सार: सबसे पहले "केस पैकेज" को एक सत्यापन योग्य मूल्यांकन प्रोटोकॉल में बदलें
मधुमेह की जटिलताओं के लिए एआई की कठिनाई मॉडल को मेडिकल रिकॉर्ड से किसी बीमारी का नाम बताने में नहीं है, बल्कि इसे वास्तविक, क्रॉस-टाइम और नैदानिक साक्ष्य के जटिल स्रोतों में निश्चित कार्यों को स्थिर रूप से पूरा करने की अनुमति देना है: सही परीक्षण परिणाम पढ़ें, इकाई और समय को बनाए रखें, निदान के आधार और अटकलों के बीच अंतर करें, उच्च जोखिम वाले संकेतों की पहचान करें, और सबूत अपर्याप्त होने पर स्पष्ट रूप से रुकें।एक सार्थक बेंचमार्क को इन क्षमताओं को अलग से मापना चाहिए और नैदानिक प्रभावशीलता को सामान्य "सटीकता दर" से प्रतिस्थापित नहीं किया जा सकता है।
इस संलग्न संपीड़ित पैकेज में संरचनात्मक सूची के बाद 12 मामले शामिल हैं, जिसमें चार श्रेणियां शामिल हैं: मधुमेह परिधीय न्यूरोपैथी, मधुमेह नेफ्रोपैथी, मधुमेह रेटिनोपैथी, और मधुमेह पैर, प्रत्येक श्रेणी में 3 मामले; 78 पीडीएफ और 251 सीएसवी हैं, और सीएसवी में कुल 3,413 डेटा रिकॉर्ड हैं।फ़ाइलों और तालिका पंक्तियों की संख्या वितरण संरचना का वर्णन करती है और यह अद्वितीय रोगियों की संख्या या सांख्यिकीय अनुमान के लिए उपलब्ध नमूना आकार के बराबर नहीं है।अनुलग्नक डेटा शब्दकोश, एनोटेशन मैनुअल, मूल्यांकन इंटरफ़ेस, मध्यस्थता प्रक्रिया और त्रुटि वर्गीकरण के लिए व्यवहार्यता पायलट के रूप में उपयुक्त है;इस स्तर पर मॉडल रैंकिंग, रोग प्रसार, संवेदनशीलता या नैदानिक लाभ निष्कर्ष प्रदान करना पर्याप्त नहीं है।
LumeSage ने प्रस्तावित पायलट ढांचे के रूप में परियोजना का नाम "LumeSage DiaComp-Bench" रखने का सुझाव दिया।नाम का तात्पर्य मौजूदा आधिकारिक सूची या पूर्ण नैदानिक सत्यापन से नहीं है।यह आलेख श्रवण योग्य मूल्यांकन निर्देश, उम्मीदवार कार्य और निर्माण पथ प्रदान करता है; शासन, नमूना आकार, संदर्भ मानकों, क्रॉस-एजेंसी सत्यापन और संचालन नियमों की समीक्षा के बाद आधिकारिक सूची जारी की जाएगी।
1. अनुलग्नक हमें क्या बताता है और इसने अभी तक हमें क्या नहीं बताया है
1.1 चार प्रकार की बीमारियाँ एक कार्य के लिए चार लेबल नहीं हैं
चार प्रकार के मामले विभिन्न नैदानिक साक्ष्य श्रृंखलाओं की ओर इशारा करते हैं। मधुमेह अपवृक्कता के निर्णय के लिए प्रयोगशाला संकेतक, अवधि, सहरुग्णताएं और संभावित अन्य कारणों की आवश्यकता होती है;रेटिनोपैथी ग्रेडिंग फ़ंडस छवि गुणवत्ता, मानकीकृत घावों और ग्रेडिंग नियमों पर निर्भर करती है; परिधीय न्यूरोपैथी में लक्षण, संवेदी परीक्षण, सुरक्षात्मक संवेदना और न्यूरोइलेक्ट्रोफिजियोलॉजी जैसे विभिन्न साक्ष्य शामिल होते हैं; मधुमेह के पैर में अल्सर का स्थान, गहराई, संक्रमण, इस्किमिया, न्यूरोपैथी और उपचार परिणाम शामिल हो सकते हैं।वे डेटा प्रशासन और माप बुनियादी ढांचे को साझा कर सकते हैं, लेकिन संदर्भ सत्य मूल्य, लक्ष्य आबादी, त्रुटि लागत और नैदानिक स्वभाव निहितार्थ को आसानी से विलय नहीं किया जा सकता है। अनुलग्नक
में पीडीएफ और सीएसवी विवरण डेटा में दस्तावेज़ विवरण और संरचित फ़ील्ड दोनों शामिल हैं।सीएसवी में सामान्य परीक्षा आइटम कोड, नाम, परिणाम मान, इकाइयां, संदर्भ रेंज और असामान्य अंक में चिकित्सा आदेश, दवा, रिपोर्ट निष्कर्ष या परीक्षा निष्कर्ष भी शामिल हो सकते हैं।पीडीएफ प्रासंगिक, कथात्मक और स्वरूपण जानकारी प्रदान कर सकता है।लेकिन "फ़ाइल में एक निश्चित फ़ील्ड है" का स्वचालित रूप से यह मतलब नहीं है कि फ़ील्ड परिभाषा सुसंगत है, इकाई एकीकृत है, स्रोत पूर्ण है, या लेबल सही है।निर्माण के दौरान प्रत्येक फ़ील्ड के लिए स्रोत फ़ाइल, पृष्ठ संख्या/कॉलम, मूल मान, मानकीकृत मान, इकाई, समय शब्दार्थ, रूपांतरण नियम, गुम कारण और समीक्षा स्थिति दर्ज की जानी चाहिए।
वर्तमान में अनुलग्नक में स्टैंडअलोन JPEG, PNG, DICOM या फंडस/OCT फ़ाइलों के रूप में वितरित छवियों की कोई सूची नहीं है।इसलिए, इस स्तर पर जिस बात पर चर्चा की जा सकती है वह मौजूदा रिपोर्टों और प्रपत्रों से साक्ष्य निकालना, दस्तावेज़ को समझना और सीमित पाठ कार्य हैं जब रिपोर्ट में इमेजिंग साक्ष्य मौजूद हैं; यह दावा नहीं किया जा सकता है कि इसमें फ़ंडस छवि ग्रेडिंग, ओसीटी व्याख्या, पैर घाव छवि पहचान, या क्रॉस-मोडल छवि फ़्यूज़न मूल्यांकन की शर्तें हैं।जब भविष्य में छवियां प्राप्त होती हैं, तो उपकरण, इमेजिंग प्रोटोकॉल, छवि गुणवत्ता, एनोटेट निर्देशांक, अधिग्रहण संस्थान और प्राधिकरण के दायरे की भी जांच करने की आवश्यकता होती है।
