உங்கள் மருத்துவமனை AI-க்குத் தயாரா? இந்திய மருத்துவமனைகளுக்கான தயார்நிலைச் சரிபார்ப்புப் பட்டியல்

இப்போது ஒவ்வொரு மருத்துவமனைக்கும் AI விற்பனைக்கு முன்வைக்கப்படுகிறது: ஆலோசனைக் குறிப்பை (consult note) எழுதும் ஸ்க்ரைப்கள், ஒரு நோயாளியின் மருத்துவ வரலாற்றைச் சுருக்கித் தரும் கருவிகள், வரிசையையோ மருந்தக அலமாரியையோ கண்காணிக்கும் ஏஜென்ட்கள் (agents). சில மருத்துவமனைகள் இவற்றிலிருந்து உண்மையான பலன் பெறும். மற்றவை ஒரு கருவியை வாங்கி, ஒரு சோதனை முயற்சியை (pilot) நடத்தி, அது தங்கள் பதிவுகளில் வேலை செய்யவில்லை என்று கண்டுபிடிக்கும்.

இந்த வேறுபாட்டுக்குக் காரணம் அரிதாகவே AI. மருத்துவமனை அதற்குத் தயாராக இருக்கிறதா என்பதுதான் காரணம். நடைமுறையில் தயார்நிலை என்றால் என்ன என்பதை இந்தக் கட்டுரை ஆறு பகுதிகளாக விளக்குகிறது; இறுதியில் ஒரு சரிபார்ப்புப் பட்டியல் உள்ளது. இது இந்தியாவில் உள்ள மருத்துவமனை உரிமையாளர்கள், மருத்துவ இயக்குநர்கள், IT தலைவர்களுக்காக எழுதப்பட்டது.

சுருக்கமாக

• முதலில் பதிவுகள். AI பதிவுகளைப் படிக்கிறது. உங்கள் பதிவுகள் காகிதத்திலோ ஸ்கேன் செய்த PDF-களிலோ இருந்தால், அங்கிருந்து தொடங்குங்கள்.
• நம்பகமான தரவு. இரட்டைப் பதிவுகள், விடுபட்ட தகவல்கள், தவறான குறியீடுகள் தவறான பதில்களாக மாறுகின்றன.
• தரநிலைகள். குறியிடப்பட்ட நோயறிதல்களும் பரிசோதனைகளும், தரவைப் பரிமாறிக்கொள்ள ஒரு வழியும் இருந்தால், அடுத்து வரும் ஒவ்வொரு படியும் செலவு குறைவாகிறது.
• பாதுகாப்பும் ஒப்புதலும். எந்த AI-யும் நோயாளித் தரவைத் தொடுவதற்கு முன்பே, அந்தத் தரவுக்கு அணுகல் கட்டுப்பாடு, பதிவேடுகள் (logs), சட்டபூர்வமான அடிப்படை தேவை.
• நிர்வாக மேற்பார்வை (governance). ஒரு கருவி உங்கள் நோயாளிகளிடம் வேலை செய்கிறதா என்று யாராவது சரிபார்க்க வேண்டும், தொடர்ந்து சரிபார்த்துக்கொண்டே இருக்க வேண்டும்.
• பணியாளர்கள். ஒரு பிரச்சினையைத் தேர்ந்தெடுங்கள், அதை அளவிடுங்கள், அந்தப் பிரச்சினையுடன் தினமும் வேலை செய்யும் பணியாளர்களே தீர்வை வடிவமைக்கட்டும்.

1. டிஜிட்டல் வடிவில், கட்டமைக்கப்பட்ட, ஒரே இடத்தில் உள்ள பதிவுகள்

AI தரவின் மீது இயங்குகிறது. கையால் எழுதப்பட்ட கேஸ் ஷீட்டை (case sheet) ஸ்கேன் செய்து PDF ஆக்கினால், அது ஒரு படம்: ஒருவர் அதைப் படிக்க முடியும், ஆனால் ஓர் அமைப்பால் அதிலிருந்து ரத்த அழுத்தத்தையோ, நோயறிதலையோ, மருந்தின் அளவையோ நம்பகமாகப் பிரித்தெடுக்க முடியாது. சிகிச்சை அளிக்கப்படும் இடத்திலேயே பதிவுகள் தரவாகப் பதிவுசெய்யப்படுவதில்தான் தயார்நிலை தொடங்குகிறது: உயிர்க்குறிகள் (vitals) எண்களாக, நோயறிதல்கள் குறியிடப்பட்ட பதிவுகளாக, மருந்துச் சீட்டுகள் மருந்து, அளவு, எத்தனை முறை என்பவற்றுடன் கூடிய வரிகளாக.

