯನಗಳು; ಅಲ್ಲಿನ ಕ್ಲಿನಿಕ್‌ಗಳಲ್ಲಿ ಸಮಾಲೋಚನೆ ದೀರ್ಘವಾಗಿರುತ್ತದೆ ಮತ್ತು ದಾಖಲೀಕರಣದ ಹೊರೆ ಭಾರವಾಗಿರುತ್ತದೆ. ಒಂದು ಭಾರತೀಯ ಹೊರರೋಗಿ ವಿಭಾಗವು (OPD) ಹಲವು ಪಟ್ಟು ಹೆಚ್ಚು ರೋಗಿಗಳನ್ನು, ಕಡಿಮೆ ಅವಧಿಯ ಸಮಾಲೋಚನೆಗಳಲ್ಲಿ ನೋಡಬಹುದು; ಹಲವು ಬಾರಿ ಒಬ್ಬ ಕಿರಿಯ ವೈದ್ಯರು ಟಿಪ್ಪಣಿಗಳನ್ನು ಬರೆಯುತ್ತಾರೆ. ಅಲ್ಲಿ ಸ್ಕ್ರೈಬ್ ಸಮಯ ಉಳಿಸುತ್ತದೆಯೇ, ವೈದ್ಯರು ಹೆಚ್ಚು ರೋಗಿಗಳನ್ನು ನೋಡಲು ಅವಕಾಶ ಮಾಡಿಕೊಡುತ್ತದೆಯೇ, ಅಥವಾ ದಾಖಲೆಯನ್ನೇ ಸುಧಾರಿಸುತ್ತದೆಯೇ ಎಂಬುದನ್ನು ಅಳೆಯಲಾಗಿಲ್ಲ.

ಬಗೆಹರಿಯದ ಪ್ರಶ್ನೆಗಳು. ಹೆಚ್ಚು ರೋಗಿಗಳು ಬರುವ ಒಂದು ಭಾರತೀಯ OPD ಯಲ್ಲಿ ಸ್ಕ್ರೈಬ್ ಏನನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ: ಪ್ರತಿ ರೋಗಿಗೆ ಹಿಡಿಯುವ ಸಮಯ, ದಾಖಲೆಯ ಸಂಪೂರ್ಣತೆ, ರೋಗಿಯ ತಿಳುವಳಿಕೆ? ಯಾವ ವಿಶೇಷ ವಿಭಾಗಗಳಿಗೆ ಹೆಚ್ಚು ಪ್ರಯೋಜನ?

4. ಒಂದು ಮಾದರಿ ನಮ್ಮ ರೋಗಿಗಳ ಮೇಲೆ ಕೆಲಸ ಮಾಡುತ್ತದೆಯೇ?

ಈವರೆಗೆ ತಿಳಿದಿರುವುದು. ಮಾದರಿಗಳು ತಾವು ತಯಾರಾದ ಕಡೆಯಿಂದ ದೂರದಲ್ಲಿ ಹೆಚ್ಚಾಗಿ ಕಳಪೆಯಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತವೆ. ಇದಕ್ಕೆ ಅತ್ಯಂತ ಪ್ರಸಿದ್ಧ ಉದಾಹರಣೆ, ಅಮೆರಿಕದ ಹಲವು ಆಸ್ಪತ್ರೆಗಳಲ್ಲಿ ಬಳಸಲಾದ, ಸೆಪ್ಸಿಸ್ (sepsis) ಅನ್ನು ಮುನ್ಸೂಚಿಸುವ ಒಂದು ಮಾದರಿ. Michigan Medicine ನಲ್ಲಿ 38,455 ಆಸ್ಪತ್ರೆ ದಾಖಲಾತಿಗಳ ಆಧಾರದಲ್ಲಿ ಪರಿಶೀಲಿಸಿದಾಗ, ಅದು 67% ಸೆಪ್ಸಿಸ್ ಪ್ರಕರಣಗಳನ್ನು ಗುರುತಿಸಲು ತಪ್ಪಿತು; ಅದೇ ವೇಳೆ ಒಟ್ಟು ರೋಗಿಗಳಲ್ಲಿ 18% ಮಂದಿಗೆ ಎಚ್ಚರಿಕೆ ನೀಡಿತು; ಅದರ AUC 0.63 ಆಗಿತ್ತು.

