طب کو neuro-symbolic AI کی ضرورت کیوں ہے

مارچ میں 63 سال کی ایک خاتون معمول کے checkup کے لیے اپنے ڈاکٹر کے پاس جاتی ہیں۔ Blood test سے پتا چلتا ہے کہ ان کی blood sugar کچھ عرصے سے زیادہ چل رہی ہے، اور انہیں بتایا جاتا ہے کہ انہیں type 2 diabetes ہے۔ وہ اس کی ایک عام دوا شروع کرتی ہیں، اور انہیں تین مہینے بعد دوبارہ آنے کو کہا جاتا ہے۔

جون میں وہ اپنے دفتر کے قریب ایک lab سے blood test کرواتی ہیں، کیونکہ یہ clinic تک گاڑی چلا کر جانے سے آسان ہے۔ ان کی sugar مارچ سے بھی زیادہ ہے۔ Follow-up visit پر nurse ان کا وزن کرتی ہے تو پتا چلتا ہے کہ ان کا وزن تقریباً 4 kg کم ہو گیا ہے، اور note میں لکھا جاتا ہے کہ وہ lifestyle changes پر اچھا respond کر رہی ہیں۔ وہ بھی خوش ہیں اور ان کے ڈاکٹر بھی۔

اگست میں وہ ایک urgent care clinic جاتی ہیں۔ کمر کے بیچ میں کچھ ہفتوں سے درد ہے۔ نہ وہ گری ہیں، نہ انہوں نے کوئی بھاری چیز اٹھائی ہے۔ انہیں ایک anti-inflammatory دوا دی جاتی ہے اور physical therapy کے لیے refer کر دیا جاتا ہے۔

تینوں ڈاکٹروں میں سے ہر ایک نے وہی کام کیا جو اس کے سامنے تھا، اور ہر record الگ سے پڑھیں تو معقول لگتا ہے۔ لیکن تینوں کو ساتھ پڑھیں تو وہ ایک ایسی بات کی طرف اشارہ کرتے ہیں جو کوئی ایک record اکیلے نہیں دکھاتا، اور جو ڈاکٹر تینوں کو دیکھتا وہ ان کے pancreas کا scan کروانا چاہتا۔

تینوں visits کا آپس میں کیا تعلق ہے

Pancreas ایک چھوٹا سا عضو ہے جو معدے کے پیچھے، پیٹ کی پچھلی دیوار سے لگا، کافی گہرائی میں ہوتا ہے۔ اس کا ایک کام insulin بنانا ہے، وہ hormone جو blood sugar کو قابو میں رکھتا ہے۔

یہی وہ کڑی ہے جو تینوں visits کو جوڑتی ہے۔ Pancreas میں tumor ہو تو insulin بننے کا عمل بگڑ سکتا ہے، اور blood sugar بڑھ جاتی ہے، بعض اوقات کسی بھی دوسری علامت سے پہلے۔ Cancer سے وزن بھی گر سکتا ہے، بغیر اس کے کہ انسان نے اس کی کوشش کی ہو۔ اور چونکہ pancreas ریڑھ کی ہڈی اور اس کے nerves کے قریب ہوتا ہے، اس لیے وہاں کا tumor کمر کے بیچ میں ایک دھیما سا درد پیدا کر سکتا ہے۔

نئی diabetes والے زیادہ تر لوگوں کو cancer نہیں ہوتا۔ لیکن جب diabetes پہلی بار 50 سال کی عمر کے بعد ظاہر ہو، تو تقریباً سو میں سے ایک شخص میں تین سال کے اندر pancreatic cancer کی تشخیص ہو جاتی ہے، جو اس عمر میں متوقع شرح کا لگ بھگ آٹھ گنا ہے۔ Mayo Clinic کے محققین نے ان مریضوں کو پہچاننے کے لیے ایک score بنایا، جو diabetes شروع ہونے کی عمر، وزن میں تبدیلی اور blood sugar میں تبدیلی پر مبنی ہے۔ سب سے زیادہ اہمیت اس صورت کو ملتی ہے جب وزن گر رہا ہو اور sugar چڑھ رہی ہو۔

وقت اس لیے اہم ہے کہ pancreatic cancer عموماً دیر سے پکڑا جاتا ہے۔ تقریباً آدھے cases کی تشخیص تب ہوتی ہے جب cancer پھیل چکا ہوتا ہے، اور تب علاج کے بس میں بہت کم رہ جاتا ہے۔ اگر یہ مہینوں پہلے پکڑا جائے تو امکانات بدل سکتے ہیں۔

اس خاتون کے معاملے میں جو معلومات درکار تھیں، وہ پہلے سے record میں موجود تھیں۔ مگر وہ تین جگہوں پر بکھری ہوئی تھیں، اور کوئی انہیں ایک ساتھ نہیں دیکھ رہا تھا۔