1.2 एक छोटे नमूने में "नमूना इकाई" स्पष्ट रूप से बताई जानी चाहिए
विश्लेषण की स्वतंत्र इकाई मामला/रोगी है, न कि पीडीएफ, सीएसवी, पृष्ठ संख्या, परीक्षण आइटम या रिकॉर्ड पंक्ति। दर्जनों फाइलों में विभाजित एक मामला अभी भी केवल एक स्वतंत्र रोगी के लिए योगदान देता है;एक ही व्यक्ति पर कई परीक्षण भी एक-दूसरे से संबंधित होते हैं।फ़ाइल लाइनों को प्रशिक्षण और परीक्षण सेटों में बेतरतीब ढंग से विभाजित करने से एक ही रोगी के बारे में जानकारी सीमाओं को पार कर सकती है और गंभीर रिसाव हो सकती है। यदि भविष्य में प्रशिक्षण या विकास किया जाता है, तो रोगियों को समग्र रूप से समूहीकृत किया जाना चाहिए;बहु-केंद्र सेटिंग में, बाहरी सत्यापन संस्था या समय के अनुसार डिज़ाइन किया जाना चाहिए।
जब प्रत्येक रोग श्रेणी में केवल 3 मामले होते हैं, तो एक एकल मामला उस रोग श्रेणी के समूह के एक तिहाई का प्रतिनिधित्व करता है।भले ही सभी 12 मामले सही हों, फिर भी यह अनुमान नहीं लगाया जा सकता कि नैदानिक संवेदनशीलता 100% तक पहुँच जाती है।इस स्तर पर, जो सत्यापित किया जा सकता है वह यह है कि क्या प्रक्रिया चल रही है, क्या फ़ील्ड में स्रोत हैं, क्या विशेषज्ञ असहमति को मध्यस्थ किया जा सकता है, और क्या त्रुटियों को जिम्मेदार ठहराया जा सकता है;एयूसी, रोग जोखिम, क्रॉस-जनसंख्या सामान्यीकरण, या मॉडल पेशेवरों और विपक्षों की सूची प्रकाशित नहीं की जानी चाहिए।
2. चार प्रकार की जटिलताओं को प्रतिलिपि प्रस्तुत करने योग्य मूल्यांकन कार्यों में विभाजित करें
सूची में पहले उत्तर देना होगा "क्या मापा गया है", और फिर "कौन अधिक अंक प्राप्त करता है"।दो स्तरों पर कार्य सूची स्थापित करने की अनुशंसा की जाती है: सामान्य डेटा समझने वाले कार्य और रोग-विशिष्ट कार्य।प्रत्येक आइटम निश्चित इनपुट प्रकार, लागू जनसंख्या, लक्ष्य आउटपुट, साक्ष्य स्रोत, संदर्भ मानक, बहिष्करण की स्थिति, स्कोरिंग फ़ंक्शन, नैदानिक जोखिम स्तर, संस्करण और निषिद्ध उपयोग के साथ एक कार्य कार्ड बनाता है।उत्तर का पता मूल साक्ष्य से लगाया जाना चाहिए;एक मॉडल जो केवल निष्कर्ष देता है, लेकिन सबूतों की श्रृंखला नहीं देता, उसका स्कोर ट्रेस करने योग्य सिस्टम के समान नहीं होना चाहिए।
ट्रैक A｜मेडिकल रिकॉर्ड और परीक्षा डेटा का संरचित निष्कर्षण
पीडीएफ/सीएसवी से परीक्षा आइटम, परिणाम, इकाइयां, संदर्भ अंतराल, असामान्य झंडे, दवाएं और निदान निकालता है और प्रत्येक मान को एक मामले, परीक्षा घटना और समय से जोड़ता है।संकेतक न केवल यह जांचते हैं कि फ़ील्ड मेल खाते हैं या नहीं, बल्कि क्रमशः मूल्य, इकाई, चिह्न, अंतराल सीमा, तिथि विश्लेषण और स्रोत स्थिति की भी जांच करने की आवश्यकता है।रिपोर्ट में "नहीं देखा गया", "जाँचा नहीं गया" और "नकारात्मक" को समान शून्य मान में नहीं जोड़ा जा सकता है; इकाई रूपांतरण के लिए सूत्र और पूर्णांकन सटीकता दर्ज की जानी चाहिए।सटीक मिलान, फ़ील्ड-स्तरीय परिशुद्धता/रिकॉल/F1, संयुक्त संख्यात्मक और इकाई सटीकता, समय पार्सिंग सटीकता, साक्ष्य स्थान सटीकता, और अस्वीकृति/लापता प्रसंस्करण सटीकता की रिपोर्ट करने की अनुशंसा की जाती है।
ट्रैक बी | मधुमेह अपवृक्कता: अनुदैर्ध्य जोखिम स्थिति और साक्ष्य स्थिरता
यदि डेटा को बार-बार परीक्षण से पता लगाया जा सकता है, तो माप मॉडल ईजीएफआर, मूत्र एल्ब्यूमिन/क्रिएटिनिन अनुपात (यूएसीआर), सीरम क्रिएटिनिन, मधुमेह की अवधि, रक्तचाप और दवा की जानकारी के आसपास मूल्यों, इकाइयों, रुझानों और समय अंतराल की सही पहचान कर सकता है।एडीए के "मधुमेह के निदान और उपचार के लिए 2026 मानक" मधुमेह के रोगियों के लिए ईजीएफआर और यूएसीआर की निगरानी करने और सीकेडी जोखिम स्तरीकरण के आधार पर पुन: जांच की आवृत्ति निर्धारित करने की सिफारिश करते हैं; इससे पता चलता है कि "समय विंडो" और निरंतर परिवर्तन स्वयं अतिरिक्त फ़ील्ड के बजाय कार्य परिभाषा का हिस्सा हैं[1].एकल असामान्य मूल्य पर आधारित नैदानिक अनुमान मानकीकृत नैदानिक निदान और निरंतर निर्णय को प्रतिस्थापित नहीं कर सकता है।यदि आप एक पूर्वानुमान कार्य कर रहे हैं, तो पूर्वानुमान प्रारंभिक बिंदु, पूर्वानुमान अवधि, परिणाम, आधारभूत जोखिम, उपचार परिवर्तन प्रसंस्करण और प्रतिस्पर्धी जोखिमों को पहले से परिभाषित किया जाना चाहिए, और इस परिशिष्ट में विश्वसनीय जोखिम मॉडल सत्यापन बनाने के लिए आवश्यक नमूना आकार नहीं है।
