மருத்துவரை விட AI சரியாக நோய் கண்டறியுமா? (Lancet மருத்துவ ஆய்வு)

உடலில் ஏதோ ஒரு மூலையில் விவரிக்க முடியாத அசௌகரியம் தோன்றுகிறது; நெஞ்சில் லேசான பாரம், அடிவயிற்றில் தொடர் மந்த நிலை அல்லது இரவெல்லாம் உறங்க விடாத நடுக்கம். உடனடியாக நாம் செய்வது என்ன? முன்பெல்லாம் அண்டை வீட்டாரிடம் ஆலோசனை கேட்ட நாம், இன்று அவசர அவசரமாகத் தேடுபொறிகளிலோ அல்லது மொழி மாதிரிகளிலோ நமது அறிகுறிகளைத் தட்டச்சு செய்கிறோம். இணையப் பக்கங்கள் காட்டும் தொடர்பற்ற பதில்கள் பல நேரங்களில் நம்மைத் தேவையின்றி தீவிர அச்சத்திற்குள் தள்ளிவிடுகின்றன. ஆனால், அதே கணினித் திரையின் பின்னால் சர்வதேச மருத்துவப் பாடப்புத்தகங்கள் அனைத்தையும் உள்வாங்கிய, நோயாளியின் குரலைக் கூர்ந்து கவனித்துத் துப்பறியும் ஒரு அதிநவீனச் செயற்கை நுண்ணறிவு அமர்ந்திருந்தால் என்ன நடக்கும்? அது மனித மருத்துவர்களைப் போலவே நுணுக்கமாகக் கேள்விகள் கேட்டு நமது நோயை முன்கூட்டியே சரியாகக் கணித்து விடுமா?

மருத்துவ வரலாற்றில் ஒரு திருப்புமுனையாக, உலகின் முன்னணி மருத்துவ ஆய்விதழான லான்செட் (The Lancet) 2026 அக்டோபரில் ஒரு வரலாற்றுச் சிறப்புமிக்க மருத்துவப் பரிசோதனை முடிவை வெளியிட்டது ^[1]. அமெரிக்காவின் பாஸ்டன் நகரில் உள்ள புகழ்பெற்ற ஹார்வர்ட் மருத்துவப் பள்ளி சார்ந்த பெத் இஸ்ரேல் டீக்கனஸ் மருத்துவமனை (Beth Israel Deaconess Medical Center) மற்றும் கூகுள் டீப்மைண்ட் விஞ்ஞானிகள் இணைந்து இந்த நேரடி ஆய்வை முன்னெடுத்தனர். கூகுள் உருவாக்கிய ‘ஏமி’ (AMIE – Articulate Medical Intelligence Explorer) என்ற மருத்துவச் செயற்கை நுண்ணறிவு, மருத்துவமனைக்கு வந்த உண்மையான நோயாளிகளிடம் உரையாடி நோய்களைக் கணித்ததில் 90 சதவீத துல்லியத்தை எட்டியுள்ளது. முந்தைய ஆய்வுகள் போல இது கணினித் திரைக்கான கற்பனை நடிப்பு அல்ல; உண்மையான நோயாளிகள், உண்மையான மருத்துவர்கள் மற்றும் அவசர மருத்துவக் கூடத்தில் மருத்துவர்கள் நடத்திய நேரடி ஆய்வு ஆகும். இந்த ஆய்வின் அதிர்ச்சியூட்டும் மருத்துவத் தரவுகளையும், அதன் பின்னால் ஒளிந்திருக்கும் நடைமுறைச் சவால்களையும் விரிவாகப் பார்ப்போம்.

மருத்துவ அறிவியலில் ஒரு புதிய திருப்புமுனை

பொதுவாக ஒரு குடும்ப நல பொது மருத்துவரிடம் (Primary Care Physician) நாம் செல்லும்போது என்ன நடக்கும் என்பதைச் சற்று நினைத்துப் பாருங்கள். வரவேற்பறையில் பல மணி நேரம் காத்திருந்துவிட்டு, மருத்துவ ஆலோசனை அறைக்குள் நுழையும் போது நமக்குக் கிடைக்கும் நேரம் வெறும் 7 முதல் 12 நிமிடங்கள் மட்டுமே. அந்த குறுகிய அவகாசத்திற்குள் மருத்துவர் நமது நாடித் துடிப்பைப் பார்க்க வேண்டும், இரத்த அழுத்தத்தை அளவிட வேண்டும், நாம் சொல்லும் குழப்பமான அறிகுறிகளைக் கேட்டுப் புரிந்து கொண்டு மருந்துச் சீட்டை எழுத வேண்டும். பல நேரங்களில் நோயாளிகள் தங்களின் முக்கியமான அறிகுறிகளைப் பதற்றத்தில் சொல்ல மறந்து விடுகிறார்கள்; மருத்துவர்களும் கடுமையான பணிச்சுமையின் காரணமாக ஆழமான கேள்விகளை எழுப்பத் தவறுகின்றனர். இந்த அடிப்படை இடைவெளிதான் பல தவறான நோயறிதல்களுக்கு (Diagnostic Errors) விதையாக அமைகிறது என்று உலக சுகாதார நிறுவனம் குறிப்பிடுகிறது.

