சுகாதாரப் பராமரிப்புக்கு செயற்கை நுண்ணறிவை (Artificial intelligence (AI)) பயன்படுத்துவதற்கு முன்பு, இந்தியா தனது சுகாதார அமைப்பில் உள்ள அடிப்படைச் சிக்கல்களைச் சரி செய்ய வேண்டும்.
"ஐந்தாண்டுகளுக்குள் ஒவ்வொரு இந்தியருக்கும், 24/7 இலவச செயற்கை நுண்ணறிவுடன் இயங்கும் முதன்மை பராமரிப்பு மருத்துவர்" என்ற யோசனை மிகவும் பாராட்டுக்குரியது. இது சாத்தியமா, எப்படி பராமரிக்கப்படும், இவ்வளவு பெரிய பணிக்கு இந்தியா தயாராக இருக்கிறதா என்ற கேள்வி எழுந்துள்ளது.
ஆரம்ப சுகாதார பராமரிப்பு (Primary health care (PHC)) அனைவருக்கும் சிறந்த ஆரோக்கியத்தை வழங்குவதை நோக்கமாகக் கொண்டுள்ளது. சுகாதார சேவைகளை சமூகங்களுக்கு நெருக்கமாக கொண்டு வருவதன் மூலம் இதை செய்கிறது. இது சுகாதார தேவைகளை நிவர்த்தி செய்கிறது, பல்வேறு சுகாதார சிக்கல்களை சமாளிக்கிறது மற்றும் மக்கள் தங்கள் சொந்த ஆரோக்கியத்தை கவனித்து கொள்ள உதவுகிறது. உடல்நலப் பாதுகாப்புக்கு செயற்கை நுண்ணறிவை பயன்படுத்துவது ஆபத்தானது. செயற்கை நுண்ணறிவு ஆள்மாறாட்டம் மற்றும் செயலில் உள்ள பங்கேற்பாளர்களுக்கு பதிலாக மக்களை செயலற்றவர்களாக மாற்றலாம். இது ஆரம்ப சுகாதார சேவையின் (primary health care (PHC)) முக்கிய இலக்கை பலவீனப்படுத்தலாம்.
செயற்கை நுண்ணறிவானது மீண்டும் மீண்டும் செய்யும் பணிகளைக் கையாள்வதில் சிறந்தது. ஆனால், இயற்பியல் உலகத்தைப் புரிந்துகொள்வது, சிக்கலான விவரங்களை நினைவில் கொள்வது அல்லது பகுத்தறிவு மற்றும் திட்டமிடல் போன்ற மனித குணங்களைக் கொண்டிருக்கவில்லை. இந்த மனித குணங்கள் மருத்துவத்தில் முக்கியமானவை, அங்கு நோயாளியின் நிலையைப் புரிந்துகொள்வது வடிவங்களை அங்கீகரிப்பதை விட அதிகம்.
சுகாதாரப் பாதுகாப்பை வழங்குவதற்கு மனிதனை மையமாகக் கொண்ட அணுகுமுறை மற்றும் கலாச்சார புரிதல் தேவை. உணர்வு, அல்லது உண்மையான உலகத்தைப் பற்றிய விழிப்புணர்வு, மனித முடிவெடுப்பதற்கு இன்றியமையாதது. இதுவே மனித நுண்ணறிவை செயற்கை நுண்ணறிவிலிருந்து வேறுபடுத்துகிறது. செயற்கை நுண்ணறிவால் மனித அனுபவத்திலிருந்து வரும் தார்மீக மற்றும் நெறிமுறை பகுத்தறிவை பிரதிபலிக்க முடியாது.
சுகாதாரப் பாதுகாப்பில், தரவு பெரும்பாலும் சிதறி, முழுமையடையாததாக மற்றும் அணுகக் கடினமானதாக உள்ளது. ஒரு மாதிரியைப் பயிற்றுவிப்பதை கடினமாக்குகிறது.
தரவு, மாதிரிகள் மற்றும் சிக்கல்கள்
200 ஆண்டுகளுக்கும் மேலாக மகப்பேறு மருத்துவத்தில் (obstetrics) பயன்படுத்தப்படும் நெகேலின் விதி (Naegele’s rule), சுகாதாரப் பாதுகாப்பில் உள்ள சவால்களைக் காட்டுகிறது. இது கடைசி மாதவிடாய் சுழற்சியின் அடிப்படையில் மட்டுமே குழந்தையின் பிறந்த தேதியை கணிக்கிறது மற்றும் 4% துல்லிய விகிதத்தைக் கொண்டுள்ளது. 18-ஆம் நூற்றாண்டின் ஐரோப்பிய நடைமுறைகளை அடிப்படையாகக் கொண்ட இந்த முறை, தாய்வழி வயது, ஊட்டச்சத்து அல்லது இனம் போன்ற முக்கியமான காரணிகளைக் கருத்தில் கொள்ளாது.
