মেডিকেল ল্যাবরেটরিতে কৃত্রিম বুদ্ধিমত্তার ভূমিকা: ভূমিকা, সীমানা, বৈধতা এবং নীতিশাস্ত্র

লাভ:

• কোথায় কৃত্রিম বুদ্ধিমত্তা ল্যাবরেটরি ওয়ার্কফ্লোতে প্রকৃত সময় বাঁচায় (প্রাক-বিশ্লেষণমূলক, বিশ্লেষণাত্মক, বিশ্লেষণাত্মক) এবং যেখানে নিরাপত্তা-সমালোচনামূলক সিদ্ধান্তগুলি (ফলাফল যাচাইকরণ, ক্লিনিকাল ব্যাখ্যা, রোগ নির্ণয়) বিশেষজ্ঞের উপর ছেড়ে দেওয়া হয়, টাস্ক ঝুঁকি স্তর অনুসারে।
• একটি শৃঙ্খলা প্রয়োগ করার ক্ষমতা যা প্রতিটি AI আউটপুটকে উত্সের সাথে লিঙ্ক করার পদক্ষেপের মাধ্যমে যাচাই করে, এটি পুনঃগণনা করা এবং ক্লিনিকাল/বিশ্লেষণমূলক ফিল্টারিং।
• KVKK/গোপনীয়তার সুযোগের মধ্যে রোগীর ডেটা বেনামী করা এবং একটি নিরাপদ গাড়ি বেছে নেওয়ার অভ্যাস অর্জন করা

একটি মেডিকেল ল্যাবরেটরিতে প্রতিদিন নীরবে হাজার হাজার সিদ্ধান্ত নেওয়া হয়। একটি টিউব গ্রহণ বা প্রত্যাখ্যান করা হবে; একটি পটাসিয়াম ফলাফল বাস্তব বা হেমোলাইসিসের কারণে কিনা; রক্তের স্মিয়ারে দেখা কোষটি একটি সাধারণ লিম্ফোসাইট নাকি বিস্ফোরণ; এই কারণেই একজন রোগীর ক্রিয়েটিনিন আগের মানের তুলনায় দ্বিগুণ হয়ে গেছে। এর মধ্যে কিছু সিদ্ধান্ত পুনরাবৃত্তিমূলক এবং সময়সাপেক্ষ; তাদের মধ্যে কিছু এমন সিদ্ধান্ত যা সরাসরি একজন ব্যক্তির জীবনকে প্রভাবিত করতে পারে এবং যার ত্রুটির মার্জিন শূন্যের কাছাকাছি হওয়া উচিত। কৃত্রিম বুদ্ধিমত্তা (এআই, বা সংক্ষিপ্ত কম্পিউটার সিস্টেমের জন্য AI যা পাঠ্য তৈরি করতে পারে, প্যাটার্ন চিনতে পারে, চিত্রগুলিকে শ্রেণীবদ্ধ করতে পারে এবং মানুষের মতো গণনা করতে পারে) এই ছবির ঠিক মাঝখানে ফিট করে: সঠিকভাবে ব্যবহার করা হলে, এটি পুনরাবৃত্তিমূলক কাজগুলিকে গতি দেয় এবং আপনাকে চিন্তা করার সময় দেয়; ভুলভাবে ব্যবহার করা হলে, এটি রোগীর রিপোর্টে একটি আপাতদৃষ্টিতে নিরাপদ কিন্তু ভুল আউটপুট বহন করতে পারে।