இங்குதான் செயற்கை நுண்ணறிவின் அணுகுமுறை ஒரு புதிய வாசலைத் திறக்கிறது. நவீன கணினி தொழில்நுட்பத்தில் நரம்பியல் வலையமைப்புகள் எவ்வாறு செயல்படுகின்றன என்பதை விளக்கும் உரையாடல் AI மொழி மாதிரிகள் குறித்த அடிப்படைகளைப் போல, மருத்துவக் களத்திற்கென பிரத்யேகமாக வடிவமைக்கப்பட்ட மொழி மாதிரிகள் மருத்துவ அறிவை ஆழமாகக் கற்கின்றன. லான்செட் ஆய்வில் பங்கேற்ற நோயாளிகள், மருத்துவரிடம் நேரடியாகச் செல்வதற்கு ஐந்து நாட்களுக்கு முன்பே, தங்கள் இல்லத்திலிருந்தபடியே தங்களது கணினி வழியாக AMIE செயற்கை நுண்ணறிவோடு உரையாடத் தொடங்கினர். அங்கு நேரக் கட்டுப்பாடு எதுவும் இல்லை. நோயாளி சொல்லும் ஒவ்வொரு சிறு புகாரையும் அமைதியாக உள்வாங்கிய மென்பொருள், ஒரு தேர்ந்த மூத்த மருத்துவப் பேராசிரியரைப் போல அடுத்தடுத்த விளக்கக் கேள்விகளைத் தொடுத்தது. “இந்த வலி உணவு உண்ட பிறகு ஏற்படுகிறதா அல்லது வெறும் வயிற்றில் தோன்றுகிறதா?”, “இடது தோள்பட்டை வரை வலி பரவுகிறதா?” எனத் துல்லியமான கேள்விகளை எழுப்பி, நோயாளியின் முழுமையான மருத்துவ வரலாற்றைத் தயார் செய்தது.

லான்செட் ஆய்வு களம்: கணினியிடம் பேசிய 98 நோயாளிகள்

செயற்கை நுண்ணறிவு மருத்துவத்தில் வியக்கத்தக்க வெற்றிகளைப் பெற்று வருகிறது என்று கடந்த சில ஆண்டுகளாகப் பல ஆய்வுக் கட்டுரைகள் வெளிவந்துள்ளன. ஆனால் அவையெல்லாம் பெரும்பாலும் மாதிரித் தரவுகளையோ அல்லது முன்னரே பதிவு செய்த பழைய மருத்துவக் குறிப்புகளையோ கொண்டு கணினி ஆய்வகத்திற்குள் இயங்கியவை மட்டுமே. மருத்துவ உலகில் எந்தவொரு புதிய முறையும் உண்மையான மனிதர்களிடம் நேரடியாகச் சோதித்துப் பார்க்கப்படாத வரை அதற்கு எவ்வித மருத்துவ ஏற்பும் கிடைப்பதில்லை. இந்த வெற்றிடத்தை உடைப்பதுதான் லான்செட் ஆய்வின் முதன்மை நோக்கமாக அமைந்தது ^[1].

2025 ஏப்ரல் முதல் நவம்பர் மாதம் வரை, பாஸ்டன் பெத் இஸ்ரேல் டீக்கனஸ் மருத்துவமனையின் அவசரப் பிரிவு மற்றும் வெளிநோயாளி சிகிச்சைப் பிரிவிற்கு வந்த 114 வயது வந்த நோயாளிகளை ஆய்வாளர்கள் தேர்ந்தெடுத்தனர். இவர்களில் மாற்று மொழித் தடைகள் மற்றும் தொழில்நுட்பப் பயன்பாட்டுச் சிக்கல்கள் தவிர்த்து, 98 நோயாளிகள் AI உரையாடல் மற்றும் அதன் தொடர்ச்சியான மருத்துவர் பரிசோதனை ஆகிய இரண்டையும் முழுமையாக நிறைவு செய்தனர். இவர்கள் அனைவரும் கடுமையான தலைவலி, மூச்சுத் திணறல், விவரிக்க முடியாத வயிற்று வலி, நெஞ்சு படபடப்பு போன்ற அன்றாட அவசரப் பிரச்சினைகளுக்காக மருத்துவமனைக்கு வந்த சாதாரண மனிதர்கள் ஆவர்.

