Healthcare runs on thin margins and thinner patience. Phones ring off the hook. Front desk teams recite the same office

ਸਿਹਤ ਸੰਭਾਲ ਦਾ ਕੰਮ ਬਹੁਤ ਹੀ ਘੱਟ ਮੁਨਾਫੇ ਅਤੇ ਬਹੁਤ ਹੀ ਘੱਟ ਸਬਰ 'ਤੇ ਚੱਲਦਾ ਹੈ। ਫ਼ੋਨ ਲਗਾਤਾਰ ਵੱਜਦੇ ਰਹਿੰਦੇ ਹਨ। ਫਰੰਟ-ਡੈਸਕ ਦੀਆਂ ਟੀਮਾਂ ਉਦੋਂ ਤੱਕ ਇੱਕੋ ਜਿਹੇ ਦਫ਼ਤਰ ਦੇ ਸਮੇਂ ਅਤੇ ਰੀਫਿਲ ਨੀਤੀਆਂ ਦੁਹਰਾਉਂਦੀਆਂ ਰਹਿੰਦੀਆਂ ਹਨ ਜਦੋਂ ਤੱਕ ਉਨ੍ਹਾਂ ਦਾ ਗਲਾ ਸੁੱਕ ਨਹੀਂ ਜਾਂਦਾ। ਨਰਸਾਂ ਮਰੀਜ਼ਾਂ ਦੀ ਬਜਾਏ ਸਕ੍ਰੀਨਾਂ ਵੱਲ ਦੇਖਦੀਆਂ ਰਹਿੰਦੀਆਂ ਹਨ। ਹਰ ਕੋਈ ਹੁਣੇ ਜਵਾਬ ਚਾਹੁੰਦਾ ਹੈ, ਪਰ ਮਨੁੱਖੀ ਸਮਰੱਥਾ (human bandwidth) ਨੂੰ ਵਧਾਇਆ ਨਹੀਂ ਜਾ ਸਕਦਾ। ਸਾਲਾਂ ਤੋਂ, ਸਿਹਤ ਸੰਭਾਲ ਸੰਸਥਾਵਾਂ ਨੇ ਇਸ ਕਮੀ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਬੁਨਿਆਦੀ ਚੈਟਬੋਟਸ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ। ਉਹ ਸਾਧਨ ਸਖ਼ਤ ਸਕ੍ਰਿਪਟਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦੇ ਸਨ। ਉਹ ਇਰਾਦੇ (intent) ਦੀ ਬਜਾਏ ਕੀਵਰਡਸ (keywords) ਦੀ ਭਾਲ ਕਰਦੇ ਸਨ। ਜੇਕਰ ਤੁਸੀਂ "ਛਾਤੀ ਵਿੱਚ ਦਬਾਅ" (pressure in your chest) ਬਾਰੇ ਪੁੱਛਦੇ ਹੋ, ਤਾਂ ਇੱਕ ਕੀਵਰਡ ਬੋਟ ਬਿਲਿੰਗ ਨਾਲ ਸਬੰਧਤ ਲੇਖ ਦਿਖਾ ਸਕਦਾ ਹੈ ਕਿਉਂਕਿ ਉਸਨੇ "pressure" ਸ਼ਬਦ ਦੇਖ ਲਿਆ ਸੀ। ਮਰੀਜ਼ਾਂ ਨੂੰ ਇਹ ਪਸੰਦ ਨਹੀਂ ਸਨ। ਸਟਾਫ ਨੇ ਉਨ੍ਹਾਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰ ਦਿੱਤਾ।

