एक AI एजेंट ने पूरा मरीज-मामला खुद संभाला — लेकिन सिम्युलेटर में, पुराने रिकॉर्डों पर

किसी सवाल का जवाब देना और पूरा मामला संभालना एक ही बात नहीं है

चिकित्सकीय AI की अधिकांश कहानियाँ ऐसे मॉडल के बारे में होती हैं जो जवाब देता है। आप उसे किसी मरीज का संक्षिप्त विवरण या परीक्षा का सवाल देते हैं, वह निदान या सलाह का एक पैराग्राफ लौटाता है और अच्छा स्कोर कर लेता है। यह उपयोगी है, लेकिन दायरा सीमित है: जैसे कोई तेज़ सलाहकार जो मरीज की पूरी फ़ाइल को कभी हाथ ही न लगाए।

MIRA को कुछ अलग करने के लिए बनाया गया है, और असली खबर यही अंतर है। एक सवाल का जवाब देने के बजाय यह पूरे मामले पर काम करता है: मरीज का रिकॉर्ड पढ़ता है, तय करता है कि और कौन-सी जानकारी चाहिए, प्रयोगशाला, इमेजिंग और सूक्ष्मजीव-विज्ञान जाँचें मंगाता है, परिणाम पढ़ता है, संभावित निदानों की सूची को संकरा करता है और फिर आगे के आदेश लिखता है — दवाएँ, भर्ती या सर्जरी के लिए रेफ़रल। यह किसी इंसान को कॉपी करने के लिए केवल मुक्त-पाठ सलाह नहीं बनाता; यह इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड के अंदर क्रियाएँ करता है, जैसे कोई चिकित्सक करता है।

यह सचमुच एक कदम आगे है: सलाह देने वाली प्रणाली से पूरे कार्यप्रवाह में काम करने वाली प्रणाली तक। और यही वह तरह की प्रगति है जिसे खबरों में अक्सर समेटकर “AI डॉक्टरों से बेहतर” बना दिया जाता है। इसलिए यह साफ़ रखना ज़रूरी है कि वास्तव में क्या परखा गया और किस परिस्थिति में।

एक वाक्य में: MIRA ने पूरे मामले अपने आप चलाए और इस बेंचमार्क पर नैदानिक सटीकता में चिकित्सकों से बेहतर स्कोर किया — लेकिन यह सैंडबॉक्स में, पुराने रिकॉर्ड पर, पहले से चुने गए आठ निदानों के भीतर और केवल पाठ के माध्यम से हुआ; उसकी बढ़त का बड़ा हिस्सा उन स्थितियों में आया जहाँ जाँच-परिणाम बहुत स्पष्ट थे। प्रगति वास्तविक है। लेकिन स्कोरबोर्ड क्लिनिक नहीं होता।

लेखकों ने क्या किया

MIRA — Medical Intelligence for Reasoning and Action — OpenAI के मॉडलों पर बना एक स्वायत्त एजेंट है। बातचीत और क्रियाओं वाला हिस्सा GPT-4o पर चलता है, जबकि अलग योजना-चरण OpenAI के o1 रीजनिंग मॉडल का उपयोग करता है। दोनों एक विशेष रूप से बनाए गए, मानकों के अनुरूप ढाँचे के भीतर काम करते हैं। यह HL7 FHIR पर आधारित है — वही डेटा मानक जिसका उपयोग वास्तविक अस्पताल स्वास्थ्य रिकॉर्ड के आदान-प्रदान के लिए करते हैं — और इसमें 80,000 से अधिक संभावित क्लिनिकल क्रियाओं का उपकरण-संग्रह है। इस सैंडबॉक्स में MIRA मरीज का इतिहास देख सकता है, प्रयोगशाला, इमेजिंग और सूक्ष्मजीव-विज्ञान जाँचें मंगा और समझ सकता है, विभेदक निदान बना सकता है और उपचार-योजना तैयार कर सकता है — दवाएँ लिखने से लेकर सर्जरी तय करने और भर्ती की योजना बनाने तक। एक विवरण शुरू में ही ध्यान देने योग्य है: MIRA के उत्तरों को अंक देने वाले स्वचालित “निर्णायक” स्वयं GPT-4o थे — यानी उसी मॉडल परिवार से जिसे परखा जा रहा था। एक सहकर्मी समीक्षक ने इस पर आपत्ति उठाई, जिसके बाद लेखकों ने प्रमाणित चिकित्सक की समीक्षा भी जोड़ी।

