- कैंसर उपचार दिशानिर्देश clinical evidence को structured recommendations में संक्षेपित कर उपचार में होने वाले अंतर को कम करते हैं, लेकिन समय के दबाव और नई research तक पहुंच में फर्क के कारण इन्हें clinical practice में लगातार लागू करना मुश्किल होता है
- NCCN अमेरिका के 32 प्रमुख cancer centers का गठबंधन है, जहां cancer type के अनुसार multidisciplinary expert panels हर साल NCCN Clinical Practice Guidelines in Oncology को अपडेट करते हैं
- मौजूदा guidelines कई पेजों और links के जरिए आगे बढ़ने वाले PDF flowcharts हैं, इसलिए rare subtypes या जटिल patient conditions में सही version और path ढूंढना मुश्किल होता है
- guidelines का मूल स्वरूप decision tree है, इसलिए अगर वे machine-interpretable format में हों तो medical record systems test suggestions, guideline-deviation alerts और fast navigation interface support कर सकते हैं
- एक pilot tool ने NCCN breast cancer guidelines को LLM से JSON schema में extract करके 271 nodes वाले graph के रूप में store किया, लेकिन accuracy 70–80% के स्तर पर है और इसे clinical decision-making में इस्तेमाल नहीं करना चाहिए
कैंसर उपचार को standardize करने में guidelines की भूमिका
- समान cancer type, stage, tumor size और location वाले दो patient अलग-अलग hospitals में जाएं, तब भी आदर्श रूप से उन्हें समान evidence-based treatment या अतिरिक्त tests मिलने चाहिए
- वास्तविकता में doctors पर समय का दबाव होता है, उनकी training backgrounds अलग होती हैं, और वे नई research तक तुरंत पहुंच नहीं बना पाते
- clinical guidelines विशाल medical evidence को structured recommendations में व्यवस्थित करती हैं और hospitals तथा clinicians के बीच treatment standardization में मदद करती हैं
- हर patient में treatment response अलग हो सकता है, लेकिन evidence-based guidelines का पालन करने से positive outcomes की संभावना बढ़ सकती है
NCCN guidelines कैसे बनाई जाती हैं
- cancer type के अनुसार specialist oncologists हर साल उन अलग-अलग situations की सूची बनाते हैं जिनका सामना practice में हो सकता है, हर situation के clinical evidence की समीक्षा करते हैं और actions recommend करते हैं
- उदाहरण: early-stage breast cancer, पहले partial mastectomy हो चुकी, और वर्तमान में pregnant patient
- उदाहरण: invasive ductal cancer और tumor length 0.6–1cm वाला patient
- recommendations किसी specific test order, treatment course prescription या future follow-up schedule तक ले जा सकती हैं
- panels नियमित रूप से new evidence की समीक्षा करते हैं और guidelines update करते हैं
- क्षेत्रों के अनुसार उपलब्ध treatments अलग हो सकते हैं, इसलिए कई organizations अलग-अलग guidelines बनाती हैं, और वास्तविक adoption भी region से प्रभावित होती है
- NCCN अमेरिका के 32 प्रमुख cancer centers का गठबंधन है, जहां cancer type के अनुसार multidisciplinary expert panels latest research की review करते हैं और screening, diagnosis, treatment और supportive care approaches पर consensus बनाते हैं
- इसका output, NCCN Clinical Practice Guidelines in Oncology, दुनिया भर में comprehensive और व्यापक रूप से इस्तेमाल होने वाले cancer treatment standards के रूप में उपयोग होता है
PDF-based implementation की व्यावहारिक समस्याएं
- NCCN breast cancer guidelines के एक page में BINV-6 जैसे links होते हैं, और हर link अपने flowchart वाले अलग page पर ले जाता है
- doctor patient की situation को flowchart से match करता है, और HER2 status जैसी unknown information आने पर test order करता है, या treatment recommendation तक पहुंचने तक कई pages follow करता है
- guidelines इस्तेमाल करने पर भी पूर्ण standardization मुश्किल है
- समान evidence level वाले कई treatment options हो सकते हैं
- treatment से जुड़ी patient situation guideline में explicitly listed न हो सकती है
- doctor को फिर भी judgment लेना पड़ता है, लेकिन possible judgment range संकरी हो जाती है
