जोसेफ ब्रोडरिक, एमडी। श्रेय: फोटो/सिनसिनाटी विश्वविद्यालय
चूंकि कृत्रिम बुद्धिमत्ता (एआई) का उपयोग लगभग हर उद्योग में बढ़ रहा है, इसलिए यह सुनिश्चित करने के लिए रेलिंग स्थापित करना महत्वपूर्ण है कि प्रौद्योगिकी का उपयोग नैतिक और जिम्मेदारी से किया जाए। यह चिकित्सा के क्षेत्र में विशेष रूप से सच है, जहां त्रुटियां जीवन और मृत्यु का मामला हो सकती हैं और रोगी की जानकारी को संरक्षित किया जाना चाहिए।
स्ट्रोक चिकित्सकों, शोधकर्ताओं और उद्योग प्रतिनिधियों के एक समूह ने 28 मार्च को स्ट्रोक ट्रीटमेंट अकादमिक उद्योग गोलमेज बैठक में स्ट्रोक क्लिनिकल परीक्षण डिजाइन में एआई के वर्तमान उपयोग और भविष्य पर चर्चा की। शोधकर्ताओं का नेतृत्व सिनसिनाटी विश्वविद्यालय के जोसेफ ब्रोडरिक, एमडी ने किया। प्रकाशित पत्रिका में एक लेख आघात 30 सितम्बर समूह की चर्चा का सारांश।
स्ट्रोक चिकित्सक पहले से ही नैदानिक निर्णय लेने में सहायता के लिए एआई का उपयोग करते हैं, खासकर मस्तिष्क और वाहिका इमेजिंग का विश्लेषण करते समय। यह चिकित्सकों को नैदानिक परीक्षणों के संभावित प्रतिभागियों के बारे में भी सचेत करता है।
लेकिन एआई के इन और अन्य विस्तारित उपयोगों के साथ, ब्रोडरिक और उनके सहयोगियों ने “लूप में मानव” सिस्टम को डिजाइन करने के महत्व पर जोर दिया, जिसके लिए एआई मॉडल के प्रशिक्षण और उपयोग में मानव इनपुट और विशेषज्ञता की आवश्यकता होती है।
यूसी के कॉलेज ऑफ मेडिसिन के प्रोफेसर, यूसी गार्डनर न्यूरोसाइंस इंस्टीट्यूट के वरिष्ठ सलाहकार और एनआईएच स्ट्रोकनेट नेशनल कोऑर्डिनेटिंग सेंटर के निदेशक ब्रोडरिक ने कहा, “एआई के बारे में ऐसे सोचें जैसे कोई बच्चा बाइक चलाना सीख रहा हो।”
“बाइक चलाना एक अद्भुत उपलब्धि है, लेकिन सीखने में बहुत सारी गलतियाँ होती हैं। जब बच्चा सीख रहा हो तो बाइक को सहारा देने के लिए एक विशेषज्ञ का होना और यहां तक कि पहियों को प्रशिक्षित करना भी मददगार होता है। आखिरकार, बच्चे बहुत अच्छी तरह से बाइक चलाना सीख जाते हैं।”
ब्रोडरिक और उनके सहयोगियों ने स्ट्रोक अनुप्रयोगों में जेनरेटर एआई के साथ मशीन लर्निंग (एमएल) के उपयोग की तुलना की।
मशीन लर्निंग “जमीनी सच्चाई” के रूप में जाने जाने वाले परिणामों को वर्गीकृत करने या भविष्यवाणी करने के लिए संरचित और मानव-क्यूरेटेड डेटासेट पर एआई मॉडल को प्रशिक्षित करता है। हालांकि इन मॉडलों को बड़े डेटा सेट के साथ प्रशिक्षित करने के लिए अधिक मानवीय प्रयास की आवश्यकता होती है, अधिकांश मशीन लर्निंग को मानक कंप्यूटिंग शक्ति के साथ कुशलतापूर्वक किया जा सकता है।
सह-लेखकों ने लिखा, “इन एमएल मॉडल का एक बड़ा फायदा यह है कि उनके तरीके आम तौर पर अधिक व्याख्या योग्य होते हैं और उनकी निर्णय लेने की प्रक्रिया अधिक पारदर्शी होती है, इसलिए उन्हें समझा और पता लगाया जा सकता है, जो चिकित्सा सत्यापन और जैविक व्यवहार्यता के लिए महत्वपूर्ण है।”
जेनरेटिव एआई को डेटा के अधिक विशिष्ट सेटों पर ठीक करने से पहले इंटरनेट, पुस्तकों और पत्रिकाओं से बड़े पैमाने पर, बिना लेबल वाले पाठों पर प्रशिक्षित किया जाता है। इसका मतलब आम तौर पर मॉडल को प्रशिक्षित करने में कम मानवीय हस्तक्षेप होता है, लेकिन इसके लिए बड़े पैमाने पर कंप्यूटिंग शक्ति और बिजली की आवश्यकता होती है।