ਲਾਰਜ ਲੈਂਗੂਏਜ ਮਾਡਲਾਂ (Large Language Models) ਨੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਤਰਕ ਨੂੰ ਹੀ ਬਦਲ ਦਿੱਤਾ। ਇੱਕ LLM-ਸੰਚਾਲਿਤ ਚੈਟਬੋਟ ਫੈਸਲੇ ਲੈਣ ਵਾਲੇ ਰੁਤਬੇ (decision tree) ਨੂੰ ਯਾਦ ਨਹੀਂ ਕਰਦਾ। ਇਹ ਅਰਥ ਪੜ੍ਹਦਾ ਹੈ। ਇਹ ਸੰਦਰਭ (context), ਸਲੈਂਗ (slang) ਅਤੇ ਜ਼ਰੂਰਤ (urgency) ਨੂੰ ਸਮਝਦਾ ਹੈ। ਇਹ ਰਾਤ ਦੇ 2 ਵਜੇ ਕਿਸੇ ਚਿੰਤਤ ਮਾਪੇ ਦੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇ ਸਕਦਾ ਹੈ, ਟ੍ਰੈਫਿਕ ਵਿੱਚ ਫਸੇ ਮਰੀਜ਼ ਲਈ ਫਾਲੋ-ਅੱਪ ਨੂੰ ਮੁੜ-ਸੁਯੋਜਿਤ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਕਿਸੇ ਅਸਲ ਡਾਕਟਰ ਲਈ ਸੰਭਾਵੀ ਗੰਭੀਰ ਲੱਛਣਾਂ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਤਕਨਾਲੋਜੀ ਡਾਕਟਰਾਂ ਦਾ ਬਦਲ ਨਹੀਂ ਹੈ। ਇਹ ਇੱਕ ਫਿਲਟਰ ਅਤੇ ਪ੍ਰਵੇਸ਼ ਦੁਆਰ (front door) ਹੈ, ਜੋ ਵਾਰ-ਵਾਰ ਹੋਣ ਵਾਲੀਆਂ ਗੱਲਬਾਤਾਂ ਨੂੰ ਸੰਭਾਲਦੀ ਹੈ ਤਾਂ ਜੋ ਮਨੁੱਖੀ ਮੁਹਾਰਤ ਦੀ ਵਰਤੋਂ ਉੱਥੇ ਕੀਤੀ ਜਾ ਸਕੇ ਜਿੱਥੇ ਇਹ ਸਭ ਤੋਂ ਵੱਧ ਜ਼ਰੂਰੀ ਹੈ।

ਇਹ ਪ੍ਰਣਾਲੀਆਂ ਅਸਲ ਵਿੱਚ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀਆਂ ਹਨ

ਸਿਹਤ ਸੰਭਾਲ ਵਿੱਚ ਇੱਕ LLM ਚੈਟਬੋਟ ਕਈ ਪਰਤਾਂ (layers) ਤੋਂ ਬਣਿਆ ਹੁੰਦਾ ਹੈ, ਨਾ ਕਿ ਸਿਰਫ਼ ਇੱਕ ਸਮਾਰਟ ਟੈਕਸਟ ਜਨਰੇਟਰ।

Natural language understanding (ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੀ ਸਮਝ) ਪਹਿਲੀ ਪਰਤ ਹੈ। ਜਦੋਂ ਕੋਈ ਮਰੀਜ਼ ਟਾਈਪ ਕਰਦਾ ਹੈ "ਨਵੀਂ ਗੋਲੀ ਲੈਣ ਤੋਂ ਬਾਅਦ ਮੈਨੂੰ ਅਜੀਬ ਮਹਿਸੂਸ ਹੋ ਰਿਹਾ ਹੈ," ਤਾਂ ਸਿਸਟਮ ਸਿਰਫ਼ "pill" ਸ਼ਬਦ ਦੀ ਭਾਲ ਨਹੀਂ ਕਰਦਾ। ਇਹ ਭਾਵਨਾ (sentiment), ਸਮਾਂ ਅਤੇ ਅਸਪਸ਼ਟਤਾ (ambiguity) ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ। ਇਹ ਸਮਝਦਾ ਹੈ ਕਿ "ਅਜੀਬ" (weird) ਦਾ ਮਤਲਬ ਚੱਕਰ ਆਉਣਾ, ਉਲਟੀ ਆਉਣਾ ਜਾਂ ਰੈਸ਼ ਹੋ ਸਕਦਾ ਹੈ, ਅਤੇ ਇਹ ਕਿਸੇ ਵੀ ਨਤੀਜੇ 'ਤੇ ਪਹੁੰਚਣ ਤੋਂ ਪਹਿਲਾਂ ਸਪਸ਼ਟੀਕਰਨ ਵਾਲੇ ਸਵਾਲ ਪੁੱਛਣਾ ਜਾਣਦਾ ਹੈ।

