आरोग्यासाठी कृत्रिमप्रज्ञा

डोळे, कान, नाक, जीभ, आणि त्वचा या मुख्य ज्ञानेंद्रियांमधून आपण आजूबाजूच्या जगाची माहिती घेतो, मेंदूमध्ये त्या माहितीचा अर्थ लावतो, आणि आपल्या दृष्टीने योग्य तो प्रतिसाद देतो. योग्य प्रतिसाद काय हे आपण स्वतः, आपले कुटुंबीय, आणि समाजाच्या सामुदायिक अनुभवांमधून शिकतो. विषयामधील गुंतागुंत जसजशी वाढत जाते, तसे ते शिकण्यासाठी लागणारा वेळ वाढत जातो. लहानपणी अक्षरे शिकून आपले नाव लिहिणे काही आठवड्यांत शिकता येते, तर वाक्ये लिहिण्यासाठी काही महिने जावे लागतात. सुसंगत वाक्ये असलेली गोष्ट वाचण्यासाठी आणि सुसंगत वाक्ये स्वतः लिहिण्यासाठी काही वर्षे शिक्षण घ्यावे लागते. वैद्यकीय शिक्षण घेऊन रुग्णांचे निदान करण्यासाठी, त्यांच्यावर उपचार करण्यासाठी तर साधारण २०-२५ वर्षे शिक्षण घ्यावे लागते. 

आपण ज्याला अनुभव म्हणतो आणि अनुभवाच्या आधारे शिकतो, निर्णय घेतो, तो अनुभव वास्तविक वेगवेगळ्या ज्ञानेंद्रियांनी गोळा केलेली माहिती, म्हणजेच विदा असते. या विदेच्या आधारे आपण सुसंगत विचार करतो आणि प्रतिसाद देतो. विदा गोळा करून, तिचे वर्गीकरण करून, वेगवेगळ्या प्रकारच्या विदेचा परस्परसंबंध लावण्याचे काम आपला मेंदू आयुष्यभर करत असतो. हीच प्रक्रिया वापरून, “विचार करून” नेमून दिलेले काम करणारी यंत्रे किंवा मशीन्स तयार करणे आज शक्य झाले आहे. माणूस विचार करून कामे करताना जी प्रक्रिया घडते तशीच प्रक्रिया वापरून मशीन तयार करणे म्हणजेच Artificial Intelligence किंवा कृत्रिमप्रज्ञा निर्माण करणे. कृत्रिमप्रज्ञा ही तशी जुनी, साधारण सत्तर वर्षांपूर्वी मांडलेली संकल्पना आहे. पण ही संकल्पना प्रत्यक्षात येण्यासाठी पुरेशी क्षमता असलेले संगणक तेव्हा उपलब्ध नव्हते. विषयानुसार विदा गोळा करणे, तिचे वर्गीकरण करणे, तिच्यामधील निरनिराळ्या घटकांचा परस्परसंबंध काय याची माहिती पुरवणे, आणि विदासंग्रहातील माहितीशी नवीन माहितीची तुलना करून निर्णय घेणे यासाठी शक्तिशाली संगणक लागतात. असे संगणक गेल्या काही वर्षांत उपलब्ध झाल्यामुळे कृत्रिमप्रज्ञा असलेली यंत्रे तयार करणे आणि त्यांचा विविधप्रकारे वापर करणे शक्य झाले आहे. 

आपण जसे माहिती मिळवून शिकतो, त्याचप्रमाणे कृत्रिमप्रज्ञा असलेली यंत्रे तयार करताना सर्वांत महत्त्वाची पायरी असते ती या यंत्रशिक्षणाची. कृत्रिमप्रज्ञेसाठी यंत्रांना काय शिकवायचे आणि कसे शिकवायचे हे विचारपूर्वक ठरवणे आवश्यक आहे. जो विषय शिकवायचा त्याची विदा गोळा करून, उपलब्ध विदेचा परस्परसंबंध काय आहे हे यंत्रांना शिकवायला लागते. विदेची वर्गवारी करून आपण यंत्रांना ती देऊ शकतो किंवा यंत्रे स्वतःसुद्धा दिलेल्या विदेची वर्गवारी करू शकतात. आपण रोजच्या आयुष्यात हेच करत असतो. उदाहरणार्थ एखाद्या व्यक्तीबरोबर काही वेळ घालवल्यानंतर आपल्याला त्या व्यक्तीच्या आवडीनिवडी कळू लागतात, त्या व्यक्तीचा “पॅटर्न” आपल्याला कळतो, ही आपण गोळा केलेली विदा असते. त्यानुसार आपण त्या व्यक्तीला जे आवडेल असे वाटते ते करायला ती सुचवते. हेच काम आज आपल्यासाठी यंत्रे करत आहेत. 