நோயாளிகளின் பாதுகாப்பிற்குச் சிறு அச்சுறுத்தலும் ஏற்பட்டுவிடக் கூடாது என்பதில் மருத்துவர்கள் மிகக் கடுமையான கவனத்தைச் செலுத்தினர். இந்த உரையாடல்கள் அனைத்தையும் நிகழ்நேரத்தில் (Real-time) மூத்த கண்காணிப்பு மருத்துவர்கள் (Physician Safety Supervisors) ரகசியமாகத் திரையில் கண்காணித்தனர். AI தவறான மருத்துவ ஆலோசனையைக் கூறினாலோ அல்லது உயிருக்கு ஆபத்தான அவசர நிலையை அடையாளம் காணத் தவறினாலோ, நொடிப் பொழுதில் உரையாடலை முடக்கும் ‘பாதுகாப்பு நிறுத்தம்’ (Safety Stop) பொத்தான் மருத்துவர்களின் கைகளில் இருந்தது. ஆனால் ஆச்சரியப்படும் விதமாக, 98 நோயாளிகளிடம் நடைபெற்ற பல்லாயிரக்கணக்கான உரையாடல் வரிகளில் ஒருமுறை கூட அந்தப் பாதுகாப்புப் பொத்தானை அழுத்த வேண்டிய தேவையே எழவில்லை என்பது நவீன மருத்துவக் கணினியியலின் வியத்தகு சாதனையாகும்.

ஆய்வு முறைகள் (Methods): AI எவ்வாறு சோதிக்கப்பட்டது?

ஒரு மருத்துவப் பரிசோதனையில் நோயாளியின் நோயை மிகத் துல்லியமாகத் தீர்மானிப்பது மருத்துவர் எழுதும் இரத்தப் பரிசோதனைகளோ அல்லது ஸ்கேன்களோ அல்ல; மாறாக நோயாளியிடம் கேட்கப்படும் மருத்துவ வரலாறு (Clinical History Taking) மட்டுமே 80 சதவீத நோயறிதலைத் தீர்மானிக்கிறது என்பது மருத்துவ அறிவியலின் மாறாத விதி. கூகுளின் AMIE அமைப்பு வெறும் வார்த்தைகளைத் திரும்பக் கூறும் சாதாரண மென்பொருளாக இயங்காமல், மருத்துவத் தர்க்க நெறிமுறைகளின்படி (Diagnostic Reasoning) இயங்கியது. ஏற்கனவே மருத்துவப் படங்களை விளக்கும் மருத்துவ செயற்கை நுண்ணறிவு மாதிரிகள் எவ்வாறு எக்ஸ்-ரே மற்றும் எம்ஆர்ஐ ஸ்கேன்களைப் புரிந்து கொள்கின்றனவோ, அதே போல நோயாளியின் உரையாடலை AMIE நுணுக்கமாகப் பகுப்பாய்வு செய்தது. இந்த முழுமையான மருத்துவ ஆய்வு நெறிமுறையைக் கீழேயுள்ள செங்குத்துப் படிநிலைகள் தெளிவாக விளக்குகின்றன.

உடலின் வளர்சிதை மாற்றக் கோளாறுகள் மற்றும் நாளமில்லாச் சுரப்பிகளின் சமநிலையை ஆராயும் எடை குறைக்கும் மருந்துகள் மற்றும் வளர்சிதை மாற்ற ஆய்வுகள் உணர்த்துவது போல, மனித உடலின் பெரும்பாலான தீவிரக் குறைபாடுகள் ஆரம்பத்தில் மிகச் சிறிய அமைதியான அறிகுறிகளையே வெளிப்படுத்துகின்றன. அந்த நுண்ணிய சமிக்ஞைகளை நோயாளியின் வார்த்தைகளிலிருந்து பிரித்தெடுக்கும் திறன் AI மென்பொருளுக்கு மிகச் சிறப்பாக வாய்த்திருப்பதை இந்த ஆய்வு நெறிமுறை தெளிவாக மெய்ப்பித்தது.