ट्रैक C｜डायबिटिक रेटिनोपैथी: रिपोर्ट कॉम्प्रिहेंशन और फंडस इमेज टेस्टिंग अलग से
वर्तमान में मौजूदा रिपोर्टों से "निष्कर्ष-ग्रेडिंग-सिफारिशों" के निष्कर्षण का मूल्यांकन करना संभव है, क्या विभिन्न क्षेत्र एक-दूसरे के साथ असंगत हैं, और क्या रेफरल सिफारिशें मूल पाठ पर आधारित हैं; हालाँकि, स्वतंत्र फंडस/ओसीटी छवियों के बिना, छवि-स्तरीय घाव का पता लगाना, ग्रेडिंग, घाव का स्थानीयकरण, या क्रॉस-कैमरा सामान्यीकरण का मूल्यांकन नहीं किया जा सकता है।फ़ंडस इमेजिंग बेंचमार्क में दृश्य के इमेजिंग क्षेत्र, बाएँ और दाएँ आँखें, छवि गुणवत्ता, अयोग्य छवि प्रसंस्करण, ग्रेडिंग प्रणाली और पाठक मध्यस्थता निर्दिष्ट होनी चाहिए।उदाहरण के लिए, 2026 में "साइंटिफिक डेटा" द्वारा प्रकाशित मल्टीमॉडल रेटिनल रिसर्च डेटा में 24,460 छवियां शामिल हैं, जिन्हें गंभीरता के पांच स्तरों, सात प्रकार के घावों और ओसीटी मैक्यूलर एडिमा ग्रेडिंग के लिए परिष्कृत किया गया है, जो बारीक-बारीक लेबल, मॉडेलिटी पेयरिंग और गुणवत्ता नियंत्रण के लिए छवि मूल्यांकन की आवश्यकताओं को दर्शाते हैं।[2].एक मल्टी-मोडल बड़े मॉडल अध्ययन में विभिन्न मॉडलों के बीच प्रदर्शन अंतर और 188 रोगियों की 309 आंखों में कम गंभीरता का पता लगाने की संवेदनशीलता देखी गई, जिससे सूची को याद दिलाया गया कि सूची न केवल समग्र सटीकता की रिपोर्ट कर सकती है, बल्कि छूटे हुए निदान और ग्रेडिंग त्रुटियों को भी दिखाने की जरूरत है।[3]。
ट्रैक D｜परिधीय न्यूरोपैथी और मधुमेह पैर: साक्ष्य स्तरीकरण, गंभीरता और सुरक्षा
परिधीय न्यूरोपैथी लिपिकीय कार्य यह जांचता है कि क्या लक्षण, परीक्षा पैटर्न, सुरक्षात्मक संवेदी निष्कर्ष और उनके अस्थायी सहसंबंध सही ढंग से दर्ज किए गए हैं, और यह पता लगाता है कि क्या मॉडल गलती से "रिकॉर्ड नहीं किया गया" को "परीक्षा सामान्य" लिखता है।एडीए के "मधुमेह के निदान और उपचार के लिए 2026 मानक" के न्यूरोपैथी और पैर देखभाल अध्याय न्यूरोपैथी स्क्रीनिंग, पैर जोखिम मूल्यांकन और मानकीकृत शारीरिक परीक्षा पर जोर देते हैं; इसलिए, लापता रिकॉर्ड को नकारात्मक मानने से बचने के लिए टास्क कार्ड में परीक्षा पद्धति, परीक्षा आवृत्ति और रेफरल सीमा को स्पष्ट किया जाना चाहिए[7].मधुमेह के पैर के मापने योग्य कार्य स्थान, घाव के आकार, संक्रमण के संकेत, इस्किमिया सुराग, ग्रेडिंग और मेडिकल रिकॉर्ड से परिणाम के निष्कर्षण से शुरू हो सकते हैं;भविष्य के छवि कार्यों में मानक शूटिंग स्थितियाँ, स्केल संदर्भ, घाव लेबलिंग और नैदानिक परिणाम होने चाहिए।जब कोई छवियाँ नहीं होती हैं, तो लिखित मेडिकल रिकॉर्ड कार्य के प्रदर्शन का उपयोग घाव की दृश्य क्षमता को इंगित करने के लिए नहीं किया जा सकता है।उच्च जोखिम वाले अलर्ट को मिस करना, आपातकालीन टिप को कम जोखिम वाले में अपग्रेड करना, या पतली हवा से अल्सर ग्रेड बनाना, इन सभी को गंभीर त्रुटियों के रूप में दर्ज किया जाना चाहिए और बड़ी संख्या में सरल क्षेत्रों में सही उत्तरों से ऑफसेट करने के बजाय अलग से रिपोर्ट किया जाना चाहिए।
स्कोर द्वारा नैदानिक अंतर छिपाने से बचने के लिए, ट्रैक की चार श्रेणियों को एक समग्र रैंकिंग में संयोजित नहीं किया जाना चाहिए।यदि भविष्य में सारांश स्कोर प्रदान किया जाना चाहिए, तो मूल संकेतक, मामले की संरचना, विश्वास अंतराल, भार नियम और प्रत्येक ट्रैक के आवेदन का दायरा एक ही समय में प्रकट किया जाना चाहिए; अनुपस्थित तौर-तरीकों और कार्यों को "मूल्यांकन नहीं किया गया" के रूप में प्रदर्शित किया जाना चाहिए और इसे शून्य अंक के रूप में नहीं माना जा सकता है या डिफ़ॉल्ट रूप से पारित नहीं किया जा सकता है।
3. संदर्भ मानक, विशेषज्ञ एनोटेशन और रोगी सुरक्षा