এই মডিউলের প্রথম ইউনিট একটি সফ্টওয়্যার ভূমিকা নয়। এর উদ্দেশ্য হল আপনার পেশায় AI কোথায় রাখবেন এবং কোথায় রাখবেন না তা স্পষ্ট করা। কারণ মেডিক্যাল ল্যাবরেটরি সায়েন্স একটি "নিরাপত্তা-গুরুত্বপূর্ণ" ক্ষেত্র: আপনি যে ফলাফলগুলি তৈরি করেন তা একজন চিকিত্সকের ডায়গনিস্টিক সিদ্ধান্ত, ওষুধের ডোজ, অস্ত্রোপচারের বিলম্বকে প্রভাবিত করতে পারে। আসুন এখানে মূল নীতিটি পুনরাবৃত্তি করি: কৃত্রিম বুদ্ধিমত্তা একজন সহকারী, ল্যাবরেটরি বিশেষজ্ঞ নয়। ফলাফল, ক্লিনিকাল ব্যাখ্যা এবং রোগ নির্ণয় প্রকাশের (বৈধকরণ) সিদ্ধান্তটি যোগ্য বিশেষজ্ঞের - ল্যাবরেটরি বিশেষজ্ঞ চিকিত্সক এবং উপস্থিত চিকিত্সকের উপর নির্ভর করে।

মোট পরীক্ষার প্রক্রিয়া এবং AI এর স্থান

পরীক্ষাগারের কাজ বোঝার জন্য, প্রক্রিয়াটিকে তিনটি পর্যায়ে বিভক্ত করা প্রয়োজন। প্রাক-বিশ্লেষণীয় পর্যায় হল নমুনা অর্ডার করার পর থেকে এটি ডিভাইসে প্রবেশ করা পর্যন্ত: পরীক্ষার আদেশ, রোগীর প্রস্তুতি, রক্ত ​​সংগ্রহ, লেবেলিং, পরিবহন, সেন্ট্রিফিউগেশন। বিশ্লেষণাত্মক পর্যায় হল সেই পর্যায় যেখানে ডিভাইসে পরিমাপ করা হয়। বিশ্লেষণাত্মক পর্যায় হল যাচাইকরণ, ব্যাখ্যা, রিপোর্টিং এবং ক্লিনিশিয়ানের কাছে ফলাফল সরবরাহ করা। মজার বিষয় হল বেশিরভাগ পরীক্ষাগারের ত্রুটিগুলি বিশ্লেষণাত্মক পর্বে (যন্ত্র) নয়, প্রাক-বিশ্লেষণীয় পর্যায়ে ঘটে। AI তিনটি পর্যায়কে স্পর্শ করতে পারে, কিন্তু প্রত্যেকটি একই কর্তৃত্বের সাথে নয়।

"বিশ্লেষক" দ্বারা আমরা বোঝাই যে পদার্থ বা পরামিতি পরিমাপ করা হচ্ছে: গ্লুকোজ, ক্রিয়েটিনিন, পটাসিয়াম, হিমোগ্লোবিন, ইত্যাদি। "রেফারেন্স রেঞ্জ" হল সুস্থ জনসংখ্যার একজন বিশ্লেষকের প্রত্যাশিত মানগুলির পরিসর এবং বয়স, লিঙ্গ, পদ্ধতি অনুসারে পরিবর্তিত হয়। পরীক্ষাগারে "বৈধতা" দুটি অর্থে ব্যবহৃত হয়: একটি ফলাফল প্রকাশের আগে নিশ্চিত করা এবং একটি পদ্ধতি/পদ্ধতি/মডেলের নির্ভরযোগ্যতা প্রমাণ করা। AI একটি ফলাফলের একটি স্পষ্ট প্রাথমিক ব্যাখ্যা তৈরি করতে পারে; কিন্তু শুধুমাত্র বিশেষজ্ঞই মূল্যায়ন করেন যে সেই ব্যাখ্যাটি রোগীর ক্লিনিকাল অবস্থা, ওষুধ এবং পূর্ববর্তী ফলাফলের জন্য উপযুক্ত কিনা।

নিম্নলিখিত সারণীটি মিশনের দ্বারা এআই-এর ভূমিকা এবং ঝুঁকির স্তরকে সংক্ষিপ্ত করে:

কোয়েস্ট

AI এর ভূমিকা

ঝুঁকির স্তর

কে অনুমোদন করে

কাজের চাপ অনুমান, নমুনা বাছাই

ত্বরক, পরিকল্পনাকারী

কম

ল্যাবরেটরি ম্যানেজার

একটি উপসংহার মন্তব্য খসড়া লেখা

স্কেচ জেনারেটর, নিয়ন্ত্রিত

মাঝারি

পরীক্ষাগার বিশেষজ্ঞ

ডেল্টা চেক / QC সতর্কতা প্রজন্ম

পরিসংখ্যানগত উদ্দীপনা

মাঝারি-উচ্চ

বিশেষজ্ঞ (মূল কারণ খুঁজে পান)

চিত্র প্রাক-শ্রেণীবিভাগ (স্মিয়ার, প্রস্রাব)

প্রাথমিক, চূড়ান্ত শব্দ না

উচ্চ

বিশেষজ্ঞ (নির্ণয় নিশ্চিত করে)

প্যানিক মান বিজ্ঞপ্তি

ব্রাউজার, ড্রাফ্ট জেনারেটর

খুব উচ্চ

বিশেষজ্ঞ (নিশ্চিত, রিপোর্ট)

ক্লিনিকাল রোগ নির্ণয়/সিদ্ধান্ত

সহায়ক নয়

খুব উচ্চ

চিকিত্সক + পরীক্ষাগার বিশেষজ্ঞ

এই চার্টের একটি লাইন মনে রাখবেন: ঝুঁকি বাড়ার সাথে সাথে AI এর ভূমিকা সঙ্কুচিত হয়, মানুষের অনুমোদন বৃদ্ধি পায়।

কেন "যাচাই" এই ব্যবসার হৃদয়

কৃত্রিম বুদ্ধিমত্তার ভাষা মডেল তাদের উত্তরে আত্মবিশ্বাসী বলে মনে হয়, কিন্তু তারা নিশ্চিত নাও হতে পারে। প্রযুক্তিগত ভাষায়, একে হ্যালুসিনেশন বলে: এটি একটি সাবলীল বাক্যে অস্তিত্বহীন তথ্যের মডেল তৈরি করা, যেন এটি সত্য। একজন পরীক্ষাগার পেশাদারের জন্য, এটি একটি মারাত্মক ফাঁদ: মডেলটি আপনাকে বলতে পারে "একজন প্রাপ্তবয়স্কের মধ্যে স্বাভাবিক সিরাম পটাসিয়াম 3.5-5.1 mmol/L" (যা নির্ভুল এর কাছাকাছি), কিন্তু এটি উত্তরও দিতে পারে "সাধারণ ফেরিটিন পরিসীমা প্রত্যেকের জন্য 30-400 ng/mL," যৌনতা এবং ভুল পার্থক্য উপেক্ষা করা হয় ()। যেহেতু তিনি একই সাবলীলতার সাথে উভয়ই বলেছেন, একমাত্র জিনিস যা সঠিক থেকে ভুলকে আলাদা করে তা হল আপনার জ্ঞান এবং যাচাই করার অভ্যাস।

যাচাইকরণ শৃঙ্খলা তিনটি ধাপ নিয়ে গঠিত:

1. উৎসের লিঙ্ক: রেফারেন্স পরিসীমা, ইউনিট, পদ্ধতির মতো তথ্যের জন্য, আপনার নিজস্ব পরীক্ষাগারের বৈধ রেকর্ড এবং স্বীকৃত উত্সের উপর নির্ভর করুন (প্রস্তুতকারকের প্যাকেজ সন্নিবেশ, স্বীকৃত পদ্ধতি, জাতীয়/আন্তর্জাতিক নির্দেশিকা), AI এর স্মৃতি নয়। এই ডেটা ব্যাখ্যা করতে AI ব্যবহার করুন, এটি মনে রাখতে নয়।
2. পুনঃগণনা/তুলনা করুন: স্বাধীনভাবে প্রতিটি সংখ্যাসূচক ফলাফল, ইউনিট এবং ডেল্টা পরিবর্তন পরীক্ষা করুন যা AI ফেরত দেয়। বিশেষ করে, পরীক্ষার ইউনিটের ধারাবাহিকতা (mg/dL ↔ mmol/L) এবং পূর্ববর্তী ফলাফলের সাথে চুক্তি।
3. ক্লিনিকাল এবং বিশ্লেষণাত্মক ফিল্টার: আউটপুট রোগীর চিকিৎসা অবস্থা, ওষুধ, নমুনার গুণমান এবং QC অবস্থার সাথে বিরোধপূর্ণ কিনা তা দেখতে বিশেষজ্ঞের চোখ দিয়ে পরীক্ষা করুন।

