നിങ്ങളുടെ ആശുപത്രി AI-ക്ക് തയ്യാറാണോ? ഇന്ത്യൻ ആശുപത്രികൾക്കായി ഒരു തയ്യാറെടുപ്പ് ചെക്ക്‌ലിസ്റ്റ്

ഇന്ന് എല്ലാ ആശുപത്രികൾക്കും AI വാഗ്ദാനം ചെയ്യപ്പെടുന്നുണ്ട്: കൺസൾട്ട് കുറിപ്പ് എഴുതുന്ന സ്ക്രൈബുകൾ, രോഗിയുടെ ചരിത്രം സംഗ്രഹിക്കുന്ന ടൂളുകൾ, ക്യൂവോ ഫാർമസി ഷെൽഫോ നിരീക്ഷിക്കുന്ന ഏജന്റുകൾ (agents). ചില ആശുപത്രികൾക്ക് ഇവയിൽ നിന്ന് യഥാർത്ഥ പ്രയോജനം ലഭിക്കും. മറ്റുള്ളവ ഒരു ടൂൾ വാങ്ങി, ഒരു പൈലറ്റ് (pilot) നടത്തി, അത് തങ്ങളുടെ രേഖകളിൽ പ്രവർത്തിക്കുന്നില്ലെന്ന് കണ്ടെത്തും.

ഈ വ്യത്യാസത്തിന് കാരണം അപൂർവമായേ AI ആകാറുള്ളൂ. ആശുപത്രി അതിന് തയ്യാറാണോ എന്നതാണ് യഥാർത്ഥ കാരണം. പ്രായോഗികമായി തയ്യാറെടുപ്പ് എന്താണെന്ന് ഈ ലേഖനം ആറ് മേഖലകളിലായി വിശദീകരിക്കുന്നു; അവസാനം ഒരു ചെക്ക്‌ലിസ്റ്റുമുണ്ട്. ഇന്ത്യയിലെ ആശുപത്രി ഉടമകൾക്കും മെഡിക്കൽ ഡയറക്ടർമാർക്കും IT മേധാവികൾക്കുമായാണ് ഇത് എഴുതിയിരിക്കുന്നത്.

ചുരുക്കത്തിൽ

• ആദ്യം രേഖകൾ. AI രേഖകൾ വായിക്കുന്നു. നിങ്ങളുടേത് കടലാസിലോ സ്കാൻ ചെയ്ത PDF-കളിലോ ആണെങ്കിൽ, അവിടെ നിന്ന് തുടങ്ങുക.
• വിശ്വസിക്കാവുന്ന ഡാറ്റ. ഇരട്ട രേഖകളും വിട്ടുപോയ വിവരങ്ങളും തെറ്റായ കോഡുകളും തെറ്റായ ഉത്തരങ്ങളായി മാറുന്നു.
• മാനദണ്ഡങ്ങൾ. കോഡ് ചെയ്ത രോഗനിർണയങ്ങളും പരിശോധനകളും, ഡാറ്റ കൈമാറാനുള്ള ഒരു വഴിയും ഉണ്ടെങ്കിൽ, പിന്നീടുള്ള ഓരോ ഘട്ടവും ചെലവ് കുറഞ്ഞതാകും.
• സുരക്ഷയും സമ്മതവും. ഏതെങ്കിലും AI രോഗിയുടെ ഡാറ്റ തൊടുന്നതിന് മുമ്പുതന്നെ, ആ ഡാറ്റയ്ക്ക് ആക്സസ് നിയന്ത്രണവും ലോഗുകളും നിയമപരമായ അടിസ്ഥാനവും വേണം.
• ഭരണമേൽനോട്ടം (governance). ഒരു ടൂൾ നിങ്ങളുടെ രോഗികളിൽ പ്രവർത്തിക്കുന്നുണ്ടോ എന്ന് ആരെങ്കിലും പരിശോധിക്കണം, തുടർന്നും പരിശോധിച്ചുകൊണ്ടിരിക്കണം.
• ആളുകൾ. ഒരു പ്രശ്നം തിരഞ്ഞെടുക്കുക, അത് അളക്കുക, ആ പ്രശ്നവുമായി ദിവസവും ജീവിക്കുന്ന ജീവനക്കാർ പരിഹാരം രൂപപ്പെടുത്തട്ടെ.