சரிபார்க்க வேண்டிய மூன்று விஷயங்கள்:

• ஒரு நோயாளி, ஒரு பதிவு. மருத்துவமனைக்குள் ஒவ்வொரு நோயாளிக்கும் ஒரே ஓர் அடையாள எண் (MRN அல்லது UID) இருக்க வேண்டும்; வருகைகள், பரிசோதனை முடிவுகள், பில்கள் அனைத்தும் அதனுடன் இணைக்கப்பட வேண்டும். ஒரே நபருக்கு இரண்டு பதிவுகள் இருந்தால், அவருடைய மருத்துவ வரலாறு இரண்டாகப் பிரிகிறது; எந்தக் கருவியும் பார்க்கக்கூடியது பாதியாகக் குறைகிறது.
• அனைத்தும் ஒரே அமைப்பில், அல்லது இணைக்கப்பட்டதாக. புறநோயாளிக் குறிப்புகள் ஓர் அமைப்பில், பரிசோதனை முடிவுகள் இன்னொன்றில், மருந்தகம் காகிதத்தில் என்றால், எந்தக் கருவியும் நோயாளியை முழுமையாகப் பார்க்க முடியாது.
• நோயாளி விரும்பும் இடங்களில் ABHA-வுடன் இணைக்கப்பட்டதாக. Ayushman Bharat Digital Mission, ஒப்புதலுடன், பதிவுகளை நோயாளியின் ABHA-வுடன் இணைக்கிறது; இதனால் வேறு இடங்களில் உள்ள பதிவுகளையும் அணுக முடிகிறது.

2. நம்பக்கூடிய தரவு

மோசமான தரவில் பயிற்றுவிக்கப்பட்ட அல்லது இயக்கப்படும் ஒரு மாடல், தன்னம்பிக்கையுடன் தவறான பதில்களைத் தருகிறது. மின்னணு சுகாதாரப் பதிவுத் (electronic health record) தரவை ஆய்வு செய்யும் ஆய்வாளர்கள், அதன் தரத்தைச் சில பரிமாணங்களில் விவரிக்கிறார்கள். பரவலாகப் பயன்படுத்தப்படும் ஒரு மதிப்பாய்வு (review) அவற்றை ஐந்தாகத் தொகுத்தது: தரவு முழுமையானதா (complete), சரியானதா (correct), பிற மூலங்களுடன் ஒத்துப்போகிறதா (concordant), நம்பத்தகுந்ததா (plausible), நடப்பில் உள்ளதா (current).

ஒரு மருத்துவமனையில் இது இப்படி வெளிப்படுகிறது: விடுபட்ட ஒவ்வாமைத் தகவல்கள், கிலோகிராம் புலத்தில் பவுண்டில் பதிவான எடை, லென்ஸ் பவரில் தசமப் புள்ளிப் பிழை, இரண்டு வெவ்வேறு எழுத்துக்கூட்டல்களில் இருமுறை பதிவுசெய்யப்பட்ட அதே நோயாளி, அல்லது சரியான குறியீட்டைத் தேட நீண்ட நேரம் ஆனதால் தோராயமாகக் குறியிடப்பட்ட நோயறிதல்.

இதை எப்படி அளவிடுவது, சரிசெய்வது என்பதை மருத்துவத் தரவின் தரம்: AI ஏன் சுத்தமான பதிவுகளிலிருந்து தொடங்குகிறது என்ற கட்டுரையில் விளக்கியுள்ளோம். சுருக்கமான பதில்: பின்னர் ஒரு ஸ்ப்ரெட்ஷீட்டில் அல்ல, தகவல் பதிவுசெய்யப்படும் இடத்திலேயே சரிசெய்யுங்கள்.