মনোযোগ: AI দ্বারা উত্পাদিত ফলাফলের ব্যাখ্যা যাচাই না করেই রোগীর রিপোর্টে অনুলিপি করা আপনার পেশাগত দায়িত্বের পরিপ্রেক্ষিতে একটি স্বাক্ষরবিহীন ফলাফল প্রতিবেদন দেওয়ার মতো। মন্তব্যটি সঠিক নয় কারণ এটি সাবলীলভাবে এসেছে।

গোপনীয়তা: রোগীর ডেটা ব্যক্তিগত ডেটা

রোগীর ল্যাবরেটরি ডেটা (পরীক্ষার ফলাফল, রোগ নির্ণয়, প্রোটোকল নম্বর, শনাক্তকরণ তথ্য) হল সংবেদনশীল ব্যক্তিগত ডেটা এবং তুর্কিয়েতে KVKK (ব্যক্তিগত ডেটা সুরক্ষা আইন) এবং ইউরোপে GDPR-এর অধীনে সুরক্ষিত। রোগীর নাম, টিআর আইডি নম্বর, প্রোটোকল নম্বর এবং রোগ নির্ণয় একটি সর্বজনীনভাবে উপলব্ধ AI টুলে পেস্ট করা একটি গুরুতর লঙ্ঘন। নিয়মটি সহজ: ডেটা বেনামী করুন। "Ayşe Yılmaz, 68 বছর বয়সী, প্রোটোকল 2024-114523, দীর্ঘস্থায়ী কিডনি রোগ" এর পরিবর্তে "68-বছর বয়সী মহিলা রোগী, পরিচিত রেনাল ব্যর্থতা" লিখুন; নাম, যোগাযোগের তথ্য, প্রতিষ্ঠান এবং প্রোটোকল নম্বর সরান। যদি সম্ভব হয়, এমন কর্পোরেট সরঞ্জামগুলি বেছে নিন যেগুলির একটি ডেটা প্রসেসিং চুক্তি রয়েছে এবং মডেল প্রশিক্ষণে আপনার ডেটা ব্যবহার করবেন না৷

তিনটি মিনি কেস

কেস 1 - নিরাপদ ব্যবহার। একজন বায়োকেমিস্ট্রি বিশেষজ্ঞ রোগীর রিপোর্টে 8টি অস্বাভাবিক প্যারামিটারের জন্য রোগীকে তথ্যের একটি স্পষ্ট রূপরেখা দিতে চান। AI বেনামী মান (কোন নাম নেই) থেকে একটি সাধারণ স্কেচ তৈরি করে। বিশেষজ্ঞ তার নিজস্ব পরীক্ষাগারের মানগুলির সাথে রেফারেন্স রেঞ্জের তুলনা করেন, "নির্দিষ্ট নির্ণয়" বোঝানো বাক্যগুলি সরিয়ে দেন এবং "মূল্যায়নের জন্য আপনার চিকিত্সকের সাথে পরামর্শ করুন" নোট যোগ করেন। সময়কাল: 15 মিনিটের পরিবর্তে 4 মিনিট। এআই ড্রাফট দিয়েছে, দায়িত্ব রইল বিশেষজ্ঞের কাছে।

কেস 2 - যাচাই করা হয়নি মন্তব্য ফাঁদ. অন্য একজন বিশেষজ্ঞের YZ একটি TSH ফলাফল (থাইরয়েড উদ্দীপক হরমোন) ব্যাখ্যা করেছেন। এআই আমাদের বলে যে ফলাফলটি প্রাপ্তবয়স্কদের রেফারেন্স পরিসরের তুলনায় "স্বাভাবিক"; কিন্তু নমুনাটি একটি নবজাতকের থেকে এবং নবজাতকের রেফারেন্স পরিসীমা সম্পূর্ণ ভিন্ন। মন্তব্যটি ভুল কারণ এটি ভুল বয়সের জন্য করা হয়েছে৷ বৈধতা বাদ দেওয়া হয়েছে, ক্লিনিকাল প্রসঙ্গ মিস করা হয়েছে।

