ஒரு நோயாளிக்குத் தேவை நம்பகமான நோயறிதலும் சிகிச்சைக்கான தெளிவான வழியும் ஆகும். Microsoft வெளியிட்டுள்ள அண்மைய மருத்துவச் செயற்கை நுண்ணறிவு ஆராய்ச்சி, சுகாதாரத் துறைத் தலைவர்களிடம் ஒரு நடைமுறைக் கேள்வியை முன்வைக்கிறது. பல படிகளில் ஆதாரங்களைத் திரட்டி முடிவெடுக்கும் ஓர் அமைப்பை ஒரு நிறுவனம் எவ்வாறு மதிப்பிட வேண்டும்?
எனது பார்வையில், MAI-DxO அதன் துல்லியத்திற்காக மட்டுமல்ல, அதன் முடிவெடுக்கும் செயல்முறைக்காகவும் கவனம் பெற வேண்டும். தலைமை நிர்வாக அதிகாரிகளும் (CEOs), தலைமைத் தொழில்நுட்ப அதிகாரிகளும் (CTOs) இந்தச் செயல்முறையை ஆராய வேண்டும். அதே நேரத்தில், ஆராய்ச்சியில் பெறப்பட்ட செயல்திறனுக்கும் மருத்துவ நடைமுறையில் நிரூபிக்கப்பட்ட பயனுக்கும் இடையிலான வேறுபாட்டைத் தெளிவாக வைத்திருக்க வேண்டும்.
Sequential diagnosis with language models என்ற ஆய்வு, 22 அக்டோபர் 2026 அன்று Science இதழில் வெளியானது. GPT-5 உடன் இணைந்த MAI-DxO, NEJM இதழின் 304 கடினமான மருத்துவ வழக்குகளில் 83.2% நோயறிதல் துல்லியத்தைப் பெற்றது. குறிப்புதவி வளங்களைப் பயன்படுத்திய பொதுமருத்துவர்கள் 36.1% துல்லியத்தையும், அவற்றைப் பயன்படுத்தாதவர்கள் 22.3% துல்லியத்தையும் பெற்றனர். அவசர சிகிச்சைப் பிரிவிலிருந்து மருத்துவமனையில் அனுமதிக்கப்பட்ட 325 நோயாளிகளின் வழக்குகளில், இந்த அமைப்பு 80.3% துல்லியத்தைப் பெற்றது. மருத்துவர்களின் துல்லியம் 46.8% ஆக இருந்தது. இவை மருத்துவ வழக்குப் பதிவுகளைப் பயன்படுத்திய கட்டுப்படுத்தப்பட்ட மதிப்பீடுகளின் முடிவுகள் ஆகும். [1, 2]
மருத்துவர்களுக்கான இந்தச் சதவீதங்கள், ஆய்வில் வழங்கப்பட்ட பணிகளில் அவர்கள் பெற்ற செயல்திறனைக் குறிக்கின்றன. அன்றாட மருத்துவ நடைமுறையில் மருத்துவர்களின் பொதுவான துல்லியமாக இவற்றை ஒருபோதும் முன்வைக்கக் கூடாது. ஒட்டுமொத்த அளவுகோல் மதிப்பெண் (benchmark score) ஒரு முக்கியமான கேள்விக்கும் பதிலளிப்பதில்லை. எந்தப் பிழைகள் மிகப் பெரிய தீங்கை ஏற்படுத்தக்கூடும்?
MAI-DxO ஒரு மெய்நிகர் மருத்துவக் குழுவை (virtual panel) ஒருங்கிணைக்கிறது. அந்தக் குழு சாத்தியமான நோயறிதல்களை முன்வைக்கிறது, முன்கருத்துகளைக் கேள்விக்கு உட்படுத்துகிறது, கேள்விகள் அல்லது பரிசோதனைகளைத் தேர்ந்தெடுக்கிறது. புதிய தகவல்கள் கிடைக்கும்போது அதன் மதிப்பீடு மாறுகிறது. மதிப்பிடப்பட்ட பரிசோதனைச் செலவுகள் உட்பட, நோயறிதலை அடையும் பாதையையும் இந்த அளவுகோல் கணக்கிடுகிறது. செலவுக் கட்டுப்பாடுகளுக்கு அதிக முக்கியத்துவம் அளிக்கும் அமைப்புமுறைகளையும் Microsoft மதிப்பிட்டுள்ளது. [2]
நிறுவனத் தலைவர்களுக்கான பயனுள்ள வடிவமைப்புப் பாடம், ஒரு பதிலை முன்வைப்பதையும் அதற்கான ஆதாரங்களை மீளாய்வு செய்வதையும் தனித்தனி செயல்களாக அமைப்பதாகும். முக்கிய விளைவுகளை ஏற்படுத்தும் நடவடிக்கை முன்னெடுக்கப்படுவதற்கு முன்பு, என்ன தகவல் விடுபட்டுள்ளது என்பதை மீளாய்வாளர் கண்டறிய வேண்டும். முன்னிலையில் உள்ள விளக்கத்தைச் சோதித்து, கூடுதல் தகவல்களைக் கோரவும் அவரால் இயல வேண்டும்.