- Mayo Clinic, MD Anderson जैसे leading centers के पास funding, highly specialized oncologists और clinical trial access के अलावा systematic care processes और guideline implementation procedures भी होते हैं
- किसी भी hospital में care guidelines से बाहर जा सकती है
- उदाहरण: postmenopausal patient होने की condition chart में छूट गई, जिससे उसे premenopausal patients में बेहतर support वाले treatment मिल सकते हैं
- doctor सैकड़ों patients देखते हैं, इसलिए guideline access होने पर भी कुछ conditions छूट सकती हैं
- cancer treatment outcomes सुधारने के तरीकों में new drug discovery और surgical techniques में सुधार भी शामिल हैं, लेकिन evidence-based care gaps को कम करना immediate, universal और achievable approach है
जब decision tree PDF में फंस जाता है तो सीमाएं क्या होती हैं
- guidelines में specialist oncologists के लाखों घंटों का काम समाहित है, लेकिन final output एक घना और navigate करने में कठिन PDF होता है
- rare breast cancer subtype को कुछ सालों में एक बार देखने वाले oncologist को सही PDF version ढूंढना, cancer characteristics से जुड़ा section खोजना, कई pages के links follow करना और patient factors को लगातार track करते रहना पड़ता है
- guidelines लगातार revise होती हैं और नए versions अलग PDF के रूप में distribute होते हैं, इसलिए updates miss करना या clinical documents के बीच दबे पुराने version को reference करना आसान है
- मूल रूप से guidelines decision tree हैं, और authoring teams evidence की review कर उसे tree structure में organize करने में बहुत मेहनत लगाती हैं
- अगर properly structured data हो तो machines guidelines को interpret कर सकती हैं
- charting system patient के लिए जरूरी diagnostic tests automatically suggest कर सकता है
- treatment guideline से deviate होने पर alert या “क्या आप वाकई चाहते हैं?” modal दिखा सकता है
- doctor PDF खोजने के बजाय तेज और अधिक natural तरीके से guidelines review कर सकता है
- guideline-writing organizations को downloadable PDF के साथ structured machine-interpretable format देना चाहिए, और आदर्श रूप से सभी institutions और patient data systems को समान format interpret कर सकना चाहिए
- हालांकि, इस तरह का data approach guideline-writing organizations का core expertise area नहीं है
structured guidelines का pilot tool
- software engineer के रूप में oncologists के साथ काम करने के अनुभव के आधार पर, PDF में फंसे decision tree को machine-understandable structure में extract करने वाला proof-of-concept tool बनाया गया
-
schema design
- पहले ऐसा schema define किया गया जो NCCN guidelines की अधिकांश information represent कर सके
- guidelines information के tree जैसी दिखती हैं, लेकिन कुछ references वापस लौट सकते हैं, इसलिए cycles मौजूद हैं
- किसी एक cancer type की पूरी guideline कुछ अलग-अलग directed graphs में बंटती है
- conditions, qualifying characteristics, treatment options आदि हर point को node के रूप में represent किया जाता है, और संबंधित references तथा footnotes भी nodes में store होते हैं
- flowchart के arrows या pages के बीच references को nodes के बीच relationships के रूप में represent किया जाता है
-
data extraction
- पहले चरण में LLM document को scan करके guideline के हर page के reference nodes generate करता है
- page reference हर page के top-level node का parent node बनता है, और जब कोई दूसरा node किसी specific page की ओर point करता है तो वह उसी page node की ओर point करता है
- इसके बाद LLM guideline को छोटे page groups में पढ़ता है, page references को साथ लेकर schema के JSON representation में extract करता है
- इस process को NCCN breast cancer guidelines पर apply करके nodes और relationships को database में store किया गया, और कुल 271 nodes generate हुए
-
visualization
- React Flow library से graph viewer बनाया गया और incoming references न रखने वाले root nodes यानी pages दिखाए गए