3.1 संदर्भ मानक एक पता लगाने योग्य साक्ष्य प्रणाली है, वोट नहीं
नैदानिक सत्य केवल मेडिकल रिकॉर्ड में दिखाई देने वाले अंतिम निदान क्षेत्र की नकल नहीं कर सकता है। प्रत्येक कार्य के लिए पहले संदर्भ साक्ष्य स्तर को परिभाषित करना आवश्यक है: उदाहरण के लिए, प्रयोगशाला परीक्षण योग्य प्रयोगशाला रिपोर्ट और इकाई/विधि जानकारी का उपयोग करते हैं;गुर्दे के परिणाम दिशानिर्देश परिभाषाओं और निर्दिष्ट समय विंडो के अनुसार बनाए जाते हैं; फ़ंडस ग्रेडिंग पूर्व-पंजीकृत पैमानों, योग्य छवियों और विशेषज्ञ रीडिंग पर आधारित है;पैर के परिणाम संक्रमण, इस्कीमिया, उपचार, या विच्छेदन के लिए आधार और समय को स्पष्ट रूप से परिभाषित करते हैं।जब कोई मामला शर्तों को पूरा नहीं करता है, तो इसे "निर्धारित करने में असमर्थ/अपर्याप्त साक्ष्य" के रूप में चिह्नित किया जाना चाहिए, और लेबल जबरन उत्पन्न नहीं किया जा सकता है। जब विभिन्न साक्ष्यों में टकराव होता है, तो मूल डेटा को अधिलेखित करने के बजाय संघर्ष के कारण और अंतिम मध्यस्थ को बरकरार रखा जाना चाहिए।
अनुशंसा करता है कि प्रत्येक बीमारी के लिए एक विशेषज्ञ समूह स्थापित किया जाए: एंडोक्रिनोलॉजी विभाग मधुमेह के सामान्य नैदानिक संदर्भ के लिए जिम्मेदार है, और नेफ्रोलॉजी, नेत्र विज्ञान, न्यूरोलॉजी, और घाव/संवहनी संबंधी विशेषज्ञ क्रमशः विशेष रोगों की परिभाषा के लिए जिम्मेदार हैं;डेटा इंजीनियर, सांख्यिकीविद् और रोगी सुरक्षा प्रबंधक कार्यों और स्कोरिंग नियमों की समीक्षा में भाग लेते हैं। लेबलिंग से पहले मैनुअल, सकारात्मक और नकारात्मक उदाहरण, सीमा मामले, लापता कोड और संस्करण संख्याएं विकसित करें;औपचारिक लेबलिंग दर्ज करने से पहले लेबलर्स को प्रशिक्षित किया जाना चाहिए और अंशांकन सेट पास करना चाहिए। कम से कम दो योग्य विशेषज्ञ स्वतंत्र टिप्पणियाँ करते हैं; उपयुक्त स्थिरता संकेतकों की गणना करें और असहमति श्रेणियां दें;और एक तीसरा वरिष्ठ विशेषज्ञ मध्यस्थता करता है। कोहेन/फ्लीस κ, भारित κ, इंट्राक्लास सहसंबंध या समझौते की दर को चर प्रकार के अनुसार चुना जाना चाहिए, और एक स्थिरता आँकड़ा यांत्रिक रूप से सभी लेबलों पर लागू नहीं किया जा सकता है।
3.2 "उत्तर देने से इंकार कर सकता है" को एक विश्वसनीय क्षमता मानें
हेल्थकेयर सिस्टम को केवल इसलिए उच्च अंक नहीं मिलने चाहिए क्योंकि उनकी प्रतिक्रिया दर उच्च है। कार्य को निर्णय लेने में असमर्थता, अपर्याप्त छवि गुणवत्ता, लापता कुंजी परीक्षण, लेबल संघर्ष और लागू आबादी से परे जैसी स्थितियों को स्थापित करने की आवश्यकता है, और मूल्यांकन करें कि क्या मॉडल पूरक जानकारी का अनुरोध करने या इसे नैदानिक कर्मियों को स्थानांतरित करने के लिए उपयुक्त है।स्कोर को संयुक्त रूप से कवरेज और त्रुटि दर की रिपोर्ट करनी चाहिए: कवरेज कम करने से सटीकता में सुधार हो सकता है, लेकिन यदि सिस्टम केवल आसान मामलों का उत्तर देता है, तो इसे जोखिम-कवरेज वक्र या पूर्व निर्धारित कवरेज सीमा के माध्यम से प्रस्तुत किया जाना चाहिए;खतरनाक चूकों, झूठे आश्वासनों और निराधार निदानों को सुरक्षा घटनाओं के लिए अलग से सूचीबद्ध किया जाना चाहिए।
3.3 प्राधिकरण, नैतिकता और गुमनामीकरण मॉडल बेंचमार्किंग से पहले होना चाहिए
संलग्न फ़ाइल नाम "डिसेन्सिटाइज़्ड" दर्शाता है, जो केवल एक स्रोत कथन है और गुमनामीकरण या कानूनी उपयोग का स्वतंत्र प्रमाण नहीं बनता है।सामग्रियों के इस बैच की स्वचालित पाठ स्क्रीनिंग सामान्य पहचान सूचना पैटर्न का पता लगाने में विफल रही, लेकिन यह मूल दस्तावेजों के पृष्ठ-दर-पृष्ठ निरीक्षण, छवि/ओसीआर निरीक्षण, मेटाडेटा निरीक्षण, दुर्लभ संयोजन पुन: पहचान जोखिम मूल्यांकन, प्राधिकरण दस्तावेज़ सत्यापन और नैतिक निर्णय को प्रतिस्थापित नहीं कर सकती है।रोगी-स्तर के डेटा को कानूनी स्रोत, उपयोग के उद्देश्य, प्राधिकरण का दायरा, पहुंच कर्मियों, प्रतिधारण अवधि, विलोपन और ऑडिटिंग नियमों को स्थापित करने की आवश्यकता है;अभी भी पहचान रद्द करने का मतलब गुमनाम होना नहीं है। बाहरी प्रदर्शन के लिए केवल पर्याप्त समग्र आँकड़े जारी किए जाएंगे, और कोई भी पाठ, स्क्रीनशॉट या दुर्लभ संयोजन जिन्हें मामलों में वापस खोजा जा सकता है, जारी नहीं किया जाएगा। प्रशिक्षण सेट और निजी परीक्षण सेट विकेंद्रीकृत पहुंच को लागू करते हैं, और मॉडल सबमिशन और डेटा एक्सेस निशान छोड़ते हैं।