90 சதவீத துல்லியம்: ஆய்வாளர்கள் கண்டறிந்த முடிவுகள்

நோயாளி மருத்துவரிடம் சென்று திரும்பிய பிறகு, அடுத்த 8 வாரங்களுக்கு அவரது மருத்துவப் பதிவுகள், சோதனைக் கூட முடிவுகள், ஸ்கேன் அறிக்கைகள் மற்றும் அவர் உட்கொண்ட மருந்துகளின் விளைவுகள் ஆகியவற்றை மூத்த மருத்துவக் குழு விரிவாக மறுஆய்வு செய்தது. இந்த 8 வார கால ஆய்வின் முடிவில் மனித மருத்துவர்கள் உறுதிசெய்த உண்மையான நோயறிதலோடு, ஆரம்பத்தில் AMIE கணித்துக் கொடுத்த பட்டியலை விஞ்ஞானிகள் ஒப்பிட்டுப் பார்த்தனர். அங்குதான் மருத்துவ உலகிற்கே பெரும் வியப்பு காத்திருந்தது ^[1].

ஆய்வில் பங்கேற்ற 98 நோயாளிகளில் 90 சதவீத வழக்குகளில், மனித மருத்துவர்கள் வாரக் கணக்கில் பரிசோதித்துக் கண்டறிந்த அதே நோயை AMIE தனது சாத்தியக்கூறுகளின் பட்டியலில் முன்னரே சரியாகக் குறித்திருந்தது. மேலும், 75 சதவீத வழக்குகளில் நோய்க்கான மிக முக்கிய முதல் மூன்று காரணங்களுக்குள்ளேயே சரியான நோயை அது சுட்டிக்காட்டியது. 56 சதவீத நிகழ்வுகளில், மருத்துவர்கள் உறுதிசெய்த நோயையே தனது முதன்மைத் தெரிவாக (Top-1 Choice) AI பரிந்துரைத்திருந்தது. கீழேயுள்ள தரவு அட்டவணை மற்றும் விளக்க வரைபடம் இந்த மருத்துவப் பரிசோதனையின் முக்கிய அளவீடுகளைத் தொகுத்து வழங்குகின்றன (அட்டவணை வாசிப்புக் குறிப்பு: 100 வழக்குகளில் எத்தனை வழக்குகளில் AI துல்லியமாகப் பொருந்தியது என்பதை இந்த சதவீதங்கள் நேரடியாகக் காட்டுகின்றன).

பரிசோதனை அளவீடு (Metric)	AMIE பெற்ற அளவு	மருத்துவ முக்கியத்துவம்
முழுமையான நோயறிதல் பொருத்தம் (Match)	90%	மருத்துவரின் இறுதி நோயறிதல் பட்டியலில் AI பரிந்துரை இடம்பெற்ற விகிதம்.
முதல் 3 சாத்தியக்கூறுகள் துல்லியம் (Top-3)	75%	மருத்துவர்கள் கவனம் செலுத்த வேண்டிய முதன்மை 3 காரணங்களில் நோய் அமைந்தது.
முதன்மை ஒற்றைத் தெரிவு (Top-1 Choice)	56%	முதல் வாய்ப்பிலேயே சரியான நோயைத் துல்லியமாகக் கணித்த நிகழ்வுகள்.
மருத்துவர்களின் முன்-தயாரிப்பு உதவி	75%	AI சுருக்கம் தங்களுக்குப் பெரிதும் உதவியதாக மருத்துவர்கள் பதிவு செய்தனர்.
தவறான தகவல் வெளிப்பாடு (Hallucination)	1 நிகழ்வு மட்டுமே	98 வழக்குகளில் ஒரே ஒரு முறை மட்டுமே மிகச் சிறிய பிழை நேரிட்டது.

ஆதாரம்: லான்செட் மருத்துவ ஆய்விதழ் (The Lancet), 2026

90%

முழு பொருத்தம்

75%

முதல் 3 காரணங்கள்

56%

முதல் தெரிவு

75%

மருத்துவர் உதவி

AMIE செயற்கை நுண்ணறிவின் நோயறிதல் துல்லிய சதவீதங்கள் (%)	தொடர் 1
முழு பொருத்தம்	90%
முதல் 3 காரணங்கள்	75%
முதல் தெரிவு	56%
மருத்துவர் உதவி	75%

ஆதாரம்: லான்செட் ஆய்விதழ், அக்டோபர் 2026

அதுமட்டுமல்ல; நோயாளிகளைப் பரிசோதித்த மனித மருத்துவர்களில் 75 சதவீதம் பேர், நோயாளி அறைக்குள் வருவதற்கு முன்பே AI தயாரித்த சுருக்கக் குறிப்பு தங்களுக்குப் பெரிதும் உதவியதாகவும், நோயாளியின் சிக்கலை முன்கூட்டியே தெளிவாகப் புரிந்து கொள்ளப் பயன்பட்டதாகவும் குறிப்பிட்டனர். அதே சமயம், 98 நோயாளிகளில் ஒரே ஒரு நிகழ்வில் மட்டுமே AI சிறு தவறான கற்பனைத் தகவலை (Hallucination) வெளிப்படுத்தியது. மேலும் 5 நிகழ்வுகளில் கூடுதல் மருத்துவத் தகவல்களை மேற்பார்வை மருத்துவர்கள் கைப்படச் சேர்க்க வேண்டியிருந்தது.

