فائدہ:
- مصنوعی ذہانت کے ساتھ الیکٹرانک ہیلتھ ریکارڈ (EHR) ڈیٹا کی صفائی، کوڈنگ اور تجزیہ کرنے کے اقدامات کی وضاحت کرنے کی صلاحیت۔
- کلینیکل ڈیٹا کے خطرات کو پہچاننے کی صلاحیت جیسے ڈیٹا غائب، تعصب، طبقاتی عدم توازن، اور وقتی رساو
- انشانکن، ذیلی گروپ کی کارکردگی، اور طبی افادیت کے ذریعے پیش گوئی کرنے والے ماڈل کے نتائج کی توثیق کرنے کی صلاحیت
جدید ہسپتالوں کی یادداشت الیکٹرانک ہیلتھ ریکارڈ (EHR) ہے: تشخیص، لیبارٹری کے نتائج، ادویات، طریقہ کار، نرس کے نوٹس اور ڈاکٹر کے مشاہدات کا ایک ڈیجیٹل مجموعہ۔ یہ ڈیٹا مصنوعی ذہانت کے لیے ایک خزانہ اور بارودی سرنگ دونوں ہے۔ خزانہ کیونکہ اس میں لاکھوں بیمار سالانہ نمونے ہوتے ہیں۔ مائن فیلڈ کیونکہ کلینیکل ڈیٹا غیر منظم، نامکمل، متعصب، اور وقتی جال سے بھرا ہوا ہے۔ اس یونٹ میں مصنوعی ذہانت کے ساتھ EHR ڈیٹا کی صفائی، کوڈنگ اور تجزیہ شامل ہے۔ سب سے زیادہ خطرناک غلطیاں (دنیاوی رساو، تعصب، طبقاتی عدم توازن)؛ اور ہم دیکھیں گے کہ پیشین گوئی کرنے والے ماڈل کے نتائج کی توثیق کیسے کی جاتی ہے۔
آئیے شروع سے یاد دلاتے ہیں: ایک رسک ماڈل کہہ سکتا ہے "اس مریض کے دوبارہ داخل ہونے کا امکان بہت زیادہ ہے"؛ لیکن یہ فیصلہ سپورٹ آؤٹ پٹ ہے، تشخیص یا علاج کا فیصلہ نہیں۔ AI تشخیص نہیں کرتا؛ فیصلہ معالج اور طبی ٹیم پر منحصر ہے۔
EHR ڈیٹا کے ساتھ کام کرنے کے اقدامات
مرحلہ 1 - گھٹائیں اور ضم کریں۔ ڈیٹا مختلف سسٹمز سے آتا ہے (لیبارٹری، فارمیسی، ریڈیولوجی)؛ مریض کی شناخت کے ساتھ جوڑا جاتا ہے۔ اس مرحلے پر، رازداری سب سے زیادہ ترجیح ہے (دیکھیں یونٹ 10)۔
مرحلہ 2 - صفائی۔ گمشدہ اقدار، یونٹ کی تضادات (mg/dL اور mmol/L کی الجھن)، ڈپلیکیٹ ریکارڈز، اور غیر امکانی اقدار (عمر 200، بلڈ پریشر 0) کو ختم کر دیا جاتا ہے۔ AI یہاں آؤٹ لیئر فلیگنگ اور مفت ٹیکسٹ سٹرکچرنگ میں مضبوط ہے۔
مرحلہ 3 - کوڈنگ اور معیاری کاری۔ تشخیص کو معیاری کوڈز جیسا کہ ICD (بیماریوں کی بین الاقوامی درجہ بندی) کے ساتھ نقشہ بنایا جاتا ہے، اور دواؤں کو معیاری لغات میں نقش کیا جاتا ہے۔ مفت ٹیکسٹ نوٹ سے ساختی معلومات کو نکالنا قدرتی زبان کی پروسیسنگ (NLP) کہلاتا ہے۔ AI یہاں قیمتی ہے، لیکن اس کے آؤٹ پٹ کو توثیق کی ضرورت ہے۔
مرحلہ 4 - فیچر انجینئرنگ۔ ماڈل ان پٹ خام ڈیٹا سے تیار کیے جاتے ہیں: آخری لیبارٹری قدر، رجحان، ادویات کی تعداد، کموربیڈیٹی سکور، وغیرہ۔