ਅਗਲੀ ਪਰਤ language model ਖੁਦ ਹੈ, ਜੋ ਜਵਾਬ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਪੁਰਾਣੇ ਬੋਟਸ ਦੇ ਉਲਟ ਜੋ ਇੱਕ ਨਿਸ਼ਚਿਤ ਸਕ੍ਰਿਪਟ ਲਾਇਬ੍ਰੇਰੀ ਤੋਂ ਡਾਟਾ ਲੈਂਦੇ ਸਨ, ਇੱਕ LLM ਵਾਕਾਂ ਨੂੰ ਗਤੀਸ਼ੀਲ (dynamically) ਤਰੀਕੇ ਨਾਲ ਬਣਾਉਂਦਾ ਹੈ। ਇਹ ਸਾਧਾਰਨ ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ ਬੀਮਾ ਪ੍ਰੀ-ਅਥੋਰਾਈਜ਼ੇਸ਼ਨ (insurance pre-authorization) ਦੀ ਵਿਆਖਿਆ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਜੇਕਰ ਮਰੀਜ਼ ਗੱਲਬਾਤ ਦੇ ਵਿਚਕਾਰ ਭਾਸ਼ਾ ਬਦਲਦਾ ਹੈ, ਤਾਂ ਗੱਲਬਾਤ ਦਾ ਸਿਲਸਿਲਾ ਖੋਏ ਬਿਨਾਂ ਸਪੈਨਿਸ਼ ਵਿੱਚ ਬਦਲ ਸਕਦਾ ਹੈ।

ਪਰ ਸਿਰਫ਼ ਭਾਸ਼ਾ ਵਿੱਚ ਮੁਹਾਰਤ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ। Knowledge integration ਮਾਡਲ ਨੂੰ ਅਸਲ ਜਾਣਕਾਰੀ ਨਾਲ ਜੋੜਦਾ ਹੈ। retrieval-augmented generation ਜਾਂ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਤਿਆਰ ਕੀਤੇ ਗਏ ਮੈਡੀਕਲ ਡੇਟਾਬੇਸ ਰਾਹੀਂ, ਬੋਟ ਭਰੋਸੇਯੋਗ ਸਰੋਤਾਂ—ਤੁਹਾਡੇ ਹਸਪਤਾਲ ਦੇ ਆਪਣੇ ਕਲੀਨਿਕਲ ਪ੍ਰੋਟੋਕੋਲ, CDC ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ਾਂ, ਜਾਂ ਪ੍ਰਵਾਨਿਤ ਡਰੱਗ ਇੰਟਰੈਕਸ਼ਨ ਸ਼ੀਟਾਂ—ਤੋਂ ਜਾਣਕਾਰੀ ਲੈਂਦਾ ਹੈ। ਇਹ ਅੰਦਾਜ਼ਾ ਨਹੀਂ ਲਗਾਉਂਦਾ। ਇਹ ਪ੍ਰਵਾਨਿਤ ਜਾਣਕਾਰੀ ਦਾ ਹਵਾਲਾ ਦਿੰਦਾ ਹੈ। ਜਦੋਂ ਇਹ ਆਪਣੀ ਜਾਣਕਾਰੀ ਦੀ ਸੀਮਾ ਤੱਕ ਪਹੁੰਚਦਾ ਹੈ, ਤਾਂ human escalation ਪਰਤ ਵਿਚਾਲੇ ਆ ਜਾਂਦੀ ਹੈ। ਜੇਕਰ ਕੋਈ ਮਰੀਜ਼ ਛਾਤੀ ਵਿੱਚ ਬਹੁਤ ਤੇਜ਼ ਦਰਦ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ, ਜਾਂ ਜੇਕਰ ਭਾਸ਼ਾ ਗੰਭੀਰ ਪਰੇਸ਼ਾਨੀ ਦਾ ਸੰਕੇਤ ਦਿੰਦੀ ਹੈ, ਤਾਂ ਚੈਟਬੋਟ ਗੱਲਬਾਤ ਬੰਦ ਕਰ ਦਿੰਦਾ ਹੈ ਅਤੇ ਤੁਰੰਤ ਮਾਮਲੇ ਨੂੰ ਨਰਸ ਜਾਂ ਡਾਕਟਰ ਕੋਲ ਭੇਜ ਦਿੰਦਾ ਹੈ। ਇਸ ਹੈਂਡਓਫ (handoff) ਵਿੱਚ ਹੋਈ ਹਰ ਗੱਲਬਾਤ ਦਾ ਸਾਰ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਜੋ ਡਾਕਟਰ ਕੋਲ ਪਹਿਲਾਂ ਤੋਂ ਹੀ ਸਾਰੀ ਜਾਣਕਾਰੀ ਹੋਵੇ।