सह-लेखकों ने कहा, “(जेनेरेटिव एआई) मॉडल में स्वयं अरबों या खरबों पैरामीटर होते हैं, लेकिन वे ‘ब्लैक बॉक्स’ के रूप में काम करते हैं, जिससे यह पूरी तरह से समझना मुश्किल हो जाता है कि एक विशिष्ट आउटपुट कैसे या क्यों उत्पन्न हुआ।” “बड़े भाषा मॉडल की व्याख्या अनुसंधान का एक सक्रिय क्षेत्र है।”
चाहे मशीन लर्निंग या जेनरेटिव मॉडल का उपयोग कर रहे हों, स्ट्रोक शोधकर्ताओं को यह सुनिश्चित करने में सक्रिय रहने की आवश्यकता होगी कि डेटा सेट मजबूत हों और सामान्यीकरण में सुधार के लिए विभिन्न स्कैनर निर्माताओं, संस्थानों और मरीजों के डेटा का हिसाब रखें।
ब्रोडरिक ने कहा, “अगर हम खराब या सीमित डेटा का उपयोग करते हैं और मानव विशेषज्ञ खराब डेटा या वर्गीकरण को सही नहीं करते हैं, तो एआई गलत और गलत सिफारिशें दे सकता है।” “मेरी सबसे बड़ी चिंता तब होती है जब एआई को खराब डेटा पर प्रशिक्षित किया जाता है और ऐसे उत्तर देता है जो नुकसान पहुंचा सकते हैं।”
मॉडलों को प्रशिक्षित करने के लिए उपयोग की जाने वाली रोगी की जानकारी को निजी और HIPAA के अनुरूप रखने के लिए शोधकर्ताओं को सख्त प्रोटोकॉल और सुरक्षा उपाय विकसित करने की भी आवश्यकता होगी। यह स्वतंत्र तृतीय पक्षों की तरह लग सकता है, जैसे कि अमेरिकन हार्ट एसोसिएशन, एआई मॉडल में फीड किए जाने से पहले गुमनाम रोगी डेटा एकत्र कर रहा है, या सीखे गए मापदंडों को अधिक व्यापक रूप से साझा करने से पहले केवल प्रत्येक व्यक्तिगत संस्थान से डेटा के साथ मॉडल को प्रशिक्षित कर रहा है।
सह-लेखकों ने लिखा, “रोगी की गोपनीयता की सुरक्षा स्वास्थ्य देखभाल में एआई के प्रशिक्षण के लिए नैदानिक डेटा के उपयोग के लिए एक बड़ी चुनौती का प्रतिनिधित्व करती है, और विभिन्न देशों में डेटा साझा करने के संबंध में विभिन्न कानूनों द्वारा देशों के बीच डी-आइडेंटिफाइड डेटा को साझा करना और अधिक चुनौतीपूर्ण बना दिया गया है।” “मॉडल विकास के नए तरीके इनमें से कुछ गोपनीयता चिंताओं को दूर करने का वादा करते हैं।”
मजबूत स्ट्रोक एआई मॉडल को मनुष्यों द्वारा विकसित और मान्य किए जाने के बाद, ब्रोडरिक ने कहा कि संभावित अनुप्रयोगों में संभावित परीक्षण प्रतिभागियों की बेहतर पहचान, सामान्य भाषा में मरीजों को परीक्षण डिजाइन संप्रेषित करना, गैर-अंग्रेजी भाषी मरीजों के लिए परीक्षण जानकारी का विभिन्न भाषाओं में अनुवाद करना और प्रत्येक व्यक्तिगत रोगी के लिए सर्वोत्तम उपचार की पहचान करने में मदद करना शामिल है।
उन्होंने कहा, “हम कुछ समय से सटीक चिकित्सा के बारे में बात कर रहे हैं, लेकिन एआई इसे पूरा करने की दिशा में एक बड़ा कदम है।”
एआई के अलावा, लेखकों ने प्लेटफ़ॉर्म परीक्षणों जैसे नए नैदानिक परीक्षण डिज़ाइनों पर चर्चा की, जो एक साथ कई शोध प्रश्नों का अधिक कुशलता से परीक्षण कर सकते हैं और पुराने प्रश्नों के उत्तर दिए जाने पर नए प्रश्न जोड़ सकते हैं। आगे बढ़ने वाला एक और प्रमुख फोकस व्यावहारिक परीक्षण है, जिसका उद्देश्य उपचार की प्रभावशीलता का आकलन करना है जब उन्हें आदर्श स्थितियों के बजाय नियमित नैदानिक देखभाल में लागू किया जाता है।
