ನಿಮ್ಮ ಆಸ್ಪತ್ರೆ AIಗೆ ಸಿದ್ಧವಾಗಿದೆಯೇ? ಭಾರತೀಯ ಆಸ್ಪತ್ರೆಗಳಿಗಾಗಿ ಒಂದು ಸಿದ್ಧತೆಯ ಪರಿಶೀಲನಾ ಪಟ್ಟಿ

ಇಂದು ಪ್ರತಿಯೊಂದು ಆಸ್ಪತ್ರೆಗೂ AI ಕೊಡುಗೆಗಳು ಬರುತ್ತಿವೆ: ಕನ್ಸಲ್ಟ್ ಟಿಪ್ಪಣಿಯನ್ನು (consult note) ಬರೆಯುವ ಸ್ಕ್ರೈಬ್‌ಗಳು, ರೋಗಿಯ ವೈದ್ಯಕೀಯ ಇತಿಹಾಸವನ್ನು ಸಂಕ್ಷೇಪಿಸುವ ಟೂಲ್‌ಗಳು, ಸರತಿಸಾಲಿನ (queue) ಅಥವಾ ಫಾರ್ಮಸಿಯ ಶೆಲ್ಫ್‌ನ ಮೇಲೆ ನಿಗಾ ಇಡುವ ಏಜೆಂಟ್‌ಗಳು (agents). ಕೆಲವು ಆಸ್ಪತ್ರೆಗಳಿಗೆ ಇವುಗಳಿಂದ ನಿಜವಾದ ಪ್ರಯೋಜನ ಸಿಗುತ್ತದೆ. ಇನ್ನು ಕೆಲವು ಒಂದು ಟೂಲ್ ಖರೀದಿಸಿ, ಪೈಲಟ್ (pilot) ನಡೆಸಿ, ಅದು ತಮ್ಮ ದಾಖಲೆಗಳ ಮೇಲೆ ಕೆಲಸ ಮಾಡುವುದಿಲ್ಲ ಎಂದು ಕಂಡುಕೊಳ್ಳುತ್ತವೆ.

ಈ ವ್ಯತ್ಯಾಸಕ್ಕೆ ಕಾರಣ ಅಪರೂಪಕ್ಕೆ ಮಾತ್ರ AI ಆಗಿರುತ್ತದೆ. ಆಸ್ಪತ್ರೆ ಅದಕ್ಕೆ ಸಿದ್ಧವಾಗಿದೆಯೇ ಎಂಬುದೇ ನಿಜವಾದ ಕಾರಣ. ಪ್ರಾಯೋಗಿಕವಾಗಿ ಸಿದ್ಧತೆ ಎಂದರೆ ಏನು ಎಂಬುದನ್ನು ಈ ಲೇಖನ ಆರು ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ವಿವರಿಸುತ್ತದೆ; ಕೊನೆಯಲ್ಲಿ ಒಂದು ಪರಿಶೀಲನಾ ಪಟ್ಟಿಯೂ ಇದೆ. ಇದನ್ನು ಭಾರತದ ಆಸ್ಪತ್ರೆ ಮಾಲೀಕರು, ವೈದ್ಯಕೀಯ ನಿರ್ದೇಶಕರು (medical directors) ಮತ್ತು IT ಮುಖ್ಯಸ್ಥರಿಗಾಗಿ ಬರೆಯಲಾಗಿದೆ.

ಸಂಕ್ಷಿಪ್ತವಾಗಿ

• ಮೊದಲು ದಾಖಲೆಗಳು. AI ದಾಖಲೆಗಳನ್ನು ಓದುತ್ತದೆ. ನಿಮ್ಮ ದಾಖಲೆಗಳು ಕಾಗದದಲ್ಲಿ ಅಥವಾ ಸ್ಕ್ಯಾನ್ ಮಾಡಿದ PDFಗಳಲ್ಲಿ ಇದ್ದರೆ, ಅಲ್ಲಿಂದಲೇ ಆರಂಭಿಸಿ.
• ನಂಬಬಹುದಾದ ಡೇಟಾ. ಪುನರಾವರ್ತಿತ ದಾಖಲೆಗಳು (duplicates), ಬಿಟ್ಟುಹೋದ ಮಾಹಿತಿ ಮತ್ತು ತಪ್ಪು ಕೋಡ್‌ಗಳು ತಪ್ಪು ಉತ್ತರಗಳಾಗಿ ಬದಲಾಗುತ್ತವೆ.
• ಮಾನದಂಡಗಳು. ಕೋಡ್ ಮಾಡಿದ ರೋಗನಿರ್ಣಯಗಳು ಮತ್ತು ಪರೀಕ್ಷೆಗಳು, ಜೊತೆಗೆ ಡೇಟಾ ವಿನಿಮಯ ಮಾಡಿಕೊಳ್ಳುವ ಒಂದು ವಿಧಾನ ಇದ್ದರೆ, ಮುಂದಿನ ಪ್ರತಿಯೊಂದು ಹೆಜ್ಜೆಯೂ ಕಡಿಮೆ ವೆಚ್ಚದ್ದಾಗುತ್ತದೆ.
• ಭದ್ರತೆ ಮತ್ತು ಸಮ್ಮತಿ. ಯಾವುದೇ AI ರೋಗಿಯ ಡೇಟಾವನ್ನು ಮುಟ್ಟುವ ಮೊದಲೇ, ಆ ಡೇಟಾಗೆ ಪ್ರವೇಶ ನಿಯಂತ್ರಣ (access control), ಲಾಗ್‌ಗಳು (logs) ಮತ್ತು ಕಾನೂನುಬದ್ಧ ಆಧಾರ ಇರಬೇಕು.
• ಆಡಳಿತ ವ್ಯವಸ್ಥೆ (governance). ಒಂದು ಟೂಲ್ ನಿಮ್ಮ ರೋಗಿಗಳ ಮೇಲೆ ಕೆಲಸ ಮಾಡುತ್ತಿದೆಯೇ ಎಂದು ಯಾರಾದರೂ ಪರಿಶೀಲಿಸಬೇಕು, ಮತ್ತು ಪರಿಶೀಲಿಸುತ್ತಲೇ ಇರಬೇಕು.
• ಜನರು. ಒಂದು ಸಮಸ್ಯೆಯನ್ನು ಆರಿಸಿ, ಅದನ್ನು ಅಳೆಯಿರಿ, ಮತ್ತು ಆ ಸಮಸ್ಯೆಯೊಂದಿಗೆ ದಿನವೂ ಹೆಣಗಾಡುವ ಸಿಬ್ಬಂದಿಯೇ ಪರಿಹಾರವನ್ನು ರೂಪಿಸಲಿ.

