इस सप्ताह Acta Dermato-Venereologica में प्रकाशित, Gothenburg विश्वविद्यालय और Chalmers प्रौद्योगिकी विश्वविद्यालय के एक सहयोगी अध्ययन ने 6,036,186 वयस्कों को कवर करने वाले स्वीडिश राष्ट्रीय रजिस्ट्री डेटा पर AI मॉडल लागू किए, ताकि निदान से पाँच वर्ष पहले तक melanoma जोख़िम की भविष्यवाणी की जा सके। अध्ययन के पाँच वर्षों की अवधि में, 38,582 व्यक्तियों (cohort के 0.64 प्रतिशत) को melanoma का निदान प्राप्त हुआ, जिसने मॉडल को आबादी-स्तर पर वास्तविक-विश्व सत्यापन-समुच्चय दिया। शीर्ष परिणाम: सबसे उन्नत AI मॉडल ने melanoma विकसित करने वाले और न करने वाले लोगों के बीच लगभग 73 प्रतिशत मामलों में सही विभेद किया, केवल आयु और लिंग का उपयोग करने वाले 64 प्रतिशत baseline के मुक़ाबले। यह नौ-प्रतिशत-अंक का निरपेक्ष सुधार है, जो उस प्रकार का अंतर है जो लाखों लोगों में screening-संसाधन आवंटन निर्णय लेते समय मायने रखता है।

मॉडल को काम कराने वाले features को विशेष रूप से बताना सार्थक है क्योंकि ये वे नहीं हैं जिन्हें अधिकांश medical-imaging AI लेख वर्णित करते हैं। यह चिकित्सकीय अभिलेखों से संरचित-डेटा भविष्यवाणी है: पूर्व diagnoses, निर्धारित medications, sociodemographic attributes। कोई छवि-input नहीं। मॉडल मूलतः इलेक्ट्रॉनिक स्वास्थ्य अभिलेख डेटा पर प्रशिक्षित एक बड़े-पैमाने का tabular classifier है, जो पिछले दशक में क्षेत्र पर हावी रहे छवि-आधारित त्वचा-कैंसर पहचान कार्य से एक भिन्न तकनीकी समस्या है। अध्ययन में रिपोर्ट किया गया ठोस नैदानिक निहितार्थ यह है कि मॉडल छोटे उच्च-जोख़िम समूहों की पहचान कर सकता है जो पाँच वर्षों में melanoma विकसित करने के 33 प्रतिशत जोख़िम का सामना करते हैं। एक छोटी cohort पर 33 प्रतिशत सांद्रता उतनी अधिक है कि सघन follow-up screening को न्यायोचित ठहरा सके, जो सामान्य आबादी पर आर्थिक रूप से अन्यायोचित होगा। अधिकांश राष्ट्रीय स्वास्थ्य प्रणालियों में त्वचारोग screening लागत-सीमित है; यदि आप sensitivity को बनाए रखते हुए निगरानी की जाने वाली cohort को एक परिमाण-क्रम से सिकोड़ सकते हैं, तो अर्थशास्त्र कार्यान्वयन की ओर झुकता है।

यह इस वर्ष के medical AI कार्य में एक pattern से मेल खाता है जिसे नामित करना सार्थक है। वैज्ञानिक AI screening-प्रतिस्थापन के बजाय भविष्यवाणी-प्लस-चयनात्मक-हस्तक्षेप के ज़रिए परिचालन-उपयोगी बनता जा रहा है। समान गतिकी अन्यत्र दिखाई देती हैं: AI-enhanced low-field MRI high-field MRI का प्रतिस्थापन नहीं करती, वह सस्ते हार्डवेयर को उप-समुच्चय मामलों के लिए diagnostic-grade output उत्पन्न करने देती है। Google का MoGen विशेषज्ञ न्यूरॉन-ट्रेसिंग का प्रतिस्थापन नहीं करता, वह data-labeling pipeline को बढ़ाता है। यह melanoma अध्ययन सार्वभौमिक AI-संचालित screening का प्रस्ताव नहीं करता, वह AI-संचालित उच्च-जोख़िम-cohort पहचान का प्रस्ताव करता है। सामान्य सूत्र यह है कि health-care में AI चिकित्सा-निर्णय के सामान्य प्रतिस्थापन के रूप में नहीं, बल्कि एक priority-layer के रूप में scale कर रहा है जो दुर्लभ clinical attention को अधिक कुशल बनाता है। health-tech में कार्य करने वाले निर्माताओं को इस framing का अध्ययन करना चाहिए: प्रश्न "क्या AI एक dermatologist के बराबर हो सकता है" नहीं है, यह है "क्या AI उन मरीज़ों की पहचान कर सकता है जिन्हें एक dermatologist को पहले देखना चाहिए, इतना सस्ता कि राष्ट्रीय पैमाने पर परिनियोजन किया जा सके"। ये बहुत भिन्न उत्पाद-समस्याएँ हैं।

चिकित्सकीय AI भविष्यवाणी-उपकरण बनाने वाले किसी के लिए, तीन ठोस अवलोकन। पहला, सार्वजनिक विमर्श में imaging AI की तुलना में tabular-EHR भविष्यवाणी अवमूल्यित है, और स्वीडिश अध्ययन हाल के कई उदाहरणों में से एक है जहाँ संरचित चिकित्सकीय अभिलेख किसी दिए गए कार्य के लिए आपकी अपेक्षा से बेहतर प्रदर्शन करते हैं। यदि आपके health-AI उत्पाद-डिज़ाइन ने यह मान लिया कि imaging ही एकमात्र व्यवहार्य input था, तो वह मान्यता सम्भवतः ग़लत है। दूसरा, जो मायने रखता है वह headline accuracy नहीं है, वह उच्च-जोख़िम cohort पहचान की सटीकता और सांद्रता-कारक है (आप sensitivity बनाए रखते हुए screening-आबादी को कितना सिकोड़ सकते हैं)। स्वीडिश अध्ययन में वह संख्या छोटे उच्च-जोख़िम उप-समूह पर 33 प्रतिशत जोख़िम-सांद्रता है; आपके उत्पाद में, यह जो भी समकक्ष कार्रवाई-योग्य cohort आपके पास हो, उस पर समकक्ष सांद्रता है। तीसरा, priority-tool के लिए regulatory और परिनियोजन पथ diagnostic प्रतिस्थापन के पथ से काफ़ी आसान है। अपने उत्पाद को दुर्लभ clinical-attention को बढ़ाने वाले के रूप में स्थापित कीजिए, उसकी जगह लेने वाले के रूप में नहीं, और approval-वार्ता सार्थक रूप से छोटी हो जाती है।