AI: अगर डॉक्टर ही एआई के आदी होने लगें
AI: अगर डॉक्टर ही एआई के आदी होने लगें……..
एआई का उपयोग [AI: अगर डॉक्टर ही एआई के आदी होने लगें]
एआई का उपयोग करना एक बात है, पर इस पर निर्भर होकर डॉक्टर अगर अपनी बुनियादी क्षमताएं खो रहे हैं, तो यह खतरे की घंटी है।
कुछ साल पहले एक अध्ययन में कहा गया था कि कृत्रिम बुद्धिमता (एआई) उपकरणों ने डॉक्टरों को उनके काम में बेहतर बना दिया है। इससे कैंसर जैसे रोगों का पता लगाने और उनका तेजी से निदान करने में मदद मिली है। लेकिन, नए शोध से पता चलता है कि एआई से सहयोग लेना महंगा भी पड़ सकता है। लैंसेंट गैस्ट्रोएंटरोलॉजी एंड हेपेटोलॉजी में प्रकाशित अध्ययन के अनुसार, कोलोनोस्कोपों के दौरान कैंसर-पूर्व वृद्धि का पता लगाने में मदद करने के लिए तैयार किए गए एक एआई उपकरण का उपयोग करने के तीन महीने बाद ही यह महसूस किया जाने लगा कि इस वृद्धि को बगैर उपकरण परख लेने की डॉक्टरों की मौलिक प्रवृति में हास हो रहा है। एआई उपकरणों पर डॉक्टरों की निर्भरता AI का यह पहला साक्ष्य है. जी बताता है कि यह डॉक्टरों के बुनियादी कौशल को खत्म कर रहा है।
AI: अगर डॉक्टर ही एआई के आदी होने लगें
यूनिवर्सिटी कॉलेज हॉस्पिटल लंदन में गैस्ट्रोएंटरोलॉजिस्ट और अध्ययन के साथ एक संपादकीय प्रकाशित करने वाले डॉ. उमर अहमद कहते हैं, ‘यह एक दो-तरफा प्रक्रिया है। हम एआई को ऐसे इनपुट देते हैं, जो उसके आउटपुट को प्रभावित करते हैं. पर यह हमारे व्यवहार को भी प्रभावित करता है। पोलैंड में चार एंडोस्कोपी सेंटरों के डॉक्टरों को
कोलोनोस्कोपी करते समय एआई उपकरणों का प्रयोग करने की सुविधा दी गई। इससे परिणाम अच्छे आए और कैंसर का पहले ही पता लगाने में भी उल्लेखनीय सुधार देखा गया, जो कि एक एंडोस्कोपी विशेषज्ञ से बेहतर प्रदर्शन था। शोधकर्ताओं ने मापा कि एआई टूल हटाने पर डॉक्टरों के कौशल पर कितना फर्क पड़ा, पत्ता चला कि तकनीक के प्रयोग से पहले, डॉक्टर कोलोनोस्कोपी में 28 फीसदी वृद्धि का पता लगा रहे थे, पर तीन माह बाद उनकी यह क्षमता गिरकर 22 फीसदी ही रह गई। हालांकि, अध्ययन से यह जवाब नहीं मिलता कि क्या डॉक्टरों का प्रदर्शन इसी तकनीक के प्रयोग से मिरा है।
उदाहरण के लिए, एआई उपकरण के बाद डॉक्टरों ने पहले से लगभग दोगुनी संख्या में कोलोनोस्कोपी की. जिससे हो सकता है कि उन्होंने प्रत्येक स्कैन पर कम ध्यान दिया हो। हालांकि, विशेषज्ञ यह भी कहते हैं कि एआई के उद्भव से डॉक्टरों की कौशल क्षमता पर असर पड़ना अप्रत्याशित नहीं है। क्या ऑटोपायलट के दौर में पायलटों को अपने कौशल विकास के लिए विशेष प्रशिक्षणों से नहीं गुजरना पड़ता ?
