کیا ہوا؟
محققین نے ATHENA متعارف کرایا، جو کہ ٹرانسفارمر پر مبنی الیکٹرانک ہیلتھ ریکارڈ ماڈلنگ کے لیے علم سے رہنمائی کرنے والا ایجنٹ نیورل آرکیٹیکچر سرچ فریم ورک ہے۔ یہ نظام طبی پیشن گوئی کے کاموں کے لیے ماڈل آرکیٹیکچرز کے انتخاب کی دستی کوشش اور کمپیوٹیشنل لاگت کو کم کرنے کے لیے ڈیزائن کیا گیا ہے۔
arXiv جمع کرانے میں ATHENA کی وضاحت کی گئی ہے، "EHR نیورل آرکیٹیکچر کی تلاش کے لیے ہسپتالوں میں ایجنٹ کی منتقلی" کے لیے مختصر۔ اس کا ہدف الیکٹرانک ہیلتھ ریکارڈز کی ٹرانسفارمر پر مبنی ماڈلنگ ہے، جہاں محققین کو کلینیکل پیشین گوئی کے لیے آرکیٹیکچرل کنفیگریشنز میں سے انتخاب کرنا چاہیے۔ مصنفین روایتی عصبی فن تعمیر کی تلاش کو مہنگا قرار دیتے ہیں کیونکہ امیدوار ٹرانسفارمر ڈیزائن کے لیے کافی تربیت کی ضرورت پڑ سکتی ہے، جب کہ دستی ٹیوننگ محنت طلب ہو سکتی ہے اور ہسپتالوں یا کاموں کے درمیان صاف طور پر منتقل نہیں ہو سکتی۔ اس لیے فریم ورک کو ماڈل ڈیزائنز کے درمیان انتخاب کے لیے تلاش کے طریقہ کار کے طور پر پیش کیا گیا ہے، نہ کہ نئے طبی علاج کے طور پر یا اس بات کے ثبوت کے طور پر کہ کسی خاص فن تعمیر کو عالمی سطح پر استعمال کیا جانا چاہیے۔ رپورٹ کردہ موازنہ بیان کردہ تجرباتی حالات کے تحت تلاش کے عمل کے بارے میں ہے۔
ATHENA سب سے پہلے وزن کا اشتراک کرنے والا ایک سپر نیٹ تیار کرتا ہے جو ہر ہسپتال کے لیے ایک بار پہلے سے تیار کیا جاتا ہے۔ اس کے بعد امیدواروں کے فن تعمیر کو وراثت میں ملنے والے ذیلی نیٹ ورک کے طور پر شروع کیا جا سکتا ہے اور شروع سے ہی آزادانہ طور پر تربیت حاصل کرنے کے بجائے فائن ٹیوننگ کے ذریعے جانچا جا سکتا ہے۔ اس ڈیزائن کا مقصد فن تعمیر کے بار بار موازنہ کو کم مہنگا بنانا ہے۔ ماخذ اپنے خلاصہ میں بنیادی تربیت کا وقت، ہارڈ ویئر کی ضروریات، یا وسائل کی بچت فراہم نہیں کرتا ہے، لہذا اس کمی کا عملی سائز نامعلوم رہتا ہے۔
فریم ورک پہلے سے دو پرت کراس ہسپتال کے فن تعمیر کا بھی استعمال کرتا ہے۔ ایک پرت ٹاسک ڈسکرپٹرز کا استعمال کرتے ہوئے سورس سائٹس سے اعلی کارکردگی کا مظاہرہ کرنے والے فن تعمیر کی مثالیں بازیافت کرتی ہے۔ دوسرا SHAP پر مبنی میٹا ریگریشن کے ذریعے آرکیٹیکچرل اجزاء کے اثرات کا تخمینہ لگاتا ہے۔ ان پرائیرز کو ایک کثیر ایجنٹ کی بڑی زبان کے ماڈل کی تلاش کے عمل کو فراہم کیا جاتا ہے، جو ٹارگٹ ہسپتال سے توثیق کی رائے بھی حاصل کرتا ہے۔ چھ طبی پیشین گوئی کے کاموں اور دو آزاد صحت کے نظاموں میں، مصنفین رپورٹ کرتے ہیں کہ ATHENA نے ہسپتال کے 12 میں سے 9 میں عصبی فن تعمیر کی تلاش کی بنیادی لائنوں سے مماثل یا بہتر کارکردگی کا مظاہرہ کیا جب وہ 30 کے سرچ بجٹ تک محدود تھے۔ یہ ایک واحد arXiv پری پرنٹ کے دعوے ہیں، اور ماخذ کا اقتباس ہسپتالوں، کاموں، بنیادی ترتیبوں، مطلق کارکردگی کی اقدار، یا شماریاتی غیر یقینی صورتحال کی شناخت نہیں کرتا ہے۔
یہ کیوں اہمیت رکھتا ہے۔
