ഇന്ത്യൻ ആരോഗ്യരംഗത്തെ AI: ശരിക്കും പ്രധാനപ്പെട്ട ഗവേഷണ ചോദ്യങ്ങൾ

ആരോഗ്യരംഗത്തിനുള്ള AI മിക്കവാറും മറ്റെവിടെയോ നിർമിക്കപ്പെട്ട്, പൂർത്തിയായ ഒരു ഉൽപ്പന്നമായാണ് ഇന്ത്യയിൽ എത്തുന്നത്. അതിൽ ചിലത് ഇവിടെ ഫലിക്കുന്നു; ചിലത് ഫലിക്കുന്നില്ല; അതിൽ വലിയൊരു ഭാഗം ആരും പരിശോധിച്ചിട്ടുപോലുമില്ല. AI ഇന്ത്യൻ രോഗികളെ സഹായിക്കുമോ എന്ന് തീരുമാനിക്കുന്ന ചോദ്യങ്ങൾ ഗവേഷണ ചോദ്യങ്ങളാണ്; അവയിൽ പലതിനും ഇനിയും ഉത്തരം കിട്ടിയിട്ടില്ല.

ഏറ്റവും പ്രധാനമെന്ന് ഞങ്ങൾ കരുതുന്ന ചോദ്യങ്ങളും, ഓരോന്നിനെക്കുറിച്ചും ഇതുവരെ അറിയാവുന്നതും ഇനിയും അറിയാത്തതും ഇവിടെ നൽകുന്നു. ഇവയെ ചുറ്റിപ്പറ്റിയാണ് ഞങ്ങൾ സ്വന്തം ഗവേഷണ പ്രവർത്തനങ്ങൾ കെട്ടിപ്പടുക്കുന്നത്; ഇതേ പ്രശ്നങ്ങളിൽ പ്രവർത്തിക്കുന്ന ആരിൽ നിന്നും കേൾക്കാൻ ഞങ്ങൾ ആഗ്രഹിക്കുന്നു.

1. ഒരു ഇന്ത്യൻ കൺസൾട്ടേഷൻ യന്ത്രത്തിന് മനസ്സിലാക്കാനാകുമോ?

ഇന്ത്യയിലെ ഒരു കൺസൾട്ടേഷൻ ഒരൊറ്റ ഭാഷയിൽ ഒതുങ്ങുന്നത് അപൂർവമാണ്. ഡോക്ടർ ലക്ഷണങ്ങളെക്കുറിച്ച് തമിഴിൽ ചോദിച്ചേക്കാം, മരുന്നിന്റെ പേര് ഇംഗ്ലീഷിൽ പറഞ്ഞേക്കാം, നിർദേശങ്ങൾ രണ്ടും കലർത്തി നൽകിയേക്കാം. ഒരു AI സ്ക്രൈബിനെ (AI scribe) സംബന്ധിച്ചിടത്തോളം ഇതിലും പ്രയാസമേറിയ സാഹചര്യം വേറെയില്ല.

ഇതുവരെ അറിയാവുന്നത്. ഇന്ത്യൻ ഭാഷകൾക്കുള്ള പൊതുവായ സംഭാഷണം തിരിച്ചറിയൽ (speech recognition) ഏറെ മെച്ചപ്പെട്ടിട്ടുണ്ട്; AI4Bharat-ന്റെ ഓപ്പൺ പ്രവർത്തനങ്ങൾ ഇതിന് സഹായകമായി. അതിന്റെ Vistaar ബെഞ്ച്മാർക്ക് സെറ്റ് ഇന്ത്യൻ ഭാഷകളിലായി 59 ബെഞ്ച്മാർക്കുകൾ (benchmarks) ഒരുമിച്ചു കൊണ്ടുവരുന്നു; അവയിൽ 39 എണ്ണത്തിൽ അതിന്റെ IndicWhisper മോഡലുകൾക്കായിരുന്നു ഏറ്റവും കുറഞ്ഞ പിഴവ് നിരക്ക്. അതിന്റെ IndicVoices ഡേറ്റാസെറ്റ് (dataset) 145 ജില്ലകളിലെ 16,000-ലധികം സംസാരിക്കുന്നവരിൽ നിന്ന് 22 ഭാഷകൾ ഉൾക്കൊള്ളുന്നു.

