માઈક્રોસ્કોપી અને ઈમેજ પ્રી-એસેસમેન્ટ: સ્મીયર, યુરીન અને માઈક્રોબાયોલોજી

નફો:

• સમજો કે એઆઈ-સહાયિત ઇમેજ પૂર્વ-વર્ગીકરણ (પેરિફેરલ સ્મીયર, પેશાબના કાંપ, કોલોની) કેવી રીતે કાર્ય કરે છે અને તે શું વેગ આપે છે
• AI પૂર્વ-વર્ગીકરણનો માત્ર સ્ક્રીનીંગ તરીકે ઉપયોગ કરવાની ક્ષમતા અને અસામાન્ય અને નિર્ણાયક કોષો/સૂક્ષ્મજીવોનું નિદાન નિષ્ણાતની ચકાસણી પર છોડી દેવું.
• ઇમેજ મોડલ્સની મર્યાદાઓને ઓળખવાની ક્ષમતા (દુર્લભ કોષો, કલાકૃતિઓ, સ્ટેનિંગ ગુણવત્તા, વિતરણ શિફ્ટ) અને ખોટા નકારાત્મકના જોખમનું સંચાલન કરવાની ક્ષમતા

માઈક્રોસ્કોપ એ મેડિકલ લેબોરેટરીનું સૌથી જૂનું પરંતુ હજુ પણ સૌથી શક્તિશાળી સાધન છે. બ્લડ સ્મીયરમાં કોશિકાઓનો આકાર, પેશાબના કાંપમાં રહેલા સ્ફટિકો, ગ્રામ ડાઘમાં બેક્ટેરિયાનો રંગ અને ગોઠવણી- આ બધી એવી પેટર્ન છે જેને પ્રશિક્ષિત આંખ સેકંડમાં વાંચી શકે છે પરંતુ પ્રારંભ કરવા માટે વર્ષોના અનુભવની જરૂર પડે છે. તાજેતરના વર્ષોમાં, AI-આસિસ્ટેડ ઇમેજ વિશ્લેષણે આ માઇક્રોસ્કોપિક વિશ્વમાં પ્રવેશ કર્યો છે: તે આપમેળે ડિજિટલી સ્કેન કરેલી તૈયારીઓને પૂર્વ-વર્ગીકૃત કરે છે, જે સામાન્ય દેખાય છે તેને દૂર કરે છે અને નિષ્ણાતનું ધ્યાન ખરેખર પરીક્ષાની જરૂર હોય તેવા ક્ષેત્રો તરફ દોરે છે. આ એક વિશાળ ઝડપ વધારો છે — પરંતુ તે એવા ક્ષેત્રોમાંનું એક પણ છે જ્યાં સૌથી વધુ સાવચેતીપૂર્વક સીમાઓ દોરવી જોઈએ, કારણ કે ખોટી નકારાત્મક (સાચી અસાધારણતા ખૂટે છે) એટલે કે સીધું નિદાન ચૂકી જાય છે.

આ એકમમાં AI-સપોર્ટેડ ઇમેજ પૂર્વ-વર્ગીકરણ કેવી રીતે કાર્ય કરે છે; પેરિફેરલ સ્મીયર, પેશાબનો કાંપ અને તેનો ઉપયોગ માઇક્રોબાયોલોજીમાં કેવી રીતે થાય છે; અને અમે મોડેલની સીમાઓને આવરી લઈશું (દુર્લભ કોષ, આર્ટિફેક્ટ, સ્ટેનિંગ ગુણવત્તા, વિતરણ શિફ્ટ). મૂળભૂત સિદ્ધાંત: AI પૂર્વ-વર્ગીકરણ એ સ્ક્રીનીંગ છે, નિદાન નથી; અસાધારણ અને નિર્ણાયક તારણોનું નિદાન અને અંતિમ મંજૂરી નિષ્ણાતની છે.