نقطہ نظر صحت کی دیکھ بھال AI میں ایک عملی مسئلہ کو حل کرتا ہے: ایک ماڈل فن تعمیر جو ایک کام یا ہسپتال کے لئے اچھی طرح سے کام کرتا ہے دوسرے کے لئے بہترین انتخاب نہیں ہوسکتا ہے. اداروں میں فن تعمیر کے علم کو دوبارہ استعمال کرنا ماڈل کی ترقی کو زیادہ موثر بنا سکتا ہے، لیکن ذریعہ طبی فائدہ یا تعیناتی کی تیاری کو قائم نہیں کرتا ہے۔
تحقیق متعلقہ ہے کیونکہ فن تعمیر کا انتخاب کلینیکل AI سسٹمز کی کارکردگی اور آپریشنل لاگت کو تشکیل دے سکتا ہے۔ ہسپتال اکثر مریضوں کی آبادی، کوڈنگ کے طریقوں، ریکارڈ کے ڈھانچے، اور پیشین گوئی کے مقاصد میں مختلف ہوتے ہیں۔ ایک تلاش کا طریقہ جو پہلے کی سائٹوں سے معلومات کو استعمال کر سکتا ہے جبکہ ابھی بھی کسی ہدف کی سائٹ پر انتخاب کی توثیق کر سکتا ہے نقل شدہ تجربات کو کم کر سکتا ہے اور مکمل طور پر دستی ٹیوننگ پر انحصار کرنے کا ایک زیادہ منظم متبادل فراہم کر سکتا ہے۔
ATHENA کا سب سے مخصوص دعویٰ صرف یہ نہیں ہے کہ LLM ماڈل کی تلاش میں حصہ لیتا ہے۔ یہ ایک ورک فلو میں وراثتی وزن، کراس ہسپتال کی منتقلی، اجزاء کی سطح کا تجزیہ، اور توثیق کے تاثرات کو یکجا کرتا ہے۔ یہ مجموعہ ان ٹیموں کے لیے کارآمد ثابت ہو سکتا ہے جنہیں ایک مقررہ کمپیوٹ بجٹ کے تحت فن تعمیر کے بہت سے انتخاب کا موازنہ کرنے کی ضرورت ہے۔ رپورٹ کردہ 9-میں سے 12 کا نتیجہ آزمائشی ترتیبات میں ممکنہ فائدہ کی تجویز کرتا ہے، جب کہ بار بار کی جانے والی تلاشوں میں رپورٹ کردہ مستقل مزاجی دوبارہ پیدا کرنے کے لیے اہم ہو سکتی ہے: ایک ایسا طریقہ جو بار بار ایک جیسے ڈیزائن کو منتخب کرتا ہے اس کا معائنہ کرنا اور اسے چلانے کے لیے آسان ہو سکتا ہے جس کے انتخاب وسیع پیمانے پر مختلف ہوتے ہیں۔
شواہد یہ نہیں دکھاتے ہیں کہ ATHENA مریضوں کی دیکھ بھال کو بہتر بناتا ہے، طبی ماہرین کے فیصلوں کو تبدیل کرتا ہے، یا صحت کی دیکھ بھال کے لائیو ماحول میں محفوظ طریقے سے کام کرتا ہے۔ ماخذ ماڈل کی تلاش کے جائزوں کی رپورٹ کرتا ہے، نہ کہ ممکنہ طبی آزمائشوں یا تعیناتی کے نتائج۔ اس سے یہ بھی ثابت نہیں ہوتا ہے کہ فن تعمیر کے علم کی منتقلی کم نمائندگی والے گروپوں، مختلف دستاویزات کے نظاموں، یا محدود ڈیٹا والے ہسپتالوں کی کارکردگی کو محفوظ رکھتی ہے۔ چونکہ ماخذ ایک arXiv جمع کرانا ہے، اس کے نتائج کو اس وقت تک ابتدائی سمجھا جانا چاہیے جب تک کہ آزادانہ طور پر جانچ نہ کی جائے۔ عوامی کوڈ کے دعوے سے تولیدی صلاحیت میں مدد مل سکتی ہے، لیکن یہاں فراہم کردہ سورس ٹیکسٹ ریپوزٹری لنک یا عمل درآمد کی کافی تفصیل فراہم نہیں کرتا ہے تاکہ یہ اندازہ لگایا جا سکے کہ دوسرے کتنی آسانی سے تجربات کو دوبارہ پیش کر سکتے ہیں۔
انٹرایکٹو میکانزم: یہ اصل میں کیسے کام کرتا ہے۔
اس ترقی کے پیچھے بنیادی ٹیکنالوجی کو انٹرایکٹو طریقے سے دریافت کریں۔
crm_get_transaction(id='4092').An agent must create a draft calendar event for Tuesday at 2 p.m. Which evidence would establish the requested result?
