બાયોમેડિકલ એન્જિનિયરિંગમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ અને વેરિફિકેશન ડિસિપ્લિનનો પરિચય

નફો:

• બાયોમેડિકલ વર્કફ્લોમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ ક્યાં સલામત મૂલ્ય પેદા કરે છે અને કયા નિર્ણયો ફિઝિશિયન અને અધિકૃત એન્જિનિયરની જવાબદારી રહે છે તે પારખવામાં સક્ષમ બનવું.
• એક એવી શિસ્ત લાગુ કરવાની ક્ષમતા કે જે દરેક AI આઉટપુટને તીવ્રતાના શારીરિક ક્રમ, ક્લિનિકલ વાજબીતા અને સ્વતંત્ર પુરાવા સાથે ક્રોસ-વેલિડેટ કરે છે.
• આભાસ, ડેટા લિકેજ અને દર્દીની સલામતીના જોખમોને ઓળખો અને સંદર્ભને અનામી કરીને સુરક્ષિત પ્રોમ્પ્ટ સેટ કરવાની આદત વિકસાવો.

બાયોમેડિકલ એન્જિનિયરિંગ એ એક એવો વ્યવસાય છે જ્યાં માનવ શરીરની જટિલતા અને ઇજનેરીની ચોકસાઇની શોધ એકબીજાને છેદે છે. ECG સિગ્નલ એ હૃદયની વિદ્યુત છાયા છે, MRI ઇમેજ એ પેશીઓનો ચુંબકીય પડઘો છે, પ્રયોગશાળા મૂલ્ય એ સ્નેપશોટ છે. આ તમામ માપન પરોક્ષ, ઘોંઘાટીયા છે અને અર્થઘટનની જરૂર છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI; ​​સોફ્ટવેર સિસ્ટમ્સ કે જે મોટા ડેટા પેટર્નમાંથી શીખે છે અને ટેક્સ્ટ/ઇમેજ/નંબર બનાવે છે) આ અર્થઘટનને ઝડપી બનાવી શકે છે, પરંતુ તેની ભૂલોને પણ અસ્ખલિત ભાષાથી છુપાવી શકે છે. આ એકમ બે પાયા મૂકે છે જેના પર સમગ્ર મોડ્યુલ બનાવવામાં આવશે: બાયોમેડિકલ વર્કફ્લોમાં AI ક્યાં વાસ્તવિક મૂલ્ય ઉત્પન્ન કરે છે અને અમે દરેક આઉટપુટને કેવી રીતે માન્ય કરીએ છીએ.

ચાલો શરૂઆતથી જ એક સંપૂર્ણ રેખા દોરીએ: તમે આ મોડ્યુલમાં જે ટેકનિક શીખશો તેમાંથી કોઈપણ લાયકાત ધરાવતા ચિકિત્સકના નિદાન, સક્ષમ એન્જિનિયરની મંજૂરી અને માન્ય ઉપકરણ પ્રક્રિયાઓને બદલશે નહીં. આર્ટિફિશિયલ ઇન્ટેલિજન્સ નિદાન કરતું નથી. કૃત્રિમ બુદ્ધિ એ સહાયક છે; ઝડપથી વાંચે છે, ઝડપથી સંકેત આપે છે, પેટર્ન પકડે છે. પરંતુ જો ગાંઠ ચૂકી જાય, ઉપકરણ ખોટા એલાર્મ આપે છે, ડોઝની ખોટી ગણતરી કરવામાં આવે છે, તો જવાબદારી સોફ્ટવેરની નહીં પરંતુ નિર્ણય લેનાર ચિકિત્સક અને એન્જિનિયરની છે. તમે દરેક યુનિટમાં આ વાક્યને અલગ-અલગ સ્વરૂપમાં જોશો, કારણ કે એન્જિનિયરિંગમાં આ એકમાત્ર સત્ય છે જે દર્દીની સલામતીની ચિંતા કરે છે.

બાયોમેડિકલ વર્કફ્લોમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ ક્યાં મૂલ્યનું સર્જન કરે છે?