1. ഡിജിറ്റലും ഘടനാപരവും ഒരിടത്തുമുള്ള രേഖകൾ

AI പ്രവർത്തിക്കുന്നത് ഡാറ്റയിലാണ്. കൈകൊണ്ട് എഴുതിയ കേസ് ഷീറ്റ് സ്കാൻ ചെയ്ത് PDF ആക്കിയാൽ അതൊരു ചിത്രമാണ്: ഒരാൾക്ക് അത് വായിക്കാം, പക്ഷേ ഒരു സിസ്റ്റത്തിന് അതിൽ നിന്ന് രക്തസമ്മർദം, രോഗനിർണയം, മരുന്നിന്റെ ഡോസ് എന്നിവ വിശ്വസനീയമായി എടുക്കാൻ കഴിയില്ല. ചികിത്സ നൽകുന്നിടത്തുവെച്ചുതന്നെ രേഖകൾ ഡാറ്റയായി രേഖപ്പെടുത്തുന്നതിലാണ് തയ്യാറെടുപ്പ് തുടങ്ങുന്നത്: വൈറ്റൽസ് (vitals) സംഖ്യകളായി, രോഗനിർണയങ്ങൾ കോഡ് ചെയ്ത എൻട്രികളായി, കുറിപ്പടികൾ മരുന്ന്, ഡോസ്, എത്ര തവണ എന്നിവയുള്ള വരികളായി.

പരിശോധിക്കേണ്ട മൂന്ന് കാര്യങ്ങൾ:

• ഒരു രോഗി, ഒരു രേഖ. ആശുപത്രിക്കുള്ളിൽ ഓരോ രോഗിക്കും ഒരൊറ്റ തിരിച്ചറിയൽ നമ്പർ (MRN അല്ലെങ്കിൽ UID) ഉണ്ടായിരിക്കണം; സന്ദർശനങ്ങളും പരിശോധനാ ഫലങ്ങളും ബില്ലുകളും അതുമായി ബന്ധിപ്പിക്കണം. ഒരേ ആൾക്ക് രണ്ട് രേഖകൾ ഉണ്ടെങ്കിൽ, അവരുടെ ചരിത്രം രണ്ടായി പിരിയുന്നു, ഏത് ടൂളിനും കാണാൻ കഴിയുന്നത് പകുതിയായി കുറയുന്നു.
• എല്ലാം ഒരു സിസ്റ്റത്തിൽ, അല്ലെങ്കിൽ ബന്ധിപ്പിച്ചത്. ഒപി (ഔട്ട്പേഷ്യന്റ്) കുറിപ്പുകൾ ഒരു സിസ്റ്റത്തിലും ലാബ് ഫലങ്ങൾ മറ്റൊന്നിലും ഫാർമസി കടലാസിലുമാണെങ്കിൽ, ഒരു ടൂളിനും രോഗിയെ മുഴുവനായി കാണാനാകില്ല.
• രോഗി ആഗ്രഹിക്കുന്നിടത്ത് ABHA-യുമായി ബന്ധിപ്പിച്ചത്. Ayushman Bharat Digital Mission സമ്മതത്തോടെ രേഖകളെ രോഗിയുടെ ABHA-യുമായി ബന്ധിപ്പിക്കുന്നു; ഇതുവഴി മറ്റിടങ്ങളിലെ രേഖകളും ലഭ്യമാകുന്നു.

2. വിശ്വസിക്കാവുന്ന ഡാറ്റ

മോശം ഡാറ്റയിൽ പരിശീലിപ്പിച്ചതോ പ്രവർത്തിപ്പിക്കുന്നതോ ആയ ഒരു മോഡൽ ആത്മവിശ്വാസത്തോടെ തെറ്റായ ഉത്തരങ്ങൾ നൽകും. ഇലക്ട്രോണിക് ഹെൽത്ത് റെക്കോർഡ് ഡാറ്റ പഠിക്കുന്ന ഗവേഷകർ അതിന്റെ ഗുണനിലവാരത്തെ ഏതാനും മാനങ്ങളിലായി വിവരിക്കുന്നു. വ്യാപകമായി ഉപയോഗിക്കുന്ന ഒരു അവലോകനം (review) അവയെ അഞ്ചായി തിരിച്ചു: ഡാറ്റ പൂർണമാണോ (complete), ശരിയാണോ (correct), മറ്റ് സ്രോതസ്സുകളുമായി പൊരുത്തപ്പെടുന്നുണ്ടോ (concordant), വിശ്വസനീയമായി തോന്നുന്നുണ്ടോ (plausible), കാലികമാണോ (current).

