మీ ఆసుపత్రి AIకి సిద్ధంగా ఉందా? భారతీయ ఆసుపత్రుల కోసం సంసిద్ధత చెక్‌లిస్ట్

ఇప్పుడు ప్రతి ఆసుపత్రికీ AIని అందిస్తున్నారు: కన్సల్ట్ నోట్ రాసే స్క్రైబ్‌లు, రోగి చరిత్రను సంక్షిప్తంగా అందించే సాధనాలు, క్యూను లేదా ఫార్మసీ షెల్ఫ్‌ను గమనించే ఏజెంట్లు (agents). కొన్ని ఆసుపత్రులు వీటి నుంచి నిజమైన ప్రయోజనం పొందుతాయి. మరికొన్ని ఒక సాధనాన్ని కొని, ఒక పైలట్ (pilot) నడిపి, అది తమ రికార్డులపై పనిచేయదని తెలుసుకుంటాయి.

ఈ తేడాకు కారణం చాలా అరుదుగా మాత్రమే AI అవుతుంది. ఆసుపత్రి దానికి సిద్ధంగా ఉందా లేదా అన్నదే అసలు కారణం. ఆచరణలో సంసిద్ధత అంటే ఏమిటో ఈ వ్యాసం ఆరు అంశాల్లో వివరిస్తుంది; చివర్లో ఒక చెక్‌లిస్ట్ ఉంది. ఇది భారతదేశంలోని ఆసుపత్రి యజమానులు, మెడికల్ డైరెక్టర్లు, IT అధిపతుల కోసం రాసింది.

సంక్షిప్తంగా

• ముందు రికార్డులు. AI రికార్డులను చదువుతుంది. మీ రికార్డులు కాగితంపై లేదా స్కాన్ చేసిన PDFలలో ఉంటే, అక్కడి నుంచే మొదలుపెట్టండి.
• నమ్మదగిన డేటా. డూప్లికేట్‌లు, ఖాళీలు, తప్పుడు కోడ్‌లు తప్పుడు సమాధానాలుగా మారతాయి.
• ప్రమాణాలు. కోడ్ చేసిన రోగనిర్ధారణలు, పరీక్షలు, డేటాను పంచుకునే ఒక మార్గం ఉంటే, తర్వాతి ప్రతి అడుగూ తక్కువ ఖర్చుతో అవుతుంది.
• భద్రత, సమ్మతి. ఏ AI అయినా రోగి డేటాను తాకడానికి ముందే, ఆ డేటాకు యాక్సెస్ నియంత్రణ, లాగ్‌లు, చట్టబద్ధమైన ఆధారం కావాలి.
• పర్యవేక్షణ (governance). ఒక సాధనం మీ రోగులపై పనిచేస్తోందో లేదో ఎవరో ఒకరు తనిఖీ చేయాలి, తనిఖీ చేస్తూనే ఉండాలి.
• సిబ్బంది. ఒక సమస్యను ఎంచుకోండి, దాన్ని కొలవండి, రోజూ ఆ సమస్యతో పనిచేసే సిబ్బందే దాని పరిష్కారాన్ని తీర్చిదిద్దనివ్వండి.

1. డిజిటల్‌గా, నిర్మాణాత్మకంగా, ఒకే చోట ఉండే రికార్డులు

AI డేటాపై పనిచేస్తుంది. చేతితో రాసిన కేస్ షీట్‌ను స్కాన్ చేసి PDF చేస్తే అది ఒక బొమ్మ: ఒక వ్యక్తి దాన్ని చదవగలరు, కానీ ఒక వ్యవస్థ దాని నుంచి రక్తపోటును, రోగనిర్ధారణను, మందు మోతాదును నమ్మదగిన విధంగా బయటకు తీయలేదు. చికిత్స జరిగే చోటే రికార్డులు డేటాగా నమోదు కావడంతో సంసిద్ధత మొదలవుతుంది: వైటల్స్ (vitals) సంఖ్యలుగా, రోగనిర్ధారణలు కోడ్ చేసిన నమోదులుగా, ప్రిస్క్రిప్షన్లు మందు, మోతాదు, ఎన్నిసార్లు అనే వివరాలున్న వరుసలుగా.