یہی خلا الٹی سمت میں بھی کام کرتا ہے۔ میں نے ایسے مریض دیکھے ہیں جن کی cardiac evaluation ہوتی رہی جبکہ اصل وجہ anxiety تھی اور دل کی بے ترتیب دھڑکن اس کی علامت، اور ایسے مریضوں کا علاج میں نے خود کیا ہے۔ ان کے دل کا معائنہ پوری احتیاط سے ہوا، مگر جواب ان کی کہانی میں کہیں اور تھا۔ جب کسی انسان کی صحت کے ٹکڑے الگ الگ پڑے ہوں، تو طب اس سے چوک جاتی ہے جو سنگین ہے، اور اس کے پیچھے دوڑتی ہے جو سنگین نہیں۔

Computers اب تک یہ مسئلہ حل کیوں نہیں کر سکے

Computers انسانوں سے کہیں تیز پڑھتے ہیں، اس لیے یہ سوال جائز ہے کہ وہ ایسے cases اب تک کیوں نہیں پکڑ لیتے۔ وجہ یہ ہے کہ طب میں زیادہ تر AI دو میں سے کسی ایک قسم کی ہے، اور ہر قسم تصویر کا صرف ایک حصہ دیکھتی ہے۔

پہلی قسم مثالوں سے سیکھتی ہے۔ اسے دسیوں لاکھ پرانے مریضوں کا data دیں تو وہ سیکھ لیتی ہے کہ کون سے patterns اکثر کسی بیماری سے پہلے نظر آتے تھے۔ آج بہت سے لوگ جو chatbots استعمال کرتے ہیں، وہ اسی طرح بنے ہیں، text کی بہت بڑی مقدار پر train کیے گئے۔ اس قسم کی AI بھانپنے میں اچھی ہے، مگر یہ نہیں دکھا سکتی کہ وہ کسی نتیجے تک کیوں پہنچی، اور غلط ہونے پر بھی اتنی ہی پُراعتماد لگتی ہے جتنی درست ہونے پر۔ ڈاکٹر ایسے نتیجے پر محفوظ طریقے سے عمل نہیں کر سکتی جسے جانچنے کا اس کے پاس کوئی طریقہ نہ ہو۔

دوسری قسم ان اصولوں پر چلتی ہے جو انسانوں نے لکھ رکھے ہیں، “اگر یہ ہو، تو وہ” کی صورت میں۔ اصول صاف بتاتا ہے کہ وہ کیا check کرتا ہے اور کیوں۔ لیکن وہ صرف وہی پکڑتا ہے جو کسی نے پہلے سے سوچ رکھا ہو، اور تبھی جب معلومات ٹھیک اسی شکل میں آئیں جس کی اصول کو توقع ہے۔ وہ سیکھتا نہیں۔

دونوں طریقے ادھورے ہیں، اور دونوں میں سے کوئی بھی برا خیال نہیں۔

اس سے گہرا مسئلہ ان records میں ہے جن سے یہ systems سیکھتے ہیں۔ Medical record کا بڑا حصہ notes پر مشتمل ہوتا ہے، اور ہر note کسی visit کے بارے میں ایک شخص کا بیان ہے، جلدی میں لکھا ہوا، اور اس بات سے متاثر کہ اس شخص نے مریض کو کس نظر سے دیکھا۔ باقی کا زیادہ تر حصہ billing کے لیے بنایا گیا تھا، جس میں diagnoses payment codes کی صورت میں محفوظ ہیں۔ جو system صرف اسی مواد سے سیکھے، وہ اس کے blind spots بھی سیکھ لیتا ہے۔ 2019 میں محققین نے دیکھا کہ امریکی health systems میں اضافی care کے لیے مریض چننے والا ایک algorithm سیاہ فام مریضوں کو ان کی اصل حالت سے زیادہ صحت مند سمجھ رہا تھا۔ اس نے ماضی کے اخراجات سے سیکھا تھا، اور ان کی care پر کم خرچ ہوا تھا۔

سیکھنا اور منطق، ایک ساتھ

اچھے ڈاکٹر دونوں طرح کی سوچ استعمال کرتے ہیں۔ برسوں کی practice انہیں سکھاتی ہے کہ کب کچھ گڑبڑ ہے، اور پھر وہ قدم اٹھانے سے پہلے اس تاثر کو شواہد پر پرکھتے ہیں۔ Neuro-symbolic AI بھی اسی طرح بنی ہے۔ اس کا “neuro” حصہ تجربے کی طرح سیکھتا اور بھانپتا ہے۔ اور “symbolic” حصہ اصولوں کے ذریعے استدلال کرتا ہے، جیسے ڈاکٹر شواہد سے جانچتے وقت کرتا ہے۔

Chroneme میں اصول شائع شدہ تحقیق اور medical guidelines سے آتے ہیں، اور ایک lens کی طرح کام کرتے ہیں۔ ہر clinical سوال کے لیے وہ طے کرتے ہیں کہ کون سی معلومات اہم ہے اور اس کے source پر کتنا بھروسا کیا جائے، تاکہ مشین پر لیا گیا وزن کسی note میں لکھے ایک لفظ سے زیادہ معتبر مانا جائے۔ اس دائرے کے اندر سیکھنے والا حصہ پھر بھی ایسے patterns بھانپ سکتا ہے جنہیں لکھنے کا کسی نے سوچا ہی نہیں۔ پھر منطقی حصہ ہر pattern کو شواہد پر پرکھتا ہے، اور جو pattern اس کسوٹی پر پورا نہ اترے، وہ کبھی recommendation بن کر ڈاکٹر تک نہیں پہنچتا۔