બાયોમેડિકલ એન્જિનિયર અથવા ક્લિનિકલ ટેક્નોલોજી ટીમના સપ્તાહને આશરે ત્રણ પ્રકારના કામમાં વિભાજિત કરવામાં આવે છે: ડેટા તૈયારી (સિગ્નલ ક્લિનિંગ, ઇમેજ પ્રીપ્રોસેસિંગ, ટેબલ એડિટિંગ, લોગ એક્સટ્રેક્શન), અર્થઘટન અને વિશ્લેષણ (શોધ શોધ, વર્ગીકરણ, અનુમાનિત મોડેલિંગ, જોખમ સ્કોરિંગ), અને સંચાર અને દસ્તાવેજીકરણ (ટેકનિકલ ઉપકરણ, મેન્યુઅલ રિપોર્ટ ફાઇલ, મેન્યુઅલ રીપોર્ટ). AI ત્રણેય ક્ષેત્રોને સ્પર્શે છે, પરંતુ દરેકમાં તેનું યોગદાન અને જોખમ અલગ-અલગ છે.

ડેટાની તૈયારી એ આર્ટિફિશિયલ ઇન્ટેલિજન્સનું સૌથી સુરક્ષિત અને સૌથી નફાકારક ક્ષેત્ર છે. કાચા સિગ્નલમાંથી અવાજ દૂર કરવો, ઇમેજને પ્રમાણભૂત કદમાં સ્કેલિંગ કરવી, ફ્રી-ટેક્સ્ટ ક્લિનિકલ નોટ્સને સ્ટ્રક્ચર્ડ ફીલ્ડ્સમાં અનુવાદિત કરવી, અસંગત એકમોને સંરેખિત કરવી-આ એવા કાર્યો છે જે પુનરાવર્તિત, નિયમ-આધારિત અને ચકાસવામાં સરળ છે. જો અહીં કોઈ ભૂલ હોય તો પણ, સ્રોત (કાચા ડેટા) પર પાછા જવા માટે અને તેને તપાસવામાં મિનિટ લાગે છે.

અર્થઘટન અને વિશ્લેષણનું ક્ષેત્ર સૌથી વધુ મૂલ્ય અને સૌથી વધુ જોખમ ધરાવે છે. એઆઈ ઈમેજમાં શંકાસ્પદ વિસ્તારને ચિહ્નિત કરી શકે છે, સિગ્નલમાં સંભવિત એરિથમિયા શોધી શકે છે; આ એક એવી પેટર્ન જાહેર કરી શકે છે જેને વ્યસ્ત ક્લિનિકમાં અવગણવામાં આવી શકે છે. પરંતુ તે જ મોડેલ આત્મવિશ્વાસપૂર્વક અવિદ્યમાન શોધ ઉત્પન્ન કરી શકે છે (આ ઘટનાને આભાસ કહેવામાં આવે છે: મોડેલ અસ્તિત્વમાં નથી તેવી માહિતીને વાસ્તવિક તરીકે રજૂ કરે છે). આ ક્ષેત્રમાં, AI એ પૂર્વધારણા અને પ્રાથમિકતાનું સાધન છે, નિર્ણય નિર્માતા નથી.

સંચાર અને દસ્તાવેજીકરણમાં AI ડ્રાફ્ટ એક્સિલરેટર. માન્યતા અહેવાલના પદ્ધતિઓ વિભાગ, સાહિત્યનો સારાંશ અથવા જોખમ વિશ્લેષણનો પ્રથમ ડ્રાફ્ટ મિનિટોમાં બનાવે છે. અહીં જોખમ એ છે કે બનાવેલા સ્ત્રોતો અને ખોટા નંબરો ધ્યાનમાં લીધા વિના વહેતા ટેક્સ્ટમાં સરકી શકે છે.

માન્યતા શિસ્ત: ત્રણ એન્કર નિયમ

આ મોડ્યુલનું હાર્દ એક આદત છે: કોઈપણ AI આઉટપુટને ક્લિનિકલ અથવા એન્જિનિયરિંગ નિર્ણયમાં તેને માન્ય કર્યા વિના સામેલ ન કરવું. અમે માન્યતાને ત્રણ સ્વતંત્ર એન્કર પર આધાર રાખીએ છીએ.