1. ಡಿಜಿಟಲ್, ರಚನಾತ್ಮಕ ಮತ್ತು ಒಂದೇ ಕಡೆ ಇರುವ ದಾಖಲೆಗಳು

AI ಕೆಲಸ ಮಾಡುವುದು ಡೇಟಾದ ಮೇಲೆ. ಕೈಯಲ್ಲಿ ಬರೆದ ಕೇಸ್ ಶೀಟ್ ಅನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡಿ PDF ಮಾಡಿದರೆ ಅದು ಒಂದು ಚಿತ್ರ: ಒಬ್ಬ ವ್ಯಕ್ತಿ ಅದನ್ನು ಓದಬಹುದು, ಆದರೆ ಒಂದು ಸಿಸ್ಟಮ್ ಅದರಿಂದ ರಕ್ತದೊತ್ತಡ, ರೋಗನಿರ್ಣಯ ಅಥವಾ ಔಷಧಿಯ ಡೋಸ್ ಅನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಹೊರತೆಗೆಯಲಾರದು. ಸಿದ್ಧತೆ ಆರಂಭವಾಗುವುದು ಚಿಕಿತ್ಸೆ ನೀಡುವ ಸ್ಥಳದಲ್ಲೇ (point of care) ದಾಖಲೆಗಳನ್ನು ಡೇಟಾ ರೂಪದಲ್ಲಿ ದಾಖಲಿಸುವುದರಿಂದ: ವೈಟಲ್ಸ್ (vitals) ಸಂಖ್ಯೆಗಳಾಗಿ, ರೋಗನಿರ್ಣಯಗಳು ಕೋಡ್ ಮಾಡಿದ ನಮೂದುಗಳಾಗಿ, ಪ್ರಿಸ್ಕ್ರಿಪ್ಷನ್‌ಗಳು ಔಷಧಿ, ಡೋಸ್ ಮತ್ತು ಎಷ್ಟು ಬಾರಿ ತೆಗೆದುಕೊಳ್ಳಬೇಕು ಎಂಬುದನ್ನು ಹೊಂದಿರುವ ಸಾಲುಗಳಾಗಿ.

ಪರಿಶೀಲಿಸಬೇಕಾದ ಮೂರು ವಿಷಯಗಳು:

• ಒಬ್ಬ ರೋಗಿ, ಒಂದು ದಾಖಲೆ. ಆಸ್ಪತ್ರೆಯೊಳಗೆ ಪ್ರತಿಯೊಬ್ಬ ರೋಗಿಗೂ ಒಂದೇ ಗುರುತಿನ ಸಂಖ್ಯೆ (MRN ಅಥವಾ UID) ಇರಬೇಕು, ಮತ್ತು ಭೇಟಿಗಳು, ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳು ಹಾಗೂ ಬಿಲ್‌ಗಳು ಅದಕ್ಕೇ ಜೋಡಣೆಯಾಗಿರಬೇಕು. ಒಬ್ಬನೇ ವ್ಯಕ್ತಿಗೆ ಎರಡು ದಾಖಲೆಗಳಿದ್ದರೆ, ಅವರ ಇತಿಹಾಸ ಎರಡಾಗಿ ಒಡೆಯುತ್ತದೆ, ಮತ್ತು ಯಾವುದೇ ಟೂಲ್ ನೋಡಬಲ್ಲದ್ದು ಅರ್ಧಕ್ಕೆ ಇಳಿಯುತ್ತದೆ.
• ಎಲ್ಲವೂ ಒಂದೇ ಸಿಸ್ಟಮ್‌ನಲ್ಲಿ, ಇಲ್ಲವೇ ಪರಸ್ಪರ ಸಂಪರ್ಕದಲ್ಲಿ. ಹೊರರೋಗಿ (out-patient) ಟಿಪ್ಪಣಿಗಳು ಒಂದು ಸಿಸ್ಟಮ್‌ನಲ್ಲಿ, ಲ್ಯಾಬ್ ಫಲಿತಾಂಶಗಳು ಇನ್ನೊಂದರಲ್ಲಿ, ಫಾರ್ಮಸಿ ಕಾಗದದಲ್ಲಿ ಇದ್ದರೆ, ಯಾವ ಟೂಲ್‌ಗೂ ರೋಗಿಯನ್ನು ಪೂರ್ಣವಾಗಿ ನೋಡಲು ಸಾಧ್ಯವಿಲ್ಲ.
• ರೋಗಿ ಬಯಸಿದಲ್ಲಿ ABHAಗೆ ಜೋಡಣೆ. Ayushman Bharat Digital Mission ಸಮ್ಮತಿಯೊಂದಿಗೆ ದಾಖಲೆಗಳನ್ನು ರೋಗಿಯ ABHAಗೆ ಜೋಡಿಸುತ್ತದೆ; ಇದರಿಂದ ಬೇರೆಡೆಯ ದಾಖಲೆಗಳೂ ಕೈಗೆಟುಕುವಂತಾಗುತ್ತವೆ.

