భారతీయ వైద్య రంగంలో AI: నిజంగా ముఖ్యమైన పరిశోధన ప్రశ్నలు

ఆరోగ్యం కోసం AI ఎక్కువగా వేరే చోట తయారై, పూర్తయిన ఉత్పత్తిగా భారతదేశానికి చేరుతుంది. అందులో కొన్ని ఇక్కడ పనిచేస్తాయి; కొన్ని పనిచేయవు; చాలావాటిని ఎవరూ తనిఖీ చేయనే లేదు. AI భారతీయ రోగులకు సాయపడుతుందో లేదో నిర్ణయించే ప్రశ్నలు పరిశోధన ప్రశ్నలు; వాటిలో చాలావాటికి ఇంకా సమాధానం దొరకలేదు.

వాటిలో మేము అత్యంత ముఖ్యమైనవిగా భావించే ప్రశ్నలు, ఒక్కొక్కదాని గురించి ఇప్పటివరకు తెలిసినవి, ఇంకా తెలియనివి ఇక్కడ ఉన్నాయి. వీటి చుట్టూనే మా సొంత పరిశోధన పనిని నిర్మిస్తున్నాం; ఇవే సమస్యలపై పనిచేస్తున్న ఎవరి నుంచైనా వినాలనుకుంటున్నాం.

1. ఒక భారతీయ వైద్య సంప్రదింపును యంత్రం అర్థం చేసుకోగలదా?

భారతదేశంలో వైద్య సంప్రదింపు ఒకే భాషలో సాగడం అరుదు. డాక్టర్ లక్షణాల గురించి తమిళంలో అడగవచ్చు, మందు పేరు ఇంగ్లీష్‌లో చెప్పవచ్చు, సూచనలను రెండూ కలిపి ఇవ్వవచ్చు. AI స్క్రైబ్‌కు (AI scribe) ఇంతకంటే కష్టమైన పరిస్థితి మరొకటి లేదు.

ఇప్పటివరకు తెలిసినవి. భారతీయ భాషల కోసం సాధారణ మాట గుర్తింపు (speech recognition) చాలా మెరుగుపడింది; AI4Bharat చేసిన ఓపెన్ పని దీనికి తోడ్పడింది. దాని Vistaar బెంచ్‌మార్క్ సెట్ భారతీయ భాషల్లోని 59 బెంచ్‌మార్క్‌లను (benchmarks) ఒకచోట చేరుస్తుంది; వాటిలో 39 లో దాని IndicWhisper మోడళ్లకే అతి తక్కువ తప్పుల రేటు వచ్చింది. దాని IndicVoices డేటాసెట్ (dataset) 145 జిల్లాలకు చెందిన 16,000 మందికి పైగా మాట్లాడేవారి నుంచి 22 భాషలను కవర్ చేస్తుంది.

ఇంకా తెలియనివి. వైద్య సంభాషణపై చాలా తక్కువ అధ్యయనం జరిగింది; ఇప్పటివరకు ఉన్న ఆధారాలు నిపుణుల సమీక్ష పొందిన (peer-reviewed) పత్రాల్లో కాకుండా ప్రీప్రింట్‌లలో (preprints) ఉన్నాయి. కన్నడ, హిందీ, భారతీయ ఇంగ్లీష్‌లలో జరిగిన వైద్య ఇంటర్వ్యూలను పరీక్షించిన 2025 నాటి ఒక ప్రీప్రింట్, కొన్ని సిస్టమ్‌లు భారతీయ ఇంగ్లీష్‌లో బాగా పనిచేసినా, భాషలు కలిసిన (code-mixed) లేదా స్థానిక భాషా సంభాషణలో విఫలమయ్యాయని గుర్తించింది. హిందీ-ఇంగ్లీష్ ప్రాథమిక వైద్య సంప్రదింపులపై 2026 నాటి ఒక ప్రీప్రింట్, ఒక మోడల్‌ను ఆ పరిస్థితికి తగ్గట్టు మార్చడం ద్వారా పదాల తప్పులను సుమారు 27% నుంచి 19% కు తగ్గించింది. తమిళ-ఇంగ్లీష్ సంభాషణకు ప్రచురితమైన వైద్య డేటాసెట్ ఏదీ మాకు కనిపించలేదు.