பல செயற்கை நுண்ணறிவுப் பாத்திரங்களும் ஒரே பிழையை மீண்டும் செய்யக்கூடும். எனவே, செயற்கை நுண்ணறிவு முகவர்களிடையிலான (agents) உடன்பாட்டை வெளிப்புற ஆதாரங்களுடன் ஒப்பிட்டுச் சோதிக்க வேண்டும். விவாதத்தைச் சேர்ப்பது, மதிப்பிட வேண்டிய மேலும் ஒரு கூறை உருவாக்குகிறது. அது தனித்துவமான சரிபார்ப்பை நிரூபிப்பதில்லை.
நான் அமைப்புகளை மூன்று பரிமாணங்களில் ஒப்பிடுவேன். இறுதிப் பதிலுக்கான மதிப்பெண்ணை, முழு முடிவெடுக்கும் செயல்முறையின் தரத்துடன் ஒப்பிடுங்கள். மதிப்பிடப்பட்ட பணிச் செலவை, சேவையை வழங்குவதற்கான மொத்தச் செலவுடன் ஒப்பிடுங்கள். பழைய பதிவுகளில் கிடைத்த செயல்திறனை, எதிர்காலப் பயன்பாட்டை நேரடியாகக் கண்காணிக்கும் ஆய்வில் (prospective study) கிடைக்கும் விளைவுகளுடன் ஒப்பிடுங்கள். ஒவ்வொரு ஒப்பீடும் வெவ்வேறு முதலீட்டுக் கேள்விக்குப் பதிலளிக்கிறது.
உதாரணமாக, குறைந்த செலவில் கிடைக்கும் பரிந்துரை, அதை மீளாய்வு செய்வதற்குப் பெரும் பணிச்சுமையை உருவாக்கலாம். சரியான பதில், பயனளிக்க முடியாத அளவுக்குத் தாமதமாகக் கிடைக்கலாம். முழுமையான பதிவுகளில் சிறப்பாகச் செயல்படும் ஓர் அமைப்பு, முக்கியத் தகவல்கள் கிடைக்காதபோது தடுமாறலாம். இந்த வேறுபாடுகளைத் தெளிவாகக் காட்டும் மதிப்பீடு தலைவர்களுக்குத் தேவை.
கோரப்படும் தகவல்களை வழங்க SDBench ஒரு தகவல் வழங்கும் மாதிரியையும் (gatekeeper model), நோயறிதல்களை மதிப்பிட ஒரு தீர்ப்பளிக்கும் மாதிரியையும் (judge model) பயன்படுத்துகிறது. கோரப்பட்ட பரிசோதனை முடிவு பதிவில் இல்லாவிட்டால், அந்த மருத்துவ வழக்கிற்கு ஏற்ற தகவல்களை gatekeeper உருவாக்கக்கூடும். இந்த நடைமுறைகள் படிப்படியான ஊடாடும் மதிப்பீட்டைச் சாத்தியமாக்குகின்றன. அதே நேரத்தில், ஆராய்ந்து சோதிக்க வேண்டிய அனுமானங்களையும் இவை அறிமுகப்படுத்துகின்றன. [3]
மதிப்பீட்டுச் சூழல், அளவிடப்படும் முடிவைப் பாதிப்பதால் இது முக்கியமானது. முழுமையற்ற தகவல்கள், ஒன்றுக்கொன்று முரண்படும் விவரங்கள், செயல்பாட்டுத் தாமதங்கள் ஆகிய சூழ்நிலைகளில் ஓர் அமைப்பு எவ்வாறு செயல்படுகிறது என்பதை மருத்துவமனை உறுதிப்படுத்த வேண்டும். நோயறிதல் துல்லியத்தை மட்டும் கொண்டு நோயாளிப் பாதுகாப்பையோ, சிகிச்சைத் தரத்தையோ, மருத்துவக் குழுவின் செயல்திறனையோ நிரூபிக்க முடியாது.