ಬಗೆಹರಿಯದ ಪ್ರಶ್ನೆಗಳು. ರೋಗಗಳ ಸ್ವರೂಪ, ದೇಹದ ಗಾತ್ರ, ಪ್ರಯೋಗಾಲಯದ ಉಲ್ಲೇಖ ಮಿತಿಗಳು (reference ranges) ಮತ್ತು ಚಿಕಿತ್ಸಾ ಮಾರ್ಗಗಳು ಭಿನ್ನವಾಗಿರುವ ಭಾರತೀಯ ರೋಗಿಗಳ ಮೇಲೆ, ವ್ಯಾಪಕವಾಗಿ ಬಳಸುವ ಮಾದರಿಗಳು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತವೆ? ದತ್ತಾಂಶ ವಿಜ್ಞಾನ ತಂಡವಿಲ್ಲದ ಆಸ್ಪತ್ರೆಯೊಂದು ಒಂದು ಉಪಕರಣವನ್ನು ಬಳಸುವ ಮೊದಲು ಅದನ್ನು ಹೇಗೆ ದೃಢೀಕರಿಸಬೇಕು, ಮತ್ತು ನಂತರ ಹೇಗೆ ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಬೇಕು? ದಾಖಲಿಸುವ ಅಭ್ಯಾಸಗಳು ಮತ್ತು ರೋಗಿಗಳ ಮಿಶ್ರಣ ಬದಲಾದಂತೆ, ಭಾರತೀಯ ದತ್ತಾಂಶದಲ್ಲಿ “ಡ್ರಿಫ್ಟ್” (drift) ಹೇಗೆ ಕಾಣಿಸುತ್ತದೆ?

5. ಎಷ್ಟು ಗುಣಮಟ್ಟದ ದತ್ತಾಂಶ ಸಾಕು?

AI ತಾನು ಓದುವ ದಾಖಲೆಗಳಷ್ಟೇ ಉತ್ತಮವಾಗಿರಬಲ್ಲದು, ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ದತ್ತಾಂಶದ ಗುಣಮಟ್ಟವನ್ನು ಅಳೆಯುವ ಬಗೆಯನ್ನು ಸಂಶೋಧನಾ ಸಾಹಿತ್ಯದಲ್ಲಿ ಚೆನ್ನಾಗಿ ವಿವರಿಸಲಾಗಿದೆ: ಸಂಪೂರ್ಣತೆ (completeness), ನಿಖರತೆ (correctness), ಹೊಂದಾಣಿಕೆ (concordance), ಸಮಂಜಸತೆ (plausibility) ಮತ್ತು ಪ್ರಸ್ತುತತೆ (currency). ಈ ಬಗ್ಗೆ ನಾವು ಕ್ಲಿನಿಕಲ್ ದತ್ತಾಂಶದ ಗುಣಮಟ್ಟ: AI ಏಕೆ ಸ್ವಚ್ಛ ದಾಖಲೆಗಳಿಂದಲೇ ಆರಂಭವಾಗುತ್ತದೆ ಎಂಬ ಲೇಖನದಲ್ಲಿ ಬರೆದಿದ್ದೇವೆ.

ಬಗೆಹರಿಯದ ಪ್ರಶ್ನೆಗಳು. ಹಲವು ಕಡೆ ಒಂದೇ ರೀತಿಯಲ್ಲಿ ಅಳೆದರೆ, ಇಂದು ಭಾರತೀಯ ಕ್ಲಿನಿಕ್‌ಗಳು ಮತ್ತು ಆಸ್ಪತ್ರೆಗಳಲ್ಲಿನ ದಾಖಲೆಗಳು ಎಷ್ಟು ಗುಣಮಟ್ಟದ್ದಾಗಿವೆ? ದತ್ತಾಂಶ ದಾಖಲಿಸುವ ಹಂತದಲ್ಲೇ ಕೈಗೊಳ್ಳುವ ಯಾವ ಕ್ರಮಗಳು ಕಡಿಮೆ ಶ್ರಮದಲ್ಲಿ ಗುಣಮಟ್ಟವನ್ನು ಹೆಚ್ಚು ಸುಧಾರಿಸುತ್ತವೆ? ದತ್ತಾಂಶವನ್ನು ಬಳಸುವ ಯಾವುದೇ ಅಧ್ಯಯನ ಅಥವಾ ಮಾದರಿಯ ಜೊತೆಗೆ ಗುಣಮಟ್ಟವನ್ನು ಹೇಗೆ ವರದಿ ಮಾಡಬೇಕು?

6. ದಿನನಿತ್ಯದ ಚಿಕಿತ್ಸೆಯಿಂದ ನಂಬಲರ್ಹ ಪುರಾವೆ ಸಿಗಬಹುದೇ?