2. ನಂಬಬಹುದಾದ ಡೇಟಾ

ಕೆಟ್ಟ ಡೇಟಾದ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದ ಅಥವಾ ಕೆಟ್ಟ ಡೇಟಾದ ಮೇಲೆ ಚಲಿಸುವ ಮಾಡೆಲ್ (model) ಆತ್ಮವಿಶ್ವಾಸದಿಂದ ತಪ್ಪು ಉತ್ತರಗಳನ್ನು ಕೊಡುತ್ತದೆ. ಎಲೆಕ್ಟ್ರಾನಿಕ್ ಹೆಲ್ತ್ ರೆಕಾರ್ಡ್ ಡೇಟಾವನ್ನು ಅಧ್ಯಯನ ಮಾಡುವ ಸಂಶೋಧಕರು ಅದರ ಗುಣಮಟ್ಟವನ್ನು ಕೆಲವು ಆಯಾಮಗಳಲ್ಲಿ ವಿವರಿಸುತ್ತಾರೆ. ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವ ಒಂದು ವಿಮರ್ಶಾ ಅಧ್ಯಯನ (review) ಅವುಗಳನ್ನು ಐದು ಗುಂಪುಗಳಾಗಿ ವಿಂಗಡಿಸಿದೆ: ಡೇಟಾ ಪೂರ್ಣವಾಗಿದೆಯೇ (complete), ಸರಿಯಾಗಿದೆಯೇ (correct), ಇತರ ಮೂಲಗಳೊಂದಿಗೆ ಹೊಂದಿಕೆಯಾಗುತ್ತದೆಯೇ (concordant), ನಂಬಲರ್ಹವಾಗಿ ಕಾಣುತ್ತದೆಯೇ (plausible), ಮತ್ತು ಇತ್ತೀಚಿನದೇ (current).

ಒಂದು ಆಸ್ಪತ್ರೆಯಲ್ಲಿ ಇದು ಹೀಗೆ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತದೆ: ದಾಖಲಿಸದೆ ಬಿಟ್ಟ ಅಲರ್ಜಿಗಳು, ಕಿಲೋಗ್ರಾಂ ಫೀಲ್ಡ್‌ನಲ್ಲಿ ಪೌಂಡ್‌ಗಳಲ್ಲಿ ನಮೂದಿಸಿದ ತೂಕ, ಲೆನ್ಸ್ ಪವರ್‌ನಲ್ಲಿ ದಶಮಾಂಶ ಬಿಂದುವಿನ ತಪ್ಪು, ಎರಡು ಬೇರೆ ಕಾಗುಣಿತಗಳಲ್ಲಿ ಎರಡು ಬಾರಿ ನೋಂದಾಯಿಸಲಾದ ಒಬ್ಬನೇ ರೋಗಿ, ಅಥವಾ ಸರಿಯಾದ ಕೋಡ್ ಹುಡುಕಲು ತುಂಬಾ ಸಮಯ ಹಿಡಿಯುತ್ತಿದ್ದುದರಿಂದ ಸ್ಥೂಲವಾಗಿ ಕೋಡ್ ಮಾಡಿದ ರೋಗನಿರ್ಣಯ.

ಇದನ್ನು ಹೇಗೆ ಅಳೆಯುವುದು ಮತ್ತು ಸರಿಪಡಿಸುವುದು ಎಂಬುದನ್ನು ನಾವು ಕ್ಲಿನಿಕಲ್ ಡೇಟಾದ ಗುಣಮಟ್ಟ: AI ಶುದ್ಧವಾದ ದಾಖಲೆಗಳಿಂದಲೇ ಏಕೆ ಆರಂಭವಾಗುತ್ತದೆ ಎಂಬ ಲೇಖನದಲ್ಲಿ ವಿವರಿಸಿದ್ದೇವೆ. ಸಂಕ್ಷಿಪ್ತ ಉತ್ತರ: ನಂತರ ಯಾವುದೋ ಸ್ಪ್ರೆಡ್‌ಶೀಟ್‌ನಲ್ಲಿ ಅಲ್ಲ, ಮಾಹಿತಿ ನಮೂದಿಸುವ ಹಂತದಲ್ಲೇ ಸರಿಪಡಿಸಿ.

3. ಕೋಡ್ ಮಾಡಿದ ಮತ್ತು ಮಾನದಂಡಬದ್ಧ

ಡೇಟಾ ಒಂದು ಕಡೆಯಿಂದ ಇನ್ನೊಂದು ಕಡೆಗೆ ಸಾಗಲು ಮತ್ತು ಹೋಲಿಸಲು ಸಾಧ್ಯವಾಗುವುದು ಮಾನದಂಡಗಳಿಂದಲೇ:

• ICD-10 ರೋಗನಿರ್ಣಯಗಳಿಗೆ; ಹೀಗಾಗಿ “ಟೈಪ್ 2 ಮಧುಮೇಹ” ಹೇಗೆ ಟೈಪ್ ಮಾಡಿದರೂ ಒಂದೇ ವಿಷಯವಾಗಿರುತ್ತದೆ.
• LOINC ಲ್ಯಾಬ್ ಪರೀಕ್ಷೆಗಳಿಗೆ; ಹೀಗಾಗಿ ನಿಮ್ಮ ಲ್ಯಾಬ್‌ನ ಹಿಮೋಗ್ಲೋಬಿನ್ ಮತ್ತು ಹೊರಗಿನ ಲ್ಯಾಬ್‌ನ ಹಿಮೋಗ್ಲೋಬಿನ್ ಒಂದೇ ಚಾರ್ಟ್‌ನಲ್ಲಿ ಜೊತೆಯಾಗಿ ಬರಬಹುದು.
• FHIR R4 ಕ್ಲಿನಿಕಲ್ ಡೇಟಾ ವಿನಿಮಯಕ್ಕೆ; ABDM ಬಳಸುವ ಸ್ವರೂಪವೂ (format) ಇದೇ.
• ABDM ಸ್ವತಃ, ರೋಗಿಗೆ ಚಿಕಿತ್ಸೆ ನೀಡುವ ಇತರ ಆರೋಗ್ಯ ಸೇವಾದಾರರೊಂದಿಗೆ ಸಮ್ಮತಿಯ ಆಧಾರದ ಮೇಲೆ ಡೇಟಾ ಹಂಚಿಕೊಳ್ಳಲು.

ಈ ಮಾನದಂಡಗಳ ಪ್ರಕಾರ ದಾಖಲೆಗಳನ್ನು ಕೋಡ್ ಮಾಡಿರುವ ಆಸ್ಪತ್ರೆ ಹೊಸ ಟೂಲ್ ಅನ್ನು ತುಂಬಾ ವೇಗವಾಗಿ ಅಳವಡಿಸಿಕೊಳ್ಳಬಲ್ಲದು, ಏಕೆಂದರೆ ಟೂಲ್‌ಗೆ ಪ್ರತಿಯೊಂದು ಫೀಲ್ಡ್‌ಗೂ ಪ್ರತ್ಯೇಕ ಮ್ಯಾಪಿಂಗ್ (mapping) ಬೇಕಾಗುವುದಿಲ್ಲ.