తనిఖీ చేయాల్సిన మూడు విషయాలు:

• ఒక రోగి, ఒక రికార్డు. ఆసుపత్రిలో ప్రతి రోగికీ ఒకే గుర్తింపు సంఖ్య (MRN లేదా UID) ఉండాలి; సందర్శనలు, పరీక్షా ఫలితాలు, బిల్లులు అన్నీ దానికే అనుసంధానమై ఉండాలి. ఒకే వ్యక్తికి రెండు రికార్డులు ఉంటే, వారి చరిత్ర రెండుగా చీలిపోతుంది, ఏ సాధనమైనా చూడగలిగేది సగానికి తగ్గిపోతుంది.
• అంతా ఒకే వ్యవస్థలో, లేదా అనుసంధానమై. ఔట్‌పేషెంట్ నోట్స్ ఒక వ్యవస్థలో, ల్యాబ్ ఫలితాలు మరొక దానిలో, ఫార్మసీ కాగితంపై ఉంటే, ఏ సాధనమూ రోగిని పూర్తిగా చూడలేదు.
• రోగి కోరుకున్న చోట ABHAతో అనుసంధానమై. Ayushman Bharat Digital Mission సమ్మతితో రికార్డులను రోగి ABHAతో అనుసంధానిస్తుంది; దీని వల్ల వేరే చోట్ల ఉన్న రికార్డులను కూడా చేరుకోవచ్చు.

2. నమ్మగలిగే డేటా

నాణ్యత లేని డేటాపై శిక్షణ పొందిన లేదా నడిచే మోడల్, ఆత్మవిశ్వాసంతో తప్పుడు సమాధానాలు ఇస్తుంది. ఎలక్ట్రానిక్ హెల్త్ రికార్డ్ డేటాను అధ్యయనం చేసే పరిశోధకులు దాని నాణ్యతను కొన్ని కోణాల్లో వివరిస్తారు. విస్తృతంగా వాడుకలో ఉన్న ఒక సమీక్ష (review) వాటిని ఐదుగా విభజించింది: డేటా పూర్తిగా ఉందా (complete), సరైనదేనా (correct), ఇతర మూలాలతో సరిపోలుతోందా (concordant), నమ్మశక్యంగా ఉందా (plausible), తాజాగా ఉందా (current).

ఒక ఆసుపత్రిలో ఇది ఇలా కనిపిస్తుంది: నమోదు కాని అలర్జీలు, కిలోగ్రాముల ఫీల్డ్‌లో పౌండ్లలో నమోదైన బరువు, లెన్స్ పవర్‌లో దశాంశ బిందువు పొరపాటు, రెండు వేర్వేరు స్పెల్లింగ్‌లతో రెండుసార్లు నమోదైన అదే రోగి, లేదా సరైన కోడ్‌ను కనుగొనడానికి చాలా సమయం పట్టడంతో స్థూలంగా కోడ్ చేసిన రోగనిర్ధారణ.

దీన్ని ఎలా కొలవాలో, ఎలా సరిదిద్దాలో క్లినికల్ డేటా నాణ్యత: AI శుభ్రమైన రికార్డులతోనే ఎందుకు మొదలవుతుంది అనే వ్యాసంలో వివరించాం. క్లుప్తంగా చెప్పాలంటే: తర్వాత ఏదో ఒక స్ప్రెడ్‌షీట్‌లో కాదు, సమాచారం నమోదు చేసే చోటే సరిదిద్దండి.