آگے کیا دیکھنا ہے۔
اہم سوالات یہ ہیں کہ آیا ATHENA کا رپورٹ کردہ فائدہ آزاد نقل، وسیع تر ہسپتال اور ٹاسک ٹیسٹنگ، اور ڈیٹا اور ادارہ جاتی فرق کے لیے مضبوط کنٹرولز میں زندہ رہتا ہے۔ مستقبل کے کام کو یہ بھی واضح کرنا چاہیے کہ فن تعمیر کے انتخاب کس طرح درستگی، انشانکن، انصاف پسندی، رازداری، حساب کی ضروریات، اور طبی فیصلہ سازی کو متاثر کرتے ہیں۔
نقل پہلا امتحان ہونا چاہئے. آزاد ٹیموں کو اضافی ہسپتالوں اور کاموں پر ATHENA چلانے کی ضرورت ہوگی، اس کا احتیاط سے مماثل تلاش کے بجٹ کے ساتھ موازنہ کریں، اور یہ تعین کریں کہ آیا اطلاع شدہ فائدہ ایجنٹ کی تلاش، وزن میں حصہ لینے والے سپر نیٹ، کراس ہسپتال سے پہلے، یا کچھ امتزاج سے آتا ہے۔ نتائج میں صرف ان تشخیصات کی گنتی کے بجائے مطلق پیشن گوئی کی پیمائش اور غیر یقینی صورتحال شامل ہونی چاہیے جس میں ایک طریقہ دوسرے سے مماثل ہے یا اس سے زیادہ ہے۔
منتقلی کا طریقہ کار بھی قریبی جانچ کا مستحق ہے۔ ماخذ ہسپتالوں سے فن تعمیر کی مثالوں کا استعمال مفید ہو سکتا ہے، لیکن ان مثالوں کی قدر اس بات پر منحصر ہو سکتی ہے کہ ٹاسک ڈسکرپٹرز اداروں کے درمیان اختلافات کو کس حد تک درست طریقے سے گرفت میں لیتے ہیں۔ محققین کو رپورٹ کرنا چاہیے کہ جب منتقلی کی گئی پیشگی ناکام ہو جاتی ہے، آیا وہ ایک آبادی کے لیے موزوں ڈیزائن کی طرف تلاش کر سکتے ہیں، اور نظام کوڈنگ، ڈیٹا کی دستیابی، یا طبی مشق میں تبدیلیوں کو کیسے ہینڈل کرتا ہے۔ پرائیویسی اور گورننس کے سوالات بھی اہم ہیں اگر آرکیٹیکچر کے خلاصے یا کارکردگی کی معلومات اداروں میں منتقل ہوتی ہیں، یہاں تک کہ جب مریض کی سطح کے ریکارڈ نہ ہوں۔
آخر میں، عملی تشخیص کو پیشن گوئی کی کارکردگی سے آگے بڑھانا چاہیے۔ اہم فالو اپ اقدامات میں انشانکن، ذیلی گروپ کا رویہ، گمشدہ یا منتقل شدہ ریکارڈز کی مضبوطی، تلاش کی لاگت، توانائی کا استعمال، اور وقت کے ساتھ ساتھ منتخب فن تعمیر کا استحکام شامل ہیں۔ ماخذ یہ نہیں بتاتا ہے کہ آیا ATHENA کو کلینیکل ورک فلو میں استعمال کیا گیا ہے، اس نے ریگولیٹری جائزہ لیا ہے، یا مریض کے لیے تجویز پیش کی ہے۔ جب تک ان سوالات کے جوابات نہیں ملتے، سب سے مضبوط تائید شدہ نتیجہ یہ ہے کہ کاغذ EHR ماڈل آرکیٹیکچرز کو تلاش کرنے کے لیے ممکنہ طور پر زیادہ موثر طریقہ تجویز کرتا ہے اور ابتدائی طور پر اس کا اندازہ کرتا ہے۔