ਮਰੀਜ਼ਾਂ ਅਤੇ ਸਟਾਫ ਨੂੰ ਕਿੱਥੇ ਰਾਹਤ ਮਿਲਦੀ ਹੈ

ਇਸਦੇ ਵਿਹਾਰਕ ਉਪਯੋਗ ਪਾਇਲਟ ਪ੍ਰੋਜੈਕਟਾਂ ਤੋਂ ਰੋਜ਼ਾਨਾ ਕਾਰਜਾਂ ਵੱਲ ਵਧ ਰਹੇ ਹਨ।

Appointment scheduling (ਮੁਲਾਕਾਤ ਦਾ ਸਮਾਂ ਨਿਰਧਾਰਤ ਕਰਨਾ) ਸਭ ਤੋਂ ਆਸਾਨ ਪ੍ਰਾਪਤੀ ਹੈ। ਮਰੀਜ਼ ਫ਼ੋਨ ਟ੍ਰੀ ਰਾਹੀਂ ਉਡੀਕ ਕੀਤੇ ਬਿਨਾਂ ਅਪੌਇੰਟਮੈਂਟ ਬੁੱਕ, ਰੱਦ ਜਾਂ ਮੁੜ-ਸੁਯੋਜਿਤ ਕਰ ਸਕਦੇ ਹਨ। ਚੈਟਬੋਟ ਰੀਅਲ-ਟਾਈਮ ਕੈਲੰਡਰ ਉਪਲਬਧਤਾ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ, ਪੁਸ਼ਟੀਕਰਨ ਟੈਕਸਟ ਭੇਜਦਾ ਹੈ, ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਡਰਾਈਵਿੰਗ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ ਜਾਂ ਪਾਰਕਿੰਗ ਦੀਆਂ ਹਦਾਇਤਾਂ ਵੀ ਦਿੰਦਾ ਹੈ।

Patient support ਰੋਜ਼ਾਨਾ ਦੇ ਉਨ੍ਹਾਂ ਸਵਾਲਾਂ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ ਜੋ ਰਿਸੈਪਸ਼ਨਿਸਟ ਦੇ ਕਈ ਘੰਟੇ ਖਰਾਬ ਕਰਦੇ ਹਨ। ਅੱਜ ਮਿਲਣ ਦਾ ਸਮਾਂ ਕੀ ਹੈ? ਕੀ ਇਸ ਸਥਾਨ 'ਤੇ ਬਿਨਾਂ ਅਪੌਇੰਟਮੈਂਟ ਆਇਆ ਜਾ ਸਕਦਾ ਹੈ? ਕਿਹੜੇ ਬੀਮਾ ਪਲਾਨ ਨੈੱਟਵਰਕ ਵਿੱਚ ਹਨ? ਇੱਕ LLM ਬੋਟ ਇਹਨਾਂ ਦੇ ਤੁਰੰਤ, ਕਿਸੇ ਵੀ ਸਮੇਂ ਜਵਾਬ ਦਿੰਦਾ ਹੈ, ਅਤੇ ਮਨੁੱਖੀ ਦਖਲਅੰਦਾ