હેલ્થકેર ક્ષેત્ર ખૂબ જ ઓછા નફા અને તેનાથી પણ ઓછી ધીરજ વચ્ચે કામ કરે છે. ફોન સતત વાગતા રહે છે. ફ્રન્ટ-ડેસ્ક ટીમો ઓફિસના સમય અને રિફિલ પોલિસીઓ વિશે એટલી વાર બોલે છે કે તેમનો અવાજ બેસી જાય છે. નર્સ દર્દીઓને જોવાને બદલે સ્ક્રીન સામે તાકી રહે છે. દરેક વ્યક્તિને અત્યારે જ જવાબો જોઈએ છે, પરંતુ માનવીય ક્ષમતા (human bandwidth) તે મુજબ વધી શકતી નથી. વર્ષોથી, હેલ્થકેર સંસ્થાઓ આ ખામીને દૂર કરવા માટે બેઝિક ચેટબોટ્સનો પ્રયાસ કરતી હતી. તે સાધનો કડક સ્ક્રિપ્ટ્સ અનુસરતા હતા. તેઓ માત્ર કીવર્ડ્સ (keywords) શોધતા હતા, ઈન્ટેન્ટ (intent) નહીં. જો તમે "છાતીમાં દબાણ" (pressure in your chest) વિશે પૂછો, તો કીવર્ડ બોટ બિલિંગ વિશેનો લેખ બતાવી શકે છે કારણ કે તેણે "pressure" શબ્દ પકડ્યો હતો. દર્દીઓને તે પસંદ નહોતા. સ્ટાફ તેને અવગણતો હતો.
Large Language Models એ આખી તર્ક પ્રણાલીને સંપૂર્ણપણે બદલી નાખી છે. LLM-સંચાલિત ચેટબોટ કોઈ ડિસિઝન ટ્રી (decision tree) મોઢે નથી કરતો. તે અર્થ સમજે છે. તે સંદર્ભ (context), સ્લેંગ (slang) અને તાકીદ (urgency) ને સમજી શકે છે. તે રાત્રે ૨ વાગ્યે ચિંતિત માતા-પિતાના પ્રશ્નોના જવાબ આપી શકે છે, દર્દી ટ્રાફિકમાં હોય ત્યારે ફોલો-અપ રિશેડ્યુલ કરી શકે છે, અને કોઈ સંભવિત ગંભીર લક્ષણોને ક્લિનિશિયન માટે ફ્લેગ (flag) કરી શકે છે. આ ટેકનોલોજી ડોક્ટરોનો વિકલ્પ નથી. તે એક ફિલ્ટર અને પ્રવેશદ્વાર છે, જે પુનરાવર્તિત ક્રિયાઓ સંભાળે છે જેથી માનવીય કુશળતાનો ઉપયોગ ત્યાં થઈ શકે જ્યાં તેની ખરેખર જરૂર છે.
આ સિસ્ટમ્સ ખરેખર કેવી રીતે કામ કરે છે
હેલ્થકેરમાં LLM ચેટબોટ માત્ર એક સ્માર્ટ ટેક્સ્ટ જનરેટર નથી, પરંતુ તે અનેક સ્તરો (layers) થી બનેલો છે.
Natural language understanding એ પ્રથમ સ્તર છે. જ્યારે દર્દી "નવી ગોળી લીધા પછી મને વિચિત્ર લાગે છે" એમ ટાઈપ કરે છે, ત્યારે સિસ્ટમ માત્ર "ગોળી" (pill) શબ્દ શોધતી નથી. તે લાગણી (sentiment), સમય અને અસ્પષ્ટતાનું વિશ્લેષણ કરે છે. તે સમજે છે કે "વિચિત્ર" નો અર્થ ચક્કર આવવા, ઉબકા આવવા અથવા ચામડી પર ફોલ્લીઓ હોઈ શકે છે, અને તે કોઈપણ નિષ્કર્ષ પર પહોંચતા પહેલા સ્પષ્ટતા કરવા માટે પ્રશ્નો પૂછવાનું જાણે છે.
ત્યારબાદ language model આવે છે, જે જવાબ તૈયાર કરે છે. જૂના બોટ્સ જે ફિક્સ્ડ સ્ક્રિપ્ટ લાઈબ્રેરીમાંથી માહિતી લેતા હતા તેનાથી વિપરીત, LLM ગતિશીલ રીતે (dynamically) વાક્યો બનાવે છે. તે વીમાના પ્રી-ઓથોરાઈઝેશન (insurance pre-authorization) વિશે સરળ અંગ્રેજીમાં સમજાવી શકે છે, અને જો દર્દી વાતચીત દરમિયાન ભાષા બદલે, તો વાતચીતનો પ્રવાહ ગુમાવ્યા વિના સ્પેનિશમાં પણ વાત કરી શકે છે.
પરંતુ માત્ર ભાષાકીય પ્રવાહ પૂરતો નથી. Knowledge integration મોડેલને સચોટ બનાવે છે. retrieval-augmented generation અથવા ચોકસાઈપૂર્વક તૈયાર કરાયેલા મેડિકલ ડેટાબેઝ દ્વારા, બોટ વિશ્વસનીય સ્ત્રોતોમાંથી માહિતી મેળવે છે—જેમ કે તમારા હોસ્પિટલના પોતાના ક્લિનિકલ પ્રોટોકોલ, CDC માર્ગદર્શિકા અથવા માન્યતા પ્રાપ્ત ડ્રગ ઇન્ટરેક્શન શીટ્સ. તે અનુમાન લગાવતું નથી. તે પ્રમાણિત માહિતી આપે છે. જ્યારે તે તેની જાણકારીની મર્યાદા પર પહોંચે છે, ત્યારે human escalation સ્તર કાર્યરત થાય છે. જો દર્દી છાતીમાં અસહ્ય દુખાવો હોવાનું જણાવે, અથવા જો ભાષા ગંભીર તકલીફ સૂચવતી હોય, તો ચેટબોટ વાતચીત બંધ કરી દે છે અને તરત જ કેસ નર્સ અથવા ડોક્ટરને સોંપે છે. આ હેન્ડઓવરમાં અત્યાર સુધી થયેલી તમામ વાતચીતનો સારાંશ સામેલ હોય છે, જેથી ક્લિનિશિયન પાસે પહેલેથી જ જરૂરી માહિતી હોય.
દર્દીઓ અને સ્ટાફને ક્યાં રાહત અનુભવાય છે
તેના વ્યવહારુ ઉપયોગો હવે પાઈલટ પ્રોજેક્ટ્સમાંથી રોજિંદા કામકાજમાં આવી રહ્યા છે.
Appointment scheduling એ સૌથી સરળ સફળતા છે. દર્દીઓ ફોન પર લાંબી રાહ જોયા વગર એપોઇન્ટમેન્ટ બુક કરી શકે છે, રદ કરી શકે છે અથવા રિશેડ્યુલ કરી શકે છે. ચેટબોટ રિયલ-ટાઇમ કેલેન્ડરની ઉપલબ્ધતા તપાસે