यह भी जरूरी: प्रोटीन की कमी दूर करने के लिए खाएं ये 5 सीड्स, मांसपेशियों की कमजोरी जैसी परेशानियां रहेंगी दूर
ए जायंट लीप हाउ एआई इज ट्रांसफॉर्मिग हेल्थकेयर एंड व्हाट दैट मीन्स फॉर अवर फ्यूचर
के लेखक डॉ. रॉबर्ट वॉचर कहते हैं कि सबसे बड़ा सवाल यह है कि अब किया क्या जाए। नई तकनीकों के आने से पुराने कौशलों के लुप्त होने की कई मिसाले दी जा सकती हैं। अब स्टेथोस्कोप को ही लें, जिसके आविष्कार से पहले दिल और फेफड़ों की जांच करने में डॉक्टरों को परेशानी होती थी, और जो 1700 के दशक में बिल्कुल आम बात थी। लेकिन एआई अलग ही चीज है। डॉ. अहमद के अनुसार, इस पर लंबे समय तक मानवीय निगरानी जरूरी है। एल्गोरिदम समय के एक निश्चित बिंदु के लिए तैयार किए जाते हैं. जब उनके चारों ओर की दुनिया बदलती है, तो वे अलग ढंग से पेश आने लगते हैं।
डॉक्टर अहमद ठीक ही कहते हैं, ‘अगर मैं अपना बुनियादी कौशल गंवा दूंगा, तो मैं एआई की गलतियां कैसे पकड़ सकूंगा?‘,
डॉ. वाचर के अनुसार
आज जब एआई सभी स्वास्थ्य सुविधा केंद्रों पर उपलब्ध नहीं है, डॉक्टरों का बुनियादी कौशल खोना चिंताजनक है। एआई के आदी डॉक्टर को अगर इसके बगैर काम करना पड़े, तो उसे मुश्किल होगी। हालांकि, अभी यह पूरी तरह स्पष्ट नहीं है कि एआई से डॉक्टरों की क्षमता में इतनी जल्दी गिरावट क्यों आ जाती है। डॉ. अहमद कहते हैं कि इसका एक कारण लंबे समय तक किसी सहयोगी पर निर्भर होने से स्कैन छवियों के मूल्यांकन पर ठीक से ध्यान न देना भी हो सकता है। बोस्टन स्थित बेथ इस्त्राइल डियाकोनेस मेडिकल सेंटर के एआई कार्यक्रम निदेशक डॉ. एडम रोडमैन कहते हैं कि ‘यदि सिर्फ तीन महीने तक एआई उपकरण का उपयोग करने से अध्ययन में शामिल अनुभवी चिकित्सकों (सभी के पास करीब 27 वर्ष की प्रैक्टिस का अनुभव था) की क्षमता में कमी आ जाती है, तो फिर उन विद्यार्थियों का क्या होगा, जिन्होंने अभी मेडिकल की पढ़ाई शुरू ही की है।
अंडरफिटिंग [AI: अगर डॉक्टर ही एआई के आदी होने लगें]
यह एआई की खामी है। जब मशीन. लर्निंग एल्गोरिदम डाटा की अंतर्निहित संरचना को पर्याप्त रूप से नहीं पकड़ पाता है, तो उसे अंडरफिटिंग कहते हैं। डाटा विज्ञान में अंडरफिटिंग एक ऐसी स्थिति है, जहां एक डाटा मॉडल इनपुट और आउटपुट चरों के बीच के संबंध को सटीक रूप से समझने में असमर्थ होता है, जिससे प्रशिक्षण सेट और अनदेखे डाटा, दोनों पर उच्च त्रुटि दर उत्पन्न होती है। अंडरफिटिंग तब होती है, जब कोई मॉडल बहुत सरल होता है, जो मॉडल के अधिक प्रशिक्षण समय, अधिक इनपुट फीचर, या कम नियमितीकरण की आवश्यकता के कारण हो सकती है।