છબી પૂર્વ-વર્ગીકરણ કેવી રીતે કાર્ય કરે છે

AI ઇમેજ મૉડલ્સ મોટી સંખ્યામાં લેબલવાળા ઉદાહરણો પર તાલીમ આપીને સેલ અથવા સ્ટ્રક્ચરને વર્ગીકૃત કરવાનું શીખે છે. ડિજિટલ હેમેટોલોજી વિશ્લેષકમાં, ઉપકરણ રક્ત સ્મીયરને સ્કેન કરે છે, વ્યક્તિગત કોષોને કેપ્ચર કરે છે, અને પેટર્ન દરેકને વર્ગમાં મૂકે છે (ન્યુટ્રોફિલ, લિમ્ફોસાઇટ, મોનોસાઇટ, ઇઓસિનોફિલ, બેસોફિલ, વગેરે). નિષ્ણાતને ગેલેરી તરીકે પૂર્વ-વર્ગીકૃત કોષો સાથે રજૂ કરવામાં આવે છે; નિષ્ણાત પુષ્ટિ કરે છે, સુધારે છે અથવા ફરીથી વર્ગીકૃત કરે છે. એ જ રીતે, પેશાબના કાંપ વિશ્લેષકો એરિથ્રોસાઇટ્સ, લ્યુકોસાઇટ્સ, એપિથેલિયમ, સ્ફટિકો અને કાસ્ટ્સ શોધી કાઢે છે; કેટલીક સૂક્ષ્મ જીવવિજ્ઞાન પ્રણાલીઓ વસાહતની ગણતરીઓ અને વૃદ્ધિ પેટર્નનું પૂર્વ-મૂલ્યાંકન કરે છે.

મોડેલનું આઉટપુટ બે ઘટકો ધરાવે છે: એક વર્ગ (આ કોષ ન્યુટ્રોફિલ છે) અને આત્મવિશ્વાસ સ્કોર (આ વર્ગીકરણમાં તે કેટલો વિશ્વાસ છે). નીચા આત્મવિશ્વાસ સ્કોર્સ ધરાવતા અથવા "એટીપીકલ/અજાણ્યા" તરીકે ચિહ્નિત થયેલ કોષોને ચોક્કસપણે નિષ્ણાત પાસે મોકલવા જોઈએ. નોંધ કરો કે મોડેલ ઉચ્ચ આત્મવિશ્વાસ સાથે કોષનું ખોટું વર્ગીકરણ કરી શકે છે; આત્મવિશ્વાસનો સ્કોર ચોકસાઈની ગેરંટી નથી.

અરજી

AI પૂર્વ કાર્ય

નિષ્ણાતનું કામ

પેરિફેરલ સમીયર

સેલ પ્રી-સૉર્ટિંગ, ગેલેરી સર્વિંગ

અસામાન્ય/વિસ્ફોટ/અસામાન્ય પુષ્ટિ, મોર્ફોલોજી અર્થઘટન

પેશાબ કાંપ

તત્વ પૂર્વ-ઓળખાણ અને ગણતરી

ક્રિસ્ટલ/કાસ્ટ/પેથોલોજીકલ સેલ કન્ફર્મેશન

માઇક્રોબાયોલોજી (વસાહત)

કોલોની ગણતરી, વૃદ્ધિ પૂર્વ આકારણી

પ્રકાર ભેદ, ક્લિનિકલ મહત્વ

અસ્થિ મજ્જા / પેથોલોજી

ફીલ્ડ/સેલ માર્કિંગ

ડાયગ્નોસ્ટિક અર્થઘટન, ચિકિત્સકની મંજૂરી

શા માટે મોડેલ "સ્ક્રીનિંગ" છે, નિદાન નથી

ઇમેજ મોડલ્સનું સૌથી મૂલ્યવાન યોગદાન એ છે કે તેઓ સામાન્ય અને સામાન્ય પેટર્નને ઝડપથી પસાર કરીને નિષ્ણાતનો સમય બચાવે છે. પરંતુ ડાયગ્નોસ્ટિક નિર્ણય લેવા માટે મોડેલ પર આધાર રાખવો એ ત્રણ કારણોસર જોખમી છે:

1. દુર્લભ તારણો. મોડેલ ભાગ્યે જ તાલીમ ડેટામાં જુએ છે તેવા દુર્લભ કોષ (દા.ત. વિસ્ફોટ, પરોપજીવી, એટીપિકલ લિમ્ફોસાઇટ) ને ઓળખી શકતું નથી. સૌથી નિર્ણાયક તારણો ઘણીવાર દુર્લભ હોય છે; આ તે છે જ્યાં ખોટી નકારાત્મક સૌથી ખતરનાક છે.
2. આર્ટિફેક્ટ અને પેઇન્ટિંગ. સ્ટેનિંગ ગુણવત્તા, તૈયારીની જાડાઈ અને સુકાઈ જવાની કલાકૃતિઓ મોડેલને ગેરમાર્ગે દોરી શકે છે. નબળી રંગીન તૈયારીમાં, મોડેલ સુરક્ષિત રીતે ખોટી રીતે વર્ગીકૃત કરી શકે છે.
3. વિતરણ પાળી. જો મોડેલને એક પ્રયોગશાળાના ઉપકરણ અને સ્ટેનિંગ પ્રોટોકોલ સાથે પ્રશિક્ષિત કરવામાં આવે, તો તેનું પ્રદર્શન અલગ ઉપકરણ/સ્ટેનિંગ સાથે ઘટી શકે છે. જો તમારી વસ્તી તાલીમની વસ્તીથી અલગ હોય, તો મોડલ અપેક્ષા કરતા ખરાબ પ્રદર્શન કરશે.