ഇനിയും അറിയാത്തത്. ക്ലിനിക്കൽ സംസാരത്തെക്കുറിച്ചുള്ള പഠനങ്ങൾ വളരെ കുറവാണ്; ഇതുവരെയുള്ള തെളിവുകൾ, വിദഗ്ധ പരിശോധന കഴിഞ്ഞ (peer-reviewed) പ്രബന്ധങ്ങളിലല്ല, പ്രീപ്രിന്റുകളിലാണ് (preprints). കന്നഡ, ഹിന്ദി, ഇന്ത്യൻ ഇംഗ്ലീഷ് എന്നിവയിലെ ക്ലിനിക്കൽ അഭിമുഖങ്ങൾ പരീക്ഷിച്ച 2025-ലെ ഒരു പ്രീപ്രിന്റ്, ചില സംവിധാനങ്ങൾ ഇന്ത്യൻ ഇംഗ്ലീഷിൽ നന്നായി പ്രവർത്തിച്ചെങ്കിലും ഭാഷകൾ കലർന്ന (code-mixed) അല്ലെങ്കിൽ പ്രാദേശിക ഭാഷയിലുള്ള സംസാരത്തിൽ പരാജയപ്പെട്ടതായി കണ്ടെത്തി. ഹിന്ദി-ഇംഗ്ലീഷ് പ്രാഥമിക ചികിത്സാ കൺസൾട്ടേഷനുകളെക്കുറിച്ചുള്ള 2026-ലെ ഒരു പ്രീപ്രിന്റ്, ഒരു മോഡലിനെ ആ സാഹചര്യത്തിന് അനുസരിച്ച് ക്രമീകരിച്ചുകൊണ്ട് വാക്കുകളിലെ പിഴവുകൾ ഏകദേശം 27%-ൽ നിന്ന് 19%-ലേക്ക് കുറച്ചു. തമിഴ്-ഇംഗ്ലീഷ് സംസാരത്തിനായി പ്രസിദ്ധീകരിച്ച ഒരു ക്ലിനിക്കൽ ഡേറ്റാസെറ്റും ഞങ്ങൾക്ക് കണ്ടെത്താനായില്ല.

ഉത്തരം കിട്ടാത്ത ചോദ്യങ്ങൾ. ഭാഷകൾ കലർന്ന സംസാരത്തിനുള്ളിൽ വരുന്ന മരുന്നുപേരുകൾ, ഡോസുകൾ, ചുരുക്കെഴുത്തുകൾ എന്നിവ നിലവിലെ സംവിധാനങ്ങൾ എത്ര നന്നായി കൈകാര്യം ചെയ്യുന്നു? ഡോക്ടർ പരിശോധിക്കാനിരിക്കുന്ന ഒരു കുറിപ്പിന് എത്ര പിഴവ് നിരക്ക് സ്വീകാര്യമാണ്? രോഗികളുടെ സമ്മതത്തോടെ, അവർ ആരെന്ന് വെളിപ്പെടുത്താതെ, ഒരു ക്ലിനിക്കൽ സംഭാഷണ ഡേറ്റാസെറ്റ് എങ്ങനെ നിർമിക്കാം?

2. AI എഴുതുന്ന ക്ലിനിക്കൽ കുറിപ്പുകൾ എത്രത്തോളം സുരക്ഷിതമാണ്?

AI ഒരു കുറിപ്പിന്റെ കരട് തയ്യാറാക്കുമ്പോഴോ ഒരു രോഗചരിത്രം സംഗ്രഹിക്കുമ്പോഴോ, രണ്ടുതരം പിഴവുകളാണ് പ്രധാനം: പറയാത്ത ഒന്ന് ചേർക്കുന്നത് (hallucination), പറഞ്ഞ ഒന്ന് വിട്ടുകളയുന്നത് (omission).