ഒരു ആശുപത്രിയിൽ ഇത് ഇങ്ങനെയാണ് കാണുക: രേഖപ്പെടുത്താത്ത അലർജികൾ, കിലോഗ്രാം ഫീൽഡിൽ പൗണ്ടിൽ രേഖപ്പെടുത്തിയ ഭാരം, ലെൻസ് പവറിലെ ദശാംശ പിശക്, രണ്ട് സ്പെല്ലിങ്ങുകളിലായി രണ്ടുതവണ രജിസ്റ്റർ ചെയ്ത ഒരേ രോഗി, അല്ലെങ്കിൽ ശരിയായ കോഡ് കണ്ടെത്താൻ ഏറെ സമയമെടുത്തതുകൊണ്ട് ഏകദേശമായി കോഡ് ചെയ്ത രോഗനിർണയം.

ഇത് എങ്ങനെ അളക്കാമെന്നും പരിഹരിക്കാമെന്നും ക്ലിനിക്കൽ ഡാറ്റയുടെ ഗുണനിലവാരം: AI വൃത്തിയുള്ള രേഖകളിൽ നിന്ന് തുടങ്ങുന്നത് എന്തുകൊണ്ട് എന്ന ലേഖനത്തിൽ ഞങ്ങൾ വിശദീകരിക്കുന്നു. ചുരുക്കത്തിൽ: പിന്നീട് ഒരു സ്പ്രെഡ്ഷീറ്റിലല്ല, വിവരം രേഖപ്പെടുത്തുന്നിടത്തുവെച്ചുതന്നെ ശരിയാക്കുക.

3. കോഡ് ചെയ്തതും മാനദണ്ഡമനുസരിച്ചുള്ളതും

ഡാറ്റ കൈമാറാനും താരതമ്യം ചെയ്യാനും സാധിക്കുന്നത് മാനദണ്ഡങ്ങൾ കൊണ്ടാണ്:

• ICD-10 രോഗനിർണയങ്ങൾക്ക്; അപ്പോൾ “ടൈപ്പ് 2 പ്രമേഹം” എങ്ങനെ ടൈപ്പ് ചെയ്താലും ഒരേ കാര്യമായിരിക്കും.
• LOINC ലാബ് പരിശോധനകൾക്ക്; അപ്പോൾ നിങ്ങളുടെ ലാബിലെ ഹീമോഗ്ലോബിനും പുറത്തുള്ള ഒരു ലാബിലെ ഹീമോഗ്ലോബിനും ഒരേ ചാർട്ടിൽ ഒരുമിച്ച് വരാം.
• FHIR R4 ക്ലിനിക്കൽ ഡാറ്റ കൈമാറാൻ; ABDM ഉപയോഗിക്കുന്ന ഫോർമാറ്റും ഇതുതന്നെ.
• ABDM തന്നെ, രോഗിയെ ചികിത്സിക്കുന്ന മറ്റുള്ളവരുമായി സമ്മതത്തിന്റെ അടിസ്ഥാനത്തിൽ ഡാറ്റ പങ്കിടാൻ.

ഈ മാനദണ്ഡങ്ങൾക്കനുസരിച്ച് രേഖകൾ കോഡ് ചെയ്തിട്ടുള്ള ഒരു ആശുപത്രിക്ക് പുതിയൊരു ടൂൾ വളരെ വേഗത്തിൽ സ്വീകരിക്കാനാകും, കാരണം ഓരോ ഫീൽഡിനും ടൂളിന് പ്രത്യേക മാപ്പിങ് (mapping) വേണ്ടിവരില്ല.