- node पर click करने पर child nodes दिखाई देते हैं, और user node flow को follow करते हुए नीचे जा सकता है
-
agent implementation
- patient history input लेकर graph navigate करने वाला agent implement किया गया
- पहले patient situation से सबसे करीब top-level node खोजा जाता है, फिर child nodes में से patient से सबसे अधिक match होने वाला node चुना जाता है
- यह process leaf node तक पहुंचने या आगे बढ़ने के लिए information कम पड़ने तक दोहराया जाता है
- pilot tool यहां इस्तेमाल किया जा सकता है
सीमाएं और अगले कदम
- demo data review नहीं किया गया है और इसमें errors तथा omissions हैं, इसलिए इसे clinical decision-making में इस्तेमाल नहीं करना चाहिए
- extraction process में कुछ घंटे और agent में उससे कम समय लगा; अधिक effort से accuracy बढ़ाई जा सकती है
- current accuracy लगभग 70–80% के स्तर पर है
- LLM extraction prototype बनाने का आसान तरीका है, और human review हो तो reliability बढ़ सकती है, लेकिन ideal तरीका शुरुआत से ही guidelines को structured form में लिखना है
- current data अब भी semi-structured state में है
- causal relationships जैसी information और हर node को evaluate करने का तरीका अब भी हर node की natural language understanding मांगता है
- future work ऐसे अधिक structured schema define कर सकता है जिन्हें evaluate करना आसान हो
1 टिप्पणियां
Hacker News की राय
मुझे लगता है कि PDF बेहतर है। कस्टम टूल हर क्लिनिक या electronic medical record के हिसाब से अलग होने की संभावना है, और उसका maintenance cost भी महंगा होगा
PDF कई मायनों में अच्छा नहीं है, लेकिन लंबे समय तक टिकता है और portable है। अगर आप दो medical oncologist के साथ काम करें, तब भी वही PDF इस्तेमाल कर सकते हैं
लेखक का इरादा अच्छा है, लेकिन अंत में यह ऐसा टूल बन सकता है जिसे सिर्फ वही समझे, और ढेर सारे exceptions की वजह से यह और खराब होने की संभावना है
मेरा इरादा इसे बनाकर healthcare institutions को बेचना नहीं है, बल्कि यह दिखाना था कि structured clinical guidelines के साथ क्या किया जा सकता है। मुझे नहीं लगता कि यह किसी खास क्लिनिक या electronic medical record पर निर्भर होना चाहिए
आदर्श रूप से guideline organizations को PDF के साथ-साथ structured representation भी जारी करनी चाहिए। authoring tools दोनों formats में export कर सकते हैं, और medical oncologists PDF इस्तेमाल करते रहें, जबकि systems structured data का उपयोग कर सकें
community medical oncologists के पास national cancer centers की तुलना में सीमित technical resources होते हैं। अगर उनकी ज़िंदगी आसान बनाई जा सके, तो यह अच्छी बात है
लेकिन published documents जैसे PDF भी अच्छे हैं। systems आम तौर पर June release और September release की तुलना करना मुश्किल बना देते हैं
wizard-style systems ज़्यादातर जानकारी छिपा देते हैं, इनमें अज्ञात bugs हो सकते हैं, alternative paths को जल्दी से देखना मुश्किल होता है, वे registered users से बंधे हो सकते हैं, और system down भी हो सकता है
मुझे लगता है कि कहीं ज़्यादा smart computer systems healthcare का भविष्य हैं, लेकिन cancer guidelines के लिए ही एक और custom tool से शुरुआत करना सही है या नहीं, इस पर संदेह है
यह idea नया नहीं है। computable clinical guidelines खोजेंगे तो इससे जुड़ा बहुत सारा academic literature मिलेगा, और यह paper एक अच्छा starting point है [1]
वास्तव में 1970s से इस पर कोशिशें हो रही हैं, और मशहूर MYCIN expert system इसका प्रतिनिधि उदाहरण है [2]
MYCIN के इतिहास से दिखता है कि यह समस्या जितनी दिखती है उससे कहीं ज़्यादा subtle है, और इसमें technical, psychological, sociological, और economic factors उलझे हुए हैं। यही वजह है कि cancer guidelines PDF में अटकी हुई हैं
फिर भी यह exploration रोकने की वजह नहीं है। पिछली पीढ़ी इसे हल नहीं कर पाई, इसका मतलब यह नहीं कि यह हल नहीं हो सकती
[1] https://pmc.ncbi.nlm.nih.gov/articles/PMC10582221/
[2] https://www.forbes.com/sites/gilpress/2020/04/27/12-ai-miles...