3. కోడ్ చేసినవి, ప్రమాణాల ప్రకారం

ప్రమాణాలే డేటాను ఒక చోటు నుంచి మరో చోటుకు తరలించడానికీ, పోల్చడానికీ వీలు కల్పిస్తాయి:

• ICD-10, రోగనిర్ధారణల కోసం; అప్పుడు “టైప్ 2 మధుమేహం” ఎలా టైప్ చేసినా ఒకే విషయంగా ఉంటుంది.
• LOINC, ల్యాబ్ పరీక్షల కోసం; అప్పుడు మీ ల్యాబ్ హిమోగ్లోబిన్, బయటి ల్యాబ్ హిమోగ్లోబిన్ ఒకే చార్ట్‌పై పక్కపక్కనే ఉండగలవు.
• FHIR R4, క్లినికల్ డేటాను పంచుకోవడానికి; ABDM వాడే ఫార్మాట్ కూడా ఇదే.
• ABDM స్వయంగా, రోగికి చికిత్స అందించే ఇతరులతో సమ్మతి ఆధారంగా డేటా పంచుకోవడానికి.

ఈ ప్రమాణాల ప్రకారం రికార్డులు కోడ్ చేసిన ఆసుపత్రి కొత్త సాధనాన్ని చాలా వేగంగా స్వీకరించగలదు, ఎందుకంటే ఆ సాధనానికి ప్రతి ఫీల్డ్‌కూ ప్రత్యేక మ్యాపింగ్ (mapping) అవసరం ఉండదు.

4. మౌలిక సదుపాయాలు, భద్రత

ఏ AI వ్యవస్థ అయినా రోగి డేటాను చదవడానికి ముందే, ప్రాథమిక అంశాలు సిద్ధంగా ఉండాలి:

• చికిత్స జరిగే చోట పరికరాలు, తద్వారా డేటా తర్వాత టైప్ చేయడం కాకుండా సందర్శన సమయంలోనే నమోదవుతుంది;
• నమ్మదగిన కనెక్టివిటీ, అది విఫలమైనప్పుడు ఏం చేయాలో ఒక ప్రణాళిక;
• పాత్ర (role) ఆధారంగా యాక్సెస్, తద్వారా ప్రతి వ్యక్తీ తమ పనికి అవసరమైనదే చూస్తారు;
• ఎవరు ఏది తెరిచారు, ఏది మార్చారు అనే లాగ్;
• Digital Personal Data Protection Act, 2023 కింద, రోగి డేటాను ఎలా వాడుతున్నారో దానికి చట్టబద్ధమైన ఆధారం, సమ్మతి.

ప్రతి AI విక్రేతనూ (vendor) అడగండి: డేటా ఎక్కడికి వెళ్తుంది, అది భారతదేశం దాటి వెళ్తుందా, వారి మోడళ్లకు శిక్షణ ఇవ్వడానికి దాన్ని వాడతారా, అది దుర్వినియోగమైతే మీకు ఎలా తెలుస్తుంది.

5. పర్యవేక్షణ: ఎవరు నిర్ణయిస్తారు, ఎవరు తనిఖీ చేస్తారు

క్లినికల్ AI విఫలమయ్యే అత్యంత సాధారణ మార్గం నిశ్శబ్దమైనది: అది తయారైన చోట పనిచేస్తుంది, వాడే చోట పనిచేయదు. విస్తృతంగా ఉదహరించే ఒక ఉదాహరణ, అమెరికాలోని చాలా ఆసుపత్రుల్లో వాడిన ఒక సెప్సిస్ (sepsis) అంచనా మోడల్. Michigan Medicine పరిశోధకులు దాన్ని 38,455 ఆసుపత్రి అడ్మిషన్లపై (hospital stays) పరీక్షించినప్పుడు, అది 67% సెప్సిస్ కేసులను గుర్తించలేకపోయింది, అదే సమయంలో మొత్తం రోగుల్లో 18% మందిపై హెచ్చరిక ఇచ్చింది; దాని AUC 0.63.