मौजूदा उपचारों की तुलना करके, परीक्षण प्रक्रियाओं को सामान्य नैदानिक वर्कफ़्लो में एम्बेड करके और इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड से डेटा का उपयोग करके, शोधकर्ता और संगठन संबंधित लागत को कम कर सकते हैं। इस प्रकार के व्यावहारिक परीक्षणों के साथ और उनके बुनियादी ढांचे को सरल बनाएं। व्यावहारिक डिज़ाइन से उम्मीद है कि परीक्षण सफलतापूर्वक, समय पर और सस्ते में पूरा होने की संभावना बढ़ जाएगी।
अंततः, स्ट्रोक अनुसंधान समुदाय को अधिक समुदाय और रोगी सहभागिता की आवश्यकता है। इसमें बूट-ऑन-द-ग्राउंड चिकित्सा कर्मियों (ईएमटी, सुविधाओं को स्थानांतरित करने और प्राप्त करने वाले चिकित्सक, और अध्ययन समन्वयक) से इनपुट शामिल होना चाहिए जो नैदानिक परीक्षणों में स्ट्रोक के रोगियों का नामांकन और इलाज करते हैं।
परीक्षण भागीदारी में रोगी और अन्वेषक के बोझ को कम करने, जब भी संभव हो समुदाय-आधारित सेटिंग्स में परीक्षण भागीदारी का विस्तार करने और रोगियों, चिकित्सकों और जनता के लिए परीक्षण परिणामों को शीघ्रता से प्रसारित करने के लिए परीक्षण के लिए सामान्य लक्ष्य स्थापित किए जाने चाहिए।
ब्रोडरिक ने कहा, “भविष्य उज्ज्वल है और हम इन नए उपकरणों के साथ अनुसंधान में बड़ी प्रगति करेंगे।” “साथ ही, हमारे दैनिक जीवन में एआई के तेजी से विस्तार के साथ हमारे वर्तमान युग की वास्तविक परीक्षा शब्दों, छवियों और वीडियो के समुद्र के बीच सटीक डेटा और सच्चाई को पहचानना है जो गलत, हानिकारक या गलत हो सकते हैं।”
उन्होंने आगे कहा, “आग एक घर को उतनी ही आसानी से जला सकती है जितनी आसानी से यह शरीर को गर्म करती है या भोजन बनाती है।” “एआई एक आग है जो तेजी से फैल रही है, लेकिन हम अभी यह सीखना शुरू कर रहे हैं कि इसे सुरक्षित और बुद्धिमानी से कैसे उपयोग किया जाए।”
अन्य लेख सह-लेखकों में यूसी के ईवा मिस्त्री और पॉल वेक्स्लर, मिशेल एसवी एलकाइंड, डेविड एस. लिब्सकिंड, जॉर्ज हार्सटन, जेक वोलेनबर्ग, जेनिफर ए. फ्रोंटेरा, डब्ल्यू. टेलर किम्बर्ली, क्रिस्टोफर जी. फेविला, जोहान्स बोल्ट्ज़, जोहाना ओस्पेल, एडगर ए सैमनीगो, ओपेओलू एडोये, स्कॉट ई शामिल हैं। कास्नर, ली एच. श्वाम और ग्रेगरी डब्ल्यू. अल्बर्स।
अधिक जानकारी:
जोसेफ पी. ब्रोडरिक एट अल, आर्टिफिशियल इंटेलिजेंस और तीव्र इस्केमिक स्ट्रोक के लिए उपन्यास परीक्षण डिजाइन: अवसर और चुनौतियां, आघात (2025)। डीओआई: 10.1161/स्ट्रोकेहा.125.052146
उद्धरण: स्ट्रोक विशेषज्ञ अनुसंधान और उपचार में एआई उपकरणों के वर्तमान और भविष्य के उपयोग पर चर्चा करते हैं (2025, 17 अक्टूबर) 17 अक्टूबर 2025 को लोकजनताnews/2025-10-experts-discuss-current-future-ai.html से लिया गया।
यह दस्तावेज कॉपीराइट के अधीन है। निजी अध्ययन या अनुसंधान के उद्देश्य से किसी भी निष्पक्ष व्यवहार के अलावा, लिखित अनुमति के बिना कोई भी भाग पुन: प्रस्तुत नहीं किया जा सकता है। सामग्री केवल सूचना के प्रयोजनों के लिए प्रदान की गई है।