কেস 3 - গোপনীয়তার লঙ্ঘন। একজন ল্যাব টেকনিশিয়ান রোগীর পুরো নাম এবং রিপোর্ট পিডিএফ একটি পাবলিক এআই টুলে লোড করেন এবং বলেন "মন্তব্য।" ডেটা একটি বাহ্যিক সার্ভারে গেছে। প্রতিষ্ঠান একটি KVKK পর্যালোচনা সম্মুখীন. সঠিক উপায় ছিল ডেটা বেনামী করা এবং বেনামে শুধুমাত্র প্রয়োজনীয় সংখ্যাসূচক মান শেয়ার করা।

দুর্বল প্রম্পট / শক্তিশালী প্রম্পট

দুর্বল প্রম্পট:

এই রোগীর বিশ্লেষণের ফলাফল ব্যাখ্যা করুন: Ayşe Yılmaz, TC 123..., প্রোটোকল 2024-114523। ক্রিয়েটিনিন 2.1, ইউরিয়া 90, পটাসিয়াম 5.8।

এই অনুরোধটি তিনটি দিক থেকে ভুল: পরিচয়ের তথ্য শেয়ার করা হয়েছে (KVKK লঙ্ঘন), ইউনিট এবং রেফারেন্স পরিসীমা দেওয়া নেই এবং কোনও ক্লিনিকাল প্রসঙ্গ (বয়স, লিঙ্গ, রোগ নির্ণয়) নেই। AI অনুমানের মাধ্যমে শূন্যস্থান পূরণ করে এবং ভুল ব্যাখ্যার ঝুঁকি থাকে।

শক্তিশালী প্রম্পট:

আপনার ভূমিকা: পরীক্ষাগার বিশেষজ্ঞের খসড়া প্রস্তুতি সহকারী। রোগ নির্ণয়, ক্লিনিকাল সিদ্ধান্ত গ্রহণ। নীচে বেনামী ফলাফলের জন্য রোগীর কাছে একটি সহজ ব্যাখ্যা খসড়া করুন; একটি নির্দিষ্ট রোগ নির্ণয়ের ইঙ্গিত; নোট যোগ করুন "আপনার চিকিত্সকের সাথে পরামর্শ করুন"। যেখানে আপনি অনিশ্চিত [বিশেষজ্ঞ নিশ্চিতকরণের জন্য] চিহ্নিত করুন। রোগী: 68 বছর বয়সী মহিলা, দীর্ঘস্থায়ী কিডনি রোগ পরিচিত। ফলাফল (আমাদের ইউনিট এবং পরীক্ষাগার রেফারেন্স সহ): ক্রিয়েটিনিন 2.1 mg/dL (ref 0.5-0.9), Urea 90 mg/dL (ref 17-43), পটাসিয়াম 5.8 mmol/L (ref 3.5-5.1)।

শক্তিশালী প্রম্পটটি বেনামী, ভূমিকা এবং সীমানা নির্ধারণ করে, ইউনিট এবং রেফারেন্স দেয়, ক্লিনিকাল প্রসঙ্গ প্রদান করে এবং যাচাইকরণের একটি চিহ্নের অনুরোধ করে।

অনুলিপিযোগ্য প্রম্পট টেমপ্লেট

ভূমিকা এবং সীমানা বর্ণনা টেমপ্লেট আপনার ভূমিকা: একজন পরীক্ষাগার বিশেষজ্ঞের খসড়া প্রস্তুতকারী সহকারী। আপনি একজন বিশেষজ্ঞ নন; একটি নির্ণয় করা, ফলাফল প্রকাশ করার সিদ্ধান্ত নেওয়া, ক্লিনিকাল পরামর্শ দেওয়া। চূড়ান্ত অনুমোদন বিশেষজ্ঞের অন্তর্গত। আপনি যদি নিশ্চিত না হন তবে এটিকে "[বিশেষজ্ঞ যাচাই করতে দিন]" হিসাবে চিহ্নিত করুন, এটি তৈরি করবেন না। টাস্ক: [টাস্ক লিখুন]।