4. स्कोरकार्ड: सही उत्तरों से लेकर विश्वसनीय, मजबूत और उपयोगी तक
निम्नलिखित एक सुझाया गया मूल्यांकन ढांचा है, संलग्न मामले या किसी मॉडल के लिए परिकलित स्कोर नहीं।शासन पहुंच एक-वोट वीटो सीमा के रूप में कार्य करती है: जो लोग नैतिकता/प्राधिकरण, डिसेन्सिटाइजेशन, लेबलिंग आधार, रिसाव जांच और संस्करण जानकारी में विफल रहते हैं वे सूची तुलना में भाग नहीं लेंगे। प्रवेश उत्तीर्ण करने के बाद, विशिष्ट ट्रैक के लक्ष्य कार्यों के अनुसार अंक निर्धारित किए जाते हैं; क्लिनिकल कार्य की शुद्धता, साक्ष्य का पता लगाने की क्षमता, संरचित डेटा की गुणवत्ता, सुरक्षा और अस्वीकृति, मजबूती/क्रॉस-डोमेन प्रदर्शन जैसे मॉड्यूल को 100-बिंदु पैमाने पर सेट किया जा सकता है।हालाँकि, परीक्षण सेट को फ्रीज करने से पहले विशिष्ट वजन को विशेषज्ञों, नैदानिक उपयोगकर्ताओं और सांख्यिकी टीमों द्वारा संयुक्त रूप से पूर्व-पंजीकृत किया जाना चाहिए, और संवेदनशीलता विश्लेषण के माध्यम से सत्यापित किया जाना चाहिए। किसी निश्चित मॉडल की बढ़त हासिल करने के लिए वज़न को बाद में समायोजित नहीं किया जाना चाहिए।
| आयाम | सुझाए गए अवलोकन | लागू संकेतक उदाहरण | मुख्य जोखिम |
|---|---|---|---|
| नैदानिक कार्य शुद्धता | निष्कर्षण, वर्गीकरण, प्रवृत्ति, वर्गीकरण या पूर्व निर्धारित प्रसंस्करण सीमा | परिशुद्धता/रिकॉल, मैक्रो-औसत F1, MAE, भारित κ | समग्र संकेतक उच्च जोखिम वाले छूटे हुए निदानों की एक छोटी संख्या को कवर करते हैं |
| साक्ष्य का पता लगाया जा सकता है | निष्कर्ष: क्या मूल पृष्ठ, फ़ील्ड, चेक समय और नियमों का पता लगाया जा सकता है? | साक्ष्य स्थान सटीकता, मूल्य/इकाई संयुक्त मिलान दर | उत्तर सही है लेकिन आधार गलत है या ऑडिट नहीं किया जा सकता |
| सुरक्षा और अनिश्चितता | उत्तर देने से इनकार, अपग्रेड, चेतावनी संकेत पहचान, मतिभ्रम और प्रमुख चूक | गंभीर त्रुटि दर, जोखिम कवरेज वक्र, अंशांकन त्रुटि | त्रुटि सुझाव समान रूप से पतला है |
| मजबूत और निष्पक्ष | गायब, स्कैन गुणवत्ता, उपकरण/संस्थान, आयु और अन्य स्तरीकरण | स्तरीकृत अंतर, आत्मविश्वास अंतराल, बहाव संकेतक | अपर्याप्त नमूने के परिणामस्वरूप गलत उपसमूह निष्कर्ष निकलते हैं |
| ऑपरेशन को पुन: प्रस्तुत किया जा सकता है | मॉडल संस्करण, शीघ्र शब्द, अनुमान पैरामीटर, दिनांक और डेटा हैश | पर्यावरण रिकॉर्ड के पुन: संचालन और पूर्णता दर में अंतर | सूची परिणामों की समीक्षा नहीं की जा सकती |
संकेतक को कार्य से मेल खाना चाहिए। फ़ील्ड निष्कर्षण फ़ील्ड-स्तरीय परिशुद्धता/रिकॉल/F1 के साथ सटीक मिलान रिपोर्ट करता है; निरंतर मान त्रुटियों और इकाई शुद्धता की रिपोर्ट करते हैं;क्रमिक गंभीरता भारित κ या रैंक भ्रम मैट्रिक्स का उपयोग करती है;भविष्यवाणी कार्य एक साथ भेदभाव, अंशांकन, नैदानिक सीमाओं और आत्मविश्वास अंतराल पर शुद्ध लाभ देते हैं; खुली प्रतिक्रियाएँ विशेषज्ञ-विकसित परमाणु तथ्य सूचियों, साक्ष्य समर्थन, महत्वपूर्ण चूक और गंभीरता के पैमाने और स्वचालित समीक्षकों के मैन्युअल स्थिरता सत्यापन का उपयोग करती हैं। अंशांकन को "मॉडल स्व-रिपोर्टेड आत्मविश्वास" द्वारा प्रतिस्थापित नहीं किया जा सकता है।पूर्वानुमानित अध्ययनों को TRIPOD+AI जैसी पारदर्शी रिपोर्टिंग अनुशंसाओं का पालन करना चाहिए; बहु-संस्था/क्लस्टर डेटा को संस्थागत विविधता और संबंधित विश्लेषण पर भी रिपोर्ट करना चाहिए[4]。
इस बार n=12 इन समग्र संकेतकों का स्थिर अनुमान लगाने के लिए पर्याप्त नहीं है।उपयुक्त पायलट आउटपुट केस-स्तरीय त्रुटि सूचियां (केवल अधिकृत वातावरण के भीतर), कार्य परिभाषा अंतराल, एनोटेशन असहमति, व्यवस्थित स्वरूपण विफलताएं, मैन्युअल समीक्षा समय, प्रक्रिया ब्रेकप्वाइंट और स्कोरिंग स्क्रिप्ट परीक्षण परिणाम हैं।वास्तविक मॉडल रैंकिंग बाहरी दुनिया के लिए जारी नहीं की जाती है।औपचारिक सत्यापन चरण में प्रवेश करने से पहले, नमूना आकार का प्रदर्शन अपेक्षित व्यापकता, संवेदनशीलता/विशिष्टता लक्ष्य, अनुमत आत्मविश्वास अंतराल चौड़ाई, संस्थागत क्लस्टरिंग, खोए अनुवर्ती और अमान्य परीक्षाओं के अनुपात पर आधारित होना चाहिए; रोगियों को दस्तावेज़ व्यवहार सांख्यिकीय इकाइयों के बजाय, अंतराल अनुमान को अधिमानतः उन तरीकों का उपयोग करना चाहिए जो क्लस्टरिंग संरचना को प्रतिबिंबित कर सकें।