4. അടിസ്ഥാനസൗകര്യവും സുരക്ഷയും

ഏതെങ്കിലും AI സിസ്റ്റം രോഗിയുടെ ഡാറ്റ വായിക്കുന്നതിന് മുമ്പ്, അടിസ്ഥാന കാര്യങ്ങൾ ഒരുങ്ങിയിരിക്കണം:

• ചികിത്സ നൽകുന്നിടത്ത് ഉപകരണങ്ങൾ, അങ്ങനെ ഡാറ്റ പിന്നീട് ടൈപ്പ് ചെയ്യുന്നതിന് പകരം സന്ദർശന സമയത്തുതന്നെ രേഖപ്പെടുത്തപ്പെടും;
• വിശ്വസനീയമായ കണക്റ്റിവിറ്റി, അത് തകരാറിലായാൽ എന്തുചെയ്യണം എന്നതിനൊരു പദ്ധതി;
• റോൾ (role) അനുസരിച്ചുള്ള ആക്സസ്, അങ്ങനെ ഓരോരുത്തരും അവരുടെ ജോലിക്ക് ആവശ്യമുള്ളത് മാത്രം കാണും;
• ആര് എന്ത് തുറന്നു, എന്ത് മാറ്റി എന്നതിന്റെ ലോഗ്;
• Digital Personal Data Protection Act, 2023 പ്രകാരം, രോഗിയുടെ ഡാറ്റ എങ്ങനെ ഉപയോഗിക്കുന്നു എന്നതിന് നിയമപരമായ അടിസ്ഥാനവും സമ്മതവും.

ഓരോ AI വെണ്ടറോടും (vendor) ചോദിക്കുക: ഡാറ്റ എവിടേക്കാണ് പോകുന്നത്, അത് ഇന്ത്യക്ക് പുറത്തുപോകുന്നുണ്ടോ, അവരുടെ മോഡലുകളെ പരിശീലിപ്പിക്കാൻ അത് ഉപയോഗിക്കുന്നുണ്ടോ, അത് ദുരുപയോഗം ചെയ്യപ്പെട്ടാൽ നിങ്ങൾ എങ്ങനെ അറിയും.

5. ഭരണമേൽനോട്ടം: ആര് തീരുമാനിക്കുന്നു, ആര് പരിശോധിക്കുന്നു

ക്ലിനിക്കൽ AI പരാജയപ്പെടുന്നതിന്റെ ഏറ്റവും സാധാരണമായ രീതി നിശ്ശബ്ദമാണ്: നിർമിച്ചിടത്ത് അത് പ്രവർത്തിക്കുന്നു, ഉപയോഗിക്കുന്നിടത്ത് പ്രവർത്തിക്കുന്നില്ല. വ്യാപകമായി ഉദ്ധരിക്കപ്പെടുന്ന ഒരു ഉദാഹരണം, അമേരിക്കയിലെ പല ആശുപത്രികളിലും ഉപയോഗിച്ചിരുന്ന ഒരു സെപ്സിസ് (sepsis) പ്രവചന മോഡലാണ്. Michigan Medicine-ലെ ഗവേഷകർ 38,455 ആശുപത്രിവാസങ്ങളിൽ (hospital stays) അത് പരിശോധിച്ചപ്പോൾ, 67% സെപ്സിസ് കേസുകൾ അത് കണ്ടെത്താതെ വിട്ടു; അതേസമയം ആകെ രോഗികളിൽ 18% പേർക്ക് അത് മുന്നറിയിപ്പ് നൽകി. അതിന്റെ AUC 0.63 ആയിരുന്നു.

ഏത് ആശുപത്രിക്കുമുള്ള പാഠം ഇതാണ്: ഒരു ടൂളിനെ ആശ്രയിക്കുന്നതിന് മുമ്പ് നിങ്ങളുടെ സ്വന്തം രോഗികളിൽ അത് സാധൂകരിക്കുക (validate), ഉപയോഗത്തിൽ വന്നശേഷവും അളന്നുകൊണ്ടിരിക്കുക. പ്രായോഗികമായി ഇതിന്റെ അർത്ഥം:

• AI ടൂളുകൾക്ക് അംഗീകാരം നൽകുകയും അവയുടെ അവലോകനത്തിന്റെ ഉത്തരവാദിത്തം ഏറ്റെടുക്കുകയും ചെയ്യുന്ന, പേരെടുത്തു നിശ്ചയിച്ച ഒരാളോ ഒരു ചെറിയ സമിതിയോ;
• ഓരോ ടൂളിനും രേഖാമൂലമുള്ള ഒരു ഉദ്ദേശ്യം, അത് ഒരിക്കലും ചെയ്യരുതാത്തവ ഏതൊക്കെ എന്നതും;
• ഉപയോഗത്തിൽ വരുന്നതിന് മുമ്പ് പ്രാദേശിക ഡാറ്റയിൽ ഒരു പരിശോധന, അതിനുശേഷം കൃത്യമായ ഇടവേളകളിൽ പരിശോധനകൾ;
• ക്ലിനിക്കലായ എന്തിനും, AI-യുടെ ഫലം രോഗിയുടെ രേഖയിൽ എത്തുന്നതിന് മുമ്പ് അത് അവലോകനം ചെയ്യുന്ന ഒരാൾ;
• തെറ്റായ ഉത്തരം ജീവനക്കാർക്ക് റിപ്പോർട്ട് ചെയ്യാനുള്ള ഒരു വഴി, അതിൽ എന്ത് നടപടിയെടുത്തു എന്നതിന്റെ രേഖ.

ഇതിന് വഴികാട്ടാൻ പല ചട്ടക്കൂടുകളുമുണ്ട് (frameworks). ICMR-ന്റെ 2023-ലെ Ethical Guidelines for Application of Artificial Intelligence in Biomedical Research and Healthcare ആണ് ഇന്ത്യയിലെ അടിസ്ഥാന റഫറൻസ്. മനുഷ്യന്റെ സ്വയംനിർണയാവകാശം സംരക്ഷിക്കുന്നത് മുതൽ എല്ലാവരെയും ഉൾക്കൊള്ളലും തുല്യതയും ഉറപ്പാക്കുന്നത് വരെ ആറ് തത്വങ്ങൾ WHO-യുടെ 2021-ലെ മാർഗനിർദേശം മുന്നോട്ടുവെക്കുന്നു. NITI Aayog-ന്റെ Responsible AI രേഖകൾ (2021) ഇന്ത്യക്കായി ഏഴ് തത്വങ്ങൾ മുന്നോട്ടുവെക്കുന്നു. ഔപചാരികമായ ഒരു മാനേജ്മെന്റ് സംവിധാനത്തിന്, ഒരു സ്ഥാപനത്തിൽ AI കൈകാര്യം ചെയ്യുന്നതിനുള്ള ആദ്യത്തെ അന്താരാഷ്ട്ര മാനദണ്ഡമാണ് ISO/IEC 42001:2023.

6. ആളുകളും പ്രവർത്തനരീതിയും

AI ജോലി ചെയ്യുന്ന രീതിയെ മാറ്റുന്നു, അതിനാൽ ജോലിയിൽ നിന്നുതന്നെ തുടങ്ങുക. ജീവനക്കാർ ഇപ്പോൾത്തന്നെ അനുഭവിക്കുന്ന ഒരു പ്രശ്നം തിരഞ്ഞെടുക്കുക, ഇന്ന് അത് അളക്കുക, അതിൽ ഒരു ടൂൾ പരീക്ഷിക്കുക, വീണ്ടും അളക്കുക.