বেনামীকরণ নিয়ন্ত্রণ টেমপ্লেট নিচের পাঠ্য থেকে নাম, টিআর আইডি, প্রোটোকল/ফাইল নম্বর, যোগাযোগ এবং প্রতিষ্ঠানের তথ্য বের করুন; "[সরানো]" দিয়ে প্রতিস্থাপন করুন। শুধুমাত্র ক্লিনিক্যাল/বিশ্লেষনগতভাবে প্রয়োজনীয় তথ্য ছেড়ে দিন। আউটপুটে পরিচয়ের কোনো ক্লু ত্যাগ করবেন না। পাঠ্য: [টেক্সট পেস্ট করুন]

যাচাইকরণ চেক টেমপ্লেট আপনার তৈরি করা প্রতিটি ফলাফলের ব্যাখ্যার জন্য, নির্দেশ করুন: (1) আপনি কোন রেফারেন্স পরিসর ধরেছেন, (2) এটি একক সামঞ্জস্যপূর্ণ কিনা এবং (3) যেখানে ব্যাখ্যাটি ক্লিনিকাল প্রসঙ্গে নির্ভর করে। পরম পরিবর্তে "সম্ভব" ভাষা ব্যবহার করুন.

ঝুঁকি স্তর বাছাই টেমপ্লেট আমি আপনাকে তিনটি বিভাগের মধ্যে যে একটি পরীক্ষাগারের কাজটি দেব এবং একটি যুক্তি লিখব: (A) কম ঝুঁকি - AI রূপরেখা যথেষ্ট, (B) মাঝারি ঝুঁকি - বিশেষজ্ঞ যাচাইকরণ, (C) উচ্চ/খুব উচ্চ ঝুঁকি - রোগ নির্ণয়/সিদ্ধান্ত বিশেষজ্ঞের, AI শুধুমাত্র সহায়ক। টাস্ক: [টাস্ক লিখুন]।

সাধারণ ভুল

• একটি "বিশেষজ্ঞ" জন্য AI ভুল করা। AI সাবলীলভাবে কথা বলে কিন্তু কোন দায়িত্ব নেই; স্বাক্ষর আপনার। আউটপুট একটি খসড়া, সিদ্ধান্ত নয়।
• যেমন আছে শংসাপত্র পেস্ট করা হচ্ছে। নাম, টিআর আইডি নম্বর এবং প্রোটোকল নম্বর বিশেষ ডেটা; নাম প্রকাশ না করে শেয়ার করা KVKK-এর লঙ্ঘন।
• রেফারেন্স পরিসীমা প্রশ্নবিদ্ধ না. এআই একটি সাধারণ পরিসর দেয়; আপনার ডিভাইসের পরিসর এবং বয়স/লিঙ্গ গ্রুপ ভিন্ন হতে পারে।
• ক্লিনিকাল প্রসঙ্গ দিচ্ছে না। বয়স, লিঙ্গ, নির্ণয়, ওষুধ এবং নমুনার গুণমান ছাড়া ব্যাখ্যা বিভ্রান্তিকর।
• ছেড়ে দেওয়া হচ্ছে কারণ "এটি সঠিক দেখাচ্ছে।" সাবলীলতা সঠিকতা নয়; প্রতিটি আউটপুট স্বাধীন নিয়ন্ত্রণ প্রয়োজন.