3. குறியிடப்பட்டதும் தரநிலைப்படி அமைந்ததும்

தரநிலைகள்தான் தரவு ஓர் இடத்திலிருந்து இன்னோர் இடத்துக்குச் செல்லவும், ஒப்பிடப்படவும் உதவுகின்றன:

• ICD-10, நோயறிதல்களுக்கு; அப்போது “டைப் 2 நீரிழிவு” எப்படித் தட்டச்சு செய்யப்பட்டாலும் அது ஒரே விஷயம்தான்.
• LOINC, பரிசோதனைகளுக்கு; அப்போது உங்கள் ஆய்வகத்தின் ஹீமோகுளோபின் முடிவும் வெளி ஆய்வகத்தின் ஹீமோகுளோபின் முடிவும் ஒரே வரைபடத்தில் இடம்பெற முடியும்.
• FHIR R4, மருத்துவத் தரவைப் பரிமாறிக்கொள்ள; ABDM பயன்படுத்தும் வடிவமும் இதுதான்.
• ABDM தானே, நோயாளிக்குச் சிகிச்சை அளிக்கும் பிறருடன் ஒப்புதல் அடிப்படையில் தரவைப் பகிர்ந்துகொள்ள.

இந்தத் தரநிலைகளின்படி பதிவுகள் குறியிடப்பட்ட மருத்துவமனை, ஒரு புதிய கருவியை மிக வேகமாக ஏற்றுக்கொள்ள முடியும்; ஏனெனில் ஒவ்வொரு புலத்துக்கும் அந்தக் கருவிக்குத் தனிப்பட்ட மேப்பிங் (mapping) தேவைப்படாது.

4. உள்கட்டமைப்பும் பாதுகாப்பும்

எந்த AI அமைப்பும் நோயாளித் தரவைப் படிப்பதற்கு முன், அடிப்படைகள் தயாராக இருக்க வேண்டும்:

• சிகிச்சை அளிக்கப்படும் இடத்தில் சாதனங்கள் (devices), அப்போதுதான் தரவு பின்னர் தட்டச்சு செய்யப்படாமல், வருகையின்போதே பதிவாகும்;
• நம்பகமான இணைய இணைப்பு, அது தடைபட்டால் என்ன செய்வது என்ற திட்டம்;
• பணிப் பொறுப்பின் (role) அடிப்படையில் அணுகல், ஒவ்வொருவரும் தங்கள் வேலைக்குத் தேவையானதை மட்டும் பார்க்கும்படி;
• யார் எதைத் திறந்தார்கள், எதை மாற்றினார்கள் என்ற பதிவேடு;
• Digital Personal Data Protection Act, 2023-இன் கீழ், நோயாளித் தரவு எப்படிப் பயன்படுத்தப்படுகிறது என்பதற்கு ஒரு சட்டபூர்வமான அடிப்படையும் ஒப்புதலும்.

ஒவ்வொரு AI விற்பனையாளரிடமும் (vendor) கேளுங்கள்: தரவு எங்கே செல்கிறது, அது இந்தியாவை விட்டு வெளியே செல்கிறதா, அவர்களுடைய மாடல்களைப் பயிற்றுவிக்க அது பயன்படுத்தப்படுகிறதா, அது தவறாகப் பயன்படுத்தப்பட்டால் உங்களுக்கு எப்படித் தெரியவரும்.

5. நிர்வாக மேற்பார்வை: யார் முடிவெடுப்பது, யார் சரிபார்ப்பது

மருத்துவ AI தோல்வியடையும் மிகப் பொதுவான வழி ஓசையில்லாதது: அது உருவாக்கப்பட்ட இடத்தில் வேலை செய்கிறது, பயன்படுத்தப்படும் இடத்தில் வேலை செய்வதில்லை. பரவலாக மேற்கோள் காட்டப்படும் ஓர் உதாரணம், பல அமெரிக்க மருத்துவமனைகளில் பயன்படுத்தப்பட்ட ஒரு செப்சிஸ் (sepsis) கணிப்பு மாடல். Michigan Medicine ஆய்வாளர்கள் அதை 38,455 மருத்துவமனைச் சேர்க்கைகளில் (hospital stays) சரிபார்த்தபோது, அது 67% செப்சிஸ் நோயாளிகளைத் தவறவிட்டது; அதே நேரம் மொத்த நோயாளிகளில் 18% பேருக்கு எச்சரிக்கை எழுப்பியது. அதன் AUC 0.63.

