ٹیکسٹ بوٹس سے ویڈیو ڈاکٹرز تک
لارج لینگویج ماڈلز (LLMs) طویل عرصے سے متن سے طبی حقائق نکالنے میں مہارت رکھتے ہیں، لیکن انہیں 'بیڈ سائیڈ مینر' (مریض کے ساتھ بات چیت کا انداز) دینا مشکل ثابت ہوا ہے۔ روایتی AI اسسٹنٹس ایک ساکن چیٹ ونڈو میں جواب دیتے ہیں؛ وہ مریض کے چہرے کے تاثرات نہیں پڑھ سکتے اور نہ ہی گفتگو کے دوران اپنا لہجہ بدل سکتے ہیں۔ AMIE (Video) اس فرق کو ختم کرنے کی کوشش کرتا ہے، تعامل کو لائیو ویڈیو لنک پر منتقل کر کے، جہاں AI کو رفتار کے ساتھ چلنا، فالو اپ سوالات پوچھنا، اور بصری اشاروں (visual cues) پر ردعمل دینا ہوتا ہے۔
ٹیکسٹ سے ویڈیو پر منتقل ہونا محض ایک UI کی تبدیلی نہیں ہے۔ یہ ماڈل کو آڈیو ویژول ڈیٹا کے مسلسل بہاؤ کو پروسیس کرنے، ایک حقیقی اپائنٹمنٹ کی لے (cadence) کی نقل کرنے، اور بغیر رکے گفتگو کے متعدد دھاگوں کو سنبھالنے پر مجبور کرتا ہے۔ عملی طور پر، یہ صلاحیت AI کو فرنٹ لائن ٹرائج ایجنٹ کے طور پر کام کرنے کے قابل بنا سکتی ہے، جو معمول کے مسائل کو سنبھالتے ہوئے ڈاکٹروں کو پیچیدہ کیسز کے لیے فارغ کر دے گی۔
ٹیسٹ کیسے کیا گیا
گوگل نے ایک ٹیسٹنگ فریم ورک تیار کیا جس میں پیچیدہ علامات والے مریضوں کا کردار ادا کرنے کے لیے پندرہ تربیت یافتہ اداکاروں کو بھرتی کیا گیا۔ اداکاروں نے کلینیکل منظرناموں کے اندر ارتگال (improvise) کیا جو پانچ اعضاء کے نظاموں پر محیط تھے:
- دل اور پھیپھڑوں کی شکایات
- پیٹ کے مسائل
- سر، آنکھ، کان، ناک اور گلے (HEENT) کے مسائل
- اعصابی اور نفسیاتی حالتیں
- ہڈیوں اور پٹھوں کے امراض
اس کے بعد آزادانہ کلینیکل ایویلیوایٹرز نے تشخیصی درستگی، سوال پوچھنے کی حکمت عملی، اور ہمدردانہ گفتگو کی بنیاد پر AI کی درجہ بندی کی۔ اسکورز نے AMIE (Video) کو ان ریٹنگز کے برابر رکھا جو عام طور پر انہی کیسز کو سنبھالنے والے پرائمری کیئر کے ڈاکٹروں کو دی جاتی ہیں۔
یہ نتیجہ کیوں اہم ہے
اگر کوئی AI کسی مریض نما اداکار کے ساتھ قابل اعتماد طریقے سے گفتگو کر سکتا ہے اور ایک انسانی کلینیشن کے برابر نتائج تک پہنچ سکتا ہے، تو طبی نظام عملے کی کمی کے دوران ایک کم لاگت اور وسیع پیمانے پر استعمال ہونے والا نقطہ آغاز متعارف کروا سکتے ہیں۔ ویڈیو سے لیس AI غیر ضروری (non-urgent) مسائل کی ٹرائج (درجہ بندی) کر سکتا ہے، فالو اپس کا شیڈول بنا سکتا ہے، یا ابتدائی مشورہ دے سکتا ہے—وہ بھی جسمانی معائنے کے کمرے کے اخراجات کے بغیر۔ دور دراز یا پسماندہ علاقوں کے مریضوں کے لیے، ایک ورچوئل "فرسٹ لائن" کلینیشن انتظار کے وقت کو نمایاں طور پر کم کر سکتا ہے۔
احتیاطی پہلو
یہ مطالعہ صرف سیمولیشن (simulation) تک محدود رہا۔ اداکار، خواہ وہ کتنے ہی ماہر کیوں نہ ہوں، حقیقی مریضوں کی غیر متوقع نوعیت کی نقل نہیں کر سکتے جو اپنے ساتھ ذاتی طبی تاریخ، ہمراہ بیماریاں (comorbidities)، اور جذباتی اتار چڑھاؤ لاتے ہیں۔ تشخیص کا انحصار انسانی ریٹرز پر بھی تھا جو AI کی کارکردگی کی تشریح کرتے ہیں؛ کسی بھی اسکورنگ سسٹم میں ذاتی تعصب شامل ہو سکتا ہے۔
ریگولیٹری منظوری ایک اور رکاوٹ ہے۔ موجودہ میڈیکل ڈیوائس فریم ورکس کو تشخیصی یا ٹرائج کے افعال کی منظوری دینے سے پہلے حقیقی دنیا کے استعمال کے شواہد درکار ہوتے ہیں۔ اس ڈیٹا کے بغیر، کوئی بھی استعمال صرف تحقیقی ماحول یا سخت نگرانی میں چلنے والے پائلٹ پروجیکٹس تک محدود رہے گا۔ ذمہ داری کا سوال بھی سامنے ہے: اگر کوئی AI بصری اشارے کو غلط سمجھ لے اور غلط طریقہ کار تجویز کر دے، تو ذمہ دار کون ہوگا—ڈیولپر، ہوسٹنگ پلیٹ فارم، یا نگرانی کرنے والا کلینیشن؟
آگے کیا ہوگا
گوگل نے اشارہ دیا ہے کہ اگلے مرحلے میں حقیقی مریضوں کے ساتھ آزمائشیں شامل ہوں گی، جن کے پاس مستند طبی ریکارڈ اور متنوع آبادیاتی پس منظر ہوگا۔ ان مطالعات کو نہ صرف کلینیکل استدلال میں برابری ثابت کرنی ہوگی بلکہ حفاظت، ڈیٹا کی رازداری، اور آبادیاتی گروہوں کے درمیان مساوی کارکردگی بھی ثابت کرنی ہوگی۔
خلاصہ
AMIE (Video) ظاہر کرتا ہے کہ لارج لینگویج ماڈل سے چلنے والا AI ایک فرضی ویڈیو اپائنٹمنٹ میں اپنی جگہ بنا سکتا ہے، اور مختلف بیماریوں کے وسیع سلسلے میں پرائمری کیئر ڈاکٹر کے برابر کلینیکل ریٹنگ حاصل کر سکتا ہے۔ یہ پیش رفت AI پر مبنی فرنٹ لائن کیئر کے دروازے کھولتی ہے، لیکن حقیقی مریضوں پر آزمائش، ریگولیٹری منظوری، اور ذمہ داری کے واضح فریم ورکس ہی یہ فیصلہ کریں گے کہ آیا یہ ٹیکنالوجی لیب سے نکل کر کلینک تک پہنچ پائے گی یا نہیں۔