తేలాల్సిన ప్రశ్నలు. భాషలు కలిసిన సంభాషణలో వచ్చే మందుల పేర్లు, మోతాదులు, సంక్షిప్త పదాలను ప్రస్తుత సిస్టమ్‌లు ఎంత బాగా గ్రహిస్తున్నాయి? డాక్టర్ సరిచూడబోయే నోట్‌కు ఎంత తప్పుల రేటు ఆమోదయోగ్యం? రోగుల సమ్మతితో, వారి గుర్తింపు బయటపడకుండా, వైద్య సంభాషణ డేటాసెట్‌ను ఎలా తయారు చేయవచ్చు?

2. AI రాసే క్లినికల్ నోట్స్ ఎంత సురక్షితం?

AI ఒక నోట్ ముసాయిదా రాసినప్పుడు, లేదా ఒక వైద్య చరిత్రను సంక్షిప్తంగా చెప్పినప్పుడు, రెండు రకాల తప్పులు ముఖ్యం: చెప్పని దాన్ని చేర్చడం (hallucination), చెప్పిన దాన్ని వదిలేయడం (omission).

ఇప్పటివరకు తెలిసినవి. Nature Medicine పత్రికలో వచ్చిన 2024 నాటి ఒక అధ్యయనం, తగిన మార్పులు చేసిన భాషా మోడళ్లు (language models) తయారు చేసిన క్లినికల్ సారాంశాలను, చాలా సందర్భాల్లో నిపుణుల సారాంశాలకు సమానమైనవిగా లేదా వాటికంటే మెరుగైనవిగా డాక్టర్లు అంచనా వేశారని గుర్తించింది; అయినప్పటికీ ఆ మోడళ్లు హాని కలిగించగల తప్పులు కూడా చేశాయి. వైద్య నిపుణులు గుర్తులు పెట్టిన (annotated) దాదాపు 13,000 వాక్యాల ఆధారంగా npj Digital Medicine పత్రికలో వచ్చిన 2025 నాటి ఒక అధ్యయనం, లేనిదాన్ని చేర్చే రేటును 1.47% గా, వదిలేసే రేటును 3.45% గా కొలిచింది; రెండింటిలో కొంత భాగం తీవ్రమైనవని కూడా గుర్తించింది. అలాగే Nature Medicine లో వచ్చిన MedHELM అనే 2026 నాటి అధ్యయనం, నిజమైన క్లినికల్ పనుల్లో మోడళ్లు ఎలా పనిచేస్తాయో వైద్య లైసెన్సింగ్ పరీక్షల స్కోర్లు పెద్దగా చెప్పవని వాదించింది.

తేలాల్సిన ప్రశ్నలు. భాషలు కలిసిన సంభాషణల నుంచి రాసే నోట్స్‌లో తప్పుల రేటు ఎక్కువగా ఉంటుందా? బ్రాండ్ పేర్లు, కాంబినేషన్ మందులు, మోతాదులు మారుతూ ఉండే భారతీయ ప్రిస్క్రిప్షన్లలో ఏ తప్పులు అత్యంత ముఖ్యమైనవి? సమయం ఒత్తిడిలో డాక్టర్ చేసే సమీక్ష నిజానికి తప్పులను ఎంత బాగా పట్టుకుంటుంది, దానికి సాయపడేలా సమీక్ష స్క్రీన్‌ను ఎలా రూపొందించాలి?

3. భారతీయ క్లినిక్‌లలో AI స్క్రైబ్‌లు సమయాన్ని ఆదా చేస్తాయా?

ఇప్పటివరకు తెలిసినవి. UCLA లో 238 మంది డాక్టర్లతో జరిగి, 2025లో NEJM AI లో ప్రచురితమైన ఒక రాండమైజ్డ్ ట్రయల్ (randomised trial), సాధారణ పద్ధతితో పోలిస్తే ఒక యాంబియెంట్ స్క్రైబ్ (ambient scribe) నోట్స్‌కు పట్టే సమయాన్ని 9.5% తగ్గించిందని, మరొకటి చెప్పుకోదగ్గ తేడా ఏమీ చూపలేదని గుర్తించింది. రెండూ తక్కువ పని అలసటతో (burnout) ముడిపడి ఉన్నాయి; అప్పుడప్పుడు వైద్యపరంగా ముఖ్యమైన తప్పులు ఉన్నాయని వైద్య సిబ్బంది చెప్పారు. JAMA లో 8,581 మంది వైద్య సిబ్బందిపై జరిగిన 2026 నాటి అధ్యయనం, స్క్రైబ్ వాడినవారు షెడ్యూల్ చేసిన ప్రతి ఎనిమిది గంటలకు డాక్యుమెంటేషన్‌పై సుమారు 16 నిమిషాలు తక్కువ గడిపారని గుర్తించింది; దాని రచయితలు ఈ ప్రభావాన్ని మితమైనదిగా వర్ణించారు.