எந்த மருத்துவமனைக்கும் இதிலிருந்து கிடைக்கும் பாடம்: ஒரு கருவியை நம்பியிருப்பதற்கு முன் அதை உங்கள் சொந்த நோயாளிகளிடம் சரிபார்த்துப் பாருங்கள் (validate); அது நேரடிப் பயன்பாட்டுக்கு வந்த பிறகும் தொடர்ந்து அளவிடுங்கள். நடைமுறையில் இதன் பொருள்:

• AI கருவிகளுக்கு ஒப்புதல் அளித்து, அவற்றின் மறுஆய்வுக்குப் பொறுப்பேற்கும், பெயர் குறிப்பிட்டு நியமிக்கப்பட்ட ஒருவர் அல்லது ஒரு சிறிய குழு;
• ஒவ்வொரு கருவிக்கும் எழுத்துப்பூர்வமான நோக்கம், அது ஒருபோதும் செய்யக் கூடாதவை எவை என்பது;
• நேரடிப் பயன்பாட்டுக்கு வருவதற்கு முன் உள்ளூர்த் தரவில் ஒரு சரிபார்ப்பு, அதன் பிறகு வழக்கமான சரிபார்ப்புகள்;
• மருத்துவம் சார்ந்த எதுவாக இருந்தாலும், AI-இன் வெளியீடு நோயாளியின் பதிவை அடைவதற்கு முன் அதை மறுஆய்வு செய்யும் ஒருவர்;
• தவறான பதிலைப் பணியாளர்கள் புகாரளிக்க ஒரு வழி, அதன் மீது என்ன நடவடிக்கை எடுக்கப்பட்டது என்ற பதிவு.

இதற்கு வழிகாட்டப் பல கட்டமைப்புகள் (frameworks) உள்ளன. ICMR-இன் 2023 Ethical Guidelines for Application of Artificial Intelligence in Biomedical Research and Healthcare தான் இந்தியாவுக்கான அடிப்படைக் குறிப்பு. WHO-வின் 2021 வழிகாட்டுதல், மனித சுயாட்சியைப் பாதுகாப்பது முதல் அனைவரையும் உள்ளடக்குவதையும் சமத்துவத்தையும் உறுதிசெய்வது வரை ஆறு கொள்கைகளை முன்வைக்கிறது. NITI Aayog-இன் Responsible AI ஆவணங்கள் (2021) இந்தியாவுக்காக ஏழு கொள்கைகளை முன்வைக்கின்றன. முறையான மேலாண்மை அமைப்புக்கு, ஓர் அமைப்பில் AI-ஐ நிர்வகிப்பதற்கான முதல் சர்வதேசத் தரநிலை ISO/IEC 42001:2023.

6. பணியாளர்களும் பணிமுறையும்

AI வேலை செய்யப்படும் விதத்தை மாற்றுகிறது; எனவே வேலையிலிருந்தே தொடங்குங்கள். பணியாளர்கள் ஏற்கெனவே உணரும் ஒரு பிரச்சினையைத் தேர்ந்தெடுங்கள், இன்று அதை அளவிடுங்கள், அதில் ஒரு கருவியைச் சோதித்துப் பாருங்கள், மீண்டும் அளவிடுங்கள்.

மருத்துவக் குறிப்புகளை எழுதுவதுதான் வழக்கமான முதல் தேர்வு; இது பற்றிய ஆதாரங்களைத் தெரிந்துகொள்வது பயனுள்ளது. 2025-இல் NEJM AI-இல் வெளியான, UCLA-இல் நடந்த ஒரு ரேண்டமைஸ்டு ஆய்வில் (randomised trial), ஓர் ஆம்பியன்ட் AI ஸ்க்ரைப் (ambient AI scribe), வழக்கமான சிகிச்சை முறையுடன் ஒப்பிடும்போது, குறிப்புகளுக்குச் செலவாகும் நேரத்தை 9.5% குறைத்தது; இன்னொன்று குறிப்பிடத்தக்க வேறுபாட்டை ஏற்படுத்தவில்லை. JAMA-வில் வெளியான, 8,581 மருத்துவப் பணியாளர்கள் (clinicians) பங்கேற்ற 2026 ஆய்வு ஒன்று, ஸ்க்ரைப் பயன்படுத்தியவர்கள் திட்டமிடப்பட்ட ஒவ்வொரு எட்டு மணி நேரத்திலும் ஆவணப்படுத்தலுக்குச் சுமார் 16 நிமிடங்கள் குறைவாகச் செலவிட்டதைக் கண்டறிந்தது. ஆய்வாசிரியர்கள் இந்த விளைவை மிதமானது என்று குறிப்பிட்டனர். அப்படியானால், பயனுள்ளதுதான், ஆனால் மாயாஜாலம் அல்ல; உங்கள் சொந்தப் புறநோயாளிப் பிரிவில் இதை அளந்து பார்ப்பது பயனுள்ளது, ஏனெனில் அங்கே நோயாளிகளின் எண்ணிக்கையும் ஆலோசனை நேரமும் ஓர் அமெரிக்க கிளினிக்கிலிருந்து மிகவும் வேறுபட்டவை.