4. ಮೂಲಸೌಕರ್ಯ ಮತ್ತು ಭದ್ರತೆ

ಯಾವುದೇ AI ಸಿಸ್ಟಮ್ ರೋಗಿಯ ಡೇಟಾವನ್ನು ಓದುವ ಮೊದಲು, ಮೂಲಭೂತ ವಿಷಯಗಳು ಸಿದ್ಧವಾಗಿರಬೇಕು:

• ಚಿಕಿತ್ಸೆ ನೀಡುವ ಸ್ಥಳದಲ್ಲೇ ಸಾಧನಗಳು (devices), ಇದರಿಂದ ಡೇಟಾವನ್ನು ನಂತರ ಟೈಪ್ ಮಾಡುವ ಬದಲು ಭೇಟಿಯ ಸಮಯದಲ್ಲೇ ದಾಖಲಿಸಲಾಗುತ್ತದೆ;
• ವಿಶ್ವಾಸಾರ್ಹ ಸಂಪರ್ಕ (connectivity), ಮತ್ತು ಅದು ಕೈಕೊಟ್ಟಾಗ ಏನು ಮಾಡಬೇಕು ಎಂಬುದಕ್ಕೆ ಒಂದು ಯೋಜನೆ;
• ಪಾತ್ರದ (role) ಆಧಾರದ ಮೇಲೆ ಪ್ರವೇಶ, ಇದರಿಂದ ಪ್ರತಿಯೊಬ್ಬರೂ ತಮ್ಮ ಕೆಲಸಕ್ಕೆ ಬೇಕಾದುದನ್ನು ನೋಡುತ್ತಾರೆ;
• ಯಾರು ಏನನ್ನು ತೆರೆದರು ಮತ್ತು ಏನನ್ನು ಬದಲಾಯಿಸಿದರು ಎಂಬುದರ ಲಾಗ್;
• Digital Personal Data Protection Act, 2023ರ ಅಡಿಯಲ್ಲಿ, ರೋಗಿಯ ಡೇಟಾವನ್ನು ಹೇಗೆ ಬಳಸಲಾಗುತ್ತದೆ ಎಂಬುದಕ್ಕೆ ಕಾನೂನುಬದ್ಧ ಆಧಾರ ಮತ್ತು ಸಮ್ಮತಿ.

ಪ್ರತಿಯೊಬ್ಬ AI ಮಾರಾಟಗಾರರನ್ನೂ (vendor) ಕೇಳಿ: ಡೇಟಾ ಎಲ್ಲಿಗೆ ಹೋಗುತ್ತದೆ, ಅದು ಭಾರತದಿಂದ ಹೊರಗೆ ಹೋಗುತ್ತದೆಯೇ, ಅವರ ಮಾಡೆಲ್‌ಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು ಅದನ್ನು ಬಳಸಲಾಗುತ್ತದೆಯೇ, ಮತ್ತು ಅದು ದುರ್ಬಳಕೆಯಾದರೆ ನಿಮಗೆ ಹೇಗೆ ತಿಳಿಯುತ್ತದೆ.

5. ಆಡಳಿತ ವ್ಯವಸ್ಥೆ: ಯಾರು ನಿರ್ಧರಿಸುತ್ತಾರೆ, ಯಾರು ಪರಿಶೀಲಿಸುತ್ತಾರೆ

ಕ್ಲಿನಿಕಲ್ AI ವಿಫಲವಾಗುವ ಅತ್ಯಂತ ಸಾಮಾನ್ಯ ರೀತಿ ಸದ್ದಿಲ್ಲದ್ದು: ಅದನ್ನು ನಿರ್ಮಿಸಿದ ಕಡೆ ಅದು ಕೆಲಸ ಮಾಡುತ್ತದೆ, ಬಳಸುವ ಕಡೆ ಕೆಲಸ ಮಾಡುವುದಿಲ್ಲ. ವ್ಯಾಪಕವಾಗಿ ಉಲ್ಲೇಖಿಸಲಾಗುವ ಒಂದು ಉದಾಹರಣೆ, ಅಮೆರಿಕದ ಅನೇಕ ಆಸ್ಪತ್ರೆಗಳಲ್ಲಿ ಬಳಸಲಾದ ಒಂದು ಸೆಪ್ಸಿಸ್ (sepsis) ಮುನ್ಸೂಚನಾ ಮಾಡೆಲ್. Michigan Medicineನ ಸಂಶೋಧಕರು ಅದನ್ನು 38,455 ಆಸ್ಪತ್ರೆ ದಾಖಲಾತಿಗಳ (hospital stays) ಮೇಲೆ ಪರಿಶೀಲಿಸಿದಾಗ, ಅದು 67% ಸೆಪ್ಸಿಸ್ ಪ್ರಕರಣಗಳನ್ನು ಗುರುತಿಸದೆ ಬಿಟ್ಟಿತು; ಅದೇ ವೇಳೆ ಎಲ್ಲಾ ರೋಗಿಗಳ ಪೈಕಿ 18% ರೋಗಿಗಳ ಬಗ್ಗೆ ಎಚ್ಚರಿಕೆ ನೀಡಿತು. ಅದರ AUC 0.63 ಆಗಿತ್ತು.