மனித மருத்துவரா அல்லது கணினி மென்பொருளா? நேரடி ஒப்பீடு

இந்த முடிவுகளைப் பார்க்கும் போது, எதிர்காலத்தில் மனித மருத்துவர்களுக்கு வேலையே இருக்காதா என்ற அச்சமும் கேள்வியும் பொதுமக்களிடம் எழுவது இயல்பானது. ஆனால் மருத்துவ அறிவியல் இந்த இரு தரப்பையும் எதிரிகளாகப் பார்க்கவில்லை; மாறாக ஒன்றுக்கொன்று பலம் சேர்க்கும் கூட்டாளிகளாகவே கருதுகிறது. கணினி மென்பொருளால் மில்லியன் கணக்கான மருத்துவப் பக்கங்களை நொடிகளில் நினைவுகூர முடியும்; ஆனால் மனித மருத்துவரால் மட்டுமே நோயாளியின் கண்களைப் பார்த்துப் பேச முடியும். கீழேயுள்ள ஒப்பீட்டு அட்டவணை இந்த இரு அமைப்புகளுக்கு இடையே உள்ள முக்கியமான பலங்களையும் பலவீனங்களையும் தெளிவாகப் படம்பிடித்துக் காட்டுகிறது.

அம்சம்	மருத்துவ சமநிலைமனித மருத்துவர்	AI மருத்துவ அமைப்பு (AMIE)
மருத்துவ வரலாறு சேகரிப்பு	நேரக் கட்டுப்பாடுகளால் சில தகவல்கள் விடுபடலாம்	பொறுமையாகவும் விரிவாகவும் அனைத்து விவரங்களையும் சேகரிக்கும்
மருத்துவத் தரவுகள் சேமிப்பு	மருத்துவரின் நினைவாற்றல் மற்றும் அனுபவத்தை மட்டுமே சார்ந்தது	லட்சக்கணக்கான சர்வதேச மருத்துவ ஆய்வேடுகளை நொடியில் ஒப்பிடும்
உடல் தொட்டுணரும் பரிசோதனை	நாடித் துடிப்பு, ஸ்டெதாஸ்கோப் மற்றும் வயிற்றுப் பரிசோதனை செய்யும்	தொட்டுணரும் பரிசோதனை செய்ய முடியாது; வார்த்தைகளை மட்டுமே நம்பும்
பச்சாதாபம் மற்றும் உணர்வு ரீதியான ஆறுதல்	நோயாளியின் பயத்தைப் போக்கி நம்பிக்கையூட்டும் மனிதத் தொடுதல்	உணர்வற்ற கணினி வழி உரையாடல் மட்டுமே சாத்தியம்
பணிச்சுமை மற்றும் கவனச்சிதறல்	நீண்ட நேரப் பணி, சோர்வு மற்றும் தூக்கமின்மையால் பாதிக்கப்படலாம்	சோர்வின்றி 24 மணி நேரமும் ஒரே சீரான கவனத்துடன் இயங்கும்

ஆதாரம்: லான்செட் மருத்துவ ஆய்விதழ் (The Lancet) மற்றும் ஹார்வர்ட் மருத்துவப் பள்ளி பகுப்பாய்வு

மருத்துவ அமைப்பில் மனித அறிவும் செயற்கை நுண்ணறிவின் கணினித் திறனும் இணையும் போதே முழுமையான சிகிச்சை சாத்தியமாகிறது என்பதை இந்த ஒப்பீடு தெளிவாக உணர்த்துகிறது. இயந்திரத்தின் அசுர நினைவாற்றலும் மனிதரின் பரிவும் கைகோர்க்கும் போது நோயறிதல் பிழைகள் பெருமளவு குறைகின்றன.

மருத்துவர்களின் திறன் இழப்பு (Deskilling) மற்றும் மறைமுக சவால்கள்

எல்லா தொழில்நுட்பப் புரட்சிகளுக்கும் ஒரு மறுபக்கம் உண்டு. செயற்கை நுண்ணறிவு நோய்களைத் துல்லியமாகக் கணிக்கிறது என்பதற்காக அதை கண்மூடித்தனமாக மருத்துவமனைகளில் திணிப்பது கடுமையான விளைவுகளை ஏற்படுத்தக்கூடும் என்று லான்செட் டிஜிட்டல் ஹெல்த் (The Lancet Digital Health) ஆய்வாளர்கள் எச்சரிக்கின்றனர் ^[2]. அதில் முதன்மையான ஆபத்து “மருத்துவர்களின் திறன் இழப்பு” (Clinical Deskilling) என்று அறியப்படுகிறது.