आपण ॲप वापरून आपल्या आवडीचे चित्रपट बघतो तेव्हा ही ॲप्स आपल्याला इतर कोणते चित्रपट आपल्याला आवडतील हे सुचवतात. आपण कोणत्या प्रकारचे चित्रपट बघतो याची माहिती ही ॲप्स गोळा करतात आणि त्यानुसार आपल्याला कोणता चित्रपट पहावा याचा सल्ला देते. म्हणजे माणसाप्रमाणेच विदा गोळा करून, त्यातील “पॅटर्न” समजून घेऊन ही यंत्रे एक विशिष्ट निर्णय घेतात. साधारणपणे उपलब्ध चित्रपटांचे वर्गीकरण हे चित्रपटाचा प्रकार, भाषा, त्यातील कलाकार यावर आधारित केलेले असते. प्रेक्षक जे चित्रपट बघत आहे ते कोणत्या प्रकारांमधील आहेत ते तपासून त्याप्रमाणे प्रेक्षकाला कोणता चित्रपट सुचवावा हे ॲप म्हणजे संगणक ठरवतो. एखाद्या ओळखीच्या व्यक्तीला चित्रपट सुचवताना आपण हेच करत असतो. संगणकाकडून हे काम करून घेण्यासाठी संगणकाला चित्रपटांचा विदा पुरवणे आवश्यक आहे. आपण दिलेली किंवा यंत्राने केलेली वर्गवारी किती बरोबर आहे यावर ॲपने सुचवलेले चित्रपट खरोखरच प्रेक्षकाच्या आवडीचे असणार की नाही हे ठरते. चित्रपटांची वर्गवारी मात्र बरोबर असली पाहिजे, म्हणजे ॲपच्या शिक्षणासाठी किंवा ट्रेनिंगसाठी वापरलेला विदासंग्रह अचूक असणे आवश्यक आहे. करिष्मा कपूर आणि करीना कपूरच्या चित्रपटांच्या वर्गवारीत गल्लत झाली तर चुकीचे निकाल येतील. कृत्रिमप्रज्ञेचे हे एक सोपे उदाहरण आहे.

विषय जितका जटील होत जातो, तितके माणसांप्रमाणे यंत्रांचेही शिक्षण जास्त व्हावे लागते. आज कृत्रिमप्रज्ञेचा वापर आरोग्यासाठी, वैद्यकीयक्षेत्रात कसा करता येईल यावर मोठ्या प्रमाणावर संशोधन चालू आहे. यासाठी अर्थातच यंत्रांना मोठ्या प्रमाणावर विदा वापरून जास्त आणि योग्य शिक्षण देणे आवश्यक आहे. त्यांना काय शिकवायचे आणि कसे शिकवायचे हे विचारपूर्वक, काटेकोरपणे ठरवणे आवश्यक आहे. करिष्मा आणि करीनामध्ये गल्लत झाली तर फारतर चुकीचा चित्रपट बघावा लागेल, पण जिथे माणसाच्या जिवाचा प्रश्न येतो तिथे चुकीचे निदान किंवा सल्ला दिल्यास रुग्णाच्या जिवावर बेतू शकते. या कारणामुळे आपण जे शिकवले त्यानुसार योग्य तो प्रतिसाद यंत्रे देत आहेत का हे अत्यंत काळजीपूर्वक आणि कसून तपासणे आवश्यक आहे.