ಯಾವುದೇ ಆಸ್ಪತ್ರೆಗೆ ಇದರಿಂದ ಸಿಗುವ ಪಾಠ ಇದು: ಒಂದು ಟೂಲ್ ಅನ್ನು ಅವಲಂಬಿಸುವ ಮೊದಲು ನಿಮ್ಮದೇ ರೋಗಿಗಳ ಮೇಲೆ ಅದನ್ನು ಮೌಲ್ಯೀಕರಿಸಿ (validate), ಮತ್ತು ಬಳಕೆಗೆ ಬಂದ ನಂತರವೂ ಅಳೆಯುತ್ತಲೇ ಇರಿ. ಪ್ರಾಯೋಗಿಕವಾಗಿ ಇದರ ಅರ್ಥ:

• AI ಟೂಲ್‌ಗಳಿಗೆ ಅನುಮೋದನೆ ನೀಡುವ ಮತ್ತು ಅವುಗಳ ಪರಿಶೀಲನೆಯ ಹೊಣೆ ಹೊರುವ, ಹೆಸರಿಸಿ ನೇಮಿಸಲಾದ ಒಬ್ಬ ವ್ಯಕ್ತಿ ಅಥವಾ ಒಂದು ಸಣ್ಣ ಸಮಿತಿ;
• ಪ್ರತಿಯೊಂದು ಟೂಲ್‌ಗೂ ಲಿಖಿತ ಉದ್ದೇಶ, ಮತ್ತು ಅದು ಎಂದಿಗೂ ಮಾಡಬಾರದ್ದು ಏನು ಎಂಬುದು;
• ಬಳಕೆಗೆ ಬರುವ ಮೊದಲು ಸ್ಥಳೀಯ ಡೇಟಾದ ಮೇಲೆ ಒಂದು ಪರಿಶೀಲನೆ, ಮತ್ತು ನಂತರ ನಿಯಮಿತ ಪರಿಶೀಲನೆಗಳು;
• ಕ್ಲಿನಿಕಲ್ ಆದ ಯಾವುದೇ ವಿಷಯಕ್ಕೆ, AIನ ಫಲಿತಾಂಶ ರೋಗಿಯ ದಾಖಲೆಯನ್ನು ತಲುಪುವ ಮೊದಲು ಅದನ್ನು ಪರಿಶೀಲಿಸುವ ಒಬ್ಬ ವ್ಯಕ್ತಿ;
• ತಪ್ಪು ಉತ್ತರವನ್ನು ಸಿಬ್ಬಂದಿ ವರದಿ ಮಾಡಲು ಒಂದು ದಾರಿ, ಮತ್ತು ಅದರ ಬಗ್ಗೆ ಏನು ಕ್ರಮ ಕೈಗೊಳ್ಳಲಾಯಿತು ಎಂಬುದರ ದಾಖಲೆ.

ಇದಕ್ಕೆ ಹಲವು ಚೌಕಟ್ಟುಗಳು (frameworks) ಮಾರ್ಗದರ್ಶನ ನೀಡಬಲ್ಲವು. ICMRನ 2023ರ Ethical Guidelines for Application of Artificial Intelligence in Biomedical Research and Healthcare ಭಾರತದ ಮೂಲ ಉಲ್ಲೇಖ. WHOನ 2021ರ ಮಾರ್ಗದರ್ಶನ ಮಾನವ ಸ್ವಾಯತ್ತತೆಯನ್ನು ರಕ್ಷಿಸುವುದರಿಂದ ಹಿಡಿದು ಎಲ್ಲರನ್ನೂ ಒಳಗೊಳ್ಳುವಿಕೆ ಮತ್ತು ಸಮಾನತೆಯನ್ನು ಖಚಿತಪಡಿಸುವವರೆಗೆ ಆರು ತತ್ವಗಳನ್ನು ಮುಂದಿಡುತ್ತದೆ. NITI Aayogನ Responsible AI ವರದಿಗಳು (2021) ಭಾರತಕ್ಕಾಗಿ ಏಳು ತತ್ವಗಳನ್ನು ಮುಂದಿಡುತ್ತವೆ. ಔಪಚಾರಿಕ ನಿರ್ವಹಣಾ ವ್ಯವಸ್ಥೆಗಾಗಿ, ಒಂದು ಸಂಸ್ಥೆಯಲ್ಲಿ AI ನಿರ್ವಹಣೆಗೆ ಇರುವ ಮೊದಲ ಅಂತರರಾಷ್ಟ್ರೀಯ ಮಾನದಂಡ ISO/IEC 42001:2023.

6. ಜನರು ಮತ್ತು ಕಾರ್ಯವಿಧಾನ

AI ಕೆಲಸ ನಡೆಯುವ ರೀತಿಯನ್ನೇ ಬದಲಾಯಿಸುತ್ತದೆ, ಆದ್ದರಿಂದ ಕೆಲಸದಿಂದಲೇ ಆರಂಭಿಸಿ. ಸಿಬ್ಬಂದಿ ಈಗಾಗಲೇ ಅನುಭವಿಸುತ್ತಿರುವ ಒಂದು ಸಮಸ್ಯೆಯನ್ನು ಆರಿಸಿ, ಇಂದು ಅದನ್ನು ಅಳೆಯಿರಿ, ಅದರ ಮೇಲೆ ಒಂದು ಟೂಲ್ ಅನ್ನು ಪ್ರಯೋಗಿಸಿ, ಮತ್ತೆ ಅಳೆಯಿರಿ.

ಸಾಮಾನ್ಯವಾಗಿ ಮೊದಲ ಆಯ್ಕೆ ದಾಖಲೀಕರಣ, ಮತ್ತು ಅದರ ಬಗ್ಗೆ ಇರುವ ಪುರಾವೆಗಳನ್ನು ತಿಳಿದುಕೊಳ್ಳುವುದು ಒಳ್ಳೆಯದು. 2025ರಲ್ಲಿ NEJM AIನಲ್ಲಿ ಪ್ರಕಟವಾದ, UCLAನಲ್ಲಿ ನಡೆದ ಒಂದು ಯಾದೃಚ್ಛಿಕ ಪ್ರಯೋಗ (randomised trial), ಒಂದು ಆಂಬಿಯೆಂಟ್ AI ಸ್ಕ್ರೈಬ್ (ambient AI scribe) ಸಾಮಾನ್ಯ ಆರೈಕೆಗೆ ಹೋಲಿಸಿದರೆ ಟಿಪ್ಪಣಿಗಳಿಗಾಗಿ ವ್ಯಯಿಸುವ ಸಮಯವನ್ನು 9.5% ಕಡಿಮೆ ಮಾಡಿತು ಎಂದು ಕಂಡುಕೊಂಡಿತು; ಇನ್ನೊಂದು ಸ್ಕ್ರೈಬ್ ಗಮನಾರ್ಹ ವ್ಯತ್ಯಾಸವನ್ನೇನೂ ಉಂಟುಮಾಡಲಿಲ್ಲ. 8,581 ಕ್ಲಿನಿಷಿಯನ್‌ಗಳನ್ನು (clinicians) ಒಳಗೊಂಡ JAMAನ 2026ರ ಒಂದು ಅಧ್ಯಯನ, ಸ್ಕ್ರೈಬ್ ಬಳಸಿದವರು ನಿಗದಿತ ಪ್ರತಿ ಎಂಟು ಗಂಟೆಗಳಿಗೆ ದಾಖಲೀಕರಣಕ್ಕಾಗಿ ಸುಮಾರು 16 ನಿಮಿಷ ಕಡಿಮೆ ಕಳೆದರು ಎಂದು ಕಂಡುಕೊಂಡಿತು. ಈ ಪರಿಣಾಮ ಮಿತವಾದದ್ದು ಎಂದು ಲೇಖಕರು ಹೇಳಿದ್ದಾರೆ. ಅಂದರೆ ಇದು ಉಪಯುಕ್ತ, ಆದರೆ ಮಾಂತ್ರಿಕ ಪರಿಹಾರವಲ್ಲ; ಮತ್ತು ನಿಮ್ಮದೇ ಹೊರರೋಗಿ ವಿಭಾಗದಲ್ಲಿ ಅಳೆದು ನೋಡಬೇಕಾದದ್ದು, ಏಕೆಂದರೆ ಅಲ್ಲಿನ ರೋಗಿಗಳ ಸಂಖ್ಯೆ ಮತ್ತು ಸಮಾಲೋಚನೆಯ ಅವಧಿ ಅಮೆರಿಕದ ಒಂದು ಕ್ಲಿನಿಕ್‌ಗಿಂತ ತುಂಬಾ ಭಿನ್ನವಾಗಿರುತ್ತವೆ.