உதாரணமாக, எண்டோஸ்கோபி மற்றும் பெருங்குடல் பரிசோதனைகளில் (Colonoscopy) புற்றுநோய் கட்டிகளைக் கண்டறியும் AI கருவிகளைத் தொடர்ந்து பயன்படுத்திய மருத்துவர்களிடம் விஞ்ஞானிகள் ஓர் ஆய்வை நடத்தினர். AI அமைப்பைத் தொடர்ந்து சார்ந்து இயங்கிய மருத்துவர்கள், அந்த AI மென்பொருள் இல்லாத சூழலில் தனியாகப் பரிசோதனை செய்த போது, அவர்களின் சொந்தக் கண்களால் கட்டிகளைக் கண்டறியும் திறன் கணிசமாகக் குறைந்திருந்தது. விமானங்களில் தானியங்கி பைலட் முறை வந்த பிறகு விமானிகளின் நேரடி இயக்கும் திறன் குறைவதைப் போன்ற ஒரு மருத்துவத் தேக்கநிலையை இது உருவாக்குகிறது.

இளம் மருத்துவர்கள் நோயாளிகளிடம் சுயமாகச் சிந்தித்துக் கேள்விகள் கேட்கும் திறனையும், நுண்ணிய வேறுபாடுகளைத் தர்க்கரீதியாக ஆராயும் கூர்மையையும் இழந்துவிட்டு, கணினித் திரை காட்டும் பதில்களை அப்படியே ஏற்கும் மனநிலைக்குத் தள்ளப்படுவார்கள். மேலும், AI அமைப்புகள் பயிற்சி பெற்ற மருத்துவத் தரவுகள் பெரும்பாலும் மேற்கத்திய மக்களின் தரவுகளாகவே உள்ளன. ஆசிய அல்லது இந்திய மக்களின் மரபணு அமைப்புகள், ஊட்டச்சத்துக் குறைபாடுகள் மற்றும் வாழ்க்கைமுறை நோய்களில் இந்த மென்பொருள்கள் எந்த அளவிற்குச் சரியான முடிவுகளைத் தரும் என்ற விவாதமும் மருத்துவ உலகில் தொடர்ந்து நீடிக்கிறது.

ஆய்வின் வரம்புகள் (Limitations): இந்த ஆய்வால் சொல்ல முடியாதவை

செயற்கை நுண்ணறிவு எவ்வளவுதான் அதிநவீனமாக வளர்ந்தாலும், அதனால் ஒருபோதும் தொட முடியாத சில தவிர்க்க முடியாத எல்லைகள் மனித மருத்துவத்தில் உண்டு என்பதை இந்த லான்செட் ஆய்வும் வெளிப்படையாக ஒப்புக்கொள்கிறது. அவற்றில் முதன்மையானது “நேரடி உடல் பரிசோதனை” (Physical Examination). ஒரு நோயாளி தன் வயிற்று வலியைப் பற்றி மணிக்கணக்காக AI மென்பொருளிடம் பேசலாம்; ஆனால் மருத்துவர் தனது விரல்களால் நோயாளியின் வயிற்றின் வலது கீழ் பகுதியை அழுத்திப் பார்க்கும் போது ஏற்படும் வலியை (McBurney’s Point Tenderness) வைத்து அப்பெண்டிசைட்டிஸ் (Appendicitis) நோயை நொடியில் உறுதி செய்வதை எந்த ஒரு மென்பொருளாலும் செய்ய முடியாது.

ஸ்டெதாஸ்கோப் கொண்டு இதயத் துடிப்பின் மெல்லிய முணுமுணுப்பை (Heart Murmur) உணர்வது, நுரையீரல் சுவாசத்தின் போது எழும் ஈரிழைச் சத்தத்தைக் கேட்பது, நோயாளியின் கண்களில் தென்படும் வெளிர் தன்மையை வைத்து இரத்த சோகையைக் கணிப்பது என மருத்துவத்தின் பெரும்பகுதி உடலின் நேரடித் தொடுதலில்தான் அடங்கியிருக்கிறது. வெறும் தட்டச்சு வார்த்தைகளை மட்டுமே உள்ளீடாகப் பெறும் எந்தவொரு AI மாதிரியாலும் இந்த உடல் மொழியை வாசிக்க இயலாது.