સાવધાન: "મૉડેલે કહ્યું કે તે સામાન્ય છે, હું દેખાતો નથી" ખોટા નકારાત્મકને ચૂકી જવાની સૌથી સામાન્ય રીત છે. જો કોઈ અસામાન્ય ક્લિનિકલ શંકા હોય (ઉદાહરણ તરીકે, લ્યુકેમિયાનું પ્રારંભિક નિદાન), તો મોડેલ શું કહે છે તે ધ્યાનમાં લીધા વિના, નિષ્ણાત દ્વારા સમીયરની તપાસ કરવામાં આવે છે.

પગલું દ્વારા પગલું: સુરક્ષિત છબી પૂર્વ-મૂલ્યાંકન પ્રવાહ

1. સ્ટેનિંગ અને તૈયારીની ગુણવત્તા તપાસો. નબળી તૈયારી મોડેલ અને આંખ બંનેને ગેરમાર્ગે દોરે છે; પહેલા ગુણવત્તાની ખાતરી કરો.
2. ગેલેરી તરીકે મોડલ પૂર્વ-વર્ગીકરણ મેળવો. સામાન્ય, ઉચ્ચ સુરક્ષા વર્ગોની ઝડપથી સમીક્ષા કરો.
3. તે ચિહ્નિત થયેલ ઓછા આત્મવિશ્વાસ અને "એટીપીકલ" પહેલા તપાસો. જો મોડેલ અસ્પષ્ટ છે, તો નિર્ણય તમારો છે.
4. ક્લિનિકલ શંકાને મોડેલની ઉપર રાખો. અસાધારણતાની અપેક્ષા હોય તેવા કેસની સંપૂર્ણ મેન્યુઅલ સમીક્ષા કરો.
5. નિર્ણાયક તારણો ચકાસો અને જાણ કરો. બ્લાસ્ટ, પરોપજીવી અને જીવલેણ કોષો જેવા તારણો નિષ્ણાત દ્વારા પુષ્ટિ મળે છે; જ્યારે જરૂરી હોય ત્યારે તે ચિકિત્સક સાથે શેર કરવામાં આવે છે.

નોંધ: આ એકમમાં ઇમેજિંગ ઉપકરણના ઘટક તરીકે AI નો ઉપયોગ કરવા ઉપરાંત, ભાષા મોડેલ સાથે કામ કરતી વખતે પણ એક મર્યાદા છે: સાર્વજનિક રીતે ઉપલબ્ધ ભાષાના સાધન પર દર્દીની તૈયારીની છબીઓ અપલોડ કરવી એ ગોપનીયતાનું જોખમ છે, અને ક્લિનિકલ નિદાન માટે અમાન્ય સાધન પર આધાર રાખવો ખોટું છે. ઇમેજ નિદાન માન્ય ક્લિનિકલ સિસ્ટમ્સ અને નિષ્ણાત આંખોનો ઉપયોગ કરીને કરવામાં આવે છે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

ટેક્સ્ટ સપોર્ટ તરીકે AI નો ઉપયોગ કરતી વખતે નીચેની સરખામણી લાગુ પડે છે (દા.ત. મોર્ફોલોજી નોંધને સંપાદિત કરવા અથવા ટ્યુટોરીયલ વર્ણન તૈયાર કરવા); ડાયગ્નોસ્ટિક ઇમેજ નિર્ણય માટે નહીં.