مرحلہ 5 - ماڈلنگ اور تشخیص۔ پیش گوئی کرنے والا ماڈل بنایا گیا ہے اور—سب سے اہم حصہ—ایک محتاط، لیک سے پاک انداز میں جانچا جاتا ہے۔
تین انتہائی مکروہ غلطیاں
وقتی رساو۔ اس خصوصیت میں معلومات ڈالنا جو پیشین گوئی کے وقت ابھی تک موجود نہیں ہے۔ مثال کے طور پر، داخلے کے وقت موت کے خطرے کا اندازہ لگانے کے لیے ڈسچارج تشخیص یا آخری دن کی لیبارٹری ٹیسٹنگ کا استعمال۔ ماڈل لیبارٹری میں بالکل درست نظر آتا ہے، لیکن حقیقی استعمال میں کریش ہو جاتا ہے کیونکہ اس نے "مستقبل" دیکھ لیا ہے۔
تعصب۔ ڈیٹا ماضی کے طبی فیصلوں کی عکاسی کرتا ہے۔ اگر یہ فیصلے پہلے سے ہی غیر مساوی ہیں، تو ماڈل اسے سیکھتا ہے اور اس کو تقویت دیتا ہے۔ مثال کے طور پر، اگر کسی مخصوص گروپ کو تاریخی طور پر جانچ کے لیے کم آرڈر دیا گیا ہے، تو ماڈل سوچ سکتا ہے کہ اس گروپ میں بیماری "کم" ہے۔
طبقاتی عدم توازن۔ اگر دلچسپی کا واقعہ (مثلاً ایک نایاب پیچیدگی) ڈیٹا کا 1% ہے، تو ایسا ماڈل جو ہمیشہ کہتا ہے "کوئی واقعہ نہیں" 99% درست نظر آئے گا لیکن بیکار ہوگا۔ درستگی کے بجائے، حساسیت، درستگی، اور واقعہ پر مبنی میٹرکس کی ضرورت ہے۔
تشخیص: امتیازی سلوک کافی نہیں ہے، کیلیبریشن ضروری ہے۔
دو مختلف سوالات ہیں۔ امتیازی سلوک (AUC کا عام پیمانہ): کیا ماڈل خطرے کے لحاظ سے مریضوں کی صحیح درجہ بندی کرتا ہے؟ انشانکن: کیا ماڈل کے ذریعہ دیے گئے امکانات اصل تعدد سے میل کھاتے ہیں؟ کیا تقریباً 20% مریض جو "20% خطرہ" کہتے ہیں واقعی کوئی واقعہ ہوتا ہے؟ چونکہ فیصلے کلینک میں دہلیز کی بنیاد پر کیے جاتے ہیں، اس لیے ایک اچھی درجہ بندی لیکن ناقص کیلیبریٹڈ ماڈل غلط حد کے فیصلوں کا باعث بنے گا۔ مزید برآں، ذیلی گروپ کی کارکردگی (عمر، جنس، نسل، ہسپتال) کو الگ سے رپورٹ کیا جانا چاہیے اور طبی افادیت کا سوال (کیا اس ماڈل کو استعمال کرنے سے واقعی بہتر نتائج برآمد ہوتے ہیں؟) پوچھا جانا چاہیے۔
تین چھوٹے کیسز: نمبرز کے حساب سے
کیس 1 - رساو کی وجہ سے کامیابی۔ داخلی جانچ میں دوبارہ داخلے کے ماڈل نے 0.92 کا AUC حاصل کیا۔ یہ بہت اچھا لگ رہا تھا. جائزے سے پتا چلا کہ خصوصیات میں "ڈسچارج کے بعد آؤٹ پیشنٹ اپوائنٹمنٹ" شامل ہے۔ پیشین گوئی کے وقت یہ معلومات دستیاب نہیں تھیں۔ ایک بار لیک ہونے کے بعد، AUC گر کر 0.71 پر آگیا - ایک حقیقت پسندانہ اور قابل استعمال قدر۔
کیس 2 - کیلیبریشن ڈرفٹ۔ جب کہ سیپسس کے ابتدائی انتباہی سکور کو ہسپتال میں اچھی طرح سے کیلیبریٹ کیا گیا تھا جہاں اسے تیار کیا گیا تھا، مریض کے پروفائل نے ایک مختلف ہسپتال میں اسی اسکور کے لیے واقعہ کی اصل شرح سے دوگنا ظاہر کیا۔ اسکور کو صحیح درجہ دیا گیا لیکن امکانات غلط تھے۔ حد کو دوبارہ کیلیبریشن کے بغیر استعمال نہیں کیا جا سکتا۔