NABH Digital Health Standards எங்கே பொருந்துகின்றன

NABH-இன் Digital Health Standards தான், மருத்துவமனைகளின் டிஜிட்டல் முதிர்ச்சியை அளக்க இந்தியாவில் உள்ள அளவுகோலுக்கு மிக நெருக்கமானது. மருத்துவமனைகளுக்கான முதல் பதிப்பு செப்டம்பர் 2023-இல் வெளியிடப்பட்டது. இது எட்டு அத்தியாயங்களை உள்ளடக்கியது; மூன்று மருத்துவம் சார்ந்தவை, ஐந்து மருத்துவம் சாராதவை:

1. அணுகல், மதிப்பீடு, சிகிச்சையின் தொடர்ச்சி (Access, assessment and continuity of care)
2. நோயாளிப் பராமரிப்பு (Care of patients)
3. மருந்து மேலாண்மை (Management of medication)
4. டிஜிட்டல் உள்கட்டமைப்பு (Digital infrastructure)
5. டிஜிட்டல் செயல்பாடுகள் மேலாண்மை (Digital operations management)
6. நிதி மற்றும் கொள்முதல் மேலாண்மை (Finance and procurement management)
7. மனிதவள மேலாண்மை (Human resource management)
8. தகவல் மேலாண்மை அமைப்பு (Information management system)

உள்நோயாளி அல்லது டே-கேர் சேவைகள் உள்ள எந்த மருத்துவமனையும், NABH அங்கீகாரம் (accreditation) பெற்றிருந்தாலும் இல்லாவிட்டாலும், விண்ணப்பிக்கலாம். Core முதல் Excellence வரையிலான முதிர்ச்சி நிலைகளில் அங்கீகாரம் வழங்கப்படுகிறது; அந்த அங்கீகாரம் இரண்டு ஆண்டுகள் நீடிக்கும். இரண்டாவது பதிப்பு, வரைவு வடிவில், செப்டம்பர் 2025-இல் வெளியிடப்பட்டது. HIS, EMR மென்பொருளுக்காக NABH ஒரு தனித் தரநிலையையும் நடத்துகிறது; அந்த மென்பொருளுக்கு ABDM இணக்கச் சான்றிதழ் (compliance certification) இருக்க வேண்டும் என்று அது கோருகிறது.

இந்தத் தரநிலைகளைப் பயன்படுத்த நீங்கள் விண்ணப்பிக்க வேண்டியதில்லை. இந்தக் கட்டுரை விவரிக்கும் பணிக்கு அவை நன்கு கட்டமைக்கப்பட்ட ஒரு சரிபார்ப்புப் பட்டியல்.

AI தயார்நிலைச் சரிபார்ப்புப் பட்டியல்

1. புறநோயாளிக் குறிப்புகள், மருந்துச் சீட்டுகள், பரிசோதனை முடிவுகள் காகிதமாகவோ ஸ்கேனாகவோ அல்லாமல், கட்டமைக்கப்பட்ட தரவாகப் பதிவுசெய்யப்படுகின்றனவா?
2. ஒவ்வொரு நோயாளிக்கும் மருத்துவமனையில் ஒரே ஓர் அடையாள எண் உள்ளதா, பதிவின்போது இரட்டைப் பதிவுகள் உள்ளனவா என்று சரிபார்க்கிறீர்களா?
3. நோயறிதல்கள் ICD-10-இல் குறியிடப்பட்டு, பரிசோதனைகள் LOINC-உடன் இணைக்கப்பட்டுள்ளனவா (mapped)?
4. உங்கள் அமைப்புகள் FHIR வடிவில் தரவைப் பரிமாறிக்கொள்ளவும், ஒப்புதலுடன் பதிவுகளை ABHA-வுடன் இணைக்கவும் முடியுமா?
5. உங்கள் முக்கியப் புலங்கள் (ஒவ்வாமைகள், உயிர்க்குறிகள், நோயறிதல்கள்) எந்த அளவுக்கு முழுமையாக உள்ளன என்று உங்களுக்குத் தெரியுமா?
6. ஒவ்வொரு பணியாளருக்கும் தனி லாகின் (login) உள்ளதா, பணிப் பொறுப்பின் அடிப்படையில் அணுகல் உள்ளதா, ஒவ்வொரு அணுகலும் பதிவுசெய்யப்படுகிறதா?
7. DPDP Act-இன் கீழ் நோயாளித் தரவுக்குச் சட்டபூர்வமான அடிப்படையும் ஒப்புதல் நடைமுறையும் உங்களிடம் உள்ளனவா?
8. AI கருவிகளுக்கு ஒப்புதல் அளித்து, அவற்றின் மறுஆய்வுக்குப் பொறுப்பேற்கும், பெயர் குறிப்பிட்டு நியமிக்கப்பட்ட ஒருவர் அல்லது குழு உள்ளதா?
9. நேரடிப் பயன்பாட்டுக்கு வருவதற்கு முன் ஒரு கருவியை உங்கள் சொந்த நோயாளிகளிடம் சரிபார்த்து, அதன் பிறகு அதை அளவிடுகிறீர்களா?
10. AI-இன் வெளியீடு நோயாளியின் பதிவை அடைவதற்கு முன் ஒருவர் அதை மறுஆய்வு செய்கிறாரா?
11. ஒரு பிரச்சினையைத் தேர்ந்தெடுத்து, அது இன்று எப்படி இருக்கிறது என்று அளந்திருக்கிறீர்களா?
12. AI பிழையை எப்படிப் புகாரளிப்பது என்று உங்கள் பணியாளர்களுக்குத் தெரியுமா, அதன் மீது யாராவது நடவடிக்கை எடுக்கிறார்களா?