NABH Digital Health Standards ಎಲ್ಲಿ ಹೊಂದಿಕೊಳ್ಳುತ್ತವೆ

ಆಸ್ಪತ್ರೆಗಳ ಡಿಜಿಟಲ್ ಪರಿಪಕ್ವತೆಯ ಅಳತೆಗೋಲು ಎನ್ನಬಹುದಾದ, ಭಾರತದಲ್ಲಿರುವ ಅತ್ಯಂತ ಸಮೀಪದ ವ್ಯವಸ್ಥೆ ಎಂದರೆ NABHನ Digital Health Standards. ಆಸ್ಪತ್ರೆಗಳಿಗಾಗಿ ಮೊದಲ ಆವೃತ್ತಿ 2023ರ ಸೆಪ್ಟೆಂಬರ್‌ನಲ್ಲಿ ಪ್ರಕಟವಾಯಿತು. ಇದರಲ್ಲಿ ಎಂಟು ಅಧ್ಯಾಯಗಳಿವೆ; ಮೂರು ಕ್ಲಿನಿಕಲ್, ಐದು ಕ್ಲಿನಿಕಲ್ ಅಲ್ಲದವು:

1. ಪ್ರವೇಶ, ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಆರೈಕೆಯ ನಿರಂತರತೆ (Access, assessment and continuity of care)
2. ರೋಗಿಗಳ ಆರೈಕೆ (Care of patients)
3. ಔಷಧಿ ನಿರ್ವಹಣೆ (Management of medication)
4. ಡಿಜಿಟಲ್ ಮೂಲಸೌಕರ್ಯ (Digital infrastructure)
5. ಡಿಜಿಟಲ್ ಕಾರ್ಯಾಚರಣೆ ನಿರ್ವಹಣೆ (Digital operations management)
6. ಹಣಕಾಸು ಮತ್ತು ಖರೀದಿ ನಿರ್ವಹಣೆ (Finance and procurement management)
7. ಮಾನವ ಸಂಪನ್ಮೂಲ ನಿರ್ವಹಣೆ (Human resource management)
8. ಮಾಹಿತಿ ನಿರ್ವಹಣಾ ವ್ಯವಸ್ಥೆ (Information management system)

ಒಳರೋಗಿ ಅಥವಾ ಡೇ-ಕೇರ್ ಸೇವೆಗಳಿರುವ ಯಾವುದೇ ಆಸ್ಪತ್ರೆ, ಅದಕ್ಕೆ NABH ಮಾನ್ಯತೆ ಇರಲಿ ಇಲ್ಲದಿರಲಿ, ಅರ್ಜಿ ಸಲ್ಲಿಸಬಹುದು. ಮಾನ್ಯತೆಯನ್ನು Core ಹಂತದಿಂದ Excellence ಹಂತದವರೆಗಿನ ಪರಿಪಕ್ವತೆಯ ಮಟ್ಟಗಳಲ್ಲಿ ನೀಡಲಾಗುತ್ತದೆ, ಮತ್ತು ಈ ಮನ್ನಣೆ ಎರಡು ವರ್ಷಗಳವರೆಗೆ ಮಾನ್ಯವಾಗಿರುತ್ತದೆ. ಎರಡನೇ ಆವೃತ್ತಿಯನ್ನು 2025ರ ಸೆಪ್ಟೆಂಬರ್‌ನಲ್ಲಿ ಕರಡು ರೂಪದಲ್ಲಿ ಬಿಡುಗಡೆ ಮಾಡಲಾಯಿತು. HIS ಮತ್ತು EMR ಸಾಫ್ಟ್‌ವೇರ್‌ಗಳಿಗಾಗಿ NABH ಪ್ರತ್ಯೇಕ ಮಾನದಂಡವನ್ನೂ ನಡೆಸುತ್ತದೆ; ಅದರ ಪ್ರಕಾರ ಸಾಫ್ಟ್‌ವೇರ್‌ಗೆ ABDM ಅನುಸರಣಾ ಪ್ರಮಾಣೀಕರಣ (compliance certification) ಇರಲೇಬೇಕು.

ಈ ಮಾನದಂಡಗಳನ್ನು ಬಳಸಲು ನೀವು ಅರ್ಜಿ ಸಲ್ಲಿಸಬೇಕಾಗಿಲ್ಲ. ಈ ಲೇಖನ ವಿವರಿಸುವ ಕೆಲಸಕ್ಕೆ ಅವು ಚೆನ್ನಾಗಿ ರೂಪಿಸಲಾದ ಒಂದು ಪರಿಶೀಲನಾ ಪಟ್ಟಿ.