आरोग्यासाठी कृत्रिमप्रज्ञा असलेली यंत्रे बनवण्यावर गेले अनेक वर्षे संशोधन चालू आहे. आज जी अशी शिकलेली यंत्रे उपलब्ध आहेत ती काही परिस्थतीत डॉक्टर्सचे काम उत्तम प्रकारे करू शकतात असे दिसून आले आहे. विशेषतः इमेजिंगवर आधारित निदान, जसे CTScan सारखे वेगवेगळ्या प्रकारचे स्कॅन्स, पॅथॉलॉजीच्या चाचण्यांमधील शरीराच्या ऊतींची-पेशींची रचना दाखवणारे विशिष्ट प्रकारचे फोटो यावर आधारित निदान आज यंत्रे करू शकतात. काही विशिष्ट प्रकारचे निदान डॉक्टर्स जितक्या अचूकपणे करतात तितक्याच अचूकतेने ही यंत्रे करू शकतात. एकदा ही संपूर्ण प्रक्रिया यंत्रांच्या साहाय्याने करता येऊ लागली तर अशी अनेक यंत्रे वैद्यकीय शिक्षण घेण्यासाठी लागणाऱ्या वेळेपेक्षा कितीतरी कमी वेळात तयार करता येतील आणि निदान करण्याची प्रक्रिया जास्त कार्यक्षम होऊ शकेल.

कोणती विदा वापरून यंत्रांचे शिक्षण करायचे हा यातील कळीचा मुद्दा आहे. इमेजिंगवर आधारित निदानाचे उदाहरण घ्यायचे तर रुग्णाचा स्कॅन तपासून निदान करताना अनेक घटक तपासावे लागतात. रुग्णाला झालेल्या आजाराचा प्रकार, त्याची तीव्रता, आजार झालेल्या अवयवाची रचना, रुग्णाचे वय, लिंग, रुग्णाला असलेले इतर आजार, रुग्णाला यापूर्वी मिळालेले उपचार किंवा शस्त्रक्रिया, स्कॅन करणाऱ्या स्कॅनरचा प्रकार इतक्या आणि यापेक्षा जास्त घटकांवर हे अवलंबून असते. अनेक वर्षांच्या शिक्षणानंतर आणि अनुभवावरून रेडिओलॉजिस्ट स्कॅन तपासून निदान करतात. हेच निदान यंत्रांद्वारे करण्यासाठी यंत्राला यातील प्रत्येक घटक कसा मोजायचा आणि सर्व घटक मोजून झाल्यावर त्यांचा एकत्रित विचार कसा करायचा, तसेच रुग्णाच्या स्कॅनची तुलना या विदेबरोबर करून निदान कसे द्यायचे हे संगणक प्रणाली बनवून शिकवायला लागते. या प्रत्येक घटकाचा अवाढव्य विदासंग्रह प्रशिक्षणासाठी पुरवावा लागतो.

जसे मेंदूच्या स्कॅनसाठी सर्वांत आधी ‘नॉर्मल’ मेंदू कसा असतो, वयानुसार मेंदू कसा बदलतो, मेंदूला इजा झाली तर मेंदू कसा दिसतो अशा प्रत्येक घटकाची माहिती पुरवावी लागेल. त्यानंतर या घटकांचा एकमेकांशी परस्परसंबंध काय असू शकतो याची माहिती द्यावी लागेल. या घटकांचा एकत्रित परिणाम कसा होतो आणि त्याप्रमाने निदान कसे करायचे याची माहितीसुद्धा द्यावी लागेल. संगणकाच्या प्रशिक्षणात या विदेबरोबरच कोणत्या विशिष्ट संयोगाची विदा असल्यास कोणता आजार असल्याचे निदान करता येते याची माहिती यंत्राला म्हणजे संगणकाला देण्यात येते. अशा पद्धतीने संगणक ‘हुशार’ होत जातो, माणसाप्रमाणे विचार करून काम करू लागतो. संगणक स्वतःसुद्धा विदेमधून पॅटर्न शोधू शकतो. या प्रशिक्षणानंतर नव्या रुग्णाच्या चाचण्यांमधून मिळालेली सर्व माहिती संगणकाला दिली तर संगणक रोगाचे निदान करू शकतो. यंत्रे कोणत्या निदानासाठी वापरायची त्यानुसार योग्य ती विदा प्रशिक्षणासाठी द्यावी लागते. 