5. सूचियों में रिसाव, पूर्वाग्रह और झूठी सटीकता से कैसे बचें
5.1 छिपे हुए परीक्षण सेट "रैंकिंग को स्वाइप करने" को रोकने में सक्षम होने चाहिए
यदि सभी परीक्षण मामलों का खुलासा किया जाता है, तो मॉडल प्रशिक्षण कोष, त्वरित शब्दों या कृत्रिम नियमों में उत्तर याद रख सकता है। सूची में सार्वजनिक विकास सेट और समानांतर में नियंत्रित छिपे हुए सेट का उपयोग किया जाना चाहिए: सार्वजनिक कार्य परिभाषाएँ, फ़ील्ड विनिर्देश, स्कोरिंग प्रक्रियाएँ और प्रतिनिधि विकास नमूने; एक अधिकृत निजी परीक्षण सेट बनाए रखें, सबमिशन की आवृत्ति सीमित करें, और एपीआई/कंटेनर कॉल लॉग, इनपुट और आउटपुट सारांश, मॉडल संस्करण और डेटा हैश बनाए रखें।मॉडल टीम को यह घोषित करने की आवश्यकता है कि परीक्षण डेटा का उपयोग प्रशिक्षण, ट्यूनिंग या मैन्युअल समीक्षा के लिए किया जाए या नहीं। बार-बार सबमिशन के कारण होने वाले टेस्ट सेट अनुकूलन को नए बैच सेट, टाइम ड्रिफ्ट सेट और घूमते हुए छिपे हुए प्रश्नों के माध्यम से नियंत्रित किया जाना चाहिए।
विभाजन कम से कम रोगी द्वारा किया जाना चाहिए; पर्याप्त डेटा उपलब्ध होने के बाद, अस्पताल, उपकरण और समय द्वारा बाहरी परीक्षण जोड़ा जा सकता है। सभी दौरों, रिपोर्ट प्रतियों, सजातीय टेम्पलेट्स, निकट-डुप्लिकेट पीडीएफ, कॉपी किए गए पाठ और छवि डुप्लिकेशंस में एक ही मरीज के दौरे की जांच करें।"अधिक केंद्रों से कुछ यादृच्छिक नमूने लेने" के बजाय, क्रॉस-सेंटर सत्यापन पूरे संस्थान को एक स्वतंत्र डोमेन के रूप में बनाए रखता है और प्रत्येक केंद्र के लिए नमूना संरचना, संकेतक अंतराल और विफलता मोड की रिपोर्ट करता है।मल्टी-मोडल कार्यों में यह सुनिश्चित करने की आवश्यकता है कि छवियों, रिपोर्टों, परीक्षणों और मामले के परिणामों की मिलान कुंजी रोगी की पहचान को लीक किए बिना विश्वसनीय हैं।
5.2 मूल्यांकन को मॉडल प्रदर्शन के बजाय नैदानिक उपयोग परिणामों पर ध्यान केंद्रित करना चाहिए
केस का उत्तर देना केवल ऑफ़लाइन क्षमताओं की पुष्टि करता है;परिनियोजन का मूल्य इस बात पर भी निर्भर करता है कि क्या मॉडल बार-बार प्रविष्टियों को कम कर सकता है, डेटा पूर्णता में सुधार कर सकता है, विशेषज्ञ समीक्षा समय को कम कर सकता है, और गलत रेफरल, छूटी रिपोर्ट या कार्यभार नहीं बढ़ा सकता है।वास्तविक वर्कफ़्लो में प्रवेश करने से पहले, इसे साइलेंट ऑपरेशन, मैनुअल-इन-द-लूप पायलट, संभावित प्रयोज्य मूल्यांकन और आवश्यक नैदानिक अनुसंधान के माध्यम से स्पष्ट किया जाना चाहिए कि क्या डॉक्टर मॉडल आउटपुट देख सकते हैं, जब इसे ओवरराइट किया जा सकता है, अपवाद कैसे बढ़ाए जाते हैं, और त्रुटियों की समीक्षा कौन करता है।जोखिम ग्रेडिंग में कम जोखिम वाली सहायक छंटाई और उच्च जोखिम ट्राइएज/निदान सिफारिशों को शामिल करने की आवश्यकता है, और नियामक, नैतिक या नैदानिक साक्ष्य को प्रतिस्थापित करने के लिए छोटे नमूना ऑफ़लाइन स्कोर का उपयोग नहीं किया जा सकता है।
हाल के शोध से पता चलता है कि मेडिकल इमेजिंग एआई का प्रदर्शन और हस्तांतरणीयता समूह के आकार, संदर्भ मानकों, इमेजिंग परिदृश्यों और बाहरी डेटा से निकटता से संबंधित है।डीपडीकेडी ने बड़े पैमाने पर विकास समूह का उपयोग किया और रेटिनल इमेज अनुमान डायबिटिक नेफ्रोपैथी अध्ययन में 10 बहु-जातीय डेटा सेटों पर मान्य किया गया, जो मॉडल निष्कर्षों के बजाय "एकल-केंद्र प्रदर्शन से बाहरी सत्यापन की ओर बढ़ने" का एक पद्धतिगत उदाहरण प्रदान करता है जिसे सीधे इन 12 मामलों में प्रत्यारोपित किया जा सकता है।[5]. मधुमेह के पैर में एआई की एक व्यवस्थित समीक्षा में यह भी पाया गया कि अंशांकन जैसे मेट्रिक्स की कम रिपोर्टिंग व्यक्तिगत जोखिम व्याख्या और निर्णय लेने की विश्वसनीयता को कमजोर करती है।[6]. इसलिए, इस परियोजना के नवाचार बिंदु मूल्यांकन डिजाइन, विशेषज्ञ सहमति, साक्ष्य श्रृंखला और क्रॉस-डोमेन सत्यापन क्षमताओं में निहित होने चाहिए, और इसे सत्यापित नैदानिक उत्पाद के रूप में पैक नहीं किया जाना चाहिए।