ఇంకా తెలియనివి. ఇవి అమెరికా అధ్యయనాలు; అక్కడి క్లినిక్‌లలో ఒక సంప్రదింపు చాలాసేపు జరుగుతుంది, డాక్యుమెంటేషన్ భారం కూడా ఎక్కువ. ఒక భారతీయ అవుట్ పేషెంట్ విభాగం (OPD) అనేక రెట్లు ఎక్కువ మంది రోగులను, తక్కువ సమయం సాగే సంప్రదింపుల్లో చూడవచ్చు; తరచుగా నోట్స్‌ను ఒక జూనియర్ డాక్టర్ రాస్తారు. అక్కడ స్క్రైబ్ సమయాన్ని ఆదా చేస్తుందా, డాక్టర్ ఎక్కువ మంది రోగులను చూసేలా వీలు కల్పిస్తుందా, లేదా రికార్డునే మెరుగుపరుస్తుందా అనేది ఇంకా కొలవలేదు.

తేలాల్సిన ప్రశ్నలు. ఎక్కువ మంది రోగులు వచ్చే ఒక భారతీయ OPD లో స్క్రైబ్ దేన్ని మారుస్తుంది: ఒక్కో రోగికి పట్టే సమయాన్నా, రికార్డు సంపూర్ణతనా, రోగి అవగాహననా? ఏ స్పెషాలిటీలకు ఎక్కువ ప్రయోజనం?

4. ఒక మోడల్ మన రోగులపై పనిచేస్తుందా?

ఇప్పటివరకు తెలిసినవి. మోడళ్లు తయారైన చోటు నుంచి దూరంగా వెళ్లినప్పుడు తరచుగా అధ్వాన్నంగా పనిచేస్తాయి. దీనికి బాగా తెలిసిన ఉదాహరణ, అమెరికాలోని అనేక ఆసుపత్రుల్లో వాడిన, సెప్సిస్‌ను (sepsis) ముందుగా అంచనా వేసే ఒక మోడల్. Michigan Medicine లో 38,455 ఆసుపత్రి అడ్మిషన్లతో పోల్చి తనిఖీ చేసినప్పుడు, అది సెప్సిస్ కేసుల్లో 67% ను గుర్తించలేకపోయింది; అదే సమయంలో మొత్తం రోగుల్లో 18% మందికి హెచ్చరిక ఇచ్చింది; దాని AUC 0.63.

తేలాల్సిన ప్రశ్నలు. వ్యాధుల తీరు, శరీర పరిమాణాలు, ల్యాబ్ రిఫరెన్స్ రేంజ్‌లు (reference ranges), చికిత్సా మార్గాలు భిన్నంగా ఉండే భారతీయ రోగులపై, విస్తృతంగా వాడే మోడళ్లు ఎలా పనిచేస్తాయి? డేటా సైన్స్ బృందం లేని ఆసుపత్రి, ఒక టూల్‌ను వాడే ముందు దాన్ని ఎలా సరిచూడాలి, ఆ తర్వాత ఎలా పర్యవేక్షించాలి? రికార్డు చేసే అలవాట్లు, రోగుల కలయిక మారుతున్నప్పుడు భారతీయ డేటాలో “డ్రిఫ్ట్” (drift) ఎలా కనిపిస్తుంది?

5. ఎంత నాణ్యమైన డేటా సరిపోతుంది?

AI అది చదివే రికార్డులంత మాత్రమే మంచిది; క్లినికల్ డేటా నాణ్యతను కొలవడం పరిశోధనా సాహిత్యంలో బాగా వివరించబడింది: సంపూర్ణత (completeness), కచ్చితత్వం (correctness), పొందిక (concordance), నమ్మదగినతనం (plausibility), తాజాతనం (currency). దీని గురించి క్లినికల్ డేటా నాణ్యత: AI శుభ్రమైన రికార్డులతోనే ఎందుకు మొదలవుతుంది అనే వ్యాసంలో రాశాం.

తేలాల్సిన ప్రశ్నలు. అనేక చోట్ల ఒకే పద్ధతిలో కొలిస్తే, ఈ రోజు భారతీయ క్లినిక్‌లు, ఆసుపత్రుల్లోని రికార్డులు ఎంత నాణ్యంగా ఉన్నాయి? డేటా నమోదు చేసే దశలోనే తీసుకునే ఏ చర్యలు, తక్కువ శ్రమతో నాణ్యతను ఎక్కువగా పెంచుతాయి? డేటాను వాడే ఏ అధ్యయనంతోనైనా, మోడల్‌తోనైనా పాటు నాణ్యత వివరాలను ఎలా తెలియజేయాలి?