शिक्षणाचा अभ्यासक्रम योग्य नसेल तर संगणक चुकीच्या माहितीवर आधारित निकाल देईल. उदाहरणार्थ रुग्णाचे वय लक्षात घेण्याचे प्रशिक्षण संगणकाला दिले नाही, तर संगणकाला मेंदूमध्ये वयानुसार होणारे बदल हे एखाद्या आजारामुळे झाले आहेत असे चुकीचे वाटू शकते. त्यामुळे प्रशिक्षणामध्ये जो विदासंग्रह वापरला जातो तो विचारपूर्वक तयार करणे आवश्यक असते. अशा प्रशिक्षणामध्ये शिक्षित संगणक योग्य उत्तर देत आहे का याच्या वारंवार तपासण्या करून गरजेप्रमाणे विदासंग्रहात आणि संगणक प्रणालीमध्ये सुधारणा केल्या जातात. वर लिहिल्याप्रमाणे इमेजिंगचा वापर असलेल्या अनेक चाचण्यांमध्ये कृत्रिमप्रज्ञेचा मोठ्या प्रमाणावर वापर करणे शक्य झाले आहे. विशिष्ट प्रकारच्या कर्करोगाचे निदान डॉक्टर्स ज्या अचूकतेने करतात तितक्याच अचूकतेने करण्यापर्यंत आज यंत्रांचे प्रशिक्षण झालेले आहेच, पण त्याहीपलीकडे जाऊन डॉक्टर ज्या काही प्रकारांचे निदान करू शकत नाहीत असे निदान करणारी कृत्रिमप्रज्ञा असलेली यंत्रेही निर्माण केलेली आहेत. काही क्षेत्रांमध्ये अशा डिजिटल डॉक्टर्स आणि मानवी डॉक्टर्समधला फरक कमी होत चालला आहे. 

अशा संशोधनासाठी खूप मोठ्या प्रमाणावर संसाधने (resources) लागतात. अमेरिकेमधील एका संशोधनामधून मेंदूमधील गाठ कोणत्या प्रकारच्या कर्करोगाची आहे याचे अचूक निदान करणारे संगणक तयार केले आहेत. मेंदूच्या गाठीचे निदान करण्यासाठी बायोप्सी करून, म्हणजे गाठीचा काही भाग मेंदूतून काढून गाठीमधील ऊती-पेशींची रचना तपासण्यासाठी केली जाते. कर्करोगाच्या प्रकारानुसार ही रचना बदलते. या संशोधनात गाठीची रचना आणि त्यानुसार कर्करोगाचे वर्गीकरण याची विदा संगणकाला देण्यात आली. या विदेमध्ये ४१५ रुग्णांमधून मिळवलेले साधारण २५ लाख स्कॅन्स आणि त्यानुसार केलेले कर्करोगाचे निदान याची माहिती होती. ही विदा वापरून संगणक गाठींमधील रचनेनुसार कर्करोगाचे वर्गीकरण कसे करायचे ते “शिकला”. संगणकाचे प्रशिक्षण योग्यप्रकारे झाले आहे की नाही हे तपासण्यासाठी त्यानंतर अजून २७८ रुग्णांचा डेटा संगणक आणि डॉक्टर दोघांनाही देण्यात आला. या अभ्यासामध्ये दिसून आले की संगणकाचे निदान ९४.६% आणि डॉक्टरचे निदान ९३% बरोबर आले. एकूण संगणक आणि डॉक्टर यांच्या निदानाच्या अचूकतेमध्ये फार फरक नव्हता. या संशोधनासाठी लाखो स्कॅन्स, साधारण ७०० रुग्ण, आणि अमेरिकेमधील पाच विश्वविद्यालयांमधील ३७ संशोधक आणि डॉक्टर्स इतक्या संसाधनांचा वापर झाला आणि संशोधनाला ६-७ वर्षे लागली. 