സാധാരണ ആദ്യം തിരഞ്ഞെടുക്കുന്നത് ഡോക്യുമെന്റേഷനാണ്, അതിനെക്കുറിച്ചുള്ള തെളിവുകൾ അറിഞ്ഞിരിക്കേണ്ടതുമാണ്. 2025-ൽ NEJM AI-ൽ പ്രസിദ്ധീകരിച്ച, UCLA-യിൽ നടന്ന ഒരു റാൻഡമൈസ്ഡ് ട്രയലിൽ (randomised trial), ഒരു ആംബിയന്റ് AI സ്ക്രൈബ് (ambient AI scribe) സാധാരണ പരിചരണവുമായി താരതമ്യം ചെയ്യുമ്പോൾ കുറിപ്പുകൾക്കായി ചെലവഴിക്കുന്ന സമയം 9.5% കുറച്ചതായി കണ്ടെത്തി; മറ്റൊന്ന് കാര്യമായ വ്യത്യാസമൊന്നും ഉണ്ടാക്കിയില്ല. 8,581 ക്ലിനിഷ്യൻമാരെ (clinicians) ഉൾപ്പെടുത്തി JAMA-യിൽ വന്ന 2026-ലെ ഒരു പഠനം, സ്ക്രൈബ് ഉപയോഗിച്ചവർ ഷെഡ്യൂൾ ചെയ്ത ഓരോ എട്ട് മണിക്കൂറിലും ഡോക്യുമെന്റേഷനായി ഏകദേശം 16 മിനിറ്റ് കുറച്ചാണ് ചെലവഴിച്ചതെന്ന് കണ്ടെത്തി. ഈ ഫലം മിതമാണെന്നാണ് പഠനത്തിന്റെ രചയിതാക്കൾ പറഞ്ഞത്. അപ്പോൾ ഉപയോഗപ്രദമാണ്, പക്ഷേ മാന്ത്രികവിദ്യയല്ല; നിങ്ങളുടെ സ്വന്തം ഒപി വിഭാഗത്തിൽ അളന്നുനോക്കേണ്ടതുമാണ്, കാരണം അവിടത്തെ രോഗികളുടെ എണ്ണവും കൺസൾട്ടേഷന്റെ ദൈർഘ്യവും ഒരു അമേരിക്കൻ ക്ലിനിക്കിൽ നിന്ന് വളരെ വ്യത്യസ്തമാണ്.

NABH Digital Health Standards എവിടെ യോജിക്കുന്നു

ആശുപത്രികളുടെ ഡിജിറ്റൽ പക്വത അളക്കാൻ ഇന്ത്യയിലുള്ള അളവുകോലിനോട് ഏറ്റവും അടുത്തുനിൽക്കുന്നത് NABH-ന്റെ Digital Health Standards ആണ്. ആശുപത്രികൾക്കായുള്ള ആദ്യ പതിപ്പ് 2023 സെപ്റ്റംബറിൽ പ്രസിദ്ധീകരിച്ചു. ഇതിൽ എട്ട് അധ്യായങ്ങളുണ്ട്; മൂന്നെണ്ണം ക്ലിനിക്കലും അഞ്ചെണ്ണം നോൺ-ക്ലിനിക്കലും:

1. ആക്സസ്, വിലയിരുത്തൽ, പരിചരണത്തിന്റെ തുടർച്ച (Access, assessment and continuity of care)
2. രോഗീപരിചരണം (Care of patients)
3. മരുന്ന് മാനേജ്മെന്റ് (Management of medication)
4. ഡിജിറ്റൽ അടിസ്ഥാനസൗകര്യം (Digital infrastructure)
5. ഡിജിറ്റൽ പ്രവർത്തന മാനേജ്മെന്റ് (Digital operations management)
6. ധനകാര്യ, സംഭരണ മാനേജ്മെന്റ് (Finance and procurement management)
7. മാനവവിഭവശേഷി മാനേജ്മെന്റ് (Human resource management)
8. വിവര മാനേജ്മെന്റ് സംവിധാനം (Information management system)

കിടത്തിച്ചികിത്സയോ ഡേ-കെയർ സേവനങ്ങളോ ഉള്ള ഏത് ആശുപത്രിക്കും, NABH അക്രഡിറ്റേഷൻ (accreditation) ഉണ്ടെങ്കിലും ഇല്ലെങ്കിലും, അപേക്ഷിക്കാം. Core മുതൽ Excellence വരെയുള്ള പക്വതാനിലകളിലാണ് അക്രഡിറ്റേഷൻ നൽകുന്നത്, ഈ അംഗീകാരത്തിന് രണ്ട് വർഷം കാലാവധിയുണ്ട്. രണ്ടാം പതിപ്പ് കരട് രൂപത്തിൽ 2025 സെപ്റ്റംബറിൽ പുറത്തിറക്കി. HIS, EMR സോഫ്റ്റ്‌വെയറുകൾക്കായി NABH ഒരു പ്രത്യേക മാനദണ്ഡവും നടത്തുന്നു; ആ സോഫ്റ്റ്‌വെയറിന് ABDM കംപ്ലയൻസ് സർട്ടിഫിക്കേഷൻ (compliance certification) വേണമെന്ന് അത് നിഷ്കർഷിക്കുന്നു.