AI ಸಿದ್ಧತೆಯ ಪರಿಶೀಲನಾ ಪಟ್ಟಿ

1. ಹೊರರೋಗಿ ಟಿಪ್ಪಣಿಗಳು, ಪ್ರಿಸ್ಕ್ರಿಪ್ಷನ್‌ಗಳು ಮತ್ತು ಲ್ಯಾಬ್ ಫಲಿತಾಂಶಗಳನ್ನು ಕಾಗದ ಅಥವಾ ಸ್ಕ್ಯಾನ್‌ಗಳಾಗಿ ಅಲ್ಲ, ರಚನಾತ್ಮಕ ಡೇಟಾ ರೂಪದಲ್ಲಿ ದಾಖಲಿಸಲಾಗುತ್ತಿದೆಯೇ?
2. ಪ್ರತಿಯೊಬ್ಬ ರೋಗಿಗೂ ಆಸ್ಪತ್ರೆಯಲ್ಲಿ ಒಂದೇ ಗುರುತಿನ ಸಂಖ್ಯೆ ಇದೆಯೇ, ಮತ್ತು ನೋಂದಣಿಯ ಸಮಯದಲ್ಲಿ ಪುನರಾವರ್ತಿತ ದಾಖಲೆಗಳಿವೆಯೇ ಎಂದು ನೀವು ಪರಿಶೀಲಿಸುತ್ತೀರಾ?
3. ರೋಗನಿರ್ಣಯಗಳನ್ನು ICD-10ರಲ್ಲಿ ಕೋಡ್ ಮಾಡಲಾಗಿದೆಯೇ ಮತ್ತು ಲ್ಯಾಬ್ ಪರೀಕ್ಷೆಗಳನ್ನು LOINCಗೆ ಮ್ಯಾಪ್ ಮಾಡಲಾಗಿದೆಯೇ?
4. ನಿಮ್ಮ ಸಿಸ್ಟಮ್‌ಗಳು FHIRನಲ್ಲಿ ಡೇಟಾ ವಿನಿಮಯ ಮಾಡಿಕೊಳ್ಳಬಲ್ಲವೇ, ಮತ್ತು ಸಮ್ಮತಿಯೊಂದಿಗೆ ದಾಖಲೆಗಳನ್ನು ABHAಗೆ ಜೋಡಿಸಬಲ್ಲವೇ?
5. ನಿಮ್ಮ ಮುಖ್ಯ ಫೀಲ್ಡ್‌ಗಳು (ಅಲರ್ಜಿಗಳು, ವೈಟಲ್ಸ್, ರೋಗನಿರ್ಣಯಗಳು) ಎಷ್ಟು ಪೂರ್ಣವಾಗಿವೆ ಎಂದು ನಿಮಗೆ ತಿಳಿದಿದೆಯೇ?
6. ಪ್ರತಿಯೊಬ್ಬ ಸಿಬ್ಬಂದಿಗೂ ತಮ್ಮದೇ ಲಾಗಿನ್ ಇದೆಯೇ, ಪಾತ್ರದ ಆಧಾರದ ಮೇಲೆ ಪ್ರವೇಶ ಇದೆಯೇ, ಮತ್ತು ಪ್ರತಿಯೊಂದು ಪ್ರವೇಶವನ್ನೂ ಲಾಗ್ ಮಾಡಲಾಗುತ್ತದೆಯೇ?
7. DPDP Actನ ಅಡಿಯಲ್ಲಿ ರೋಗಿಗಳ ಡೇಟಾಗೆ ನಿಮ್ಮಲ್ಲಿ ಕಾನೂನುಬದ್ಧ ಆಧಾರ ಮತ್ತು ಸಮ್ಮತಿ ಪಡೆಯುವ ಪ್ರಕ್ರಿಯೆ ಇದೆಯೇ?
8. AI ಟೂಲ್‌ಗಳಿಗೆ ಅನುಮೋದನೆ ನೀಡುವ ಮತ್ತು ಅವುಗಳ ಪರಿಶೀಲನೆಯ ಹೊಣೆ ಹೊರುವ, ಹೆಸರಿಸಿ ನೇಮಿಸಲಾದ ವ್ಯಕ್ತಿ ಅಥವಾ ಸಮಿತಿ ಇದೆಯೇ?
9. ಬಳಕೆಗೆ ಬರುವ ಮೊದಲು ನೀವು ಒಂದು ಟೂಲ್ ಅನ್ನು ನಿಮ್ಮದೇ ರೋಗಿಗಳ ಮೇಲೆ ಮೌಲ್ಯೀಕರಿಸುತ್ತೀರಾ, ಮತ್ತು ನಂತರ ಅದನ್ನು ಅಳೆಯುತ್ತೀರಾ?
10. AIನ ಫಲಿತಾಂಶ ರೋಗಿಯ ದಾಖಲೆಯನ್ನು ತಲುಪುವ ಮೊದಲು ಒಬ್ಬ ವ್ಯಕ್ತಿ ಅದನ್ನು ಪರಿಶೀಲಿಸುತ್ತಾರೆಯೇ?
11. ನೀವು ಒಂದು ಸಮಸ್ಯೆಯನ್ನು ಆರಿಸಿ, ಇಂದು ಅದು ಯಾವ ಸ್ಥಿತಿಯಲ್ಲಿದೆ ಎಂದು ಅಳೆದಿದ್ದೀರಾ?
12. AI ತಪ್ಪನ್ನು ಹೇಗೆ ವರದಿ ಮಾಡಬೇಕು ಎಂದು ನಿಮ್ಮ ಸಿಬ್ಬಂದಿಗೆ ತಿಳಿದಿದೆಯೇ, ಮತ್ತು ಅದರ ಬಗ್ಗೆ ಯಾರಾದರೂ ಕ್ರಮ ಕೈಗೊಳ್ಳುತ್ತಾರೆಯೇ?

ಎಂಟು ಅಥವಾ ಅದಕ್ಕಿಂತ ಹೆಚ್ಚು ಪ್ರಶ್ನೆಗಳಿಗೆ ‘ಹೌದು’ ಎಂಬ ಉತ್ತರವಿದ್ದರೆ, ನೀವು ಪೈಲಟ್‌ಗೆ ಸಿದ್ಧರಿದ್ದೀರಿ. ಅದಕ್ಕಿಂತ ಕಡಿಮೆ ಇದ್ದರೆ, ನೀವು ತಪ್ಪಿಸಿಕೊಂಡ ಅಂಶಗಳೇ ನಿಮ್ಮ ಪ್ರಾಜೆಕ್ಟ್.