इमेजिंग वापरून डोळ्याच्या आजारांचे निदान करण्यामध्येही आज मोठी प्रगती झाली आहे. विशेषतः डोळ्यांमधील नेत्रपटलाच्या म्हणजे रेटिनाचे आजार तपासण्यासाठी आता कृत्रिमप्रज्ञेवर आधारित यंत्रे उपलब्ध झाली आहेत. अमेरिकेमध्ये यातील काही यंत्रे डॉक्टरच्या देखरेखीखाली रुग्णांची तपासणी करण्यासाठी वापरायची परवानगी मिळाली आहे. मधुमेहाच्या अनेक रुग्णांना नेत्रपटलाचे आजार होऊ शकतात. डॉक्टर नेत्रपटलाच्या इमेजेस तपासून असे आजार झाले आहेत का हे तपासतात. हेच काम आता यंत्रे करू शकतात. डॉक्टरांच्या निदानाच्या अचूकतेप्रमाणे या यंत्रांची निदानाची अचूकताही ९०% पेक्षा जास्त आहे. म्हणजे ९०% पेक्षा जास्त वेळा या यंत्रांनी केलेले निदान बरोबर असते. AEYE Health या कंपनीने तयार केलेले यंत्र तर डॉक्टरांच्या दृष्टीने सामान्य डोळ्यांमधील सूक्ष्म बदल ओळखून डॉक्टरांच्या आधीच आजाराचे निदान करू शकते. अशा यंत्रांना प्रशिक्षणासाठी जी विदा दिली जाते, त्यात आपल्याला दिसते त्यापेक्षा जास्त माहिती संगणकाला दिसू शकते. जसे एखाद्या इमेजमधील जी माहिती आपल्याला डोळ्याने दिसत नाही, पण ती पिक्सलच्या रूपात दडलेली असते, ती माहिती संगणक वाचू शकतो. अशी माहिती आपण संगणकाला दिली नसली, तरी संगणकाला या माहितीचा पॅटर्न लक्षात येऊ शकतो, त्यातून संगणक अनुमान काढू शकतो. म्हणजे संगणक स्वतःच उपलब्ध माहितीवरून शिकू शकतो, आपापला अभ्यास करू शकतो. ही यंत्रे डॉक्टरच्या देखरेखीखाली वापरण्यासाठी परवानगी आहे. निदानासाठी अजून पूर्णपणे या यंत्रावर भरवसा टाकलेला नाही.

वैद्यकीयक्षेत्रामध्ये कृत्रिमप्रज्ञाधारित अशी अनेक यंत्रे वापरण्यासाठीचे संशोधन चालू आहे. फुफ्फुसाचा कर्करोग, स्तनाचा कर्करोग, त्वचेचा कर्करोग, पोटाचा कर्करोग, एंडोस्कोपी वापरून पचनसंस्थेच्या आजारांसाठी केल्या जाणाऱ्या तपासण्या, सोनोग्राफी वापरून केल्या जाणाऱ्या चाचण्या अशा असंख्य तपासण्यांसाठी कृत्रिमप्रज्ञा कशी वापरता येईल यावर संशोधन चालू आहे. त्याशिवाय या इमेजिंगवर आधारित चाचण्यांबरोबर इतर महत्त्वाच्या चाचण्या, जसे रक्ताची तपासणी, जनुकीय चाचण्या करून या सर्व चाचण्यांचे निकाल पाहून त्यावर आधारित निदान करायलाही या यंत्रांना शिकवले जात आहे. डॉक्टर्सप्रमाणे सर्व प्रकारच्या चाचण्यांचे निकाल एकत्रितपणे तपासल्यास निदानाची अचूकता आणि क्षमता नक्कीच वाढेल. वर लिहिलेल्या मेंदूच्या कर्करोगाच्या उदाहरणाप्रमाणे या सर्व संशोधनासाठी मोठ्या प्रमाणावर संसाधनांची आवश्यकता असते. 

