একজন রোগীর প্রয়োজন নির্ভরযোগ্য রোগ নির্ণয় এবং চিকিৎসার সুস্পষ্ট পথ। স্বাস্থ্যসেবা নেতাদের জন্য, মেডিকেল AI নিয়ে মাইক্রোসফটের সাম্প্রতিকতম গবেষণা একটি ব্যবহারিক প্রশ্ন তোলে: যে সিস্টেম প্রমাণ সংগ্রহ করে এবং কয়েকটি ধাপে সিদ্ধান্ত নেয়, কোনো প্রতিষ্ঠান সেটিকে কীভাবে মূল্যায়ন করবে?
আমার মতে, MAI-DxO শুধু নির্ভুলতার জন্য নয়, সিদ্ধান্ত গ্রহণের প্রক্রিয়ার জন্যও মনোযোগের যোগ্য। CEO ও CTO-দের উচিত সেই প্রক্রিয়াটি অধ্যয়ন করা, একই সঙ্গে গবেষণার সাফল্য আর প্রমাণিত ক্লিনিক্যাল মূল্যের মাঝে স্পষ্ট সীমারেখা রক্ষা করা।
Sequential diagnosis with language models শীর্ষক গবেষণাটি ২২ অক্টোবর ২০২৬ তারিখে Science-এ প্রকাশিত হয়। GPT-5-এর সঙ্গে যুক্ত MAI-DxO ৩০৪টি কঠিন NEJM কেসে ৮৩.২% রোগ নির্ণয়ের নির্ভুলতা অর্জন করে। রেফারেন্স সামগ্রী ব্যবহারকারী জেনারেলিস্ট চিকিৎসকরা অর্জন করেন ৩৬.১%, যেখানে সেগুলো ছাড়া ২২.৩%। জরুরি বিভাগ থেকে ভর্তির ৩২৫টি কেসে সিস্টেমটি অর্জন করে ৮০.৩%, চিকিৎসকদের ৪৬.৮%-এর তুলনায়। এগুলো কেস রেকর্ডের নিয়ন্ত্রিত মূল্যায়নের ফলাফল। [১, ২]
চিকিৎসকদের এই শতাংশ গবেষণার কাজে তাদের পারফরম্যান্স বর্ণনা করে। এগুলোকে কখনোই দৈনন্দিন চর্চায় ডাক্তারদের সামগ্রিক নির্ভুলতা হিসেবে উপস্থাপন করা উচিত নয়। একটি সামগ্রিক বেঞ্চমার্ক স্কোর একটি গুরুত্বপূর্ণ প্রশ্নের উত্তরও দেয় না: কোন ভুলগুলো সবচেয়ে বড় ক্ষতি করতে পারে?
MAI-DxO একটি ভার্চুয়াল প্যানেল সমন্বয় করে যা রোগ নির্ণয়ের প্রস্তাব দেয়, অনুমানকে চ্যালেঞ্জ করে এবং প্রশ্ন বা পরীক্ষা বাছাই করে। তথ্য আসার সঙ্গে সঙ্গে এর মূল্যায়ন বদলায়। বেঞ্চমার্কটি আনুমানিক পরীক্ষা-ব্যয়সহ রোগ নির্ণয়ে পৌঁছানোর পথ পরিমাপ করে। মাইক্রোসফট আরও কঠোর ব্যয়-সীমাবদ্ধতার কনফিগারেশনও মূল্যায়ন করেছে। [২]
প্রাতিষ্ঠানিক নেতাদের জন্য কার্যকর নকশা-শিক্ষা হলো, উত্তর প্রস্তাব করা আর তার প্রমাণ পর্যালোচনা করা—এই দুয়ের মাঝে পার্থক্য করা। পর্যালোচকের পক্ষে সক্ষম হওয়া উচিত কী অনুপস্থিত তা চিহ্নিত করা, প্রধান ব্যাখ্যাকে চ্যালেঞ্জ করা এবং গুরুত্বপূর্ণ কোনো পদক্ষেপ এগিয়ে যাওয়ার আগে আরও তথ্য চাওয়া।
একাধিক AI ভূমিকা একই ভুল পুনরাবৃত্তি করতে পারে। তাই এজেন্টদের মধ্যে ঐকমত্যকে বহির্গত প্রমাণের বিপরীতে পরীক্ষা করা জরুরি। বিতর্ক যোগ করা মূল্যায়নের জন্য আরও একটি উপাদান তৈরি করে; এটি স্বাধীন যাচাইকরণ নয়।