ಈ ವಿಷಯದಲ್ಲಿ 92health ಆಸ್ಪತ್ರೆಗಳೊಂದಿಗೆ ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ

92health ಭಾರತದಲ್ಲಿ ಕ್ಲಿನಿಕ್‌ಗಳು, ಆಸ್ಪತ್ರೆಗಳು, ಫಾರ್ಮಸಿಗಳು, ಲ್ಯಾಬ್‌ಗಳು ಮತ್ತು ಆಪ್ಟಿಕಲ್ ಅಂಗಡಿಗಳು ಬಳಸುವ ಒಂದು EMR ಮತ್ತು AI ಪ್ಲಾಟ್‌ಫಾರ್ಮ್. ಮೇಲೆ ಹೇಳಿದ ಸಿದ್ಧತೆಯ ಕೆಲಸದ ಬಹುಪಾಲು ಭಾಗ, ಅದು ಆರೈಕೆಯನ್ನು ದಾಖಲಿಸುವ ವಿಧಾನದಲ್ಲೇ ಅಡಕವಾಗಿದೆ: ಪ್ರತಿ ಆಸ್ಪತ್ರೆಯಲ್ಲಿ ಒಬ್ಬ ರೋಗಿಗೆ ಒಂದು ದಾಖಲೆ, ICD-10 ಕೋಡ್ ಮಾಡಿದ ರೋಗನಿರ್ಣಯಗಳು, FHIR R4 ಆಗಿ ಮೌಲ್ಯೀಕರಿಸಿದ ಲ್ಯಾಬ್ ಫಲಿತಾಂಶಗಳು, ABHAಗೆ ಜೋಡಿಸಬಹುದಾದ ದಾಖಲೆಗಳು, ಪ್ರತಿಯೊಂದು ಬದಲಾವಣೆಯನ್ನೂ ಲಾಗ್ ಮಾಡುವ ಪಾತ್ರಾಧಾರಿತ ಪ್ರವೇಶ, ಮತ್ತು ಭಾರತದಲ್ಲೇ ಉಳಿಯುವ ರೋಗಿಗಳ ಡೇಟಾ.

ಅದರ AI ವೈಶಿಷ್ಟ್ಯಗಳು ಎಲ್ಲೆಡೆ ಒಂದೇ ನಿಯಮವನ್ನು ಪಾಲಿಸುತ್ತವೆ: ಅವು ಕರಡು ಸಿದ್ಧಪಡಿಸುತ್ತವೆ, ಓದುತ್ತವೆ ಅಥವಾ ಉತ್ತರಿಸುತ್ತವೆ, ಮತ್ತು ಆ ಫಲಿತಾಂಶವನ್ನು ಪರಿಗಣಿಸುವ ಮೊದಲು ಒಬ್ಬ ವ್ಯಕ್ತಿ ಅದನ್ನು ಪರಿಶೀಲಿಸುತ್ತಾರೆ.

ವ್ಯವಸ್ಥಿತ ಮಾರ್ಗವನ್ನು ಬಯಸುವ ಆಸ್ಪತ್ರೆಗಳಿಗಾಗಿ, ನಾವು AI ಸಿದ್ಧತೆಯ ಕೆಲಸವನ್ನು ಮೂರು ಹಂತಗಳಲ್ಲಿ ನಡೆಸುತ್ತೇವೆ:

1. ಮೌಲ್ಯಮಾಪನ. ನಿಮ್ಮ ತಂಡದೊಂದಿಗೆ ನಾವು ಆರೂ ಕ್ಷೇತ್ರಗಳನ್ನು ಪರಿಶೀಲಿಸುತ್ತೇವೆ, ಮತ್ತು ನಿಮ್ಮ ದಾಖಲೆಗಳ ಒಂದು ಮಾದರಿಯನ್ನು (sample) ನೋಡುತ್ತೇವೆ.
2. ಯೋಜನೆ. ನಿಮಗೆ ಒಂದು ಲಿಖಿತ ವರದಿ ಸಿಗುತ್ತದೆ: ನೀವು ಯಾವ ಹಂತದಲ್ಲಿದ್ದೀರಿ, ಮೊದಲು ಏನನ್ನು ಸರಿಪಡಿಸಬೇಕು, ಮತ್ತು ಯಾವ AI ಬಳಕೆ ಮೊದಲು ಫಲ ನೀಡುತ್ತದೆ.
3. ನಿರ್ಮಾಣ. ಅಡಿಪಾಯಗಳನ್ನು ಸಿದ್ಧಪಡಿಸಲು ಮತ್ತು ಮೊದಲ ಪೈಲಟ್ ನಡೆಸಲು ನಾವು ನೆರವಾಗುತ್ತೇವೆ; ಅದು ಆರಂಭವಾಗುವ ಮೊದಲೇ ಮೂಲ ಮಟ್ಟವನ್ನು (baseline) ಅಳೆಯಲಾಗುತ್ತದೆ.

ಮೂಲಗಳು

• Weiskopf NG, Weng C. Methods and dimensions of electronic health record data quality assessment. JAMIA, 2013. doi:10.1136/amiajnl-2011-000681
• Wong A et al. External validation of a widely implemented proprietary sepsis prediction model in hospitalized patients. JAMA Internal Medicine, 2021. doi:10.1001/jamainternmed.2021.2626
• Lukac PJ et al. Ambient AI scribes in clinical practice: a randomized trial. NEJM AI, 2025. doi:10.1056/AIoa2501000
• Rotenstein LS et al. JAMA, 2026;335(16):1408-1417.
• NABH. Digital Health Standards, ಮತ್ತು Digital Health Standards for HIS/EMR systems.
• WHO. Ethics and governance of artificial intelligence for health, 2021.
• NITI Aayog. Responsible AI #AIforAll, Part 1: Principles for Responsible AI, 2021.
• ISO/IEC 42001:2023, Artificial intelligence management system. IEC ವೆಬ್‌ಸ್ಟೋರ್.