எட்டு அல்லது அதற்கு மேற்பட்ட கேள்விகளுக்கு ‘ஆம்’ என்றால், சோதனை முயற்சிக்கு நீங்கள் தயார். அதைவிடக் குறைவு என்றால், நீங்கள் தவறவிட்டவைதான் நீங்கள் செய்ய வேண்டிய திட்டம்.

இதில் 92health மருத்துவமனைகளுடன் எப்படிச் செயல்படுகிறது

92health என்பது இந்தியாவில் கிளினிக்குகள், மருத்துவமனைகள், மருந்தகங்கள், ஆய்வகங்கள், ஆப்டிகல் கடைகள் பயன்படுத்தும் ஒரு EMR மற்றும் AI தளம். மேலே சொன்ன தயார்நிலைப் பணியின் பெரும்பகுதி, அது சிகிச்சையைப் பதிவுசெய்யும் விதத்திலேயே கட்டமைக்கப்பட்டுள்ளது: ஒரு மருத்துவமனையில் ஒரு நோயாளிக்கு ஒரு பதிவு, ICD-10 குறியிடப்பட்ட நோயறிதல்கள், FHIR R4 ஆகச் சரிபார்க்கப்பட்ட பரிசோதனை முடிவுகள், ABHA-வுடன் இணைக்கக்கூடிய பதிவுகள், ஒவ்வொரு மாற்றமும் பதிவுசெய்யப்படும் பணிப் பொறுப்பு அடிப்படையிலான அணுகல், இந்தியாவுக்குள்ளேயே இருக்கும் நோயாளித் தரவு.

அதன் AI அம்சங்கள் முழுவதும் ஒரே விதியைப் பின்பற்றுகின்றன: அவை வரைவு எழுதுகின்றன, படிக்கின்றன அல்லது பதிலளிக்கின்றன; அந்த முடிவு கணக்கில் கொள்ளப்படுவதற்கு முன் ஒருவர் அதைச் சரிபார்க்கிறார்.

ஒரு கட்டமைக்கப்பட்ட பாதையை விரும்பும் மருத்துவமனைகளுக்கு, நாங்கள் AI தயார்நிலைப் பணியை மூன்று படிகளில் செய்கிறோம்:

1. மதிப்பிடுதல். உங்கள் குழுவுடன் சேர்ந்து ஆறு பகுதிகளையும் பார்க்கிறோம், உங்கள் பதிவுகளில் ஒரு மாதிரியை ஆய்வு செய்கிறோம்.
2. திட்டமிடுதல். எழுத்துப்பூர்வமான அறிக்கை உங்களுக்குக் கிடைக்கும்: நீங்கள் எந்த நிலையில் இருக்கிறீர்கள், முதலில் எதைச் சரிசெய்ய வேண்டும், எந்த AI பயன்பாடு முதலில் பலன் தரும்.
3. கட்டமைத்தல். அடித்தளங்களை அமைக்கவும், முதல் சோதனை முயற்சியை நடத்தவும் உதவுகிறோம்; அது தொடங்குவதற்கு முன் அடிப்படை அளவு (baseline) அளக்கப்படும்.

ஆதாரங்கள்

• 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, மற்றும் 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 இணைய அங்காடி.