ಪ್ರಯೋಗಗಳಿಂದಲ್ಲದೆ ದಿನನಿತ್ಯದ ದಾಖಲೆಗಳಿಂದ ಪಡೆಯುವ ನೈಜ ಜಗತ್ತಿನ ಪುರಾವೆಯನ್ನು (real-world evidence), ಪ್ರಯೋಗಗಳು ಉತ್ತರಿಸಲಾಗದ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರ ಕಂಡುಕೊಳ್ಳಲು, ಬೇರೆ ದೇಶಗಳಲ್ಲಿ ನಿಯಂತ್ರಕ ಸಂಸ್ಥೆಗಳು ಮತ್ತು ಔಷಧ ತಯಾರಕರು ಈಗ ಬಳಸುತ್ತಿದ್ದಾರೆ. ಭಾರತದಲ್ಲಿ ಅಪಾರ ಪ್ರಮಾಣದಲ್ಲಿ ಚಿಕಿತ್ಸೆ ನಡೆಯುತ್ತದೆ, ಆದರೆ ಅದರ ದಾಖಲೆಗಳು ಚದುರಿಹೋಗಿವೆ, ಹೆಚ್ಚಾಗಿ ಕಾಗದದ ಮೇಲಿವೆ, ಮತ್ತು ಅಪರೂಪವಾಗಿ ಮಾತ್ರ ಒಂದಕ್ಕೊಂದು ಜೋಡಣೆಯಾಗಿರುತ್ತವೆ.

ಬಗೆಹರಿಯದ ಪ್ರಶ್ನೆಗಳು. ಹಲವು ಸ್ವತಂತ್ರ ಕ್ಲಿನಿಕ್‌ಗಳ ದಾಖಲೆಗಳನ್ನು, ಸಮ್ಮತಿಯೊಂದಿಗೆ, ಕಟ್ಟುನಿಟ್ಟಾದ ಪರಿಶೀಲನೆಗೂ ನಿಲ್ಲುವ ದತ್ತಾಂಶ ಸಂಗ್ರಹಗಳಾಗಿ ಹೇಗೆ ಒಗ್ಗೂಡಿಸಬಹುದು? ಬೇರೆ ಬೇರೆ ಆರೋಗ್ಯ ಸೇವಾ ಪೂರೈಕೆದಾರರ ನಡುವೆ ಒಬ್ಬ ರೋಗಿಯನ್ನು ಅನುಸರಿಸಲು ABHA ಗೆ ಜೋಡಣೆಯಾದ ದಾಖಲೆಗಳು ಎಷ್ಟರಮಟ್ಟಿಗೆ ನೆರವಾಗಬಹುದು? ಭಾರತದ ದಿನನಿತ್ಯದ ದಾಖಲೆಗಳಲ್ಲಿರುವ ಕೊರತೆಗಳನ್ನು ಯಾವ ವಿಧಾನಗಳು ಸರಿಪಡಿಸುತ್ತವೆ?

7. 50 ಹಾಸಿಗೆಗಳ ಆಸ್ಪತ್ರೆಯಲ್ಲೂ ಕೆಲಸ ಮಾಡುವ ಆಡಳಿತ ವ್ಯವಸ್ಥೆ (governance)

ಈವರೆಗೆ ತಿಳಿದಿರುವುದು. ತತ್ವಗಳಿಗೆ ಕೊರತೆಯಿಲ್ಲ. ಜೈವಿಕ ವೈದ್ಯಕೀಯ ಸಂಶೋಧನೆ ಮತ್ತು ಆರೋಗ್ಯ ಸೇವೆಯಲ್ಲಿ AI ಗಾಗಿ ನೈತಿಕ ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ICMR 2023 ರಲ್ಲಿ ಪ್ರಕಟಿಸಿತು. WHO ದ 2021 ರ ಮಾರ್ಗದರ್ಶನವು ಆರು ತತ್ವಗಳನ್ನು ಮುಂದಿಡುತ್ತದೆ. NITI Aayog ನ Responsible AI ದಾಖಲೆಗಳು ಭಾರತಕ್ಕಾಗಿ ಏಳು ತತ್ವಗಳನ್ನು ಮುಂದಿಡುತ್ತವೆ. ISO/IEC 42001:2023 AI ಗಾಗಿ ಒಂದು ನಿರ್ವಹಣಾ ವ್ಯವಸ್ಥೆಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ.

