चिकित्सा को neuro-symbolic AI की ज़रूरत क्यों है

मार्च में 63 साल की एक महिला routine checkup के लिए अपने डॉक्टर के पास जाती हैं। Blood test से पता चलता है कि उनकी blood sugar कुछ समय से ज़्यादा चल रही है, और उन्हें बताया जाता है कि उन्हें type 2 diabetes है। वे इसकी एक आम दवा शुरू करती हैं, और उनसे तीन महीने बाद फिर आने को कहा जाता है।

जून में वे अपने दफ़्तर के पास की एक lab में blood test करवाती हैं, क्योंकि clinic तक गाड़ी चलाकर जाने से यह आसान है। उनकी sugar मार्च से भी ज़्यादा है। Follow-up visit पर nurse उनका वज़न लेती है तो पता चलता है कि उनका वज़न करीब 4 kg कम हो गया है, और note में लिखा जाता है कि वे lifestyle changes पर अच्छा respond कर रही हैं। वे भी ख़ुश हैं और उनके डॉक्टर भी।

अगस्त में वे एक urgent care clinic जाती हैं। पीठ के बीच में कुछ हफ़्तों से दर्द है। न वे गिरी हैं, न उन्होंने कुछ भारी उठाया है। उन्हें एक anti-inflammatory दवा दी जाती है और physical therapy के लिए refer कर दिया जाता है।

तीनों डॉक्टरों में से हर एक ने वही काम किया जो उसके सामने था, और हर record अकेले पढ़ें तो उचित लगता है। लेकिन तीनों को साथ पढ़ें तो वे एक ऐसी बात की ओर इशारा करते हैं जो कोई एक record अकेले नहीं दिखाता, और जो डॉक्टर तीनों को देखता, वह उनके pancreas का scan करवाना चाहता।

तीनों visits का आपस में क्या रिश्ता है

Pancreas एक छोटा-सा अंग है जो stomach के पीछे, पेट की पिछली दीवार से सटा, काफ़ी गहराई में होता है। इसका एक काम insulin बनाना है, वह hormone जो blood sugar को काबू में रखता है।

तीनों visits को यही बात जोड़ती है। Pancreas में tumor हो तो insulin बनने का काम बिगड़ सकता है, और blood sugar बढ़ जाती है, कभी-कभी किसी भी दूसरे लक्षण से पहले। Cancer से वज़न भी घट सकता है, बिना इसके कि व्यक्ति ने इसकी कोशिश की हो। और क्योंकि pancreas रीढ़ की हड्डी और उसकी nerves के पास होता है, वहाँ का tumor पीठ के बीच में एक धीमा-धीमा दर्द पैदा कर सकता है।

नई diabetes वाले ज़्यादातर लोगों को cancer नहीं होता। लेकिन जब diabetes पहली बार 50 की उम्र के बाद सामने आए, तो लगभग सौ में से एक व्यक्ति में तीन साल के भीतर pancreatic cancer का diagnosis होता है, जो उस उम्र में अपेक्षित दर का लगभग आठ गुना है। Mayo Clinic के शोधकर्ताओं ने ऐसे मरीज़ों को पहचानने के लिए एक score बनाया, जो diabetes शुरू होने की उम्र, वज़न में बदलाव और blood sugar में बदलाव पर आधारित है। सबसे ज़्यादा अहमियत इस स्थिति को मिलती है कि वज़न घट रहा हो और sugar बढ़ रही हो।

समय इसलिए मायने रखता है कि pancreatic cancer आमतौर पर देर से पकड़ में आता है। लगभग आधे cases का diagnosis तब होता है जब cancer फैल चुका होता है, और तब इलाज के बस में बहुत कम रह जाता है। अगर यह महीनों पहले पकड़ में आ जाए, तो संभावनाएँ बदल सकती हैं।

इस महिला के मामले में ज़रूरी जानकारी पहले से दर्ज थी। मगर वह तीन जगहों पर बिखरी हुई थी, और कोई उसे पूरा एक साथ नहीं देख रहा था।