પ્રથમ એન્કર - તીવ્રતાનો શારીરિક ક્રમ. શું પરિણામ માનવ શરીરવિજ્ઞાનની જાણીતી શ્રેણીમાં છે? આરામ કરવાનો હૃદય દર સામાન્ય રીતે 50-100 ધબકારા પ્રતિ મિનિટ છે; જો મોડેલ 400 આપે છે, તો કાં તો આર્ટિફેક્ટ અથવા સંપાદન ભૂલ છે. પુખ્ત વયના શરીરનું તાપમાન 36-38 °C બેન્ડમાં હોય છે; 45 °C શારીરિક રીતે જીવંત વસ્તુઓ સાથે અસંગત છે. પુખ્ત વયના વ્યક્તિના લોહીનું કુલ પ્રમાણ લગભગ 5 લિટર છે. આ ચેક સેકન્ડ લે છે અને મોટાભાગની ભૂલો પકડે છે.

બીજું એન્કર - ક્લિનિકલ વાજબીતા. શું આઉટપુટ દર્દીના ક્લિનિકલ ઇતિહાસ અને તબીબી તર્ક સાથે સુસંગત છે? જો મોડેલ 25-વર્ષના એસિમ્પટમેટિક દર્દી માટે અદ્યતન શોધ "ઉચ્ચ આત્મવિશ્વાસ" સૂચવે છે, તો પ્રિટેસ્ટ સંભાવના ઓછી છે અને આ સંકેતને વધારાની શંકા સાથે જોવામાં આવે છે. ઉંમર, લિંગ, ઇતિહાસ અને લક્ષણો એ બુદ્ધિગમ્યતાનું ફિલ્ટર છે જે દરેક અર્થઘટન પસાર થવું જોઈએ.

ત્રીજો એન્કર - સ્વતંત્ર પુરાવા. આ સૌથી મજબૂત એન્કર છે. સંદર્ભ પ્રમાણભૂત પરીક્ષણ, બીજી ઇમેજિંગ પદ્ધતિ, પ્રયોગશાળા પુષ્ટિ, નિષ્ણાત બીજો અભિપ્રાય. AI દ્વારા ફ્લેગ કરાયેલી શોધને ગોલ્ડ સ્ટાન્ડર્ડ પદ્ધતિ અથવા નિષ્ણાત દ્વારા સ્વતંત્ર મૂલ્યાંકન સામે પરીક્ષણ કરવામાં આવે છે. ક્લિનિકલ સત્ય હંમેશા જીતે છે.

ત્રણ મિની કેસ: સંખ્યાઓ દ્વારા

કેસ 1 - સિગ્નલ પ્રીપ્રોસેસિંગમાં સમયની બચત. એક ક્લિનિકલ એન્જિનિયર સંશોધન અભ્યાસ માટે 320 ECG રેકોર્ડિંગ્સમાં કલાકૃતિઓને મેન્યુઅલી વિભાજિત અને ફ્લેગ કરી રહ્યો હતો; રેકોર્ડિંગ દીઠ સરેરાશ 7 મિનિટ, કુલ આશરે 37 કલાક. AI-સંચાલિત પ્રી-પ્રોસેસિંગ વર્કફ્લો સાથે, તેણે પ્રથમ ડ્રાફ્ટ માર્કઅપને રેકોર્ડ દીઠ 40 સેકન્ડ સુધી ઘટાડ્યો, બાકીનો સમય દ્રશ્ય નિરીક્ષણ માટે ફાળવ્યો. કુલ સમય લગભગ 12 કલાક ઘટી ગયો; મહત્ત્વની બાબત એ હતી કે જે સમય બચ્યો હતો તે વેરિફિકેશનમાં ખર્ચવામાં આવ્યો હતો.

કેસ 2 - કેપ્ચર થયેલ આભાસ. જ્યારે બાયોમેડિકલ એન્જિનિયરે ઉપકરણના ક્લિનિકલ મૂલ્યાંકન રિપોર્ટ માટે સાહિત્યના સારાંશની વિનંતી કરી, ત્યારે ટેક્સ્ટમાં "Yilmaz et al. 2019 એ 98% સંવેદનશીલતાની જાણ કરી" વાક્યનો સમાવેશ થાય છે. એવો કોઈ લેખ નહોતો; મોડેલે વાસ્તવિક પેટર્નનું અનુકરણ કરીને એટ્રિબ્યુશન બનાવ્યું હતું. રિપોર્ટ પર હસ્તાક્ષર કરવામાં આવે તે પહેલાં સ્ત્રોત ચકાસણી (DOI અને જર્નલ ચેક) એ ભૂલ પકડી.