اب اسی خاتون کا تصور کیجیے، جب Chroneme ان کی care کو پڑھ رہا ہو۔ ان کے lab results، وزن اور notes ہر اس جگہ سے جہاں ان کا معائنہ ہوا، ایک record میں جمع ہو جاتے ہیں، اسی ترتیب سے جس میں واقعات پیش آئے۔ جون میں جب ان کی sugar بڑھتی ہے اور وزن گھٹتا ہے، تو یہ pattern ٹھیک اسی سے ملتا ہے جو شائع شدہ score ڈھونڈتا ہے، اور ان کے ڈاکٹر اسی ہفتے یہ finding دیکھ لیتے ہیں، کمر کا درد شروع ہونے سے دو مہینے پہلے۔ Finding سادہ زبان میں لکھی ہوتی ہے اور ہر وہ result دکھاتی ہے جس پر یہ مبنی ہے، کہ ہر ایک کہاں اور کب record ہوا، اور وہ study جس سے اصول لیا گیا ہے۔ Scan کا order پہلے سے تیار ہوتا ہے، اور ساتھ میں مریضہ کے لیے ایک پیغام جو انہیں گھبرائے بغیر وجہ سمجھاتا ہے۔ ان کے ڈاکٹر اسے دیکھتے ہیں، متفق یا غیر متفق ہوتے ہیں، اور sign کرتے ہیں۔

چونکہ اصول لکھے ہوئے ہیں، اس لیے ایک جیسے حقائق ہر مریض کے لیے ایک ہی نتیجے تک لے جاتے ہیں، چاہے on call کوئی بھی ہو۔ جب شواہد بدلتے ہیں تو اصول ایک بار update ہوتا ہے اور سب پر لاگو ہو جاتا ہے۔ اور جب کچھ غلط ہو جائے تو پتا لگایا جا سکتا ہے کہ غلطی کہاں ہوئی۔

ہم کیا بنا رہے ہیں

صرف بہتر طریقہ کافی نہیں۔ اسے چلنے کے لیے ایک system چاہیے، ایسا system جو ہر شخص کا record مکمل رکھے اور دس لاکھویں مریض کے لیے بھی اتنا ہی اچھا کام کرے جتنا پہلے کے لیے۔ ہم یہی system بنا رہے ہیں۔

اس سے نئی قسم کی بصیرت بھی ممکن ہوتی ہے۔ Scan دکھاتا ہے کہ جسم اندر سے کیسا ہے، history دکھاتی ہے کہ وہ اس حال تک کیسے پہنچا، اور genetics دکھاتی ہے کہ اس کا رجحان کس طرف زیادہ تھا۔ یہ سب عموماً الگ الگ پڑھے جاتے رہے ہیں، مختلف specialists کے ہاتھوں۔ انہیں ایک ساتھ اور ترتیب سے پڑھا جائے تو ایسے امتزاج سامنے آتے ہیں جو کسی اکیلے record میں موجود نہیں۔

طب دہائیوں سے جانتی ہے کہ اچھی، evidence-based care کیسی ہوتی ہے۔ کمی اس وقت کی رہی ہے جس میں یہ سارے شواہد ہر مریض پر، ہر روز، لاگو کیے جا سکیں، کیونکہ کوئی ڈاکٹر ہر visit سے پہلے ہر record کو ہر guideline سے نہیں ملا سکتا۔ Chroneme کے agents، یعنی ایسے programs جو کسی کام کے مراحل انجام دیتے ہیں، یہی تیاری کرتے ہیں۔ وہ orders، پیغامات اور notes کا draft بناتے ہیں، ہر ایک کے ساتھ اس کے sources، تاکہ کوئی clinician انہیں دیکھے اور sign کرے۔ فیصلہ انسانوں کے پاس رہتا ہے، اور بچا ہوا وقت مریضوں کی دیکھ بھال میں واپس جاتا ہے۔

ہم اپنے دعووں کے معاملے میں محتاط ہیں۔ ہر نتیجے کا سراغ لگایا اور اسے جانچا جا سکتا ہے: یہ بات آج design کی رو سے سچ ہے۔ یہ system اتنی بار درست ہوتا ہے یا نہیں کہ مریضوں کو فائدہ پہنچے، یہ شواہد سے طے ہونے والا سوال ہے۔ ہم اسے ایک ایسے protocol کے تحت test کر رہے ہیں جو کوئی بھی نتیجہ دیکھنے سے پہلے لکھا گیا تھا، اور جو کچھ ملے گا شائع کریں گے، ان جگہوں سمیت جہاں یہ کم پڑتا ہے۔