நெகேலின் விதியைவிட சிறந்த மாதிரியை உருவாக்க நோயாளிகளிடமிருந்து நிறைய தனிப்பட்ட தரவு தேவைப்படுகிறது. இது செயற்கை நுண்ணறிவு மேம்பாட்டில் உள்ள தனியுரிமை மற்றும் நெறிமுறைச் சிக்கல்களுடன் மிகவும் துல்லியமான முரண்படுவதற்கு நிறைய தரவுகளைச் சேகரிப்பது என்ற சிக்கலை எடுத்துக்காட்டுகிறது.
சுகாதாரத் தரவைச் சேகரித்துப் பயன்படுத்துவதற்கான அமைப்புகளை அமைப்பது மிகவும் விலை உயர்ந்தது. மகப்பேறு ஆரோக்கியம் (reproductive health) மற்றும் கருவுறுதல் விகிதங்கள் (fertility rates) மாறும்போது, செயற்கை நுண்ணறிவு மாதிரிகளுக்கு அடிக்கடி புதுப்பித்தல்கள் தேவைப்படுகின்றன. இதற்கு அதிக செலவாகும். மேலும், உடல்நலப் பாதுகாப்புத் தரவு தனிப்பட்டது மற்றும் சிக்கலானது. எனவே அதை அனைவருக்கும் ஒரே மாதிரியாக மாற்றுவது கடினம்.
இந்தியாவின் பன்முகத்தன்மை விஷயங்களை இது மிகவும் சிக்கலாக்குகிறது. துல்லியமான செயற்கை நுண்ணறிவு
மாதிரிகளை உருவாக்க, நிறைய விரிவான மற்றும் தனிப்பட்ட தரவு தேவை, அதைப் பெறுவது கடினம்.
சுகாதாரப் பராமரிப்பில் (health care) செயற்கை நுண்ணறிவின் பயன்பாடு
சுகாதாரப் பராமரிப்பில் குறிப்பிட்ட பணிகளுக்கு AI மிகவும் பயனுள்ளதாக இருக்கும்.
குறுகிய நுண்ணறிவு (Narrow intelligence): இது மருத்துவமனையின் சமையலறைக்கு என்ன தேவை என்பதைக் கணிப்பது, உயிரி மருத்துவக் கழிவுகளை நிர்வகித்தல் அல்லது மருந்து கொள்முதலை மேம்படுத்துதல் போன்ற குறிப்பிட்ட பணிகளில் கவனம் செலுத்துகிறது.
பரவல் மாதிரிகள் (Diffusion models): இவை சிக்கலான தரவுகளிலிருந்து வடிவங்களைக் கணிக்க முடியும். நுண்திசு நோய் கூறுஇயல்களை (histopathology) ஆய்வு செய்தல் அல்லது குறிப்பிட்ட நபர்களின் மருத்துவப் படங்களை பகுப்பாய்வு செய்தல் போன்ற பணிகளுக்கு அவர்கள் உதவலாம்.
பெரிய மொழி மாதிரிகள் (Large Language Models (LLMs)) மற்றும் பெரிய பன்முக தொடர்பு மாதிரிகள் (Large Multimodal Models (LMMs)) மருத்துவக் கல்வி மற்றும் ஆராய்ச்சியில் பயனுள்ளதாக மாறி வருகின்றன. அவர்கள் விரைவாக மருத்துவ அறிவை வழங்கலாம், நோயாளிகளின் தொடர்புகளை உருவகப்படுத்தலாம் மற்றும் சுகாதார பராமரிப்பு நிபுணர்களுக்கு பயிற்சி அளிக்க உதவலாம். இந்தக் கருவிகள் கற்றலைத் திருத்தியமைக்கப்பட்ட மற்றும் பாரம்பரிய மருத்துவக் கல்வியை ஆதரிக்கும் சிக்கலான மருத்துவ சூழ்நிலைகளை உருவகப்படுத்தலாம்.