இரண்டாவது மிக முக்கியமான எல்லை “மனிதப் பச்சாதாபம்” (Empathy). ஒரு நோயாளிக்கு புற்றுநோய் அல்லது மீள முடியாத தீவிர நோய் இருப்பதை அவரிடம் தெரிவிக்கும் போது தேவைப்படும் கனிவு, அவரது குடும்பத்தினரின் கைகளைப் பிடித்து ஆறுதல் கூறும் மனித உணர்வு ஆகியவற்றை எந்த ஒரு நெறிமுறை நிரலாக்கத்தாலும் உற்பத்தி செய்ய முடியாது. மேலும், இந்த ஆய்வில் 98 நோயாளிகள் மட்டுமே பங்கேற்றனர் என்பது ஒரு சிறிய தொடக்கமே ஆகும்; பல்லாயிரக்கணக்கான பல்வேறு நோயாளிகளிடம் விரிவான சோதனைகள் நடத்தப்பட்ட பிறகே இதன் முழுமையான நம்பகத்தன்மை உறுதிப்படும்.

எதிர்கால மருத்துவம்: நோயாளிகளுக்கு இதன் பொருள் என்ன?

இந்த ஆய்வின் வெற்றி எதிர்கால மருத்துவமனைகளின் முகவடிவத்தையே மாற்றியமைக்க உள்ளது. நோயாளிகள் மருத்துவரிடம் செல்வதற்கு முன்பே தங்களின் அறிகுறிகளைத் தெளிவாகத் தொகுத்து வழங்கும் டிஜிட்டல் உதவியாளர்கள் விரைவில் மருத்துவக் கட்டமைப்பின் அன்றாடப் பகுதியாக மாறக்கூடும். இதனால் மருத்துவர்களுக்குக் காகித வேலைகள் குறைந்து, நோயாளியோடு நேரில் பேசிச் சிகிச்சை அளிக்கும் நேரம் கணிசமாக அதிகரிக்கும் என்று மருத்துவ ஆய்வாளர்கள் கருதுகின்றனர்.

வளர்ந்து வரும் நாடுகளில் கிராமப்புற மக்களுக்கும் பின்தங்கிய பகுதிகளுக்கும் தரமான மருத்துவ ஆலோசனை சென்றடைவதில் உள்ள கடுமையான மருத்துவர் பற்றாக்குறைக்கு இத்தகைய தொழில்நுட்பங்கள் மிகப்பெரிய பாலமாக அமையும். எனினும், தொழில்நுட்பத்தை முழுமையாக நம்பிவிடாமல், அது வழங்கும் பரிந்துரைகளை ஒரு மனித மருத்துவரின் இறுதிப் பார்வைக்கு உட்படுத்துவதே நோயாளிகளின் பாதுகாப்பை உறுதி செய்யும் சிறந்த வழியாகும்.

அடிக்கடி கேட்கப்படும் கேள்விகள் (FAQ)

சொல் விளக்கம்

இந்தக் கட்டுரையில் வரும் அறிவியல் சொற்கள்

6

AMIE (Articulate Medical Intelligence Explorer)ஏமி மருத்துவ AIஒலிப்பு: ஆர்டிகுலேட் மெடிக்கல் இன்டெலிஜென்ஸ் எக்ஸ்ப்ளோரர்

கூகுள் ஆய்வு மையம் உருவாக்கிய மருத்துவ உரையாடல் மற்றும் நோய் கண்டறியும் சிறப்புச் செயற்கை நுண்ணறிவு மாதிரி.

சொற்களஞ்சியத்தில் பார்க்க →

Differential Diagnosisவேறுபடுத்தி அறியும் நோயியல் சாத்தியங்கள்ஒலிப்பு: டிஃப்ரென்ஷியல் டயக்னாசிஸ்

நோயாளி வெளிப்படுத்தும் அறிகுறிகளின் அடிப்படையில் ஏற்பட வாய்ப்புள்ள பல்வேறு நோய்களை வரிசைப்படுத்திப் பட்டியலிடும் மருத்துவ முறை.

சொற்களஞ்சியத்தில் பார்க்க →

Clinical History Takingமருத்துவ வரலாறு சேகரிப்புஒலிப்பு: கிளினிக்கல் ஹிஸ்டரி டேக்கிங்

நோயாளியின் முந்தைய உடல் உபாதைகள், குடும்பப் பின்னணி மற்றும் தற்போதைய அறிகுறிகளை நேர்காணல் மூலம் விரிவாகக் கேட்டறியும் முறை.

சொற்களஞ்சியத்தில் பார்க்க →

Clinical Deskillingமருத்துவத் திறன் இழப்புஒலிப்பு: கிளினிக்கல் டிஸ்கில்லிங்

தானியங்கி கணினி மென்பொருள்களைத் தொடர்ந்து சார்ந்து இருப்பதால் மருத்துவர்கள் தங்களது சுயமாகச் சிந்திக்கும் நோயறிதல் திறனை இழக்கும் நிலை.