ഇതുവരെ അറിയാവുന്നത്. Nature Medicine-ൽ വന്ന 2024-ലെ ഒരു പഠനം, ക്രമീകരിച്ച ഭാഷാ മോഡലുകൾ (language models) തയ്യാറാക്കിയ ക്ലിനിക്കൽ സംഗ്രഹങ്ങൾ മിക്ക സന്ദർഭങ്ങളിലും വിദഗ്ധരുടെ സംഗ്രഹങ്ങൾക്ക് തുല്യമോ അവയെക്കാൾ മികച്ചതോ ആണെന്ന് ഡോക്ടർമാർ വിലയിരുത്തിയതായി കണ്ടെത്തി; എന്നാൽ ദോഷം വരുത്താവുന്ന പിഴവുകളും അവ വരുത്തിയിരുന്നു. ക്ലിനിഷ്യന്മാർ അടയാളപ്പെടുത്തിയ (annotated) ഏകദേശം 13,000 വാക്യങ്ങളെ ആധാരമാക്കി npj Digital Medicine-ൽ വന്ന 2025-ലെ ഒരു പഠനം, ഇല്ലാത്തത് ചേർക്കുന്നതിന്റെ നിരക്ക് 1.47% എന്നും വിട്ടുപോകുന്നതിന്റെ നിരക്ക് 3.45% എന്നും അളന്നു; ഇവ രണ്ടിലും ഒരു ഭാഗം ഗുരുതരമായിരുന്നുവെന്നും കണ്ടെത്തി. Nature Medicine-ൽ വന്ന MedHELM എന്ന 2026-ലെ പഠനമാകട്ടെ, യഥാർഥ ക്ലിനിക്കൽ ജോലികളിൽ മോഡലുകൾ എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിനെക്കുറിച്ച് മെഡിക്കൽ ലൈസൻസിങ് പരീക്ഷാ മാർക്കുകൾ കാര്യമായൊന്നും പറയുന്നില്ലെന്ന് വാദിച്ചു.

ഉത്തരം കിട്ടാത്ത ചോദ്യങ്ങൾ. ഭാഷകൾ കലർന്ന സംഭാഷണങ്ങളിൽ നിന്ന് തയ്യാറാക്കുന്ന കുറിപ്പുകളിൽ പിഴവ് നിരക്ക് കൂടുതലാണോ? ബ്രാൻഡ് പേരുകളും മരുന്നു സംയുക്തങ്ങളും ഡോസുകളും മാറിക്കൊണ്ടിരിക്കുന്ന ഇന്ത്യൻ കുറിപ്പടികളിൽ ഏതു പിഴവുകളാണ് ഏറ്റവും പ്രധാനം? സമയസമ്മർദത്തിനിടയിൽ ഡോക്ടറുടെ പരിശോധന പിഴവുകൾ യഥാർഥത്തിൽ എത്ര നന്നായി കണ്ടെത്തുന്നു, അതിന് സഹായകമാകുംവിധം പരിശോധനാ സ്ക്രീൻ എങ്ങനെ രൂപകൽപ്പന ചെയ്യണം?

3. ഇന്ത്യൻ ക്ലിനിക്കുകളിൽ AI സ്ക്രൈബുകൾ സമയം ലാഭിക്കുന്നുണ്ടോ?

ഇതുവരെ അറിയാവുന്നത്. UCLA-യിൽ 238 ഡോക്ടർമാരെ ഉൾപ്പെടുത്തി നടത്തി, 2025-ൽ NEJM AI-ൽ പ്രസിദ്ധീകരിച്ച ഒരു റാൻഡമൈസ്ഡ് ട്രയൽ (randomised trial), സാധാരണ രീതിയുമായി താരതമ്യം ചെയ്യുമ്പോൾ ഒരു ആംബിയന്റ് സ്ക്രൈബ് (ambient scribe) കുറിപ്പുകൾക്കുള്ള സമയം 9.5% കുറച്ചതായും മറ്റൊന്ന് കാര്യമായ വ്യത്യാസമൊന്നും ഉണ്ടാക്കിയില്ലെന്നും കണ്ടെത്തി. രണ്ടും കുറഞ്ഞ ജോലിത്തളർച്ചയുമായി (burnout) ബന്ധപ്പെട്ടിരുന്നു; ക്ലിനിക്കലായി പ്രാധാന്യമുള്ള പിഴവുകൾ ഇടയ്ക്കിടെ ഉണ്ടായതായി ക്ലിനിഷ്യന്മാർ റിപ്പോർട്ട് ചെയ്തു. JAMA-യിൽ 8,581 ക്ലിനിഷ്യന്മാരെക്കുറിച്ചുള്ള 2026-ലെ ഒരു പഠനം, സ്ക്രൈബ് ഉപയോഗിച്ചവർ ഷെഡ്യൂൾ ചെയ്ത ഓരോ എട്ടു മണിക്കൂറിലും രേഖപ്പെടുത്തലിനായി ഏകദേശം 16 മിനിറ്റ് കുറച്ചാണ് ചെലവിട്ടതെന്ന് കണ്ടെത്തി; ഈ ഫലം മിതമാണെന്നാണ് അതിന്റെ ഗവേഷകർ വിശേഷിപ്പിച്ചത്.