त्याचबरोबर संगणकाला प्रशिक्षणासाठी दिलेली विदा अचूक, पूर्वग्रहदूषित नाही ना याची खात्री करणे खूप महत्त्वाचे आहे. विदा शेवटी समाजातूनच गोळा केलेली असते आणि त्यामुळे समाजातील पूर्वग्रह अनेकदा अशा विदासंग्रहामध्ये येऊ शकतात. उदाहरणार्थ समाजातील काही ठरावीक वर्गांची विदा या विदासंग्रहात जास्त प्रमाणात असते, आणि त्यामुळे ज्या वर्गांची विदा त्यात नाही त्यांचे निदान चुकू शकते. या संशोधनापैकी बरेचसे संशोधन पाश्चात्त्य देशात, गोऱ्या वर्णाच्या, मूळ कॉकेशियन व्यक्तींवर केले गेले आहे. यात काळ्या वर्णाच्या, मूळ आफ्रिकन, एशियन, किंवा दक्षिण अमेरिकेमधील व्यक्तींचा सहभाग कमी असतो. काळ्या वर्णाच्या व्यक्तींसोबत अनेक प्रकारचे भेदभावही केले जातात. त्यामुळे अनेकदा विदासंग्रहात असलेली माहिती गोऱ्या व्यक्तींना लागू होते, इतरांना नाही. या कारणामुळे कृत्रिमप्रज्ञा वापरून केलेले अंदाज आणि वास्तव यात मोठा फरक येऊ शकतो. 

उदाहरणार्थ रुग्ण किती आजारी आहे आणि रुग्णाला कोणत्या उपचारांची गरज भासू शकते हे ठरवणारी एक प्रणाली अमेरिकेतील आरोग्यसेवेमध्ये वापरली जाते. प्रणालीच्या अंदाजानुसार रुग्ण कमी किंवा जास्त आजारी असू शकतो. एका अभ्यासात असे दिसून आले की प्रणालीनुसार कमी आजारी असलेले काळ्या वर्णाचे रुग्ण वास्तवात बरेच जास्त आजारी होते. हे चुकीचे निकाल आले कारण या प्रणालीमध्ये रुग्णाने आपल्या आरोग्यावर किती खर्च केला आहे यावर रुग्णाचे आरोग्य कसे आहे याचा अंदाज बांधला जात होता. काळ्या वर्णाच्या व्यक्तींमध्ये कमी उत्पन्न असलेल्या लोकांचे प्रमाण मोठे असल्यामुळे त्यांचा आरोग्यावरील खर्चही कमी होता. त्यांनी आरोग्यावर केलेला खर्च आणि आरोग्य यातील परस्परसंबंध गोऱ्या व्यक्तींपेक्षा वेगळा होता. प्रणालीला दिलेल्या विदासंग्रहामध्येच ही चूक असल्यामुळे त्यापासून आलेले अंदाजही चुकीचे होते. असे पूर्वग्रह अनेक विदासंग्रहांमध्ये असतात, त्यामुळे कृत्रिमप्रज्ञेवर आधारित कोणतेही निष्कर्ष वापरण्यापूर्वी त्यासाठी वापरलेल्या विदेची कसून चाचणी करणे आवश्यक आहे. विदा सर्वसमावेशक आहे का, त्यात पूर्वग्रह आहेत का हे तपासले गेले पाहिजे. पूर्वग्रह दिसून आला तर प्रशिक्षणासाठी दिलेली विदा योग्य त्या पद्धतीने बदलून परत प्रशिक्षण देणे आवश्यक आहे. संपूर्ण समाजात काही ना काही पूर्वग्रह असतातच आणि ते विदेमध्ये शिरतात. यात चांगली गोष्ट ही आहे की संशोधकांना याची आता जाणीव होऊ लागली आहे, याबद्दलची जागरूकता वाढली आहे. विदा सुधारण्याची ही प्रक्रिया जशी जशी त्यासंबंधी माहिती उपलब्ध होईल तशी तशी करत राहणे आवश्यक आहे. 

एकूण कृत्रिमप्रज्ञेमुळे आरोग्यसेवा जास्त कार्यक्षम, अचूक आणि कमी खर्चात मिळू शकते. येत्या १०-२० वर्षांत अशी यंत्रे पाश्चात्त्य देशाततरी उपलब्ध होतील, आजही झाली आहेत. भारतासारख्या देशात, जिथे आरोग्यसेवा अत्यंत अपुरी आहे, डॉक्टर्सची कमतरता आहे, अशा ठिकाणी ही यंत्रे खूपच उपयोगी ठरू शकतात. कृत्रिमप्रज्ञा आणि इंटरनेटच्या आधारे दुर्लभ भागांमध्ये, जिथे डॉक्टर्सना पोचणे अवघड आहे, अशा ठिकाणच्या रुग्णांना काही प्रमाणात वैद्यकीय मदत मिळू शकते. महामारी, भूकंपासारखी दुर्घटना झाली की आरोग्यसेवेवर ताण येतो. तेव्हाही अशा यंत्रांची मदत घेऊन आरोग्यसेवा जास्त क्षमतेने काम करू शकते. 