इसके अलावा NCCN का Developer API भी देखना चाहिए। यह technical रूप से interesting होने से ज़्यादा intellectual property environment दिखाने के लिहाज़ से महत्वपूर्ण है
https://www.nccn.org/developer-api
असली बात यह है कि doctors के लिए यह verify करना मुश्किल होता है कि उनकी recommendations वास्तव में नवीनतम clinical research को reflect करती हैं या नहीं
और यह भी महत्वपूर्ण है कि research के केंद्र में मौजूद प्रतिष्ठित medical centers के doctors को जो advantage मिलता है, वह सभी doctors को भी मिल सके। इसे अक्सर knowledge dissemination problem कहा जाता है
अभी Cochrane standards के अनुसार systematic literature review सबसे अच्छा approach है [0]। ऐसे reviews बहुत labor-intensive होते हैं और बहुत कम किए जाते हैं, लेकिन ठीक से किए जाएँ तो इनकी value बहुत अधिक होती है
ऐसे reviews में यह भी सामने आता है कि bias, incomplete datasets जैसी वजहों से published research को कितनी बार बाहर रखा जाता है
लिंक में Geiger approach का इरादा शानदार है, लेकिन इसका नतीजा उसी तरह की समस्याओं से टकराएगा जिनका सामना manual systematic literature reviews करते हैं
मैं जानना चाहूँगा कि क्या लेखक ने machine learning approaches के साथ-साथ Cochrane guidelines जैसे rule-based approaches पर भी विचार किया था
[0] https://training.cochrane.org/handbook
NCCN guidelines और Cochrane reviews medicine में एक-दूसरे की पूरक भूमिका निभाते हैं। NCCN research और expert consensus के आधार पर practical और अक्सर update होने वाले cancer treatment algorithms देता है, जबकि Cochrane reviews पूरे medicine में randomised controlled trials पर अधिक मज़बूत focus के साथ कठोर evidence analysis देते हैं
NCCN guidelines clinical practice में ज़्यादा तुरंत लागू करना आसान बनाती हैं, और Cochrane reviews evidence quality पर अधिक गहरा analysis देती हैं
मेरा मुख्य लक्ष्य यह दिखाना था कि सही तरह से structured किसी भी medical guideline के साथ क्या किया जा सकता है। standard आप अपनी पसंद के अनुसार चुन सकते हैं
कुछ जिज्ञासु लोग इस पर नज़र रखते हैं, लेकिन कुल मिलाकर रवैया यह रहता है कि वे पहले ही कठिन पढ़ाई और training से गुजर चुके हैं, इसलिए अब इसकी ज़रूरत नहीं है
"चिकित्सा दिशानिर्देशों का मूल निर्णय-वृक्ष है" — यह बात एक इच्छापूर्ण कल्पना है, और इसे लक्ष्य बनाने से भी शायद मदद न मिले।
चिकित्सा दिशानिर्देशों में लगभग कभी भी इतना डेटा नहीं होता कि सभी संभावित निर्णय-पथों को कवर किया जा सके। वे आम तौर पर अच्छी तरह समर्थित परिणामों की रिपोर्ट करते हैं, कुछ मामलों में interpolation के साथ विशेषज्ञ राय देते हैं, और बाकी कुछ के लिए केवल विचार करने वाले कारकों की सूची देते हैं।
अगर इसे एक decision tree तक सीमित कर दिया जाए, तो उसकी बहुत-सी शाखाएँ खाली रह जाएँगी, और अधिकांश विशेषज्ञ ऐसे कारक पहचान लेंगे जिन्हें एक और भी जटिल tree तक ले जाना चाहिए।