இருப்பினும், உடல்நலப் பாதுகாப்பில் செயற்கை நுண்ணறிவின் ஒரு பெரிய பிரச்சனை "கருப்பு பெட்டி" (‘black box’) பிரச்சினை. இதன் பொருள், செயற்கை நுண்ணறிவு எவ்வாறு முடிவுகளை எடுக்கிறது என்பதை நம்மால் எளிதில் பார்க்கவோ புரிந்துகொள்ளவோ முடியாது. இந்த வெளிப்படைத்தன்மை இல்லாதது ஆபத்தானது. ஏனெனில், ஒரு நோயறிதல் அல்லது சிகிச்சைத் திட்டம் எவ்வாறு தீர்மானிக்கப்படுகிறது என்பதை அறிவது முக்கியம். செயற்கை நுண்ணறிவின் காரணத்தைப் புரிந்து கொள்ளாமல், உடல்நலப் பாதுகாப்பு வழங்குநர்கள் அதன் பரிந்துரைகளை நம்ப மாட்டார்கள், இது தவறுகளுக்கும் வழிவகுக்கும்.
Google Deep Mind's செயற்கை நுண்ணறிவானது (போர்டு கேம் GO-வில்) சிறந்த வீரர்களை வீழ்த்தி பெரிய வெற்றியைப் பெற்றது. கணினி விளையாட்டுகளில் இது சுவாரஸ்யமாக இருந்தாலும், நிஜ வாழ்க்கை சுகாதாரப் பாதுகாப்பு குறித்த கவலைகளை எழுப்புகிறது. உடல்நலப் பாதுகாப்பில், தவறுகள் மிகவும் தீவிரமானவை மற்றும் உயிருக்கு ஆபத்தானவை.
இந்தியா மற்றும் செயற்கை நுண்ணறிவு நிர்வாகத்தில் உள்ள பிரச்சினை
கென்யாவில் ஒரு சமீபத்திய மனு செயற்கை நுண்ணறிவு மேம்பாட்டில் உள்ள நெறிமுறை சிக்கல்களை முன்னிலைப்படுத்தியது. செயற்கை நுண்ணறிவு மாதிரிகளைப் பயிற்றுவிப்பதற்காக குறைந்த ஊதியம் பெறும் தொழிலாளர்கள் சுரண்டப்படுவதாக அந்த மனுவில் குறிப்பிடப்பட்டிருந்தது. இது பாதிக்கப்படக்கூடிய மக்களை சுரண்டுவது பற்றிய கவலையை எழுப்புகிறது. இந்திய நோயாளிகளின் தரவு சட்டப்பூர்வமாக அவர்களுக்குச் சொந்தமானது என்பதால், அதைப் பாதுகாப்பது முக்கியம்.
சுகாதார தரவு பயனுள்ளதாக இருக்கும். ஆனால், பெரும்பாலும் குறைபாடுடையது. ஐரோப்பிய ஒன்றியத்தில் உள்ளதைப் போன்ற வலுவான செயற்கை நுண்ணறிவு மீதான கட்டுப்பாடுகள் இந்தியாவில் இல்லை. எனவே, சுகாதாரப் பாதுகாப்பில் செயற்கை நுண்ணறிவு கருவிகள் "தீங்கு செய்யாதீர்" (‘Do No Harm’) என்ற கொள்கையைப் பின்பற்ற வேண்டும்.
இந்தியாவில் செயற்கை நுண்ணறிவால் இயங்கும் சுகாதாரப் பாதுகாப்பு செயல்திறனை மேம்படுத்தலாம் மற்றும் பிழைகளைக் குறைக்கலாம். இருப்பினும், மேம்பட்ட செயற்கை நுண்ணறிவு தொழில்நுட்பங்களுக்கு ஆராய்ச்சி, தரவு உள்கட்டமைப்பு மற்றும் புதுப்பிப்புகளுக்கு நிறைய பணம் தேவைப்படுகிறது. செயற்கை நுண்ணறிவு சிகிச்சைக்கு செல்வதற்கு முன், இந்தியா முதலில் அதன் சுகாதார அமைப்பில் அடிப்படை சிக்கல்களை சரிசெய்ய வேண்டும். நோயாளியின் பராமரிப்பைக் கையாளுதல், நல்ல தரவுத் தரத்தை உறுதி செய்தல் மற்றும் செயற்கை நுண்ணறிவின் நெறிமுறைகளைக் கருத்தில் கொள்ள கவனமான திட்டமிடல் தேவை.
டாக்டர். சி. அரவிந்தா ஒரு கல்வியியல் மற்றும் பொது சுகாதார மருத்துவர்.