আমি তিনটি মাত্রায় সিস্টেমগুলোর তুলনা করতাম। চূড়ান্ত উত্তরের স্কোরের তুলনা করুন পুরো সিদ্ধান্ত-প্রক্রিয়ার গুণগত মানের সঙ্গে। আনুমানিক কাজ-ব্যয়ের তুলনা করুন সেবা প্রদানের মোট ব্যয়ের সঙ্গে। ঐতিহাসিক রেকর্ডে পারফরম্যান্সের তুলনা করুন প্রসপেক্টিভ ব্যবহারে পর্যবেক্ষিত ফলাফলের সঙ্গে। প্রতিটি তুলনা আলাদা বিনিয়োগ-প্রশ্নের উত্তর দেয়।
উদাহরণস্বরূপ, সস্তা কোনো সুপারিশ যথেষ্ট পর্যালোচনা-কাজ সৃষ্টি করতে পারে। সঠিক উত্তর সাহায্য করার জন্য অনেক দেরিতে আসতে পারে। সম্পূর্ণ রেকর্ডে ভালো কাজ করা কোনো সিস্টেম গুরুত্বপূর্ণ তথ্য অনুপস্থিত থাকলে হিমশিম খেতে পারে। নেতাদের এমন একটি মূল্যায়ন দরকার যা এই পার্থক্যগুলোকে দৃশ্যমান করে।
SDBench অনুরোধকৃত তথ্য সরবরাহের জন্য একটি গেটকিপার মডেল এবং রোগ নির্ণয় মূল্যায়নের জন্য একটি জাজ মডেল ব্যবহার করে। অনুরোধকৃত কোনো ফলাফল রেকর্ডে না থাকলে গেটকিপার কেসের সঙ্গে সামঞ্জস্যপূর্ণ ফাইন্ডিং তৈরি করতে পারে। এই প্রক্রিয়াগুলো ইন্টারঅ্যাকটিভ মূল্যায়ন সম্ভব করে, কিন্তু তদারকি প্রয়োজন এমন অনুমানও প্রবেশ করায়। [৩]
এটা গুরুত্বপূর্ণ কারণ মূল্যায়নের পরিবেশ পরিমাপকৃত ফলাফলকে প্রভাবিত করে। একটি হাসপাতালকে নির্ধারণ করতে হবে অসম্পূর্ণ তথ্য, পরস্পরবিরোধী বক্তব্য এবং কার্যক্রমের বিলম্বের মধ্যে সিস্টেমটি কীভাবে আচরণ করে। শুধু রোগ নির্ণয়ের নির্ভুলতা রোগীর নিরাপত্তা, চিকিৎসার মান বা ক্লিনিক্যাল দলের কার্যকারিতা প্রতিষ্ঠা করতে পারে না।
মাইক্রোসফট Beth Israel Deaconess Medical Center-এর সঙ্গে একটি প্রসপেক্টিভ গবেষণার ঘোষণা দিয়েছে যেখানে রোগীরা সিস্টেমের সঙ্গে যোগাযোগ করবে এবং পারফরম্যান্স চিকিৎসকদের স্বাধীন মূল্যায়নের সঙ্গে তুলনা করা হবে। এটি পরিকল্পিত বৈধতা, ইতিমধ্যে অর্জিত রোগীর উন্নত ফলাফলের প্রমাণ নয়। [২]
সেবা চালুর অর্থায়নের আগে CEO-দের উদ্দেশ্যমূলক সুবিধা নির্ধারণ করা উচিত। কোনো স্বাস্থ্যসেবা পাইলটে তা হতে পারে নির্দিষ্ট কোনো রোগ দ্রুত শনাক্ত করা বা কঠিন কেস পর্যালোচনায় উন্নত সহায়তা। ক্লিনিক্যাল দায়িত্বপ্রাপ্ত ব্যক্তির নাম ঘোষণা করুন, ফলাফলের মাপকাঠিতে সম্মত হোন এবং পাইলট বন্ধের শর্ত নির্ধারণ করুন। বেঞ্চমার্ক তুলনা থেকে জনবল-সিদ্ধান্ত নেওয়া এড়িয়ে চলুন।
CTO-দের উদ্দেশ্যমূলক কর্মপ্রবাহকে কেন্দ্র করে মূল্যায়ন তৈরি করা উচিত। তুলনা করুন বিদ্যমান প্রক্রিয়া, নিয়ন্ত্রিত পরিবেশে এককভাবে কাজ করা AI, এবং AI-সহায়তাপ্রাপ্ত ক্লিনিশিয়ান। প্রস্তাবিত সেবার প্রতিনিধিত্বমূলক কেস ব্যবহার করুন। পরীক্ষা করুন গুরুতর মিস হওয়া রোগ নির্ণয়, অপ্রয়োজনীয় পরীক্ষা-নিরীক্ষা, সিদ্ধান্তে পৌঁছানোর সময় এবং সুপারিশ পর্যালোচনার চাপ। সামগ্রিক গড়ের পাশাপাশি সংশ্লিষ্ট রোগী-গোষ্ঠীর ফলাফলও প্রতিবেদন করুন।