कारण यह है कि शाखाएँ लगभग कभी निर्णायक नहीं होतीं। वे बल्कि quantum probability के अधिक करीब होती हैं, जहाँ कई संभावनाओं को एक साथ पकड़े रखना पड़ता है, और बीमारी — यहाँ कैंसर — अपना असली रूप तब दिखाती है जब उपचार असर दिखा चुका हो या विफल हो चुका हो।
जब तक चिकित्सा दिशानिर्देशों की वास्तविक information structure को पकड़ा नहीं जाता, तब तक वे standard care के बारे में अधिकारपूर्ण और शिक्षाप्रद विवरण के रूप में ही दिए जाते रहेंगे।
लगभग हर मामले में, adoption rate बढ़ाने के लिए उन्हें सरल बनाने या operational procedure में बदलने से ज़्यादा महत्वपूर्ण यह है कि उन्हें जल्दी प्रकाशित किया जाए और संदर्भ जोड़े जाएँ ताकि पारदर्शिता बढ़े।
गतिशील क्षेत्रों के अधिकांश डॉक्टरों को simplification की ज़रूरत नहीं होती। वे सामग्री की कठिनाई को जीवनभर के self-discipline और मेहनत से पार करते हैं, और दिशानिर्देशों का उपयोग मुख्यतः संचार और completeness के एक ढाँचे के रूप में करते हैं ताकि यह जाँचा जा सके कि ज्ञात चिंताओं को संबोधित किया गया है या नहीं।
संरचित चिकित्सा दिशानिर्देश अक्सर बाहरी लोगों को अवलोकन और नियंत्रण की भूमिका दे देते हैं, और यह तरीका संभवतः उत्पादक नहीं होता।
क्यों सारा मानव ज्ञान एक विशाल JSON फ़ाइल में नहीं समा जाता? चिकित्सा दिशानिर्देश decision tree तो हैं, लेकिन उन्हें यांत्रिक रूप से लागू करने के लिए नहीं लिखा जाता। ऐसा इसलिए है क्योंकि व्यवहार में एक ही कैंसर वाले एक जैसे मरीज होते ही नहीं।
दिशानिर्देश उस फ़िल्मी अकेले डॉक्टर के लिए नहीं हैं जो कैंसर के साथ समय की दौड़ में real-time में decision tree पर नीचे उतर रहा हो, बल्कि वे एक अत्यधिक प्रशिक्षित clinical team के लिए हैं जो आपस में परिचित ढंग से सहयोग करती है। उनमें यह पहचानने की क्षमता होती है कि दिशानिर्देश कहाँ गलत है या कहाँ उसे बढ़ाने या संशोधित करने की ज़रूरत है।
यानी दिशानिर्देश state-of-the-art care का abstraction हैं।
अच्छा होता अगर ऐसे दिशानिर्देशों को किसी medical version control system के source code की तरह संभाला जा सकता, ताकि subspecialists और विशेषज्ञ उन्हें आसानी से संशोधित या fork कर सकें। लेकिन biological dependencies silicon dependencies की तुलना में कहीं अधिक जटिल हैं, और कुछ समय तक उन्हें discrete रूप में ढालना अधिक कठिन ही रहेगा।
इसका मतलब यह नहीं कि लेखक की महत्वाकांक्षा गलत है। वह बहुत अच्छी है। बस इस क्षेत्र में प्रगति तब सबसे आसान लगती है जब वह संबंधित टीमों के भीतर से आती है। जो चीज़ बाहर से वैचारिक रूप से सरल दिखती है, वह अक्सर सिर्फ कम resolution की वजह से वैसी लगती है।
अगर कुछ पढ़ना ही है, तो वह searchable paper document होना चाहिए।
यही कारण है कि datasheet अब भी PDF में होती हैं। क्योंकि यह एक विश्वसनीय, टिकाऊ और portable format है।
यह बात हास्यास्पद है कि हम मूलतः कागज़ की नकल कर रहे हैं, लेकिन उस खाली जगह को भरने वाला कोई दूसरा format नहीं है।