টিপ: আপনি AI এর সাথে কাজ শুরু করার আগে, নিজেকে একটি প্রশ্ন জিজ্ঞাসা করুন: "এই আউটপুটটি ভুল হলে রোগীর কী হবে?" উত্তরটি গুরুতর হলে, শুধুমাত্র খসড়া/যোগ্যতার জন্য AI ব্যবহার করুন এবং যাচাইকরণ এড়িয়ে যাবেন না।

সংক্ষেপে

কৃত্রিম বুদ্ধিমত্তা চিকিৎসা পরীক্ষাগারে একটি শক্তিশালী সহকারী: এটি পুনরাবৃত্তিমূলক কাজের গতি বাড়ায়, ব্লুপ্রিন্ট তৈরি করে, প্যাটার্ন স্ক্যান করে। কিন্তু যেহেতু আপনি একটি নিরাপত্তা-গুরুত্বপূর্ণ এলাকায় কাজ করছেন, তাই ফলাফল প্রকাশের সিদ্ধান্ত, ক্লিনিকাল ব্যাখ্যা এবং নির্ণয়ের যোগ্য বিশেষজ্ঞের উপর নির্ভর করে। মোট পরীক্ষা প্রক্রিয়ার প্রতিটি ধাপে (প্রাক-বিশ্লেষণমূলক, বিশ্লেষণাত্মক, বিশ্লেষণাত্মক) AI এর ভূমিকা ঝুঁকির স্তরের উপর নির্ভর করে পরিবর্তিত হয়; ঝুঁকি বাড়ার সাথে সাথে মানুষের অনুমোদন বৃদ্ধি পায়। তিনটি মূল শৃঙ্খলা প্রতিটি ধাপকে রক্ষা করে: উত্স, পুনঃগণনা/তুলনা, ক্লিনিকাল-বিশ্লেষণীয় ফিল্টার। এবং গোপনীয়তা সবকিছুর অন্তর্গত: রোগীর ডেটা বেনামী না হয়ে কোনো টুলে প্রবেশ করে না।

আবেদন টাস্ক

আপনার নিজস্ব পরীক্ষাগার থেকে তিনটি ভিন্ন কাজ নির্বাচন করুন (বা একটি উদাহরণের দৃশ্য থেকে): একটি কম ঝুঁকি (যেমন কাজের চাপের সারাংশ), একটি মাঝারি ঝুঁকি (যেমন ফলাফল ব্যাখ্যার খসড়া), একটি উচ্চ ঝুঁকি (যেমন একটি সমালোচনামূলক মূল্য বিবৃতি)। প্রতিটির জন্য, (1) একটি বাক্যে AI এর ভূমিকা বর্ণনা করুন, (2) আপনি কী যাচাইকরণের পদক্ষেপ নেবেন তা লিখুন, (3) নির্দেশ করুন কিভাবে আপনি ডেটা বেনামী করবেন। তারপরে উপরের "ভুমিকা এবং সীমানা সংজ্ঞা" টেমপ্লেটটিকে আপনার মাঝারি ঝুঁকিপূর্ণ কাজের সাথে খাপ খাইয়ে নিন এবং একটি প্রম্পট লিখুন।

চেকলিস্ট

• আমি টাস্কের ঝুঁকির স্তর (নিম্ন/মাঝারি/উচ্চ) নির্ধারণ করেছি।
• [ ] আমি AI এর ভূমিকা "সহকারী/ড্রাফ্ট/কোয়ালিফায়ার" পর্যন্ত সীমাবদ্ধ রেখেছি; রোগ নির্ণয়/সিদ্ধান্ত বিশেষজ্ঞের উপর নির্ভর করে।
• [] আমি ডেটা বেনামী করেছি; নাম, টিআর আইডি, প্রোটোকল নম্বর আউটপুট হয়।
• [ ] আমি আমার নিজস্ব পরীক্ষাগারের মান দিয়ে রেফারেন্স পরিসীমা এবং ইউনিট যাচাই করেছি।
• [ ] আমি প্রম্পটে ক্লিনিকাল প্রসঙ্গ (বয়স, লিঙ্গ, রোগ নির্ণয়, নমুনার গুণমান) যোগ করেছি।
• [ ] আমি আউটপুটটি প্রকাশ করার আগে স্বাধীন চেক সাবজেক্ট করেছি।