ഈ മാനദണ്ഡങ്ങൾ ഉപയോഗിക്കാൻ നിങ്ങൾ അപേക്ഷിക്കേണ്ടതില്ല. ഈ ലേഖനം വിവരിക്കുന്ന ജോലിക്ക് നന്നായി ചിട്ടപ്പെടുത്തിയ ഒരു ചെക്ക്‌ലിസ്റ്റാണ് അവ.

AI തയ്യാറെടുപ്പ് ചെക്ക്‌ലിസ്റ്റ്

1. ഒപി കുറിപ്പുകൾ, കുറിപ്പടികൾ, ലാബ് ഫലങ്ങൾ എന്നിവ കടലാസോ സ്കാനുകളോ ആയല്ല, ഘടനാപരമായ ഡാറ്റയായാണോ രേഖപ്പെടുത്തുന്നത്?
2. ഓരോ രോഗിക്കും ആശുപത്രിയിൽ ഒരൊറ്റ തിരിച്ചറിയൽ നമ്പർ ഉണ്ടോ, രജിസ്ട്രേഷൻ സമയത്ത് ഇരട്ട രേഖകൾ ഉണ്ടോ എന്ന് നിങ്ങൾ പരിശോധിക്കുന്നുണ്ടോ?
3. രോഗനിർണയങ്ങൾ ICD-10-ൽ കോഡ് ചെയ്യുകയും ലാബ് പരിശോധനകൾ LOINC-ലേക്ക് മാപ്പ് ചെയ്യുകയും ചെയ്യുന്നുണ്ടോ?
4. നിങ്ങളുടെ സിസ്റ്റങ്ങൾക്ക് FHIR-ൽ ഡാറ്റ കൈമാറാനും, സമ്മതത്തോടെ രേഖകൾ ABHA-യുമായി ബന്ധിപ്പിക്കാനും കഴിയുമോ?
5. നിങ്ങളുടെ പ്രധാന ഫീൽഡുകൾ (അലർജികൾ, വൈറ്റൽസ്, രോഗനിർണയങ്ങൾ) എത്രത്തോളം പൂർണമാണെന്ന് നിങ്ങൾക്കറിയാമോ?
6. ഓരോ ജീവനക്കാരനും സ്വന്തം ലോഗിൻ ഉണ്ടോ, റോൾ അനുസരിച്ചുള്ള ആക്സസ് ഉണ്ടോ, ഓരോ ആക്സസും ലോഗ് ചെയ്യുന്നുണ്ടോ?
7. DPDP Act പ്രകാരം രോഗികളുടെ ഡാറ്റയ്ക്ക് നിങ്ങൾക്ക് നിയമപരമായ അടിസ്ഥാനവും സമ്മത നടപടിക്രമവും ഉണ്ടോ?
8. AI ടൂളുകൾക്ക് അംഗീകാരം നൽകുകയും അവയുടെ അവലോകനത്തിന്റെ ഉത്തരവാദിത്തം ഏറ്റെടുക്കുകയും ചെയ്യുന്ന, പേരെടുത്തു നിശ്ചയിച്ച ഒരാളോ സമിതിയോ ഉണ്ടോ?
9. ഉപയോഗത്തിൽ വരുന്നതിന് മുമ്പ് ഒരു ടൂൾ നിങ്ങളുടെ സ്വന്തം രോഗികളിൽ സാധൂകരിക്കുകയും പിന്നീട് അളക്കുകയും ചെയ്യുന്നുണ്ടോ?
10. AI-യുടെ ഫലം രോഗിയുടെ രേഖയിൽ എത്തുന്നതിന് മുമ്പ് ഒരാൾ അത് അവലോകനം ചെയ്യുന്നുണ്ടോ?
11. നിങ്ങൾ ഒരു പ്രശ്നം തിരഞ്ഞെടുത്ത്, അത് ഇന്ന് എങ്ങനെയാണെന്ന് അളന്നിട്ടുണ്ടോ?
12. ഒരു AI പിശക് എങ്ങനെ റിപ്പോർട്ട് ചെയ്യണമെന്ന് നിങ്ങളുടെ ജീവനക്കാർക്കറിയാമോ, അതിൽ ആരെങ്കിലും നടപടിയെടുക്കുന്നുണ്ടോ?