Beth Israel Deaconess Medical Center உடன் இணைந்து ஒரு முன்னோக்கு ஆய்வை (prospective study) Microsoft அறிவித்துள்ளது. இதில் நோயாளிகள் இந்த அமைப்புடன் நேரடியாக உரையாடுவார்கள். அமைப்பின் செயல்திறன், மருத்துவர்கள் தனித்தனியாக மேற்கொள்ளும் மதிப்பீடுகளுடன் ஒப்பிடப்படும். இது திட்டமிடப்பட்ட சரிபார்ப்பு நடவடிக்கை ஆகும். நோயாளிகளின் உடல்நல விளைவுகள் ஏற்கெனவே மேம்பட்டுவிட்டன என்பதற்கான ஆதாரம் அல்ல. [2]
பயன்படுத்துவதற்கான நிதியை ஒதுக்குவதற்கு முன்பு, எதிர்பார்க்கும் பயனை CEOs தெளிவாக வரையறுக்க வேண்டும். ஒரு சுகாதார முன்னோடித் திட்டத்தில் (pilot), குறிப்பிட்ட நோயை விரைவாக அடையாளம் காண்பதோ, கடினமான மருத்துவ வழக்குகளை மீளாய்வு செய்வதற்குச் சிறந்த ஆதரவு வழங்குவதோ அந்தப் பயனாக இருக்கலாம். மருத்துவப் பொறுப்பாளரை நியமியுங்கள். விளைவுகளை அளவிடும் முறைகளை ஒப்புக்கொள்ளுங்கள். முன்னோடித் திட்டத்தை நிறுத்த வேண்டிய சூழ்நிலைகளை வரையறையுங்கள். அளவுகோல் ஒப்பீட்டை மட்டும் வைத்து பணியாளர் எண்ணிக்கை பற்றிய முடிவுகளை எடுப்பதைத் தவிர்க்கவும்.
CTOs, பயன்படுத்தத் திட்டமிடப்பட்டுள்ள பணிச்செயல்முறையை (workflow) அடிப்படையாகக் கொண்டு மதிப்பீட்டை உருவாக்க வேண்டும். தற்போதைய செயல்முறை, கட்டுப்படுத்தப்பட்ட சூழலில் தனியாகச் செயல்படும் AI, AI ஆதரவுடன் செயல்படும் மருத்துவர்கள் ஆகியவற்றை ஒப்பிடுங்கள். முன்மொழியப்பட்ட சேவையைப் பிரதிநிதித்துவப்படுத்தும் வழக்குகளைப் பயன்படுத்துங்கள். கண்டறியத் தவறிய தீவிர நோய்கள், தேவையற்ற பரிசோதனைகள், முடிவெடுக்க எடுத்த நேரம், பரிந்துரைகளை மீளாய்வு செய்வதால் ஏற்படும் சுமை ஆகியவற்றை ஆராயுங்கள். ஒட்டுமொத்தச் சராசரியுடன், தொடர்புடைய நோயாளிக் குழுக்களுக்கான முடிவுகளையும் வெளியிடுங்கள்.
முறையாக நிர்வகிக்கப்படும் தரவுகளைப் பயன்படுத்தி பின்னோக்கு மதிப்பீட்டுடன் (retrospective evaluation) தொடங்குங்கள். அடுத்த கட்டத்திற்குச் செல்ல ஆதாரங்கள் போதுமானதாக இருந்தால், மருத்துவத் தலைமையின் கீழ், தேவையான அனுமதிகளுடன், மேற்பார்வையுள்ள முன்னோக்கு ஆய்வை மேற்கொள்வதைப் பரிசீலியுங்கள். பரிசோதனைகளை உத்தரவிடுவதற்கும் சிகிச்சையை மாற்றுவதற்குமான அதிகாரம் யாரிடம் உள்ளது என்பதைத் தெளிவாகக் குறிப்பிடுங்கள். எந்தச் சூழலில் அமைப்பு முடிவை மனிதரிடம் ஒப்படைக்க வேண்டும், அதன் முடிவை மருத்துவர் எவ்வாறு மீறி மாற்றலாம் என்பதையும் வரையறையுங்கள்.