मूल उद्देश्य के हिसाब से HTML को यह भूमिका निभानी चाहिए थी, लेकिन पिछले लगभग 20 वर्षों में ध्यान HTML को बेहतर information exchange format बनाने के अलावा लगभग हर दूसरी चीज़ पर रहा है।
जटिल HTML documents को एक single file में पैक करने जैसी मामूली चीज़ के लिए भी कोई standard समाधान नहीं है।
file://URL पर cookies काम नहीं करतीं, और कई बहुत बुनियादी चीज़ें या तो काम नहीं करतीं या मौजूद ही नहीं हैं।इसके बदले ePUB जैसे derived formats आते हैं, जो अधिकांशतः HTML ही होते हैं, लेकिन वास्तव में अधिकांश browsers उन्हें support नहीं करते।
पिछले 10 वर्षों में मैंने दो startups में ऐसी computerized procedures को दो बार लागू किया है।
मैं नहीं चाहता कि NCCN यह काम करे।
NCCN दिशानिर्देश PDF में कैद नहीं हैं; वे डॉक्टरों के दिमाग में कैद हैं।
जब NCCN दिशानिर्देश computerized rules में बदल जाते हैं, तो वही नियम उल्टा दिशानिर्देशों को चलाने लगते हैं। यह मूल विज्ञान से दूर ले जाने वाली दूसरी शक्ति बन जाती है।
मैं पूरी तरह सहमत हूँ कि नियमों का systematization ज़रूरी है, लेकिन उसे कैंसर के अग्रिम मोर्चे के उस ज्ञान के पूरी तरह अधीन होना चाहिए जो अत्यंत तेज़ी से बदलता है।
हर साल ASCO जैसी प्रमुख pan-cancer conferences और रोग-विशेष सम्मेलनों, जैसे San Antonio Breast Cancer Symposium, के बाद ज्ञान को अपडेट किया जाना चाहिए, और साल पूरा होने का इंतज़ार किए बिना भी यदि कोई महत्वपूर्ण clinical trial result आता है, तो डॉक्टरों को नवीनतम trials और continuing education के माध्यम से अपना ज्ञान अपडेट करते रहना चाहिए। यह NCCN द्वारा प्रकाशित सीमाओं के पूरक एक व्यापक ज्ञान-तंत्र का हिस्सा है।
कंप्यूटर science और medicine दोनों में जीवनभर काम करने के अनुभव से, मेरा मानना है कि डॉक्टर programmers और databases की तुलना में नियमों को कहीं तेज़ी से अपडेट कर सकते हैं।
मैं चाहता हूँ कि NCCN दिशानिर्देशों को ऐसे spaghetti code में बंद न किया जाए जिसे केवल कुछ programmers ही समझ सकें, बल्कि उन्हें ऐसे PDF के रूप में खुला रखा जाए जहाँ कोई भी लिंक का पीछा करके चीज़ें जाँच सके।
संपादन: इस लेख को लगभग एक हफ़्ता पचा लेने के बाद मेरी राय बदल भी सकती है। शायद NCCN को clinical variables को इतना standardize कर देना चाहिए कि उन्हें rules में बदलना लगभग तुच्छ हो जाए। लेकिन clinical trials की hypotheses को उन नियमों के भीतर फिट होना होगा, और यह संभव है या नहीं, यह देखने के लिए मुझे शायद एक हफ़्ता और सोचना होगा।
decision tree निर्णय लेने में काम करते हैं।
लेकिन वे अन्य decision techniques जितना अच्छा काम नहीं करते। random forests, linear models, neural networks आदि भी मूलतः निर्णय तकनीकें ही हैं।
बहुत अधिक डेटा वाले जटिल तंत्रों में, यानी मानव स्वास्थ्य में, decision trees अच्छा प्रदर्शन नहीं करते।
फिर हम ऐसी तकनीक का उपयोग क्यों कर रहे हैं जिसे केवल इसलिए कमजोर माना जाता है कि उसे PDF में लिखना आसान है, मीटिंग में उस पर तर्क करना आसान है, और किसी को समझाना आसान है?