کیس 3 - NLP کے ساتھ وقت کی بچت۔ ایک تحقیقی ٹیم دستی طور پر 12,000 مریضوں کے نوٹوں سے سگریٹ نوشی کی تاریخ نکال رہی تھی۔ تقریباً 2 منٹ فی نوٹ، کل 400 گھنٹے۔ NLP کی مدد سے نکالنے نے اسے چند گھنٹوں تک کم کر دیا۔ ٹیم نے صرف تصادفی طور پر منتخب کردہ توثیق کے نمونے کو ہاتھ سے چیک کیا جسے ماڈل نے "غیر واضح" چھوڑ دیا۔ توثیق کے نمونے کا پیچیدہ امتحان اہم تھا۔
کمزور پرامپٹ / مضبوط اشارہ
کمزور اشارہ:
اس مریض کے ڈیٹا سے ایک رسک ماڈل بنائیں اور نتائج کی اطلاع دیں[ڈیٹا]
طاقتور اشارہ:
آپ کا کردار: آپ طبی ڈیٹا کے تجزیہ کے معاون ہیں (آپ فیصلہ نہیں کرتے)۔ گمنام متغیرات کی درج ذیل فہرست کے لیے پیشین گوئی کے ماڈل پلان پر تنقید کریں:- نشان زد کریں کہ آیا ہر متغیر پیشین گوئی کے وقت موجود ہے (دنیاوی رساو کا خطرہ)۔- طبقاتی عدم توازن اور تعصب کے ممکنہ ذرائع کی فہرست بنائیں۔- امتیازی سلوک + انشانکن + ذیلی گروپ + طبی افادیت تجویز کریں جو ریاست کی باقی ٹیموں کے ساتھ جائزہ لے۔ گمنام متغیرات اور ہدف:[فہرست]
چار کاپی ایبل ٹیمپلیٹس
1) لیک معائنہ:
خصوصیات کی درج ذیل فہرست کو "پیش گوئی کے وقت دستیاب" / "مستقبل کی معلومات (لیک)" کے طور پر درجہ بندی کریں اور اس کا جواز پیش کریں۔ پیشین گوئی کا مقصد اور لمحہ: [تعریف]۔ خصوصیات: [فہرست]
2) ڈیٹا کے معیار کی رپورٹ:
اس گمنام ٹیبل کے لیے گم شدہ ویلیو ریٹ، گمشدہ اقدار، یونٹ کی عدم مطابقت اور ڈپلیکیٹ ریکارڈ کی جانچ کریں۔ ایک معیار کا خلاصہ ٹیبل ظاہر ہوتا ہے۔ ٹیبل: [ڈیٹا]
3) NLP تخمینہ تصدیقی اسکیم:
NLP قدم کے لیے ایک توثیق کا منصوبہ لکھیں جو مفت متن کی تشریحات سے [متغیر] نکالتا ہے: بے ترتیب نمونہ سائز، گولڈ اسٹینڈرڈ لیبلنگ، فٹ میٹرک، غلطی کا تجزیہ۔
4) تشخیص کا فریم ورک:
اس کلینیکل ماڈل کے لیے ایک ڈرافٹ ایویلیویشن فریم ورک لکھیں: امتیاز (AUC)، انشانکن وکر، ذیلی گروپ کی کارکردگی، فیصلہ وکر کا تجزیہ۔ ماڈل: [تفصیل]
ماڈل کا کردار: ٹاسک کی قسم کے لحاظ سے
کام کی قسم
AI کی شراکت
تنقید
تصدیق
ڈیٹا کی صفائی/آؤٹ لیئر
اعلی
کم
اسپاٹ چیک
نوٹوں سے NLP نکالنا
اعلی
درمیانہ
نمونہ کی توثیق
رسک/پیش گوئی اسکورنگ
درمیانہ
اعلی
انشانکن + ذیلی گروپ
وسائل / صلاحیت کی منصوبہ بندی
درمیانہ
درمیانہ
بزنس یونٹ کی منظوری
علاج کا فیصلہ