যথাযথ শাসনাধীন তথ্য দিয়ে রেট্রোসপেক্টিভ মূল্যায়ন দিয়ে শুরু করুন। প্রমাণ অগ্রগতি সমর্থন করলে, ক্লিনিক্যাল নেতৃত্ব ও প্রয়োজনীয় অনুমোদনসহ তত্ত্বাবধিত প্রসপেক্টিভ গবেষণা বিবেচনা করুন। পরীক্ষা করার বা চিকিৎসা বদলানোর ক্ষমতা স্পষ্টভাবে অর্পিত রাখুন। কখন সিস্টেমকে সরে দাঁড়াতে হবে এবং ক্লিনিশিয়ান কীভাবে তাকে অগ্রাহ্য করতে পারবেন তা নির্ধারণ করুন।
সুপারিশের জন্য অনুসরণযোগ্য প্রমাণ, রোগীর তথ্যে নিয়ন্ত্রিত প্রবেশ এবং ব্যবহৃত মডেল ও কর্মপ্রবাহ-সংস্করণের রেকর্ড দাবি করুন। যেকোনো একটি বদলালে সংশ্লিষ্ট মূল্যায়ন পুনরাবৃত্তি করুন। সফল পাইলটের জন্য এমন একটি পরিচালনা-প্রক্রিয়া দরকার যা অবনতি শনাক্ত করতে এবং প্রত্যাহার সমর্থন করতে পারে।
অর্থ-নেতাদের উচিত আনুমানিক পরীক্ষা-ব্যয় আর প্রাপ্ত সাশ্রয়ের মধ্যে পার্থক্য করা। ব্যবসায়িক যুক্তিতে অন্তর্ভুক্ত করুন ইন্টিগ্রেশন, ক্লিনিক্যাল পর্যালোচনা, মনিটরিং এবং চলমান মূল্যায়ন। যেকোনো সাশ্রয় মূল্যায়ন করা উচিত মিস হওয়া রোগ নির্ণয় ও এড়ানোযোগ্য পরীক্ষার পরিণতির পাশাপাশি।
বীমা দাবি, ক্রয়-ব্যতিক্রম বা ঘটনা-তদন্তে AI বিবেচনা করার সময়ও একই মূল্যায়ন-শৃঙ্খলা কার্যকর। সেই প্রয়োগগুলোর নিজস্ব প্রমাণ দরকার। কোনো মেডিকেল বেঞ্চমার্ক কোনো আর্থিক বা পরিচালনা-সংক্রান্ত কর্মপ্রবাহকে বৈধ করতে পারে না।
MAI-DxO আমাদের পরীক্ষা করার কারণ দেয় কীভাবে AI প্রমাণ চায়, নিজের অবস্থান সংশোধন করে এবং কখন থামতে হবে তা ঠিক করে। প্রাতিষ্ঠানিক মূল্য নির্ভর করবে এই আচরণগুলো প্রকৃত পরিচালনা-পরিস্থিতিতে কোনো নির্দিষ্ট সেবার উন্নতি করে কি না তার ওপর।
আপনি যদি কোনো মেডিকেল AI পাইলট অনুমোদনকারী হতেন, তার সুপারিশ রোগীর যত্নে প্রভাব ফেলার অনুমতি দেওয়ার আগে কী প্রমাণ চাইতেন?
গাণিতিকভাবে চিন্তা করুন। বুদ্ধিমানের সঙ্গে প্রকৌশল করুন। কৌশলগতভাবে নেতৃত্ব দিন। দায়িত্বের সঙ্গে নির্মাণ করুন। বৈশ্বিকভাবে সম্প্রসারণ করুন। কৃত্রিম বুদ্ধিমত্তার মাধ্যমে প্রকৃত ব্যবসায়িক মূল্য তৈরি করুন।
[১] Nori, H. et al. (2026). Sequential diagnosis with language models. Science. https://doi.org/10.1126/science.aeh7930
[২] Microsoft AI (২২ অক্টোবর ২০২৬). Building Medical Superintelligence. https://microsoft.ai/news/building-medical-superintelligence/
[৩] Microsoft. SDBench ডকুমেন্টেশন. https://microsoft.github.io/sdbench/