परीक्षण-सामग्री MIMIC-IV से आई, जो सार्वजनिक रूप से उपलब्ध और पहचान-रहित किया गया एक बड़ा EHR डेटाबेस है। Beth Israel Deaconess Medical Center में 2008 से 2019 के बीच इलाज पाए लगभग 300,000 मरीजों में से लेखकों ने 574 मामले चुने, जो आठ लक्ष्य निदानों में फैले थे — इनमें पेट से जुड़ी बीमारियाँ और आंतरिक चिकित्सा की आपात स्थितियाँ थीं, जैसे appendicitis, pancreatitis, pneumonia और urinary-tract infection। हर मामले में MIRA सीमित जानकारी से शुरू करता था और चरण-दर-चरण तय करता था कि आगे क्या करना है। संरचना वास्तविक चिकित्सकीय जाँच जैसी थी, लेकिन वह ऐसे ऐतिहासिक रिकॉर्ड पर चल रही थी जिसका वास्तविक अंत पहले से फ़ाइल में मौजूद था।

फिर उन्हीं मामलों पर उसके प्रदर्शन की तुलना चिकित्सकों से की गई।

उन्हें क्या मिला

बेंचमार्क पर MIRA नैदानिक सटीकता में चिकित्सकों से आगे रहा — लेकिन इस सुर्खी के पीछे तीन अलग संख्याएँ हैं, जिन्हें अलग रखना ज़रूरी है।

सभी 574 मामलों में अकेले MIRA ने 88.9% बार सही निदान बताया। स्कोर MIMIC-IV में दर्ज वास्तविक डिस्चार्ज निदान के विरुद्ध किया गया। इंसानों के साथ सीधे मुकाबले में डॉक्टरों ने सभी 574 मामले नहीं किए; उन्होंने एक साझा 311-मामलों के उपसमूह पर काम किया और उनके पास वही रिकॉर्ड तथा उपकरण थे जो MIRA को उपलब्ध थे। इन्हीं 311 मामलों में MIRA का स्कोर 87.8% था। उसकी तुलना अलग-अलग भर्ती किए गए दो समूहों से की गई। पहला वरिष्ठ समूह था: 7 से 11 वर्ष के अनुभव वाले चार प्रमाणित चिकित्सक, जिनका स्कोर 78.1% रहा। दूसरा मिश्रित अनुभव वाला समूह था: मुख्यतः जूनियर रेज़िडेंट और दो विशेषज्ञ, जो वास्तविक आपात विभाग की स्टाफिंग के अधिक करीब था; उसका स्कोर 71.1% था। मामले और उपकरण समान थे — नतीजे में AI पहले, अनुभवी डॉक्टर दूसरे और जूनियर-प्रधान टीम तीसरे स्थान पर रही। शोधपत्र की अपनी सावधान भाषा है कि आठों बीमारियों में MIRA चिकित्सकों के “लगातार बराबर रहा और अक्सर उनसे आगे निकला।”

आगे के निर्णय भी काफी मजबूत रहे: अधिकांश दिशानिर्देशों के अनुरूप, दवाओं के लिहाज़ से सुरक्षित और भर्ती के निर्णयों में उपयुक्त। लेखक पाँच सुरक्षा श्रेणियों — दवा-अंतःक्रिया, गुर्दे के अनुसार खुराक, एलर्जी, QT जोखिम और opioid prescribing — में किसी उच्च-गंभीरता वाली दवा-त्रुटि की रिपोर्ट नहीं करते और 468 में से 467 prescriptions को सही बताते हैं। साथ ही वे साफ़ लिखते हैं कि प्रणाली ने “100% reliability” हासिल नहीं की। सीधे पढ़ें तो यह प्रभावशाली परिणाम है: पूरा मामला चलाने वाला एजेंट निदान के स्कोर में डॉक्टरों से आगे निकला।