ಬಗೆಹರಿಯದ ಪ್ರಶ್ನೆ. ಇವುಗಳಲ್ಲಿ ಹೆಚ್ಚಿನವು, ಆಡಳಿತಕ್ಕೆಂದೇ ಪ್ರತ್ಯೇಕ ಕಚೇರಿ ಇರುವ ಸಂಸ್ಥೆಯನ್ನು ಊಹಿಸಿಕೊಳ್ಳುತ್ತವೆ. ಒಂದು ಸಣ್ಣ ಆಸ್ಪತ್ರೆ ಅಥವಾ ಒಬ್ಬರೇ ವೈದ್ಯರಿರುವ ಕ್ಲಿನಿಕ್ AI ಅನ್ನು ಸುರಕ್ಷಿತವಾಗಿ ಬಳಸಲು ಸಾಧ್ಯವಾಗಿಸುವ ಅತಿ ಚಿಕ್ಕ ಕ್ರಮಗಳ ಗುಂಪು ಯಾವುದು, ಮತ್ತು ಆ ಕ್ರಮಗಳು ಹೆಚ್ಚುವರಿ ಕೆಲಸವಾಗದೆ ಸಹಜ ವ್ಯವಸ್ಥೆಯಾಗುವಂತೆ (default) ಸಾಫ್ಟ್‌ವೇರ್ ಹೇಗೆ ಮಾಡಬಹುದು?

ಈ ಪ್ರಶ್ನೆಗಳ ಮೇಲೆ ನಾವು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತೇವೆ

ಭಾರತೀಯ ಕ್ಲಿನಿಕ್‌ಗಳು ಮತ್ತು ಆಸ್ಪತ್ರೆಗಳು ಪ್ರತಿದಿನ ಬಳಸುವ EMR ಮತ್ತು AI ಉಪಕರಣಗಳನ್ನು 92health ತಯಾರಿಸುತ್ತದೆ; ಇದರಿಂದ ನಾವು ಈ ಪ್ರಶ್ನೆಗಳಿಗೆ ಹತ್ತಿರದಲ್ಲಿದ್ದೇವೆ. ಇವುಗಳ ಸುತ್ತಲೇ ನಮ್ಮ ಸಂಶೋಧನಾ ಕೆಲಸವನ್ನು ರೂಪಿಸುತ್ತಿದ್ದೇವೆ, ಮತ್ತು ಅದನ್ನು ಮುಕ್ತವಾಗಿ ಮಾಡಲು ಬಯಸುತ್ತೇವೆ: ವೈದ್ಯರು ಮತ್ತು ಶೈಕ್ಷಣಿಕ ಸಂಶೋಧನಾ ತಂಡಗಳೊಂದಿಗೆ, ರೋಗಿಗಳ ಸಮ್ಮತಿಯೊಂದಿಗೆ, ಅಗತ್ಯವಿರುವಲ್ಲಿ ನೈತಿಕ ಸಮಿತಿಯ (ethics committee) ಮೇಲ್ವಿಚಾರಣೆಯಲ್ಲಿ, ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ಪ್ರಕಟಿಸುತ್ತಾ.

ಈ ಪ್ರಶ್ನೆಗಳಲ್ಲಿ ಯಾವುದರ ಮೇಲಾದರೂ ನೀವು ಕೆಲಸ ಮಾಡುತ್ತಿದ್ದರೆ, ಅಥವಾ ಮಾಡಲು ಬಯಸಿದರೆ, ನಮ್ಮ ತಂಡದೊಂದಿಗೆ ಒಂದು ಕರೆಯನ್ನು ಬುಕ್ ಮಾಡಿ.

ಮೂಲಗಳು

• Bhogale KS et al. Vistaar: diverse benchmarks and training sets for Indian language ASR. Interspeech 2023. arXiv:2305.15386
• IndicVoices (AI4Bharat). arXiv:2403.01926, 2024.
• ASR under the stethoscope (ಪ್ರಿಪ್ರಿಂಟ್). arXiv:2512.10967, 2025.
• DASHA (ಪ್ರಿಪ್ರಿಂಟ್). arXiv:2603.06373, 2026.
• Van Veen D et al. Adapted large language models can outperform medical experts in clinical text summarization. Nature Medicine, 2024;30:1134-1142. doi:10.1038/s41591-024-02855-5
• 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
• Bedi S et al. Holistic evaluation of large language models for medical tasks with MedHELM. Nature Medicine, 2026;32:943-951.
• Lukac PJ et al. Ambient AI scribes in clinical practice: a randomized trial. NEJM AI, 2025. doi:10.1056/AIoa2501000
• Rotenstein LS et al. JAMA, 2026;335(16):1408-1417.
• Wong A et al. External validation of a widely implemented proprietary sepsis prediction model in hospitalized patients. JAMA Internal Medicine, 2021. doi:10.1001/jamainternmed.2021.2626
• WHO. Ethics and governance of artificial intelligence for health, 2021.