பரிந்துரைகளுக்கான ஆதாரங்களைத் தடமறிந்து சரிபார்க்க இயல வேண்டும். நோயாளித் தகவல்களுக்கான அணுகல் கட்டுப்படுத்தப்பட வேண்டும். பயன்படுத்தப்பட்ட மாதிரி மற்றும் பணிச்செயல்முறையின் பதிப்பு பதிவு செய்யப்பட வேண்டும். இவற்றில் ஏதேனும் மாறும்போது தொடர்புடைய மதிப்பீடுகளை மீண்டும் மேற்கொள்ளுங்கள். செயல்திறன் குறைவைக் கண்டறிந்து, தேவைப்பட்டால் பயன்பாட்டிலிருந்து அமைப்பை விலக்க உதவும் செயல்பாட்டு நடைமுறை ஒரு வெற்றிகரமான முன்னோடித் திட்டத்திற்குத் தேவை.
மதிப்பிடப்பட்ட பரிசோதனைச் செலவுகளையும் நடைமுறையில் கிடைத்த சேமிப்பையும் நிதித் தலைவர்கள் வேறுபடுத்திப் பார்க்க வேண்டும். ஒருங்கிணைப்பு, மருத்துவ மீளாய்வு, கண்காணிப்பு, தொடர்ச்சியான மதிப்பீடு ஆகியவற்றை முதலீட்டு நியாயப்படுத்தலில் (business case) சேருங்கள். கிடைக்கும் எந்தச் சேமிப்பையும், நோயறிதல் தவறுவதாலும் தவிர்க்கக்கூடிய பரிசோதனைகளாலும் ஏற்படும் விளைவுகளுடன் சேர்த்து மதிப்பிட வேண்டும்.
காப்பீட்டுக் கோரிக்கைகள், கொள்முதலில் வழக்கத்திற்கு மாறான நிலைகள், சம்பவ விசாரணைகள் ஆகியவற்றிற்கு AI பயன்படுத்துவதைப் பரிசீலிக்கும்போதும் இதே மதிப்பீட்டு ஒழுக்கம் பயனுள்ளதாக இருக்கும். அந்தப் பயன்பாடுகளுக்குத் தனித்த ஆதாரங்கள் தேவை. மருத்துவ அளவுகோல் ஒன்றால் நிதி அல்லது செயல்பாட்டுப் பணிச்செயல்முறையைச் சரிபார்க்க முடியாது.
AI எவ்வாறு ஆதாரங்களைக் கோருகிறது, தனது நிலைப்பாட்டை மாற்றுகிறது, எப்போது நிறுத்த வேண்டும் என்று தீர்மானிக்கிறது என்பவற்றை ஆராய MAI-DxO ஒரு காரணத்தை வழங்குகிறது. உண்மையான செயல்பாட்டுச் சூழ்நிலைகளில், தெளிவாக வரையறுக்கப்பட்ட சேவையை இந்த நடத்தைகள் மேம்படுத்துகின்றனவா என்பதையே நிறுவனத்திற்கான மதிப்பு சார்ந்திருக்கும்.
மருத்துவ AI முன்னோடித் திட்டத்திற்கு நீங்கள் அனுமதி வழங்குவதாக இருந்தால், அதன் பரிந்துரைகள் நோயாளிப் பராமரிப்பில் தாக்கம் செலுத்த அனுமதிப்பதற்கு முன்பு என்ன ஆதாரங்களைக் கோருவீர்கள்?
கணித அடிப்படையில் சிந்தியுங்கள். அறிவார்ந்த முறையில் பொறியியல் தீர்வுகளை உருவாக்குங்கள். மூலோபாயத்துடன் வழிநடத்துங்கள். பொறுப்புடன் உருவாக்குங்கள். உலகளவில் விரிவுபடுத்துங்கள். செயற்கை நுண்ணறிவின் மூலம் உண்மையான வணிக மதிப்பை உருவாக்குங்கள்.
Think mathematically. Engineer intelligently. Lead strategically. Build responsibly. Scale globally. Create real business value through artificial intelligence.
[1] Nori, H. et al. (2026). Sequential diagnosis with language models. Science. https://doi.org/10.1126/science.aeh7930
[2] Microsoft AI (22 October 2026). Building Medical Superintelligence. https://microsoft.ai/news/building-medical-superintelligence/
[3] Microsoft. SDBench documentation. https://microsoft.github.io/sdbench/