लेकिन जीत की प्रकृति भी उतनी ही महत्वपूर्ण है जितनी जीत। शोधपत्र पढ़ने वाले स्वतंत्र विशेषज्ञों ने बताया कि बढ़त मुख्य रूप से कहाँ से आई। Science Media Centre के विशेषज्ञ पैनल पर University of Sheffield के Dr Wei Xing ने कहा कि AI की नैदानिक बढ़त मुख्यतः उन स्थितियों से आई जहाँ जाँच-परिणाम साफ़ थे, जैसे appendicitis और pancreatitis, जिनमें निर्णायक स्कैन या लैब मान सवाल को काफी हद तक सुलझा देते हैं। Pneumonia और urinary-tract infection — आपात विभाग में आने के दो बहुत सामान्य कारण — में AI और डॉक्टर दोनों सबसे खराब रहे और उनके बीच अंतर भी सबसे छोटा था।

दोनों पक्षों के पास उपलब्ध जानकारी में भी असमानता थी, और यह शोधपत्र के अपने आँकड़ों में दिखाई देती है। MIRA ने लैब जाँचों पर अधिक भरोसा किया: उसने सामान्य देखभाल में उपलब्ध प्रयोगशाला analytes में से लगभग 51% का उपयोग किया, जबकि प्रमाणित चिकित्सकों ने लगभग 28% का — प्रति मामले औसतन सात अतिरिक्त रक्त-पैरामीटर। लेखक सावधानी से बताते हैं कि यह डेटासेट में वास्तविक नियमित देखभाल के स्तर से कम था, इसलिए यह हर उपलब्ध जाँच मंगाने की रणनीति नहीं थी; महँगी cross-sectional imaging के उपयोग में भी कोई व्यवस्थित वृद्धि नहीं दिखी। फिर भी अधिक जानकारी अपने-आप नैदानिक सटीकता बढ़ा सकती है। इसलिए यह समान जानकारी वाले खिलाड़ियों के बीच पूरी तरह समान मुकाबला नहीं था, जैसा Xing ने सीधे इंगित किया। यदि किसी चिकित्सक को लागत, असुविधा या देरी की चिंता किए बिना हर सस्ती रक्त-जाँच मंगाने की छूट मिले, तो उसका प्रदर्शन भी कागज़ पर बेहतर दिख सकता है।

“डॉक्टरों से आगे” का अर्थ “बेहतर डॉक्टर” नहीं है

बेंचमार्क पर जीत को जरूरत से ज्यादा पढ़ना आसान है। “MIRA ने अधिक स्कोर किया” और “MIRA बेहतर है” के बीच कम से कम तीन महत्वपूर्ण बातें आती हैं।

पहली, उसे किस चीज़ के विरुद्ध अंक दिए गए। University of Edinburgh की Professor Julie Jacko ने ध्यान दिलाया कि MIRA के कई प्रमुख परिणाम मूल डेटासेट में दर्ज चीज़ों के सापेक्ष परिभाषित हैं। यानी प्रणाली को दर्ज चिकित्सकीय व्यवहार को दोहराने पर इनाम मिल सकता है, जरूरी नहीं कि वह सर्वोत्तम संभव देखभाल दिखा रही हो। ऐतिहासिक चार्ट उत्तर-कुंजी बन जाता है। बेंचमार्क बनाने का यह उचित तरीका है, लेकिन यह किए गए काम से मेल मापता है, किसी पूर्ण अर्थ में सर्वोत्तम चिकित्सा नहीं। निष्पक्षता के लिए यह भी कहना चाहिए कि यह समस्या सबसे अधिक उपचार-संगति वाले मेट्रिक्स पर लागू होती है — क्या MIRA के आदेश चार्ट से मेल खाते थे? — जबकि मुख्य नैदानिक सटीकता डिस्चार्ज निदान के विरुद्ध मापी गई, जो केवल दस्तावेज़ की नकल से अधिक वास्तविक परिणाम के करीब है।