சொற்களஞ்சியத்தில் பார்க்க →

Hallucinationதவறான கற்பனைத் தகவல்ஒலிப்பு: ஹாலுசினேஷன்

செயற்கை நுண்ணறிவு உண்மைக்கு மாறான அல்லது ஆதாரமற்ற மருத்துவத் தகவல்களைத் தவறுதலாக உருவாக்குதல்.

சொற்களஞ்சியத்தில் பார்க்க →

Primary Care Physician (PCP)முதன்மை பொது மருத்துவர்ஒலிப்பு: பிரைமரி கேர் பிசிஷியன்

ஒரு நோயாளி நோய்வாய்ப்படும் போது முதன்முதலில் சந்தித்து ஆலோசனை பெறும் குடும்ப அல்லது பொது மருத்துவர்.

சொற்களஞ்சியத்தில் பார்க்க →

அடிக்கடி கேட்கப்படும் கேள்விகள்

இந்த ஆய்வு பற்றி வாசகர்கள் கேட்பவை

5

1கூகுளின் AMIE செயற்கை நுண்ணறிவை பொதுமக்கள் நேரடியாகப் பயன்படுத்த முடியுமா?

தற்போது வரை இது பொதுமக்கள் பயன்பாட்டிற்கு வெளியிடப்படவில்லை. மருத்துவமனைகளில் மருத்துவர்களின் நேரடி மேற்பார்வையில் மருத்துவப் பரிசோதனையாக மட்டுமே இது இயங்குகிறது. முழுமையான ஒழுங்குமுறை ஒப்புதல்களுக்குப் பிறகே இது பொதுப் பயன்பாட்டிற்கு வரக்கூடும்.

2AI பரிந்துரைக்கும் நோயறிதல் தவறாக இருந்தால் அதற்கு யார் பொறுப்பேற்பது?

தற்போதைய சட்ட மற்றும் மருத்துவ நெறிமுறைகளின்படி, AI என்பது முடிவெடுக்கும் இறுதி அதிகாரம் கொண்டதல்ல. அது வழங்கும் பரிந்துரைகளை ஆராய்ந்து இறுதி முடிவை எடுக்கும் மனித மருத்துவரே சட்டபூர்வமாக முழுப் பொறுப்பையும் ஏற்க வேண்டும்.

3வீட்டிலிருந்தே சாட்பாட்களிடம் மருத்துவம் கேட்பது பாதுகாப்பானதா?

பொதுவான தகவல் அறிவதற்குச் சாட்பாட்களைப் பயன்படுத்தலாம். ஆனால் அவசர நெஞ்சுவலி, கடுமையான தலைவலி, மூச்சுத் திணறல் போன்ற உடனடி ஆபத்து அறிகுறிகளுக்குச் சாட்பாட்களிடம் நேரம் கடத்தாமல் நேரடியாக அவசர மருத்துவமனையை அணுகுவதே பாதுகாப்பானது.

4மருத்துவ AI மனித மருத்துவர்களை எதிர்காலத்தில் முற்றிலும் மாற்றிவிடுமா?

ஒருபோதும் மாற்ற முடியாது. உடலைத் தொட்டுப் பரிசோதிக்கும் திறன், நோயாளியின் குரல் நடுக்கத்தைப் புரிந்து கொள்ளும் மனித உள்ளுணர்வு மற்றும் அறுவை சிகிச்சைகளை நேரடியாகச் செய்யும் அனுபவம் மனித மருத்துவர்களுக்கே உரியது. AI அவர்களின் உதவியாளராக மட்டுமே இயங்கும்.

5இந்தியாவில் இத்தகைய AI மருத்துவத் தொழில்நுட்பங்கள் எப்போது பயன்பாட்டிற்கு வரும்?

இந்தியாவின் முதன்மை மருத்துவ நிறுவனங்களான எய்ம்ஸ் (AIIMS) மற்றும் அப்பல்லோ போன்ற மருத்துவமனைகளில் முதற்கட்ட சோதனை முயற்சிகள் தொடங்கப்பட்டுள்ளன. இந்திய மொழிகளில் உரையாடும் AI மாதிரிகள் உருவாக்கப்பட்ட பின் அடுத்த சில ஆண்டுகளில் பெருநகரங்களில் இதன் பயன்பாட்டை நாம் எதிர்பார்க்கலாம்.

மேற்கோள்கள்

1. ↩ Conversational diagnostic artificial intelligence in ambulatory primary care: a prospective feasibility study
2. ↩ The deskilling dilemma in artificial intelligence-assisted medicine