क्या हमें वह state-of-the-art mathematical model नहीं अपनाना चाहिए जो सबसे अधिक 'cure' probability देता हो, भले ही वह इंसानी समझ से परे जटिल क्यों न हो?
अगर मॉडल इतना जटिल हो कि इंसान उसे समझ ही न सके, तो जब बाद में पता चले कि वह data leakage या किसी दूसरे bias पर आधारित था, तब अदालत में उसे समझाना सचमुच बहुत बढ़िया रहेगा।
वास्तविक clinical practice अक्सर इन data points के बीच interpolation करती है।
एक cancer researcher के नज़रिए से देखें तो NCCN दिशानिर्देशों के decision tree की कुछ शाखाएँ उन अध्ययनों पर आधारित हैं जिनमें कई विकल्प placebo से बेहतर थे, लेकिन आपस में उनके बीच statistically significant अंतर नहीं था।
ऐसे मामलों में clinician यह तय करने के लिए दूसरे कारकों का उपयोग कर सकता है कि कौन-सा path चुना जाए। prostate cancer में surgery और radiation therapy इसका क्लासिक उदाहरण हैं। दोनों लगभग समान रूप से प्रभावी हैं, लेकिन मरीज का अनुभव दोनों में बहुत अलग होता है।
कल्पना से कहीं ज़्यादा गंभीर है। मैं एक healthcare startup में काम करता था जो clinical oncology trials में patient enrollment संभालता था, और मुश्किलें बहुत बड़ी थीं
सच कहूँ तो, अगर data सामान्य text में भी होता तो शायद बहुत फ़र्क नहीं पड़ता। diagnosis codes हर medical institution में अलग हैं, diagnosis information की semantic समझ भी हर institution में अलग है, electronic medical records बिखरे हुए हैं, और सब कुछ data structure की जगह natural language में लिखा होता है
जिसने भी healthcare software पर काम किया है, वह इससे भी कहीं ज़्यादा डरावनी कहानियाँ सुना सकता है
उम्मीद है कि large language models इसका कुछ हिस्सा सुलझाने में मदद करेंगे, लेकिन healthcare software पर काम कर चुके लोग जानते हैं कि यह तकनीकी समस्या नहीं बल्कि बेहद मानवीय समस्या है
फिर भी एक उजली बात है। मेरे सहकर्मियों ने category theory और Prolog का इस्तेमाल करके, प्रमाणित रूप से optimal 3+3 clinical oncology dose-escalation trial protocol खोजने में बड़ी प्रगति की [1]
David ने Vienna के Scryer Prolog meetup में इस पर शानदार प्रस्तुति दी थी [2]
यह चौंकाने वाला है कि medicine अब भी कितना अंधकार युग में है। यह 3+3 cancer trials के लिए पहला executable और programmable specification होने के बावजूद, वह अब भी medical सहकर्मियों और hospital administrators को यह समझाने के लिए संघर्ष कर रहा है कि यही optimal trial है। हैरानी की बात नहीं, क्योंकि वे software या statistics की भाषा नहीं बोलते
[1]: https://arxiv.org/abs/2402.08334
[2]: https://www.digitalaustria.gv.at/eng/insights/Digital-Austri...
https://jakeseliger.com/
https://github.com/Precisfice/DEDUCTION