નબળા પ્રોમ્પ્ટ:

આ બ્લડ સ્મીયરમાં શું છે તેનું નિદાન કરો. [છબી]

આ પ્રોમ્પ્ટ એઆઈને નિદાન માટે પૂછે છે; જ્યારે ભાષા સાધન ક્લિનિકલ નિદાન માટે માન્ય નથી અને દર્દીની છબી ગોપનીયતાના સંદર્ભમાં જોખમી છે. તે ખોટો અને ખતરનાક ઉપયોગ છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: પ્રયોગશાળા નિષ્ણાત માટે તાલીમ/રિપોર્ટ ટેક્સ્ટ તૈયાર કરવા સહાયક. નિદાન; છબી અર્થઘટન મારું કામ છે. નીચે હું મારા પોતાના મોર્ફોલોજિકલ અવલોકનો (અનામી) લખું છું; આને સુઘડ સ્મીયર રિપોર્ટ ડ્રાફ્ટમાં ફેરવો અને ચિહ્નિત કરો કે જે શોધવા માટે નિષ્ણાતની પુષ્ટિ જરૂરી છે. મારા અવલોકનો: ન્યુટ્રોફિલ વર્ચસ્વ, ડાબી તરફ સહેજ શિફ્ટ, થોડા એટીપિકલ લિમ્ફોસાઇટ્સ[નિષ્ણાત પુષ્ટિ], ઝેરી દાણાદારની છાપ. ચોક્કસ નિદાન સૂચિત કરશો નહીં.

મજબૂત ઇચ્છા નિષ્ણાત પાસે નિદાન રાખે છે, ફક્ત પોતાના અવલોકનો ગોઠવવા માટે AI નો ઉપયોગ કરે છે અને પુષ્ટિની જરૂર હોય તેવા શોધને ફ્લેગ કરે છે.

ત્રણ નાના કેસો

કેસ 1 - કાર્યક્ષમ નાબૂદી. હેમેટોલોજી લેબોરેટરીમાં, ડિજિટલ વિશ્લેષક દરરોજ 220 રક્ત સ્મીયર્સનું પ્રી-સૉર્ટ કરે છે. આમાંથી, 150 સંપૂર્ણપણે સામાન્ય પેટર્ન અને ઉચ્ચ આત્મવિશ્વાસ સ્કોર્સ ધરાવે છે; નિષ્ણાત ઝડપથી સમીક્ષા કરે છે અને ગેલેરી દ્વારા તેમને મંજૂરી આપે છે. બાકીના 70 સ્મીયર્સ (ઓછા આત્મવિશ્વાસ અથવા ફ્લેગ કરેલા) સંપૂર્ણ મેન્યુઅલ સમીક્ષામાંથી પસાર થાય છે. પરિણામ: નિષ્ણાતનો સમય એવા કિસ્સાઓ પર કેન્દ્રિત છે કે જેને ખરેખર પરીક્ષાની જરૂર હોય છે, કુલ સમય નોંધપાત્ર રીતે ઓછો થાય છે. મોડેલ દૂર કર્યું, નિષ્ણાતે તપાસ કરી.

કેસ 2 - બ્લાસ્ટથી બચી ગયો. એક કિસ્સામાં, મોડેલે ઓછા આત્મવિશ્વાસ સાથે "એટીપિકલ લિમ્ફોસાઇટ્સ" તરીકે કેટલાક કોષોને ફ્લેગ કર્યા, પરંતુ નિષ્ણાતે ઝડપથી પુષ્ટિ કરી અને ઘનતાને કારણે ગેલેરીમાંથી પસાર થઈ. બાદમાં, દર્દીની ક્લિનિકલ સ્થિતિ વધુ ખરાબ થાય છે; જ્યારે સ્મીયરની ફરીથી તપાસ કરવામાં આવે છે, ત્યારે તે જોવા મળે છે કે આ કોષો ખરેખર બ્લાસ્ટ છે. પાઠ: મોડલ "ઓછા આત્મવિશ્વાસ/એટીપિકલ" તરીકે ફ્લેગ કરે છે તે કોષો ક્યારેય ઝડપથી માન્ય થતા નથી; સૌથી જટિલ શોધ ત્યાં છુપાયેલ હોઈ શકે છે. ખોટા નકારાત્મક એ સૌથી મોંઘી ભૂલ છે.