محدود
بہت اعلی
مکمل معالج کی منظوری
ٹپ: اگر کلینیکل ماڈل کا AUC غیر متوقع طور پر زیادہ ہے (مثلاً 0.95 سے اوپر)، تو جشن منانے سے پہلے وقتی رساو کو تلاش کریں۔ حقیقی دنیا میں، ایسی اعلیٰ اقدار عام طور پر معلومات کے اخراج کی علامت ہوتی ہیں۔
احتیاط: ماڈل تاریخی اعداد و شمار میں عدم مساوات کو سیکھ سکتا ہے اور ان کو تقویت دے سکتا ہے۔ اعلی مجموعی درستگی بعض مریضوں کے گروپوں میں منظم نقصان کا اشارہ کر سکتی ہے۔ کارکردگی کو ہمیشہ ذیلی گروپوں میں رپورٹ کیا جانا چاہیے۔
عام غلطیاں
- وقتی رساو کو نہیں دیکھنا۔ مستقبل کا علم تجربہ گاہ میں جھوٹی کامیابی پیدا کرتا ہے۔
- درستگی سے مطمئن ہوں۔ درستگی غیر متوازن ڈیٹا کے ساتھ گمراہ کن ہے۔ حساسیت اور انشانکن کی ضرورت ہے۔
- ذیلی گروپوں کی اطلاع نہیں دے رہا ہے۔ مجموعی میٹرک تعصب اور عدم مساوات کو چھپاتا ہے۔
- انشانکن کو چھوڑنا۔ یہاں تک کہ ایک اچھا رینکنگ ماڈل بھی اپنی حد کے فیصلوں میں غلطیاں کر سکتا ہے۔
- فیصلہ ماڈل پر چھوڑتے ہیں۔ آؤٹ پٹ سپورٹ ہے؛ علاج کا فیصلہ کلینکل ٹیم پر منحصر ہے۔
خلاصہ میں
- EHR ڈیٹا طاقتور لیکن پیچیدہ، نامکمل اور متعصب ہے۔ صفائی اور کوڈنگ اہم اقدامات ہیں۔
- وقتی رساو سب سے زیادہ کپٹی غلطی ہے؛ مستقبل کا علم تجربہ گاہ میں جھوٹی کامیابی پیدا کرتا ہے۔
- طبقاتی عدم توازن اور تعصب درستگی میٹرک کو گمراہ کن بناتے ہیں۔
- تشخیص میں امتیازی سلوک، انشانکن، ذیلی گروپ بندی، اور طبی افادیت شامل ہونی چاہیے۔
- پیشن گوئی کے نتائج معاون ہیں؛ تشخیص اور علاج کے فیصلے کلینیکل ٹیم سے تعلق رکھتے ہیں۔
درخواست کا کام
پیشین گوئی کا ہدف اور دس متغیرات کی فہرست بنائیں (جان بوجھ کر "ممکنہ" متغیر شامل کریں، جیسے خارج ہونے والی تشخیص)۔ لیک کے لیے ماڈل کو چیک کرنے کے لیے طاقتور پرامپٹ کا استعمال کریں اور دیکھیں کہ آیا یہ اس متغیر کو پکڑتا ہے۔ پھر اس ماڈل کے لیے ایک تشخیصی فریم ورک تین آئٹمز میں لکھیں، بشمول امتیاز، کیلیبریشن، اور ذیلی گروپ بندی۔
چیک لسٹ
- میں EHR ڈیٹا کے ساتھ کام کرنے کے نکالنے، صفائی، کوڈنگ اور ماڈلنگ کے مراحل کو سمجھتا ہوں۔
- میں عارضی لیک کو پہچان سکتا ہوں اور پراپرٹی کی فہرست کا معائنہ کر سکتا ہوں۔
- میں نے محسوس کیا کہ کس طرح طبقاتی عدم توازن اور تعصب درستگی کو گمراہ کرتے ہیں۔
- میں امتیاز اور انشانکن کے درمیان فرق اور دونوں کی ضرورت کو جانتا ہوں۔
- [] میں پیشن گوئی کی پیداوار کو سپورٹ کے طور پر رکھ سکتا ہوں، فیصلہ نہیں۔