કેસ 3 - એકમ ભૂલ. ડોઝ ગણતરી સહાયમાં, મોડેલે દવાની સાંદ્રતાને mg/mL ને બદલે µg/mL સાથે ગૂંચવીને ભલામણ કરેલ વોલ્યુમને 1000-ગણો ખસેડ્યો. તીવ્રતા તપાસનો શારીરિક ક્રમ-"પુખ્ત વ્યક્તિને 2 મિલીલીટર આપવામાં આવે છે, 2 લિટર નહીં" - તરત જ ભૂલ જાહેર કરે છે. આ ગણતરી હજુ પણ મંજૂરી માટે ફાર્માસિસ્ટ અને ચિકિત્સક પાસે ગઈ હતી; AI માત્ર એક મધ્યવર્તી નિયંત્રણ સાધન હતું.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ દર્દીનો ડેટા જુઓ અને તેનું નિદાન જણાવો.[ડેટા]

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: તમે બાયોમેડિકલ ડેટા એનાલિસ્ટ છો (તમે નિદાન કરતા નથી). ફક્ત આપેલા ડેટાના આધારે નીચેના અનામી માપનો સારાંશ આપો. - નિદાન કરશો નહીં; માત્ર સંખ્યાત્મક તારણો અને સામાન્ય શ્રેણીની સરખામણી આપો. - ડેટામાં ન હોય તેવા કોઈપણ તારણો, મૂલ્યો અથવા વાર્તાઓ ઉમેરશો નહીં. - દરેક અવલોકનની બાજુમાં કૌંસ સાથે તમે જે ડેટા લાઇન પર આધારિત છો તે બતાવો. - અસ્પષ્ટ જગ્યાએ "ડેટા અપર્યાપ્ત" લખો. - અંતે: 3 પોઈન્ટ્સની એક અલગ યાદી બનાવો જેની ચિકિત્સકે પુષ્ટિ કરવી આવશ્યક છે. અનામી માહિતી: [માપ]

શક્તિશાળી પ્રોમ્પ્ટ મોડેલ પર ત્રણ બાબતો લાદે છે: સ્ત્રોતને વળગી રહેવું, ડાયગ્નોસ્ટિક ઓથોરિટી ધારણ ન કરવી અને ચકાસવા માટે વસ્તુઓને ચિહ્નિત કરવી. આ આભાસને સંપૂર્ણપણે સમાપ્ત કરતું નથી, પરંતુ તે તેને દૃશ્યમાન બનાવે છે અને ભૂમિકાને યોગ્ય રીતે સ્થાન આપે છે.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) અનામી સંદર્ભની સ્થાપના:

મને બાયોમેડિકલ મિશનમાં મદદ જોઈએ છે. દર્દીનું નામ, ઓળખ, તારીખ અને સંસ્થાકીય માહિતી ગોપનીય છે; હું તેમને "દર્દી-A", "દિવસ-0" જેવા પ્રતિનિધિ અભિવ્યક્તિઓ સાથે આપીશ. ક્વેસ્ટ: [ક્વેસ્ટ]. ફક્ત હું પ્રદાન કરું છું તે અનામી તકનીકી ડેટા પર આધાર રાખો.

2) ત્રણ એન્કર ચકાસણી વિનંતીઓ:

નીચેના આઉટપુટ માટે ત્રણ તપાસ કરો: 1) તીવ્રતાનો શારીરિક ક્રમ: શું દરેક સંખ્યા માનવ શ્રેણીમાં છે? જો નહિં, તો માર્ક. 2) ક્લિનિકલ વાજબીતા: શું ઉંમર/ઇતિહાસ/લક્ષણ સાથે અસંગત દાવા છે? 3) ચકાસણી સૂચિ: સ્વતંત્ર પરીક્ષણ/નિષ્ણાત દ્વારા પુષ્ટિ કરવાની વસ્તુઓ. આઉટપુટ: [ટેક્સ્ટ]

3) અસ્પષ્ટતા લાગુ કરવી:

આત્મવિશ્વાસના ત્રણ સ્તરો પર તમારું અર્થઘટન આપો: - ઉચ્ચ આત્મવિશ્વાસ (સીધા ડેટા દ્વારા સપોર્ટેડ) - મધ્યમ આત્મવિશ્વાસ (વાજબી અનુમાન) - સટ્ટાકીય (વધારાના ડેટા/પરીક્ષણ જરૂરી) કાર્ય: [કાર્ય]. ડેટા: [અનામી ડેટા]

4) નિર્ણય/સમર્થન તફાવત:

નીચેના કાર્યને બે ભાગમાં વિભાજીત કરો: A) ડેટા/ડ્રાફ્ટ કાર્ય જે AI વિશ્વાસ સાથે કરી શકે છેB) નિર્ણયના મુદ્દા જેના માટે અધિકૃત ચિકિત્સક/એન્જિનિયરની મંજૂરી ફરજિયાત છે કાર્યનું વર્ણન: [વ્યાખ્યા]

AI ની ભૂમિકા: મિશન પ્રકાર દ્વારા જોખમ

કાર્ય પ્રકાર

AI યોગદાન

જોખમ સ્તર

ચકાસણી ઘનતા

સિગ્નલ/ઇમેજ પ્રીપ્રોસેસિંગ

ઉચ્ચ

નીચું

સ્પોટ ચેક

પ્રારંભિક માર્કિંગ શોધવી

ઉચ્ચ

મધ્યમ

નિષ્ણાત + વ્યાજબીતા

અનુમાન/જોખમ સ્કોરિંગ

મધ્યમ

ઉચ્ચ

માપાંકન + સ્વતંત્ર

નિદાન/સારવારનો નિર્ણય

મર્યાદિત

ખૂબ ઊંચી

સંપૂર્ણ ચિકિત્સકની મંજૂરી

અહેવાલ/સાહિત્ય ડ્રાફ્ટ

ઉચ્ચ

મધ્યમ

સ્ત્રોત પુષ્ટિ

ઉપકરણ સુરક્ષા નિર્ણય

મર્યાદિત

ખૂબ ઊંચી

ધોરણ + V&V + મંજૂરી

ટીપ: કાર્યનું જોખમ સ્તર નક્કી કરવા માટે, એક પ્રશ્ન પૂછો: "જો આ આઉટપુટ ખોટું હોય તો દર્દીનું શું થાય?" જો જવાબ "હું થોડી મિનિટો ગુમાવીશ" છે, તો હળવાશથી ચકાસો; જો "દર્દીને નુકસાન થઈ શકે છે", તો આઉટપુટને પૂર્વધારણા તરીકે ગણો અને તેને સંપૂર્ણ ક્લિનિકલ/એન્જિનિયરિંગ પ્રક્રિયા દ્વારા ચલાવો.

ધ્યાન આપો: આર્ટિફિશિયલ ઇન્ટેલિજન્સનું સૌથી ખતરનાક લક્ષણ એ નથી કે તે ભૂલો કરે છે, પરંતુ તે વિશ્વાસપૂર્વક અને તબીબી ભાષામાં ભૂલો કરે છે. અસ્ખલિત, તકનીકી અને વ્યાવસાયિક ટેક્સ્ટનો અર્થ એ નથી કે તે સાચું છે. પુરાવા પર વિશ્વાસ કરો, શૈલી નહીં.

સામાન્ય ભૂલો

• ચોકસાઈ માટે ભૂલથી પ્રવાહિતા. લખાણ ગમે તેટલું તબીબી દેખાય, હકીકતલક્ષી દાવાઓ (મૂલ્ય, શોધ, સ્ત્રોત, માત્રા) સ્વતંત્ર રીતે ચકાસવા જોઈએ.
• કાર્યના પ્રકાર દ્વારા જોખમનું માપન ન કરવું. ઇમેઇલ ડ્રાફ્ટની જેમ ડોઝ એકાઉન્ટને જોવું. માન્યતા દર્દીને સંભવિત નુકસાન દ્વારા માપવામાં આવે છે.
• વિચાર્યા વિના દર્દીનો ડેટા દાખલ કરવો. આરોગ્ય ડેટા ખાસ વ્યક્તિગત ડેટા છે; અનિયંત્રિત વાહનમાં પ્રવેશતા પહેલા અનામી.
• AI ડાયગ્નોસ્ટિક ઓથોરિટી આપવી. AI નિદાન કરતું નથી; પૂર્વધારણાઓ પેદા કરે છે. નિદાન અને સારવારનો નિર્ણય ચિકિત્સકનો છે.
• અનિશ્ચિતતાને અવગણવી. માત્ર કારણ કે મોડેલ "આત્મવિશ્વાસ" દેખાય છે તેનો અર્થ એ નથી કે અનિશ્ચિતતા અદૃશ્ય થઈ જાય છે; આત્મવિશ્વાસના સ્તર અને શ્રેણી માટે પૂછો.