यही कमी उलटी दिशा में भी असर करती है। मैंने ऐसे मरीज़ देखे हैं जिनकी cardiac evaluation होती रही, जबकि असली वजह anxiety थी और दिल की अनियमित धड़कन उसका लक्षण, और ऐसे मरीज़ों का इलाज मैंने ख़ुद किया है। उनके दिल की जाँच पूरी सावधानी से हुई, लेकिन जवाब उनकी कहानी में कहीं और था। जब किसी इंसान की सेहत के टुकड़े अलग-अलग पड़े हों, तो चिकित्सा उससे चूक जाती है जो गंभीर है, और उसके पीछे दौड़ती है जो गंभीर नहीं।

Computers अब तक यह समस्या हल क्यों नहीं कर पाए

Computers इंसानों से कहीं तेज़ पढ़ते हैं, इसलिए यह पूछना वाजिब है कि वे ऐसे cases अब तक क्यों नहीं पकड़ लेते। वजह यह है कि चिकित्सा में ज़्यादातर AI दो में से किसी एक तरह की होती है, और हर तरह तस्वीर का सिर्फ़ एक हिस्सा देखती है।

पहली तरह की AI उदाहरणों से सीखती है। उसे दसियों लाख पुराने मरीज़ों का data दीजिए, तो वह सीख लेती है कि कौन-से patterns अक्सर किसी बीमारी से पहले दिखते थे। आज बहुत-से लोग जिन chatbots का इस्तेमाल करते हैं, वे इसी तरह बने हैं, text की बहुत बड़ी मात्रा पर train किए गए। इस तरह की AI भाँपने में अच्छी है, लेकिन यह नहीं दिखा सकती कि वह किसी नतीजे पर क्यों पहुँची, और ग़लत होने पर भी उतनी ही आत्मविश्वासी लगती है जितनी सही होने पर। डॉक्टर ऐसे नतीजे पर सुरक्षित ढंग से अमल नहीं कर सकतीं जिसे जाँचने का उनके पास कोई रास्ता न हो।

दूसरी तरह की AI उन नियमों पर चलती है जो लोगों ने लिख रखे हैं, “अगर यह हो, तो वह” के रूप में। नियम साफ़ बताता है कि वह क्या check करता है और क्यों। लेकिन वह सिर्फ़ वही पकड़ता है जो किसी ने पहले से सोच रखा हो, और तभी जब जानकारी ठीक उसी रूप में आए जिसकी नियम को उम्मीद है। वह सीखता नहीं।

दोनों तरीके अधूरे हैं, और दोनों में से कोई भी बुरा विचार नहीं है।

इससे गहरी समस्या उन records में है जिनसे ये systems सीखते हैं। Medical record का बड़ा हिस्सा notes होते हैं, और हर note किसी visit के बारे में एक व्यक्ति का ब्योरा है, जल्दी में लिखा हुआ, और इस बात से प्रभावित कि उस व्यक्ति ने मरीज़ को किस नज़र से देखा। बाकी का ज़्यादातर हिस्सा billing के लिए बनाया गया था, जिसमें diagnoses payment codes के रूप में दर्ज हैं। जो system सिर्फ़ इसी सामग्री से सीखता है, वह उसके blind spots भी सीख लेता है। 2019 में शोधकर्ताओं ने पाया कि अमेरिकी health systems में अतिरिक्त care के लिए मरीज़ चुनने वाला एक algorithm अश्वेत मरीज़ों को उनकी असल हालत से ज़्यादा स्वस्थ आँक रहा था। उसने पिछले ख़र्च से सीखा था, और उनकी care पर कम ख़र्च हुआ था।

सीखना और तर्क, एक साथ

अच्छे डॉक्टर दोनों तरह की सोच का इस्तेमाल करते हैं। बरसों की practice उन्हें यह भाँपना सिखाती है कि कब कुछ गड़बड़ है, और फिर वे कदम उठाने से पहले उस अंदाज़े को सबूतों पर परखते हैं। Neuro-symbolic AI भी इसी तरह बनी है। इसका “neuro” हिस्सा अनुभव की तरह सीखता और भाँपता है। और “symbolic” हिस्सा नियमों के सहारे तर्क करता है, जैसे डॉक्टर सबूतों से मिलान करते समय करता है।