ఏ ఆసుపత్రికైనా ఇందులోని పాఠం: ఒక సాధనంపై ఆధారపడటానికి ముందు దాన్ని మీ సొంత రోగులపై ధృవీకరించండి (validate), వాడకంలోకి వచ్చిన తర్వాత కూడా కొలుస్తూనే ఉండండి. ఆచరణలో దీని అర్థం:

• AI సాధనాలను ఆమోదించి, వాటి సమీక్షకు బాధ్యత వహించే, పేరు పెట్టి నియమించిన ఒక వ్యక్తి లేదా చిన్న కమిటీ;
• ప్రతి సాధనానికీ రాతపూర్వక ఉద్దేశం, అది ఎప్పుడూ చేయకూడనివి ఏమిటో కూడా;
• వాడకంలోకి రాకముందు స్థానిక డేటాపై ఒక తనిఖీ, ఆ తర్వాత క్రమం తప్పని తనిఖీలు;
• క్లినికల్ విషయం ఏదైనా సరే, AI ఫలితం రోగి రికార్డును చేరే ముందు దాన్ని సమీక్షించే ఒక వ్యక్తి;
• తప్పుడు సమాధానాన్ని సిబ్బంది నివేదించడానికి ఒక మార్గం, దానిపై ఏం చర్య తీసుకున్నారో ఒక రికార్డు.

దీనికి మార్గనిర్దేశం చేయగల అనేక ఫ్రేమ్‌వర్క్‌లు (frameworks) ఉన్నాయి. ICMR 2023 Ethical Guidelines for Application of Artificial Intelligence in Biomedical Research and Healthcare భారతదేశానికి ప్రధాన ప్రామాణిక ఆధారం. WHO 2021 మార్గదర్శకత్వం, మానవ స్వయంప్రతిపత్తిని కాపాడటం నుంచి అందరినీ కలుపుకుపోవడం, సమానత్వాన్ని నిర్ధారించడం వరకు ఆరు సూత్రాలను నిర్దేశిస్తుంది. NITI Aayog Responsible AI పత్రాలు (2021) భారతదేశం కోసం ఏడు సూత్రాలను నిర్దేశిస్తాయి. ఒక అధికారిక నిర్వహణ వ్యవస్థ కోసం, ఒక సంస్థలో AIని నిర్వహించడానికి ISO/IEC 42001:2023 మొదటి అంతర్జాతీయ ప్రమాణం.

6. సిబ్బంది, పని విధానం

AI పని జరిగే విధానాన్ని మారుస్తుంది, కాబట్టి పనితోనే మొదలుపెట్టండి. సిబ్బంది ఇప్పటికే ఇబ్బందిగా భావిస్తున్న ఒక సమస్యను ఎంచుకోండి, ఈ రోజు దాన్ని కొలవండి, దానిపై ఒక సాధనాన్ని ప్రయత్నించండి, మళ్లీ కొలవండి.

డాక్యుమెంటేషన్ సాధారణంగా మొదటి ఎంపిక, దీనిపై ఉన్న ఆధారాలను తెలుసుకోవడం విలువైనది. 2025లో NEJM AIలో ప్రచురితమైన, UCLAలో జరిగిన ఒక రాండమైజ్డ్ ట్రయల్‌లో (randomised trial), ఒక ఆంబియెంట్ AI స్క్రైబ్ (ambient AI scribe) సాధారణ సంరక్షణతో పోలిస్తే నోట్స్‌పై వెచ్చించే సమయాన్ని 9.5% తగ్గించింది, మరొకటి చెప్పుకోదగ్గ తేడా చూపలేదు. 8,581 మంది వైద్య సిబ్బందిపై (clinicians) JAMAలో వచ్చిన 2026 అధ్యయనం, స్క్రైబ్ వాడినవారు షెడ్యూల్ చేసిన ప్రతి ఎనిమిది గంటలకు డాక్యుమెంటేషన్‌పై సుమారు 16 నిమిషాలు తక్కువ వెచ్చించారని కనుగొంది. రచయితలు ఈ ప్రభావాన్ని మోస్తరుగా పేర్కొన్నారు. కాబట్టి ఉపయోగకరమే, కానీ మాయాజాలం కాదు; మీ సొంత ఔట్‌పేషెంట్ విభాగంలో దీన్ని కొలవడం విలువైనది, ఎందుకంటే అక్కడ రోగుల సంఖ్య, కన్సల్టేషన్ నిడివి ఒక అమెరికన్ క్లినిక్‌తో పోలిస్తే చాలా భిన్నంగా ఉంటాయి.