എട്ടോ അതിലധികമോ ചോദ്യങ്ങൾക്ക് ‘അതെ’ എന്നാണ് ഉത്തരമെങ്കിൽ നിങ്ങൾ പൈലറ്റിന് തയ്യാറാണ്. അതിൽ കുറവാണെങ്കിൽ, നിങ്ങൾ വിട്ടുപോയ കാര്യങ്ങളാണ് നിങ്ങളുടെ പ്രോജക്റ്റ്.

92health ഇക്കാര്യത്തിൽ ആശുപത്രികളുമായി എങ്ങനെ പ്രവർത്തിക്കുന്നു

92health ഇന്ത്യയിലെ ക്ലിനിക്കുകളും ആശുപത്രികളും ഫാർമസികളും ലാബുകളും ഒപ്റ്റിക്കൽ ഷോപ്പുകളും ഉപയോഗിക്കുന്ന ഒരു EMR, AI പ്ലാറ്റ്ഫോമാണ്. മുകളിൽ പറഞ്ഞ തയ്യാറെടുപ്പ് ജോലിയുടെ വലിയൊരു ഭാഗം അത് ചികിത്സ രേഖപ്പെടുത്തുന്ന രീതിയിൽത്തന്നെ ഉൾച്ചേർത്തിരിക്കുന്നു: ഓരോ ആശുപത്രിയിലും ഒരു രോഗിക്ക് ഒരു രേഖ, ICD-10 കോഡ് ചെയ്ത രോഗനിർണയങ്ങൾ, FHIR R4 ആയി സാധൂകരിച്ച ലാബ് ഫലങ്ങൾ, ABHA-യുമായി ബന്ധിപ്പിക്കാവുന്ന രേഖകൾ, ഓരോ മാറ്റവും ലോഗ് ചെയ്യുന്ന റോൾ അനുസരിച്ചുള്ള ആക്സസ്, ഇന്ത്യയിൽത്തന്നെ നിലനിൽക്കുന്ന രോഗികളുടെ ഡാറ്റ.

അതിന്റെ AI സവിശേഷതകൾ എല്ലായിടത്തും ഒരേ നിയമം പാലിക്കുന്നു: അവ കരട് തയ്യാറാക്കുകയോ വായിക്കുകയോ ഉത്തരം നൽകുകയോ ചെയ്യുന്നു, ആ ഫലം കണക്കിലെടുക്കുന്നതിന് മുമ്പ് ഒരാൾ അത് പരിശോധിക്കുന്നു.

ചിട്ടയായ ഒരു വഴി ആഗ്രഹിക്കുന്ന ആശുപത്രികൾക്കായി, AI തയ്യാറെടുപ്പ് ജോലി ഞങ്ങൾ മൂന്ന് ഘട്ടങ്ങളിലായി ചെയ്യുന്നു:

1. വിലയിരുത്തൽ. നിങ്ങളുടെ ടീമിനൊപ്പം ആറ് മേഖലകളും ഞങ്ങൾ പരിശോധിക്കുന്നു, നിങ്ങളുടെ രേഖകളുടെ ഒരു സാമ്പിൾ നോക്കുന്നു.
2. ആസൂത്രണം. നിങ്ങൾക്ക് രേഖാമൂലമുള്ള ഒരു റിപ്പോർട്ട് ലഭിക്കും: നിങ്ങൾ എവിടെ നിൽക്കുന്നു, ആദ്യം എന്ത് പരിഹരിക്കണം, ഏത് AI ഉപയോഗമാണ് ആദ്യം ഫലം നൽകുക.
3. നിർമാണം. അടിത്തറകൾ ഒരുക്കാനും ആദ്യ പൈലറ്റ് നടത്താനും ഞങ്ങൾ സഹായിക്കുന്നു; അത് തുടങ്ങുന്നതിന് മുമ്പ് അടിസ്ഥാന നില (baseline) അളക്കുന്നു.

സ്രോതസ്സുകൾ

• 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, കൂടാതെ 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 വെബ്സ്റ്റോർ.