दूसरी, पहले बताई गई जानकारी की असमानता: बहुत अधिक रक्त-जाँचें — उपलब्ध analytes का लगभग 51% बनाम 28% — अधिक साक्ष्य देती हैं। सटीकता के अंतर का कुछ हिस्सा बेहतर तर्क से नहीं, अधिक जानकारी हासिल करने से आया हो सकता है।

तीसरी, यह कहाँ चला। यह सैंडबॉक्स था, पुराने मामलों पर, पहले से चुने गए आठ निदानों के भीतर और केवल पाठ के माध्यम से। University of Oxford के Dr Dominic Oliver के शब्दों में वास्तविक चिकित्सकीय आकलन केवल इस पर निर्भर नहीं करता कि मरीज क्या कहते हैं, बल्कि इस पर भी कि वे कैसे कहते हैं — साथ ही शारीरिक परीक्षण, दिखाई देने वाला व्यवहार और शरीर-भाषा भी मायने रखते हैं। तैयार रिकॉर्ड पढ़ने वाला पाठ-आधारित एजेंट इनमें से कुछ नहीं देखता। और यदि किसी मरीज की समस्या उन आठ चुने हुए निदानों में आती ही नहीं, तो यह अध्ययन उसके बारे में कुछ नहीं बता सकता।

समीक्षकों ने एक और शांत लेकिन महत्वपूर्ण चिंता उठाई: प्रशिक्षण-डेटा से संभावित दूषण। MIMIC-IV सार्वजनिक है और उस पर बहुत साहित्य उपलब्ध है, इसलिए खुले इंटरनेट पर प्रशिक्षित भाषा मॉडल ने पहले से शोधपत्र, मामले की चर्चाएँ या स्वयं डेटा के हिस्से देखे हो सकते हैं। University of Sheffield के Dr Midhun Parakkal Unni ने इसे सीधे उठाया: यदि कुछ उत्तर प्रशिक्षण डेटा में मौजूद थे, तो प्रदर्शन का एक हिस्सा चिकित्सकीय तर्क के बजाय स्मृति हो सकता है, और स्वतंत्र पुनरावृत्ति ही दोनों को अलग कर सकती है। उल्लेखनीय है कि लेखक इस चिंता को टालते नहीं हैं। वे लिखते हैं कि उनके परिणामों को सावधानी से “संभावित ऊपरी सीमा” माना जा सकता है और वे दूसरे सार्वजनिक मामलों पर सामान्यीकरण को अधिक आँक सकते हैं — यानी शोधपत्र अपनी ही सुर्खी पर सीमा लगा रहा है।

इनमें से कोई बात MIRA को कम दिलचस्प नहीं बनाती। इससे केवल सही व्याख्या अधिक संतुलित होती है: पुराने मामलों वाले एक बेंचमार्क पर पूरा रिकॉर्ड संभाल सकने वाला एजेंट साफ़ जाँच-परिणाम वाली बीमारियों में डॉक्टरों से आगे निकला — कुछ हद तक अधिक जाँचें मंगाकर और कुछ हद तक दर्ज चार्ट से मेल खाते निर्णय लेकर। यह वास्तविक क्षमता का प्रदर्शन है, इस बात का फैसला नहीं कि मशीनें अब डॉक्टरों से बेहतर निदान करती हैं।