સારાંશમાં

• બાયોમેડિકલ માપન પરોક્ષ અને ઘોંઘાટીયા છે; આર્ટિફિશિયલ ઇન્ટેલિજન્સ બંને તેમની ઝડપ વધારી શકે છે અને તેમની ભૂલોને છુપાવી શકે છે.
• આર્ટિફિશિયલ ઇન્ટેલિજન્સ એ ડેટાની તૈયારીમાં સૌથી સલામત અને સૌથી વધુ નફાકારક, અર્થઘટન/વિશ્લેષણમાં સૌથી મૂલ્યવાન પરંતુ જોખમી અને દસ્તાવેજીકરણમાં પ્રવેગક છે.
• દરેક પરિણામને ત્રણ એન્કર દ્વારા માન્ય કરવામાં આવે છે: તીવ્રતાનો શારીરિક ક્રમ, ક્લિનિકલ વાજબીતા, સ્વતંત્ર પુરાવા.
• પરિણામનું જોખમ જો તે ખોટું હોય તો તે દર્દીને થતા નુકસાન જેટલું જ છે; તે મુજબ માન્યતા સ્કેલ.
• AI નિદાન કરતું નથી; દર્દીની સલામતી સંબંધિત દરેક નિર્ણય અધિકૃત ચિકિત્સક અને એન્જિનિયરની મંજૂરીથી લેવામાં આવે છે.

એપ્લિકેશન કાર્ય

તમારા પોતાના કાર્યમાંથી તમે અઠવાડિયામાં પાંચ બાયોમેડિકલ કાર્યોની સૂચિ બનાવો (દા.ત. સિગ્નલ ક્લિયરિંગ, પ્રીફ્લાઇટ શોધવી, રિપોર્ટ વિભાગ, જોખમ એનોટેશન, ઉપકરણ પરીક્ષણ). દરેકને આ એકમમાં કોષ્ટક અનુસાર જોખમ સ્તર પર મૂકો અને પૂછો કે "જો તે ખોટું છે તો દર્દીનું શું થશે?" એક વાક્યમાં પ્રશ્નનો જવાબ આપો. પછી સૌથી ઓછા જોખમી કાર્ય માટે એક મજબૂત, અનામી પ્રોમ્પ્ટ લખો અને તેનો પ્રયાસ કરો; ત્રણ એન્કર સાથે આઉટપુટ તપાસો અને નોંધો કે કયા એન્કરમાં સમસ્યા આવી છે.

ચેકલિસ્ટ

• [ ] બાયોમેડિકલ વર્કફ્લોમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ ક્યાં સુરક્ષિત અને ક્યાં જોખમી મૂલ્ય પેદા કરે છે તે હું પારખી શકું છું.
• [ ] મેં શારીરિક પરિમાણ, ક્લિનિકલ બુદ્ધિગમ્યતા અને સ્વતંત્ર પુરાવા સાથે દરેક પરિણામને ચકાસવા માટે રીફ્લેક્સ મેળવ્યું છે.
• [ ] કાર્યનું જોખમ સ્તર "જો તે ખોટું થાય તો દર્દીનું શું થાય છે?" હું પ્રશ્ન સાથે નક્કી કરી શકું છું.
• [ ] હું જાણું છું કે આભાસ અને અનિશ્ચિતતા શું છે અને તેમને કેવી રીતે દૃશ્યમાન બનાવવું.
• [ ] મેં આંતરિક કર્યું છે કે કૃત્રિમ બુદ્ધિમત્તા નિદાન કરતી નથી અને નિદાન/સારવારનો નિર્ણય ડૉક્ટર પર છે.