Chroneme में नियम प्रकाशित शोध और medical guidelines से आते हैं, और एक lens की तरह काम करते हैं। हर clinical सवाल के लिए वे तय करते हैं कि कौन-सी जानकारी मायने रखती है और उसके source पर कितना भरोसा किया जाए, ताकि मशीन पर लिया गया वज़न किसी note में लिखे एक शब्द से ज़्यादा भरोसेमंद माना जाए। इस दायरे के भीतर सीखने वाला हिस्सा फिर भी ऐसे patterns भाँप सकता है जिन्हें लिखने की किसी ने सोची ही नहीं। फिर तर्क वाला हिस्सा हर pattern को सबूतों पर परखता है, और जो pattern इस कसौटी पर खरा न उतरे, वह कभी recommendation बनकर डॉक्टर तक नहीं पहुँचता।

अब उसी महिला की कल्पना कीजिए, जब Chroneme उनकी care को पढ़ रहा हो। उनके lab results, वज़न और notes हर उस जगह से जहाँ उन्हें देखा गया, एक record में जुड़ जाते हैं, उसी क्रम में जिसमें घटनाएँ हुईं। जून में जब उनकी sugar बढ़ती है और वज़न घटता है, तो यह pattern ठीक उसी से मेल खाता है जिसे प्रकाशित score खोजता है, और उनके डॉक्टर उसी हफ़्ते यह finding देख लेते हैं, पीठ दर्द शुरू होने से दो महीने पहले। Finding सरल भाषा में लिखी होती है और हर वह result दिखाती है जिस पर वह आधारित है, कि हर एक कहाँ और कब दर्ज हुआ, और वह study जिससे नियम लिया गया है। Scan का order पहले से तैयार होता है, और साथ में मरीज़ के लिए एक संदेश जो उन्हें डराए बिना वजह समझाता है। उनके डॉक्टर इसे देखते हैं, सहमत या असहमत होते हैं, और sign करते हैं।

क्योंकि नियम लिखे हुए हैं, एक जैसे तथ्य हर मरीज़ के लिए एक ही नतीजे तक ले जाते हैं, चाहे on call कोई भी हो। जब सबूत बदलते हैं, तो नियम एक बार update होता है और सब पर लागू हो जाता है। और जब कुछ ग़लत हो, तो पता लगाया जा सकता है कि चूक कहाँ हुई।

हम क्या बना रहे हैं

सिर्फ़ बेहतर तरीका काफ़ी नहीं है। उसे चलने के लिए एक system चाहिए, ऐसा system जो हर व्यक्ति का record पूरा रखे और दस लाखवें मरीज़ के लिए भी उतना ही अच्छा काम करे जितना पहले के लिए। हम वही system बना रहे हैं।

इससे नई तरह की समझ भी संभव होती है। Scan दिखाता है कि शरीर भीतर से कैसा है, history दिखाती है कि वह इस हाल तक कैसे पहुँचा, और genetics दिखाती है कि उसका झुकाव किस ओर ज़्यादा था। इन्हें आमतौर पर अलग-अलग specialists अलग-अलग पढ़ते आए हैं। इन्हें एक साथ और क्रम से पढ़ा जाए, तो ऐसे मेल सामने आते हैं जो किसी अकेले record में नहीं होते।

चिकित्सा दशकों से जानती है कि अच्छी, evidence-based care कैसी होती है। कमी उस समय की रही है जिसमें ये सारे सबूत हर मरीज़ पर, हर दिन, लागू किए जा सकें, क्योंकि कोई भी डॉक्टर हर visit से पहले हर record को हर guideline से नहीं मिला सकता। Chroneme के agents, यानी ऐसे programs जो किसी काम के चरण पूरे करते हैं, यही तैयारी करते हैं। वे orders, संदेशों और notes का draft बनाते हैं, हर एक के साथ उसके sources, ताकि कोई clinician उन्हें देखे और sign करे। फ़ैसला इंसानों के हाथ में रहता है, और बचा हुआ समय मरीज़ों की देखभाल में वापस जाता है।

हम अपने दावों को लेकर सावधान हैं। हर नतीजे का सूत्र खोजा और उसे जाँचा जा सकता है, यह बात आज design के स्तर पर ही सच है। यह system इतनी बार सही होता है या नहीं कि मरीज़ों को फ़ायदा पहुँचे, यह सबूतों से तय होने वाला सवाल है। हम इसे एक ऐसे protocol के तहत test कर रहे हैं जो कोई भी नतीजा देखे जाने से पहले लिखा गया था, और जो कुछ मिलेगा उसे प्रकाशित करेंगे, उन जगहों समेत जहाँ यह कम पड़ता है।