यह क्या साबित नहीं करता

• यह नहीं दिखाता कि MIRA वास्तविक मरीजों पर काम करता है। हर मामला पुराना और सिम्युलेटेड था; किसी वास्तविक मरीज का इलाज MIRA ने नहीं संभाला।
• यह नहीं दिखाता कि यह आठ निदानों के बाहर भी काम करता है। पहले से चुने गए समूह से बाहर की स्थितियाँ — यानी चिकित्सा की अधिकांश जटिल और अस्पष्ट वास्तविकता — परखी ही नहीं गईं।
• यह नहीं दिखाता कि इसे तैनात करना सुरक्षित है। लेखक स्वयं लिखते हैं कि सामान्यीकरण, सुरक्षा और शासन के लिए अभी भविष्य-दर्शी, वास्तविक दुनिया के अध्ययन चाहिए।
• यह डॉक्टरों के साथ पूरी तरह निष्पक्ष आमने-सामने तुलना स्थापित नहीं करता। MIRA ने बहुत अधिक रक्त-जाँचों का उपयोग किया — उपलब्ध analytes का लगभग 51%, डॉक्टरों के 28% के मुकाबले — और कुछ उपचार-संबंधी परिणाम सर्वोत्तम देखभाल के स्वतंत्र मानक के बजाय ऐतिहासिक चार्ट से आंशिक रूप से मिलान करके अंकित किए गए।
• यह नहीं दिखाता कि परिणाम स्मृति के प्रभाव से मुक्त हैं। सार्वजनिक MIMIC-IV डेटा मॉडल के प्रशिक्षण-सामग्री से ओवरलैप कर सकता है; इसे स्वतंत्र पुनरावृत्ति से ही बाहर किया जा सकता है।
• इसका अर्थ “AI डॉक्टरों की जगह लेता है” नहीं है। यह ऐसा निर्णय-सहायक तंत्र है जो रिकॉर्ड के भीतर क्रियाएँ कर सकता है; समीक्षकों का सामान्य निष्कर्ष है कि वास्तविक उपयोग चिकित्सकों के साथ साझेदारी में होगा, जहाँ अधिकार डॉक्टर के पास रहेगा और वह सारी जानकारी भी उपलब्ध होगी जो पाठ-रिकॉर्ड में नहीं आती।

साक्ष्य कितना मजबूत है?

दावे को दो हिस्सों में बाँटना चाहिए, क्योंकि दोनों के लिए साक्ष्य की ताकत बहुत अलग है।

क्षमता के प्रदर्शन के रूप में — यानी यह दिखाने के लिए कि भाषा-मॉडल एजेंट EHR सैंडबॉक्स के भीतर पूरे चिकित्सकीय मामले को इतिहास, जाँच, निदान और आदेशों की कड़ी में शुरू से अंत तक चला सकता है — काम सचमुच नया और काफी विश्वसनीय है। यही भाग वास्तविक प्रगति है और इसी पर सबसे अधिक ध्यान देना चाहिए।

श्रेष्ठता के दावे के रूप में — यानी यह कहना कि MIRA चिकित्सकों से बेहतर है — साक्ष्य सीमित है और सावधानी से पढ़ा जाना चाहिए। यह एक खास पुराने मामलों वाले बेंचमार्क, आठ निदानों, जानकारी की असमानता — अधिक जाँचें — ऐतिहासिक चार्ट से बनी उत्तर-कुंजी और प्रशिक्षण-डेटा दूषण की वास्तविक संभावना के भीतर लागू होता है। इतना कहना उचित है कि “इस बेंचमार्क पर एजेंट ने प्रभावशाली प्रदर्शन किया।” इससे यह कहना उचित नहीं हो जाता कि “यह डॉक्टर से बेहतर निदानकर्ता है”, और लेखक भी दूसरा दावा नहीं करते।

सबसे उपयोगी दृष्टिकोण न “AI ने डॉक्टरों को हरा दिया” है, न “यह सिर्फ खिलौना है।” बेहतर पढ़ाई यह है: चिकित्सकीय AI का एक नया प्रकार — जो केवल सवालों का उत्तर नहीं देता बल्कि रिकॉर्ड के भीतर क्रियाएँ करता है — एक कठिन पुराने मामलों वाले बेंचमार्क पर अच्छा चला। अब उसे उस जगह खुद को साबित करना है जहाँ अभी परीक्षण नहीं हुआ: वास्तविक, पहले से वर्गीकृत न किए गए मरीजों पर, भविष्य-दर्शी अध्ययन में और उचित निगरानी तथा शासन के तहत।