6. రోజువారీ చికిత్స నమ్మదగిన ఆధారాలను ఇవ్వగలదా?

ట్రయల్స్ నుంచి కాకుండా రోజువారీ రికార్డుల నుంచి తీసుకునే వాస్తవ ప్రపంచ ఆధారాలను (real-world evidence), ట్రయల్స్ సమాధానం చెప్పలేని ప్రశ్నలకు సమాధానాలు కనుగొనేందుకు ఇతర దేశాల్లో నియంత్రణ సంస్థలు, ఔషధ తయారీదారులు ఇప్పుడు ఉపయోగిస్తున్నారు. భారతదేశంలో చికిత్స భారీ ఎత్తున జరుగుతుంది, కానీ దాని రికార్డులు చెల్లాచెదురుగా ఉంటాయి, తరచుగా కాగితం మీదే ఉంటాయి, అరుదుగా మాత్రమే ఒకదానితో ఒకటి అనుసంధానమవుతాయి.

తేలాల్సిన ప్రశ్నలు. అనేక స్వతంత్ర క్లినిక్‌ల రికార్డులను, సమ్మతితో, కఠినమైన పరిశీలనకు నిలబడే డేటాసెట్‌లుగా ఎలా కలపవచ్చు? వేర్వేరు వైద్య సేవా ప్రదాతల మధ్య ఒక రోగిని అనుసరించడానికి ABHA తో అనుసంధానమైన రికార్డులు ఎంతవరకు సాయపడతాయి? భారతదేశంలోని రోజువారీ రికార్డుల్లో ఉండే లోటులను ఏ పద్ధతులు సరిదిద్దుతాయి?

7. 50 పడకల ఆసుపత్రిలోనూ పనిచేసే పాలనా విధానం (governance)

ఇప్పటివరకు తెలిసినవి. సూత్రాలకు కొదవ లేదు. బయోమెడికల్ పరిశోధన, ఆరోగ్య సంరక్షణలో AI కోసం నైతిక మార్గదర్శకాలను ICMR 2023లో ప్రచురించింది. WHO 2021 నాటి మార్గదర్శకం ఆరు సూత్రాలను నిర్దేశిస్తుంది. NITI Aayog Responsible AI పత్రాలు భారతదేశం కోసం ఏడు సూత్రాలను నిర్దేశిస్తాయి. ISO/IEC 42001:2023 AI కోసం ఒక నిర్వహణ వ్యవస్థను నిర్వచిస్తుంది.

తేలాల్సిన ప్రశ్న. వీటిలో చాలావరకు, పాలన కోసం ప్రత్యేక కార్యాలయం ఉన్న సంస్థను దృష్టిలో పెట్టుకున్నవే. ఒక చిన్న ఆసుపత్రి గానీ, ఒకే డాక్టర్ నడిపే క్లినిక్ గానీ AI ని సురక్షితంగా వాడేందుకు వీలు కల్పించే అతి చిన్న పద్ధతుల సమూహం ఏది, ఆ పద్ధతులు అదనపు పనిగా కాకుండా సహజంగానే జరిగే విధానంగా (default) ఉండేలా సాఫ్ట్‌వేర్ ఎలా చేయగలదు?

ఈ ప్రశ్నలపై మేము ఎలా పనిచేస్తున్నాం

భారతీయ క్లినిక్‌లు, ఆసుపత్రులు ప్రతిరోజూ వాడే EMR, AI టూల్స్‌ను 92health తయారు చేస్తుంది; అందువల్ల మేము ఈ ప్రశ్నలకు దగ్గరగా ఉన్నాం. వీటి చుట్టూనే మా పరిశోధన పనిని నిర్మిస్తున్నాం, దాన్ని బహిరంగంగా చేయాలనుకుంటున్నాం: వైద్యులు, విద్యాసంస్థల పరిశోధనా బృందాలతో కలిసి, రోగుల సమ్మతితో, అవసరమైన చోట నైతిక కమిటీ (ethics committee) పర్యవేక్షణలో, ఫలితాలను ప్రచురిస్తూ.

ఈ ప్రశ్నల్లో దేనిపైనైనా మీరు పనిచేస్తుంటే, లేదా పనిచేయాలనుకుంటే, మా బృందంతో ఒక కాల్ బుక్ చేసుకోండి.

ఆధారాలు

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