भविष्यात डॉक्टरऐवजी कृत्रिमप्रज्ञेवर आधारित यंत्रे रुग्णाला तपासतील का? काही परिस्थतीत असे होणे शक्य आहे. वैद्यकीय अभ्यासक्रम शिकलेली यंत्रे तयार केली गेली आहेत. त्यावर आधारित लेखी परीक्षा देऊन ही यंत्रे वैद्यकीय परीक्षाही पास झालेली आहेत. सध्या सगळीकडे चर्चेत असलेल्या चॅटजीपीटी या कृत्रिमप्रज्ञा असलेल्या चॅटबॉटने नुकतीच अमेरिकेमधील United States Medical Licensing Exam (USMLE) ही परीक्षा पास केली. ही परीक्षा पास केल्यानंतर अमेरिकेमध्ये डॉक्टर्सना प्रॅक्टिस करायला परवानगी मिळते. या परीक्षेत चॅटजीपीटीची ६०% उत्तरे बरोबर आली, शिकाऊ डॉक्टरांची या परीक्षेतील कामगिरीही साधारण अशीच असते. गूगलच्या Med-Palm या कृत्रिमप्रज्ञा प्रणालीनेसुद्धा USMLE पास केलेली आहे. याची सुधारित आवृत्ती Med-Palm-2 ८५% अचूकतेने USMLE चे प्रश्न सोडवू शकते. इंग्लंडमध्ये Foresight नावाचे कृत्रिमप्रज्ञा असलेले असेच यंत्र विकसित केले जात आहे. येत्या काही वर्षांत यात मोठी प्रगती होईल असे वाटते. हे चॅटबॉट्स आणि रोबो एकत्र आणून कृत्रिम डॉक्टरचा एक नमुना बनवणे फार अवघड नाही. या यंत्रांचा वापर डॉक्टरच्या सहाय्यकाच्या स्वरूपात होऊ शकतो. पण अशी यंत्रे डॉक्टर्सची जागा घेतील आणि डॉक्टर्सच्या नोकऱ्या जातील अशी परिस्थिती ताबडतोब येईल असे वाटत नाही. या यंत्रांची कसून चाचणी करून त्यातील पूर्वग्रह आणि त्रुटी शोधून त्या दूर केल्याशिवाय आपले आरोग्य संपूर्णपणे यंत्रांच्या हातात देता येणार नाही. हे तपासायला अनेक वर्षे, कदाचित काही दशके जावी लागतील. 

ही प्रक्रिया पूर्ण होऊन कृत्रिमप्रज्ञेवर आधारित डिजिटल डॉक्टर्स उपलब्ध होतील तेव्हा भारतासारख्या अपुरी आरोग्यव्यवस्था असलेल्या देशात त्याचे स्वागतच झाले पाहिजे. वेळेत निदान न झाल्यामुळे किंवा उपलब्ध औषधाने सहज बरे होणारे आजार असले तरी तपासण्यासाठी, उपचारासाठी डॉक्टर्सच मिळत नाहीत म्हणून अनेक रुग्णांचे साधे आजार गंभीर रूप घेतात, रुग्ण जीवही गमावतात. कृत्रिमप्रज्ञेवर आधारित डिजिटल डॉक्टर्सची मदत अशा रुग्णांच्या निदान आणि उपचारासाठी होऊ शकते. भारतामध्ये कोणत्या प्रकारच्या डिजिटल डॉक्टरची गरज आहे याचा विचार करून भविष्यात अशा डॉक्टर्सची निर्मिती केली तर आरोग्यसेवा सुधारण्यासाठी मदत होऊ शकते. यावर विचारविनिमय करून संशोधनाची दिशा काय असावी आणि संशोधनातून निर्माण होणारे डिजिटल डॉक्टर्स सुरक्षितपणे कसे वापरता येतील याची चर्चा मात्र लवकरात लवकर सुरू झाली पाहिजे.