ഇനിയും അറിയാത്തത്. ഇവ അമേരിക്കൻ പഠനങ്ങളാണ്; അവിടത്തെ ക്ലിനിക്കുകളിൽ ഒരു കൺസൾട്ടേഷൻ ദീർഘവും രേഖപ്പെടുത്തലിന്റെ ഭാരം കനത്തതുമാണ്. ഒരു ഇന്ത്യൻ ഔട്ട്‌പേഷ്യന്റ് വിഭാഗം (OPD) പല മടങ്ങ് രോഗികളെ, ചുരുങ്ങിയ കൺസൾട്ടേഷനുകളിൽ കണ്ടേക്കാം; പലപ്പോഴും ഒരു ജൂനിയർ ഡോക്ടറാകും കുറിപ്പുകൾ എഴുതുക. അവിടെ ഒരു സ്ക്രൈബ് സമയം ലാഭിക്കുമോ, ഡോക്ടർക്ക് കൂടുതൽ രോഗികളെ കാണാൻ വഴിയൊരുക്കുമോ, അതോ രേഖയെത്തന്നെ മെച്ചപ്പെടുത്തുമോ എന്നത് അളന്നിട്ടില്ല.

ഉത്തരം കിട്ടാത്ത ചോദ്യങ്ങൾ. ധാരാളം രോഗികളെത്തുന്ന ഒരു ഇന്ത്യൻ OPD-യിൽ സ്ക്രൈബ് എന്താണ് മാറ്റുന്നത്: ഓരോ രോഗിക്കുമുള്ള സമയം, രേഖയുടെ പൂർണത, രോഗിയുടെ ധാരണ? ഏതൊക്കെ സ്പെഷ്യാലിറ്റികൾക്കാണ് ഏറ്റവും പ്രയോജനം?

4. ഒരു മോഡൽ നമ്മുടെ രോഗികളിൽ ഫലിക്കുമോ?

ഇതുവരെ അറിയാവുന്നത്. മോഡലുകൾ നിർമിച്ച ഇടത്തുനിന്ന് മാറുമ്പോൾ പലപ്പോഴും മോശമായി പ്രവർത്തിക്കുന്നു. ഇതിന് ഏറ്റവും അറിയപ്പെടുന്ന ഉദാഹരണം, അമേരിക്കയിലെ നിരവധി ആശുപത്രികളിൽ ഉപയോഗിച്ച, സെപ്സിസ് (sepsis) മുൻകൂട്ടി പ്രവചിക്കുന്ന ഒരു മോഡലാണ്. Michigan Medicine-ൽ 38,455 ആശുപത്രി അഡ്മിഷനുകളുമായി ഒത്തുനോക്കിയപ്പോൾ, സെപ്സിസ് കേസുകളിൽ 67%-ഉം അത് കണ്ടെത്താതെ വിട്ടു; അതേസമയം ആകെ രോഗികളിൽ 18% പേർക്ക് മുന്നറിയിപ്പ് നൽകി; അതിന്റെ AUC 0.63 ആയിരുന്നു.

ഉത്തരം കിട്ടാത്ത ചോദ്യങ്ങൾ. രോഗങ്ങളുടെ രീതികൾ, ശരീരവലുപ്പം, ലാബ് റഫറൻസ് പരിധികൾ (reference ranges), ചികിത്സാ വഴികൾ എന്നിവ വ്യത്യസ്തമായ ഇന്ത്യൻ രോഗികളിൽ, വ്യാപകമായി ഉപയോഗിക്കുന്ന മോഡലുകൾ എങ്ങനെ പ്രവർത്തിക്കുന്നു? ഡേറ്റ സയൻസ് ടീം ഇല്ലാത്ത ഒരു ആശുപത്രി ഒരു ഉപകരണം ഉപയോഗിക്കും മുമ്പ് അതിനെ എങ്ങനെ സാധൂകരിക്കണം, പിന്നീട് എങ്ങനെ നിരീക്ഷിക്കണം? രേഖപ്പെടുത്തുന്ന ശീലങ്ങളും രോഗികളുടെ ഘടനയും മാറുമ്പോൾ, ഇന്ത്യൻ ഡേറ്റയിൽ “ഡ്രിഫ്റ്റ്” (drift) എങ്ങനെയാണ് പ്രകടമാകുക?