यह क्यों मायने रखता है

पिछले कुछ वर्षों में चिकित्सकीय AI का दिलचस्प सवाल चुपचाप बदल गया है। पहले सवाल था: “क्या मॉडल सही निदान कर सकता है?” — और अधिक साफ़-सुथरे परीक्षण-समूहों पर मॉडल बार-बार हाँ कहते रहे। MIRA इससे कठिन सवाल की ओर बदलाव दिखाता है: “क्या मॉडल पूरा काम कर सकता है — जानकारी जुटा सकता है, जाँच मंगा सकता है, परिणाम समझ सकता है, फैसला कर सकता है और कार्रवाई कर सकता है — पूरे कार्यप्रवाह में?” यह अधिक उपयोगी और अधिक ईमानदार सवाल है, क्योंकि कठिनाई और जोखिम दोनों कार्रवाई में ही सामने आते हैं।

इसीलिए परिणाम को कैसे पेश किया जाता है, यह मायने रखता है। सुर्खी वाला सहज निष्कर्ष — AI डॉक्टरों से बेहतर — अध्ययन के सबसे कम नए और सबसे कम समर्थित हिस्से की ओर ध्यान खींचता है। वास्तव में नया भाग छोटा लेकिन अधिक महत्वपूर्ण है: ऐसा एजेंट जो पूरे रिकॉर्ड में आगे बढ़ सकता है। यदि यह क्षमता वास्तविक दुनिया में भी टिकती है, तो सबसे पहले यह कार्यप्रवाह बदलेगी, यह नहीं कि उसका प्रभारी कौन है। डॉक्टर गायब नहीं होता; जाँच मंगाना, परिणाम पढ़ना और बाकी बचे कामों का पीछा करना — यानी कार्यप्रवाह — वह जगह है जहाँ ऐसा उपकरण सबसे पहले उतरता है।

और इससे प्रमाण का बोझ सही दिशा में जाता है। पुराने मामलों के लीडरबोर्ड पर जीत भविष्य-दर्शी परीक्षण करने का कारण है, उसका विकल्प नहीं। लेखक भी यही कहते हैं। MIRA को ईमानदारी से पढ़ें तो यह अगले अध्ययन का निमंत्रण है — उसी मानक पर जिसकी चिकित्सा को पहले से समझ है: मरीजों पर मापें, केवल बेंचमार्क पर नहीं।

संक्षेप में

MIRA एक स्वायत्त AI एजेंट है जो सैंडबॉक्स वाले इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड के भीतर काम करता है। यह इतिहास ले सकता है, प्रयोगशाला, इमेजिंग और सूक्ष्मजीव-विज्ञान जाँचें मंगा और समझ सकता है, निदान तक पहुँच सकता है और उपचार-योजना लिख सकता है। सार्वजनिक MIMIC-IV डेटाबेस के 574 पुराने मामलों और पहले से चुने गए आठ निदानों पर इसे परखने पर यह नैदानिक सटीकता में चिकित्सकों से आगे रहा — कुल 88.9%; सीधे मुकाबले में 87.8% बनाम 78.1% — और इसके अधिकांश निर्णय दिशानिर्देशों के अनुरूप तथा दवाओं के लिहाज़ से सुरक्षित थे। लेकिन मूल्यांकन केवल पाठ पर आधारित पुराने रिकॉर्ड की सिमुलेशन थी; बढ़त का बड़ा हिस्सा साफ़ जाँच-परिणाम वाली बीमारियों में आया; MIRA ने डॉक्टरों की तुलना में बहुत अधिक रक्त-जाँचों का उपयोग किया — उपलब्ध analytes का लगभग 51% बनाम 28%; कुछ उपचार-संबंधी नतीजों को मूल चार्ट में दर्ज चीज़ों के विरुद्ध अंकित किया गया; और सार्वजनिक डेटासेट प्रशिक्षण-डेटा दूषण का वास्तविक जोखिम पैदा करता है, जिसे लेखक स्वयं संभावित ऊपरी सीमा मानते हैं। असली प्रगति यह है कि एजेंट अलग-अलग सवालों का जवाब देने के बजाय पूरे कार्यप्रवाह में कार्रवाई कर सकता है। सामान्यीकरण, सुरक्षा और शासन के लिए अभी वास्तविक दुनिया में भविष्य-दर्शी अध्ययन चाहिए। इसलिए सही निष्कर्ष है: प्रभावशाली क्षमता का प्रदर्शन, न कि यह प्रमाण कि AI डॉक्टरों से बेहतर निदान करता है, और न ही ऐसा तंत्र जो आज वास्तविक क्लिनिक के लिए तैयार हो।