કેસ 3 - સ્ટેનિંગ આર્ટિફેક્ટ. પેશાબના કાંપ વિશ્લેષક પર, પેટર્ન નબળી ડાઘવાળી તૈયારીમાં અસંખ્ય "સ્ફટિકો" ચિહ્નિત કરે છે. જ્યારે નિષ્ણાત તૈયારીની તપાસ કરે છે, ત્યારે તે જુએ છે કે આ સ્ટેનિંગ અવક્ષેપો (કળાકૃતિઓ) છે; ત્યાં કોઈ વાસ્તવિક સ્ફટિક નથી. તૈયારી નવેસરથી કરવામાં આવે છે. પાઠ: મોડેલ વાસ્તવિક રચના માટે આર્ટિફેક્ટને ભૂલ કરી શકે છે; તૈયારીની ગુણવત્તા હંમેશા પહેલા તપાસવામાં આવે છે.

નકલ કરી શકાય તેવા પ્રોમ્પ્ટ નમૂનાઓ

મોર્ફોલોજી રિપોર્ટ ડ્રાફ્ટ ટેમ્પલેટ તમારી ભૂમિકા: મદદનીશ જે મારા (નિષ્ણાત) દ્વારા લખાયેલા મોર્ફોલોજી અવલોકનોને સંગઠિત રિપોર્ટ ડ્રાફ્ટમાં અનુવાદિત કરે છે. નિદાન કરશો નહીં. મારા અવલોકનો નીચે પ્રમાણભૂત પ્રસાર અહેવાલ ભાષામાં મૂકો; અનિશ્ચિત/અસામાન્ય તારણોને "[નિષ્ણાત પુષ્ટિ]" તરીકે ચિહ્નિત કરો; ચોક્કસ નિદાન સૂચિત કરશો નહીં. મારા અવલોકનો: [ટેક્સ્ટ].

ઇમેજ મોડલ અપવાદ નિયમનો નમૂનો ઇમેજ પ્રી-સૉર્ટિંગ સિસ્ટમ માટે ચેકલિસ્ટ તરીકે લખો કે જે કેસમાં સંપૂર્ણ મેન્યુઅલ રિવ્યૂ પર જવું આવશ્યક છે: નીચા આત્મવિશ્વાસ સ્કોર, "અટિપિકલ/અજાણ્યા" લેબલ, શંકાસ્પદ ક્લિનિકલ અસાધારણતા, નબળી તૈયારી ગુણવત્તા, જટિલ શોધ ઉમેદવાર. દરેક આઇટમ માટે સમર્થન ઉમેરો.

તૈયારી ગુણવત્તા નિયંત્રણ નમૂનો સ્મીયર/સેડમેન્ટ તૈયારીનું મૂલ્યાંકન કરતા પહેલા હું જે ગુણવત્તાની વસ્તુઓ તપાસીશ તેની યાદી બનાવો: સ્ટેનિંગની તીવ્રતા, વિખેર/જાડાઈ, આર્ટિફેક્ટ, સૂકવણી, દૂષણ. દરેક આઇટમ માટે "સ્વીકારો/ફરીથી તૈયાર કરો" માપદંડ સૂચવો.

તાલીમ વર્ણનનો નમૂનો તમારી ભૂમિકા: પ્રયોગશાળા ઈન્ટર્ન માટે તાલીમ લખાણ તૈયાર કરતી સહાયક. આ મોર્ફોલોજિકલ ખ્યાલને સરળ અને સચોટ રીતે સમજાવો: [વિભાવના]. એક ઉદાહરણ આપો, સમાન રચનાઓ વચ્ચેનો તફાવત દર્શાવો, પરંતુ ભારપૂર્વક જણાવો કે નિદાનનો નિર્ણય નિષ્ણાતનો છે. છબી અપલોડ; ફક્ત ટેક્સ્ટ સાથે જ સમજાવો.

સામાન્ય ભૂલો

• માન્યતા માટે મોડેલના વર્ગીકરણમાં ભૂલ કરવી. પૂર્વ-સૉર્ટિંગ એ નાબૂદી છે; નિષ્ણાત દ્વારા અસામાન્ય/જટિલ તારણોની પુષ્ટિ કરવામાં આવે છે.
• ઓછા સલામત/અસામાન્ય ફ્લેગને ઝડપથી મંજૂર કરો. સૌથી નિર્ણાયક તારણો ત્યાં જ છે; આ પ્રથમ અને કાળજીપૂર્વક તપાસવામાં આવે છે.
• તૈયારીની ગુણવત્તાને અવગણીને. નબળી પેઇન્ટિંગ મોડેલ અને આંખને છેતરે છે; ગુણવત્તા પ્રથમ આવે છે.
• વિતરણ પાળી ભૂલી જવું. અન્ય ઉપકરણ/ડાઈ સાથે પ્રશિક્ષિત મોડેલ તમારા નમૂનાઓ પર ખરાબ રીતે કામ કરી શકે છે.
• સાર્વજનિક સાધન પર દર્દીની છબી અપલોડ કરવી. ગોપનીયતાના ભંગ અને અમાન્ય નિદાનનું જોખમ.