6. 12-केस प्रोसेस पायलट से मल्टी-सेंटर मूल्यांकन प्लेटफ़ॉर्म तक
- चरण 0｜पहुँच और सूचीडेटा प्रदाता प्राधिकरण, नैतिक पथ, डेटा उपयोग, अवधारण अवधि, रोगी-स्तर डिडुप्लीकेशन विधि और छवि/दस्तावेज़ उपलब्धता सीमा की पुष्टि करें; प्रपत्र डेटा कार्ड, गुम रिपोर्ट, फ़ील्ड शब्दकोश, फ़ाइल वंशावली और गोपनीयता जोखिम सूची।मामले पूरे होने तक बाहरी मॉडल सेवाओं पर अपलोड नहीं किए जाते हैं।
- चरण 1｜12 केस कार्यप्रणाली पायलटप्रत्येक रोग के लिए नैदानिक विशेषज्ञों द्वारा चयनित 1-2 निर्णय योग्य और समीक्षा योग्य कार्य; दो-व्यक्ति एनोटेशन और मध्यस्थता; सत्यापन एनोटेशन कार्यक्षेत्र, साक्ष्य उद्धरण, स्कोरिंग स्क्रिप्ट, ब्लाइंड परीक्षण प्रक्रिया और त्रुटि गंभीरता लेबल।केवल प्रक्रिया रिपोर्टें वितरित की जाती हैं, कोई रैंकिंग या प्रदर्शन अनुमान प्रकाशित नहीं किए जाते हैं।
- चरण 2｜लक्षित जनसंख्या और नमूना आकार डिजाइनसमावेशन मानदंड, रोग स्पेक्ट्रम, उपकरण, समय विंडो, परिणाम अनुवर्ती और डेटा प्राधिकरण को स्पष्ट करने के लिए संभावित या पूर्वव्यापी समूहों के लिए कई अस्पतालों के साथ बातचीत करें।सांख्यिकीय टीम प्राथमिक समापन बिंदु और उपसमूह आवश्यकताओं की सटीकता/विश्वास अंतराल के आधार पर नमूना आकार की गणना करेगी;"फ़ाइलों के एक बैच को एक साथ लाना" का उपयोग डेटाबेस निर्माण के लिए मानक के रूप में नहीं किया जाएगा।अंतर-केंद्र चर मानचित्रण, इकाई मानकीकरण और शब्दावली संरेखण करना।
- स्टेज 3 | आधिकारिक सूची और छिपा हुआ सत्यापनप्रोटोकॉल संस्करण, मॉडल सबमिशन नियम, पूर्व-पंजीकरण संकेतक, सूची अद्यतन समय, हितों का टकराव और अपील तंत्र जारी करता है; सार्वजनिक विकास सेट और नियंत्रित छिपे हुए सेट स्थापित करता है, उप-केंद्र और उप-कार्य परिणाम, अंशांकन, अनिश्चितता, सुरक्षा घटनाओं और लागू समूहों की रिपोर्ट करता है।पाठ कार्य स्कोर के साथ अमूल्यांकित छवि तौर-तरीकों को प्रतिस्थापित करना निषिद्ध है।
- चरण 4｜नैदानिक प्रभावशीलता और सतत निगरानीवास्तविक वर्कफ़्लो में समय, गुणवत्ता, सुरक्षा और मानवीय कारकों का आकलन करें; लाइव होने के बाद उपकरण/जनसंख्या बहाव, इनपुट गुणवत्ता परिवर्तन और त्रुटि वृद्धि की निगरानी करें।हर बार डेटा, दिशानिर्देश, मॉडल इंटरफेस या स्कोरिंग स्क्रिप्ट बदले जाते हैं, एक नया संस्करण तैयार किया जाता है, रोलबैक रिकॉर्ड और ऐतिहासिक सूचियां बरकरार रखी जाती हैं, और पुराने परिणामों को चुपचाप अधिलेखित नहीं किया जाता है।
यह अनुशंसा की जाती है कि डेटा विवरण को पुन: प्रयोज्य डेटा कार्ड के विचार का पालन करना चाहिए और संग्रह समय, स्रोत संस्थान श्रेणी, रोगी और मामले की गिनती क्षमता, समावेशन की स्थिति, प्रत्येक कार्य लेबल परिभाषा, संदर्भ मानक, विशेषज्ञ भूमिकाएं, कमियां और पूर्वाग्रह, अनुमतियां और पहुंच विधियां, निषिद्ध परिदृश्य, संस्करण अंतर और ज्ञात सीमाएं बतानी चाहिए।क्रॉस-संस्थागत क्लिनिकल डेटा के लिए, ओएमओपी सीडीएम, एलओआईएनसी, एसएनओएमईडी सीटी और आईसीडी जैसे अंतरराष्ट्रीय स्तर पर सामान्य मानकों का उपयोग मैपिंग संदर्भ के रूप में किया जा सकता है, लेकिन मूल कोड, मैपिंग टेबल संस्करण और अप्राप्य आइटम रिकॉर्ड किए जाने चाहिए, और मूल क्लिनिकल शब्दार्थ को "मानकीकरण" के लिए खोया नहीं जा सकता है।
7. LumeSage का निर्माण प्रस्ताव और व्यवसाय बंद लूप
अस्पतालों के लिए, रोग-विशिष्ट केस पैकेज एक तैयार AI सूची नहीं है, बल्कि डेटा उत्पादीकरण और मूल्यांकन परियोजनाओं को शुरू करने के लिए कच्चा माल है।मेडिकल एआई टीम के लिए, यह उत्तर देने में सक्षम होना कि "लोगों का कौन सा समूह, कौन सा कार्य, लेबल का कौन सा सेट, यह परिणाम किस संस्करण के अनुरूप है, और यह परिणाम किस त्रुटि के अनुरूप है?" आवेदन सीमाओं से अलग किए गए कुल स्कोर की तुलना में आर एंड डी निर्णयों का बेहतर समर्थन कर सकता है।LumeSage का विभेदित प्रस्ताव तीन सत्यापन योग्य वितरण लाइनों पर बनाया जा सकता है: पहला, विशेषज्ञ कार्यों और नैदानिक संदर्भ मानकों को परिभाषित करते हैं; दूसरा, इंजीनियरिंग टीम असंरचित दस्तावेज़ों, संरचित परीक्षणों, समय और स्रोतों को ट्रेस करने योग्य डेटा में जोड़ती है;तीसरा, मूल्यांकन टीम अंध परीक्षण, गंभीरता स्तरीकरण, बाहरी सत्यापन और संस्करण प्रबंधन के माध्यम से निरंतर पुनरावृत्तियों का एक बंद लूप बनाती है।