बिना बढ़ा-चढ़ाकर जाँच

शोधपत्र क्या दिखाता है: भाषा-मॉडल एजेंट MIRA सैंडबॉक्स वाले EHR के भीतर पूरा चिकित्सकीय मामला शुरू से अंत तक चला सकता है — इतिहास, जाँचें, निदान और आदेश — और आठ निदानों वाले 574 पुराने मामलों के बेंचमार्क पर नैदानिक सटीकता में चिकित्सकों से आगे रहा: कुल 88.9%, और प्रमाणित चिकित्सकों के विरुद्ध सीधे मुकाबले में 87.8% बनाम 78.1%, जबकि कोई उच्च-गंभीरता वाली दवा-त्रुटि दर्ज नहीं हुई।

क्या संभव है, पर साबित नहीं: कि यही क्षमता वास्तविक, पहले से वर्गीकृत न किए गए मरीजों के लिए लाभ में बदलेगी; और यह कि सटीकता की बढ़त वास्तव में बेहतर तर्क से आई, न कि अधिक जाँचें मंगाने, ऐतिहासिक चार्ट से मेल या सार्वजनिक डेटा को पहले देखने से।

यह क्या नहीं दिखाता: कि MIRA अपने आठ निदानों के बाहर काम करता है; कि इसे वास्तविक क्लिनिक में तैनात करना सुरक्षित है; कि समान जानकारी वाले निष्पक्ष मुकाबले में यह डॉक्टरों से आगे रहता है; कि यह चिकित्सकों की जगह ले सकता है; या कि परिणाम प्रशिक्षण-डेटा दूषण से मुक्त हैं।

मुख्य सीमाएँ: पुराने मामलों पर आधारित सिम्युलेटेड, केवल-पाठ मूल्यांकन; पहले से चुने गए आठ निदान; जानकारी में असमानता — MIRA ने उपलब्ध analytes का लगभग 51% इस्तेमाल किया, डॉक्टरों ने लगभग 28%, मुख्यतः सस्ती रक्त-जाँचों में, इमेजिंग में नहीं; कुछ उपचार-परिणाम ऐतिहासिक चार्ट से मिलान करके अंकित किए गए; और सार्वजनिक MIMIC-IV बेंचमार्क को भाषा मॉडल ने प्रशिक्षण के दौरान देखा हो सकता है, जिसे लेखक स्वयं प्रदर्शन की संभावित ऊपरी सीमा मानते हैं।

सामान्य पाठक को कितना भरोसा रखना चाहिए? इस बात पर उच्च कि MIRA वास्तविक और नई क्षमता दिखाता है — ऐसा एजेंट जो केवल चैटबॉट की तरह जवाब देने के बजाय रिकॉर्ड के भीतर कार्रवाई करता है। इस दावे पर कम कि वह चिकित्सक से बेहतर निदानकर्ता है: वह निष्कर्ष एक पुराने मामलों वाले बेंचमार्क तक सीमित है और अधिक जाँचें मंगाने, चार्ट के विरुद्ध स्कोरिंग तथा संभावित डेटा-दूषण से प्रभावित हो सकता है। लेखक स्वयं सही अगला कदम बताते हैं — मरीजों की देखभाल के लिए इसका अर्थ निकालने से पहले भविष्य-दर्शी, वास्तविक दुनिया के अध्ययन चाहिए।