NABH Digital Health Standards ఎక్కడ సరిపోతాయి

ఆసుపత్రుల డిజిటల్ పరిణతిని కొలవడానికి భారతదేశంలో ఉన్న కొలమానానికి అత్యంత దగ్గరైనవి NABH Digital Health Standards. ఆసుపత్రుల కోసం మొదటి ఎడిషన్ సెప్టెంబర్ 2023లో ప్రచురించబడింది. ఇందులో ఎనిమిది అధ్యాయాలు ఉన్నాయి; మూడు క్లినికల్, ఐదు నాన్-క్లినికల్:

1. యాక్సెస్, అంచనా, సంరక్షణ కొనసాగింపు (Access, assessment and continuity of care)
2. రోగుల సంరక్షణ (Care of patients)
3. మందుల నిర్వహణ (Management of medication)
4. డిజిటల్ మౌలిక సదుపాయాలు (Digital infrastructure)
5. డిజిటల్ కార్యకలాపాల నిర్వహణ (Digital operations management)
6. ఆర్థిక, కొనుగోళ్ల నిర్వహణ (Finance and procurement management)
7. మానవ వనరుల నిర్వహణ (Human resource management)
8. సమాచార నిర్వహణ వ్యవస్థ (Information management system)

ఇన్‌పేషెంట్ లేదా డే-కేర్ సేవలు ఉన్న ఏ ఆసుపత్రి అయినా, NABH గుర్తింపు (accreditation) ఉన్నా లేకపోయినా, దరఖాస్తు చేసుకోవచ్చు. Core నుంచి Excellence వరకు ఉన్న పరిణతి స్థాయిల్లో గుర్తింపు ఇస్తారు, ఆ గుర్తింపు రెండేళ్లు చెల్లుతుంది. రెండో ఎడిషన్ ముసాయిదా రూపంలో సెప్టెంబర్ 2025లో విడుదలైంది. HIS, EMR సాఫ్ట్‌వేర్ కోసం NABH ఒక ప్రత్యేక ప్రమాణాన్ని కూడా నిర్వహిస్తుంది; ఆ సాఫ్ట్‌వేర్‌కు ABDM అనుగుణ్యత ధృవీకరణ (compliance certification) ఉండాలని అది కోరుతుంది.

ఈ ప్రమాణాలను వాడటానికి మీరు దరఖాస్తు చేయాల్సిన అవసరం లేదు. ఈ వ్యాసం వివరించే పనికి అవి చక్కగా రూపొందించిన ఒక చెక్‌లిస్ట్.

AI సంసిద్ధత చెక్‌లిస్ట్

1. ఔట్‌పేషెంట్ నోట్స్, ప్రిస్క్రిప్షన్లు, ల్యాబ్ ఫలితాలు కాగితంగా లేదా స్కాన్‌లుగా కాకుండా, నిర్మాణాత్మక డేటాగా నమోదవుతున్నాయా?
2. ప్రతి రోగికీ ఆసుపత్రిలో ఒకే గుర్తింపు సంఖ్య ఉందా, రిజిస్ట్రేషన్ సమయంలో డూప్లికేట్‌లను తనిఖీ చేస్తున్నారా?
3. రోగనిర్ధారణలు ICD-10లో కోడ్ చేయబడి, ల్యాబ్ పరీక్షలు LOINCకు మ్యాప్ చేయబడి ఉన్నాయా?
4. మీ వ్యవస్థలు FHIRలో డేటాను పంచుకోగలవా, సమ్మతితో రికార్డులను ABHAకు అనుసంధానించగలవా?
5. మీ ముఖ్యమైన ఫీల్డ్‌లు (అలర్జీలు, వైటల్స్, రోగనిర్ధారణలు) ఎంత పూర్తిగా ఉన్నాయో మీకు తెలుసా?
6. సిబ్బందిలో ప్రతి ఒక్కరికీ సొంత లాగిన్ ఉందా, పాత్ర ఆధారంగా యాక్సెస్ ఉందా, ప్రతి యాక్సెస్ లాగ్ అవుతోందా?
7. DPDP Act కింద రోగి డేటాకు మీకు చట్టబద్ధమైన ఆధారం, సమ్మతి ప్రక్రియ ఉన్నాయా?
8. AI సాధనాలను ఆమోదించి, వాటి సమీక్షకు బాధ్యత వహించే, పేరు పెట్టి నియమించిన వ్యక్తి లేదా కమిటీ ఉందా?
9. వాడకంలోకి రాకముందు ఒక సాధనాన్ని మీ సొంత రోగులపై ధృవీకరించి, ఆ తర్వాత దాన్ని కొలుస్తున్నారా?
10. AI ఫలితం రోగి రికార్డును చేరే ముందు ఎవరైనా దాన్ని సమీక్షిస్తున్నారా?
11. మీరు ఒక సమస్యను ఎంచుకుని, అది ఈ రోజు ఎలా ఉందో కొలిచారా?
12. AI పొరపాటును ఎలా నివేదించాలో మీ సిబ్బందికి తెలుసా, దానిపై ఎవరైనా చర్య తీసుకుంటారా?