5. എത്ര നല്ല ഡേറ്റ മതിയാകും?

AI അത് വായിക്കുന്ന രേഖകളോളമേ മികച്ചതാകൂ; ക്ലിനിക്കൽ ഡേറ്റയുടെ ഗുണനിലവാരം അളക്കുന്ന രീതി ഗവേഷണ സാഹിത്യത്തിൽ നന്നായി വിവരിച്ചിട്ടുണ്ട്: പൂർണത (completeness), കൃത്യത (correctness), പൊരുത്തം (concordance), വിശ്വസനീയത (plausibility), കാലികത (currency). ഇതിനെക്കുറിച്ച് ക്ലിനിക്കൽ ഡേറ്റയുടെ ഗുണനിലവാരം: AI എന്തുകൊണ്ട് വൃത്തിയുള്ള രേഖകളിൽ നിന്ന് തുടങ്ങുന്നു എന്ന ലേഖനത്തിൽ ഞങ്ങൾ എഴുതിയിട്ടുണ്ട്.

ഉത്തരം കിട്ടാത്ത ചോദ്യങ്ങൾ. പല ഇടങ്ങളിലും ഒരേ രീതിയിൽ അളന്നാൽ, ഇന്ന് ഇന്ത്യൻ ക്ലിനിക്കുകളിലെയും ആശുപത്രികളിലെയും രേഖകൾ എത്രത്തോളം നല്ലതാണ്? ഡേറ്റ രേഖപ്പെടുത്തുന്ന ഘട്ടത്തിൽത്തന്നെ സ്വീകരിക്കുന്ന ഏതു നടപടികളാണ് ഏറ്റവും കുറഞ്ഞ അധ്വാനത്തിൽ ഗുണനിലവാരം ഏറ്റവും കൂടുതൽ മെച്ചപ്പെടുത്തുന്നത്? ഡേറ്റ ഉപയോഗിക്കുന്ന ഏതൊരു പഠനത്തിനും മോഡലിനുമൊപ്പം ഗുണനിലവാരം എങ്ങനെ റിപ്പോർട്ട് ചെയ്യണം?

6. ദൈനംദിന ചികിത്സയിൽ നിന്ന് വിശ്വസനീയമായ തെളിവുകൾ ലഭിക്കുമോ?

ട്രയലുകളിൽ നിന്നല്ലാതെ സാധാരണ രേഖകളിൽ നിന്ന് എടുക്കുന്ന യഥാർഥ ലോക തെളിവുകൾ (real-world evidence), ട്രയലുകൾക്ക് ഉത്തരം നൽകാനാകാത്ത ചോദ്യങ്ങൾക്ക് ഉത്തരം കണ്ടെത്താൻ മറ്റു രാജ്യങ്ങളിൽ നിയന്ത്രണ ഏജൻസികളും മരുന്നു നിർമാതാക്കളും ഇപ്പോൾ ഉപയോഗിക്കുന്നുണ്ട്. ഇന്ത്യയിൽ വൻതോതിൽ ചികിത്സ നടക്കുന്നുണ്ട്, പക്ഷേ അതിന്റെ രേഖകൾ ചിതറിക്കിടക്കുന്നു, പലപ്പോഴും കടലാസിലാണ്, അപൂർവമായേ പരസ്പരം ബന്ധിപ്പിക്കപ്പെടുന്നുള്ളൂ.

ഉത്തരം കിട്ടാത്ത ചോദ്യങ്ങൾ. സ്വതന്ത്രമായി പ്രവർത്തിക്കുന്ന നിരവധി ക്ലിനിക്കുകളിലെ രേഖകൾ, സമ്മതത്തോടെ, കർശനമായ പരിശോധനയെ അതിജീവിക്കുന്ന ഡേറ്റാസെറ്റുകളായി എങ്ങനെ ഒന്നിപ്പിക്കാം? വിവിധ ചികിത്സാദാതാക്കൾക്കിടയിൽ ഒരു രോഗിയെ പിന്തുടരാൻ ABHA-യുമായി ബന്ധിപ്പിച്ച രേഖകൾ എത്രത്തോളം സഹായിക്കും? ഇന്ത്യയിലെ സാധാരണ രേഖകളിലുള്ള വിടവുകൾ ഏതു രീതികളാണ് പരിഹരിക്കുന്നത്?