ટિપ: ઇમેજ મૉડલ સાથે કામ કરતી વખતે, આ તમારો નિયમ રહેવા દો: "મૉડલ સામાન્ય રીતે મને ઝડપી બનાવી શકે છે, પરંતુ અસાધારણ રીતે તે મને ક્યારેય આરામ નહીં આપે." જો ક્લિનિકલ શંકા હોય અથવા પેટર્ન અસ્પષ્ટ હોય, તો નિર્ણય માઇક્રોસ્કોપના નિષ્ણાત પાસે રહેલો છે.

સારાંશમાં

AI-આસિસ્ટેડ ઇમેજ પૂર્વ-મૂલ્યાંકન લોહીના સ્મીયર્સ, પેશાબના કાંપ અને માઇક્રોબાયોલોજીમાં સામાન્ય પેટર્નને દૂર કરે છે, જે ખરેખર તપાસની જરૂર હોય તેવા કેસ પર ધ્યાન કેન્દ્રિત કરવા માટે નિષ્ણાતનો સમય મુક્ત કરે છે. પરંતુ મોડેલ એ સ્ક્રીનીંગ ટૂલ છે, નિદાન નથી: તે દુર્લભ તારણો ચૂકી શકે છે, વાસ્તવિક માટે ભૂલથી કલાકૃતિઓ અને વિવિધ વસ્તીમાં નબળી પડી શકે છે. નિદાન અને અસામાન્ય અને નિર્ણાયક તારણોની અંતિમ મંજૂરી નિષ્ણાતની છે; ઓછા આત્મવિશ્વાસ અને અસાધારણ માર્કર્સની પ્રથમ તપાસ કરવામાં આવે છે; તૈયારીની ગુણવત્તા હંમેશા પહેલા તપાસવામાં આવે છે. કારણ કે ખોટા નકારાત્મક એ સૌથી મોંઘી ભૂલ છે, ક્લિનિકલ શંકા મોડેલના આઉટપુટને આગળ ધપાવે છે.

એપ્લિકેશન કાર્ય

તમે ઉપયોગ કરો છો તે ઇમેજ પ્રી-ક્લાસિફિકેશન સિસ્ટમ માટે "ઇમેજ મોડલ અપવાદ નિયમ" ટેમ્પલેટ સાથે (અથવા ઉદાહરણ), સૂચિ બનાવો કે કયા કેસ ચોક્કસપણે સંપૂર્ણ મેન્યુઅલ સમીક્ષામાં જશે. પછી "મોર્ફોલોજી રિપોર્ટ ડ્રાફ્ટ" ટેમ્પલેટ સાથે મોર્ફોલોજી અવલોકનોના સમૂહને નિયમિત અહેવાલમાં ફેરવો અને પુષ્ટિની જરૂર હોય તેવા તારણો ચિહ્નિત કરો. છેલ્લે, "તૈયારી ગુણવત્તા નિયંત્રણ" નમૂના સાથે ગુણવત્તા ચેકલિસ્ટ બનાવો.

ચેકલિસ્ટ

• [ ] મેં મોડેલ આઉટપુટનો ઉપયોગ એલિમિનેશન તરીકે કર્યો છે, નિદાન માટે નહીં.
• [ ] મેં તે ચિહ્નિત ઓછા સલામત/અસામાન્ય પ્રથમ અને કાળજીપૂર્વક તપાસ્યા.
• [ ] મેં તૈયારીનું મૂલ્યાંકન કરતા પહેલા તેની ગુણવત્તા તપાસી.
• ક્લિનિકલ અસાધારણતાની શંકાના કિસ્સામાં, મેં સંપૂર્ણ મેન્યુઅલ તપાસ કરી.
• [ ] મેં સાર્વજનિક સાધનો પર દર્દીની છબીઓ અપલોડ કરી નથી.
• [ ] મેં નિર્ણાયક તારણોની નિપુણતાથી પુષ્ટિ કરી અને જ્યારે જરૂરી હોય ત્યારે તેમને ચિકિત્સક સાથે શેર કર્યા.