इस व्यवसाय श्रृंखला का मूल्य प्रशिक्षण मॉडल से परे है: अस्पताल वैज्ञानिक अनुसंधान, डेटा प्रशासन और बहु-केंद्र सहयोग करने के लिए एकीकृत लेबल और गुणवत्ता नियमों का उपयोग कर सकते हैं; मॉडल कंपनियां ऑनलाइन जाने से पहले दस्तावेज़ पार्सिंग, यूनिट त्रुटियां, उपसमूह प्रदर्शन में गिरावट और खतरनाक अंडररिपोर्टिंग की खोज कर सकती हैं;अनुसंधान दल प्रायोगिक प्रोटोकॉल प्राप्त कर सकते हैं जिनकी समीक्षा की जा सकती है;मरीजों को स्पष्ट साक्ष्य श्रृंखला, अधिक उपयुक्त अनिश्चितता अभिव्यक्ति और सुरक्षित मानव-मशीन सहयोग से लाभ होता है। सभी मूल्यों को विशिष्ट परियोजना संकेतकों के माध्यम से सत्यापित करने की आवश्यकता है और केवल डेटा की मात्रा या सूची में रैंकिंग के आधार पर अनुमान नहीं लगाया जा सकता है।
इसलिए, यह अनुशंसा की जाती है कि इस परियोजना को "डायकॉम्प-बेंच अनुसंधान पायलट" के रूप में शुरू किया जाए: पहले एक डेटा कार्ड और चार रोग कार्य कैटलॉग बनाएं, विशेषज्ञ एनोटेशन प्रक्रिया और मूल्यांकन उपकरण सत्यापन के लिए केवल 12 मामलों को सीमित करें; अनुपालन समीक्षा पूरी करने के बाद एक बहु-केंद्र समूह बनाएं; नैदानिक विशेषज्ञ, सांख्यिकीविद्, एल्गोरिदम इंजीनियर और रोगी सुरक्षा कर्मी संयुक्त रूप से संदर्भ मानकों, संकेतकों और छिपे हुए सेटों को फ्रीज करते हैं; बाहरी सत्यापन और वास्तविक वर्कफ़्लो मूल्यांकन के बाद, तय करें कि रैंकिंग और उनकी लागू सीमाओं का खुलासा किया जाए या नहीं। यह न केवल वर्तमान अनुलग्नक साक्ष्य का सम्मान करता है, बल्कि मधुमेह जटिलताओं के लिए उच्च-गुणवत्ता, प्रतिलिपि प्रस्तुत करने योग्य और नैदानिक रूप से मूल्यवान एआई मूल्यांकन प्रणाली के बाद के गठन के लिए एक स्पष्ट मार्ग भी छोड़ता है।
संदर्भ
- [1] अमेरिकन डायबिटीज एसोसिएशन प्रोफेशनल प्रैक्टिस कमेटी। 11. क्रोनिक किडनी रोग और जोखिम प्रबंधन: मधुमेह में देखभाल के मानक-2026। मधुमेह देखभाल. 2026;49(सप्ल 1):एस246-एस260। डीओआई 10.2337/dc26-S011.
- [2] टैंग ज़ेड, वांग एल, गुओ ज़ेड, और अन्य। फाउंडेशन मॉडल का उपयोग करके डायबिटिक रेटिनोपैथी का पता लगाने के लिए एक मल्टीमॉडल रेटिनल इमेज डेटासेट। वैज्ञानिक डेटा. 2026;13:639. डीओआई 10.1038/s41597-026-07005-9.
- [3] क्या मल्टीमॉडल बड़े भाषा मॉडल फंडस फोटो से डायबिटिक रेटिनोपैथी का निदान कर सकते हैं? एक मात्रात्मक मूल्यांकन. नेत्र विज्ञान विज्ञान. 2026;6(1):100911. डीओआई 10.1016/j.xops.2025.100911.
- [4] कोलिन्स जीएस, मून्स केजीएम, धीमान पी, एट अल। TRIPOD+AI कथन: प्रतिगमन या मशीन सीखने के तरीकों का उपयोग करने वाले नैदानिक भविष्यवाणी मॉडल की रिपोर्टिंग के लिए अद्यतन मार्गदर्शन। BMJ. 2024;385:e078378. डीओआई 10.1136/bmj-2023-078378.
- [5] मेंग एट अल। रेटिना छवियों पर लागू गहन शिक्षण के माध्यम से मधुमेह गुर्दे की बीमारी का गैर-आक्रामक बायोप्सी निदान: एक जनसंख्या-आधारित अध्ययन। द लैंसेट डिजिटल हेल्थ. 2025. डीओआई 10.1016/j.landig.2025.02.008.
- [6] आर्टिफिशियल इंटेलिजेंस और मशीन लर्निंग तकनीकों का उपयोग कर मधुमेह संबंधी पैर अल्सर वर्गीकरण मॉडल: व्यवस्थित समीक्षा। जर्नल ऑफ मेडिकल इंटरनेट रिसर्च. 2025;27:ई69408। डीओआई 10.2196/69408.
- [7] अमेरिकन डायबिटीज एसोसिएशन प्रोफेशनल प्रैक्टिस कमेटी। 12. रेटिनोपैथी, न्यूरोपैथी, और पैरों की देखभाल: मधुमेह में देखभाल के मानक—2026। मधुमेह देखभाल. 2026;49(सप्ल 1):एस261-एस276। डीओआई 10.2337/dc26-S012.
कार्यप्रणाली विवरणइस आलेख में अनुलग्नकों का विवरण फ़ाइल-स्तरीय संरचनात्मक सूची तक सीमित है; रोगी-स्तरीय मेडिकल रिकॉर्ड सामग्री दिखाई या पुनरुत्पादित नहीं की जाती है। स्वचालित डिसेन्सिटाइजेशन स्क्रीनिंग गोपनीयता अनुपालन प्रमाणीकरण का गठन नहीं करती है, न ही संलग्न डेटा सार्वजनिक प्रशिक्षण सेट या चिकित्सकीय रूप से मान्य मॉडल रैंकिंग का गठन करता है। नैदानिक परिभाषाओं और उपयोग का मूल्यांकन एक योग्य चिकित्सा पेशेवर द्वारा लागू दिशानिर्देशों, संपूर्ण चिकित्सा इतिहास और स्थानीय नियमों के साथ किया जाना चाहिए।