7. 50 കിടക്കകളുള്ള ആശുപത്രിയിലും ഫലിക്കുന്ന ഭരണസംവിധാനം (governance)

ഇതുവരെ അറിയാവുന്നത്. തത്വങ്ങൾക്ക് ഒരു കുറവുമില്ല. ബയോമെഡിക്കൽ ഗവേഷണത്തിലും ആരോഗ്യരംഗത്തും AI-ക്കുള്ള ധാർമിക മാർഗനിർദേശങ്ങൾ ICMR 2023-ൽ പ്രസിദ്ധീകരിച്ചു. WHO-യുടെ 2021-ലെ മാർഗനിർദേശം ആറ് തത്വങ്ങൾ മുന്നോട്ടുവയ്ക്കുന്നു. NITI Aayog-ന്റെ Responsible AI രേഖകൾ ഇന്ത്യയ്ക്കായി ഏഴ് തത്വങ്ങൾ മുന്നോട്ടുവയ്ക്കുന്നു. ISO/IEC 42001:2023, AI-ക്കായുള്ള ഒരു മാനേജ്മെന്റ് സംവിധാനം നിർവചിക്കുന്നു.

ഉത്തരം കിട്ടാത്ത ചോദ്യം. ഇവയിൽ മിക്കതും, ഭരണനിർവഹണത്തിനായി പ്രത്യേക ഓഫീസുള്ള ഒരു സ്ഥാപനത്തെയാണ് മുന്നിൽ കാണുന്നത്. ഒരു ചെറിയ ആശുപത്രിക്കോ ഒരു ഡോക്ടർ മാത്രമുള്ള ക്ലിനിക്കിനോ AI സുരക്ഷിതമായി ഉപയോഗിക്കാൻ സഹായിക്കുന്ന ഏറ്റവും ചെറിയ രീതികളുടെ കൂട്ടം ഏതാണ്, ആ രീതികൾ അധികജോലിയാകാതെ സ്വാഭാവിക ക്രമമായി (default) മാറ്റാൻ സോഫ്റ്റ്‌വെയറിന് എങ്ങനെ കഴിയും?

ഈ ചോദ്യങ്ങളിൽ ഞങ്ങൾ എങ്ങനെ പ്രവർത്തിക്കുന്നു

ഇന്ത്യൻ ക്ലിനിക്കുകളും ആശുപത്രികളും ദിവസവും ഉപയോഗിക്കുന്ന EMR, AI ഉപകരണങ്ങൾ 92health നിർമിക്കുന്നു; അതുകൊണ്ട് ഈ ചോദ്യങ്ങളുമായി ഞങ്ങൾ അടുത്തുനിൽക്കുന്നു. ഇവയെ ചുറ്റിപ്പറ്റി ഞങ്ങളുടെ ഗവേഷണ പ്രവർത്തനങ്ങൾ കെട്ടിപ്പടുക്കുകയാണ്; അത് തുറന്ന രീതിയിൽ ചെയ്യാനാണ് ഞങ്ങൾ ആഗ്രഹിക്കുന്നത്: ക്ലിനിഷ്യന്മാരോടും അക്കാദമിക് സംഘങ്ങളോടും ചേർന്ന്, രോഗികളുടെ സമ്മതത്തോടെ, ആവശ്യമുള്ളിടത്ത് എത്തിക്സ് കമ്മിറ്റിയുടെ (ethics committee) മേൽനോട്ടത്തിൽ, ഫലങ്ങൾ പ്രസിദ്ധീകരിച്ചുകൊണ്ട്.

ഈ ചോദ്യങ്ങളിൽ ഏതിലെങ്കിലും നിങ്ങൾ പ്രവർത്തിക്കുന്നുണ്ടെങ്കിൽ, അല്ലെങ്കിൽ പ്രവർത്തിക്കാൻ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, ഞങ്ങളുടെ ടീമുമായി ഒരു കോൾ ബുക്ക് ചെയ്യുക.

ഉറവിടങ്ങൾ

• 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 (പ്രീപ്രിന്റ്). arXiv:2512.10967, 2025.
• DASHA (പ്രീപ്രിന്റ്). 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.