ఎనిమిది లేదా అంతకంటే ఎక్కువ ప్రశ్నలకు ‘అవును’ అయితే, మీరు పైలట్‌కు సిద్ధం. అంతకంటే తక్కువ అయితే, మీరు వదిలేసిన అంశాలే మీ ప్రాజెక్ట్.

ఈ విషయంలో 92health ఆసుపత్రులతో ఎలా పనిచేస్తుంది

92health భారతదేశంలో క్లినిక్‌లు, ఆసుపత్రులు, ఫార్మసీలు, ల్యాబ్‌లు, ఆప్టికల్ షాపులు వాడే ఒక EMR, AI ప్లాట్‌ఫామ్. పైన చెప్పిన సంసిద్ధత పనిలో చాలా భాగం అది చికిత్సను నమోదు చేసే విధానంలోనే నిర్మించబడి ఉంది: ఒక ఆసుపత్రిలో ఒక రోగికి ఒకే రికార్డు, ICD-10 కోడ్ చేసిన రోగనిర్ధారణలు, FHIR R4గా ధృవీకరించిన ల్యాబ్ ఫలితాలు, ABHAకు అనుసంధానించగల రికార్డులు, ప్రతి మార్పూ లాగ్ అయ్యే పాత్ర ఆధారిత యాక్సెస్, భారతదేశంలోనే ఉండే రోగి డేటా.

దాని AI ఫీచర్లు అన్నిచోట్లా ఒకే నియమాన్ని పాటిస్తాయి: అవి ముసాయిదా రాస్తాయి, చదువుతాయి లేదా సమాధానం ఇస్తాయి; ఆ ఫలితాన్ని లెక్కలోకి తీసుకునే ముందు ఒక వ్యక్తి దాన్ని తనిఖీ చేస్తారు.

ఒక క్రమబద్ధమైన మార్గం కావాలనుకునే ఆసుపత్రుల కోసం, మేము AI సంసిద్ధత పనిని మూడు దశల్లో చేస్తాం:

1. అంచనా. మీ బృందంతో కలిసి ఆరు అంశాలనూ పరిశీలిస్తాం, మీ రికార్డుల్లో ఒక నమూనాను చూస్తాం.
2. ప్రణాళిక. మీకు ఒక రాతపూర్వక నివేదిక అందుతుంది: మీరు ఏ స్థితిలో ఉన్నారు, ముందుగా ఏం సరిదిద్దాలి, ఏ AI వాడకం ముందుగా ఫలితం ఇస్తుంది.
3. నిర్మాణం. పునాదులను ఏర్పాటు చేయడానికీ, మొదటి పైలట్‌ను నడపడానికీ మేం సహాయం చేస్తాం; అది మొదలయ్యే ముందు బేస్‌లైన్‌ను (baseline) కొలుస్తాం.

ఆధారాలు

• 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, మరియు 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 వెబ్‌స్టోర్.