विषय 1.3 — साक्ष्य-आधारित निर्णय

एक वाक्य में: साक्ष्य-आधारित निर्णय-निर्माण का अर्थ है कि क्या बनाना, खरीदना, और बढ़ाना है यह सबसे अच्छे उपलब्ध साक्ष्य — क्लिनिकल और डिलीवरी — की ताकत पर, जोखिम के अनुपात में तय करना, और तर्क को दर्ज करना ताकि यह उन लोगों से आगे जीवित रहे जिन्होंने इसे बनाया।

यह स्वास्थ्य और देखभाल में क्यों महत्वपूर्ण है#

अधिकांश क्षेत्रों में एक खराब उत्पाद निर्णय पैसे की कीमत चुकाता है। स्वास्थ्य और देखभाल में यह सुरक्षा, समानता, और विश्वास की कीमत चुका सकता है — और यह वैधानिक कर्तव्य के तहत सार्वजनिक धन के साथ लिया जाता है। एक ऐसे डिजिटल डायग्नोस्टिक को तैनात करने का निर्णय जिसका कभी मूल्यांकन नहीं किया गया है, कोई व्यावसायिक जुआ नहीं है; यह एक क्लिनिकल जोखिम है। यह साक्ष्य की बार को "डेमो अच्छा लगा" से कहीं ऊपर उठाता है।

यह क्षेत्र इसलिए भी विशिष्ट है क्योंकि यह एक साथ दो प्रकार के साक्ष्य की मांग करता है। क्लिनिकल साक्ष्य "क्या यह प्रौद्योगिकी काम करती है, और क्या यह रोगियों के लिए सुरक्षित और प्रभावी है?" का उत्तर देता है। डिलीवरी साक्ष्य "क्या हम सही चीज़ अच्छी तरह बना रहे हैं, और क्या इसे अपनाया और उपयोग किया जा रहा है?" का उत्तर देता है। एक सेवा क्लिनिकल रूप से ठोस हो सकती है लेकिन एक डिलीवरी विफलता (कोई इसका उपयोग नहीं करता), या एक डिलीवरी सफलता लेकिन क्लिनिकल रूप से अप्रमाणित (व्यापक रूप से उपयोग किया गया, कभी मान्य नहीं किया गया)। वरिष्ठ नेताओं को दोनों की मांग करनी चाहिए और कभी एक को दूसरे के रूप में छिपने नहीं देना चाहिए। और क्योंकि स्वास्थ्य निर्णय जांच आकर्षित करते हैं — नियामकों, जनता, और क्लिनिशियनों से — आपने क्यों तय किया इसका रिकॉर्ड निर्णय जितना ही मायने रखता है।

मुख्य अवधारणाएं#

साक्ष्य का पदानुक्रम। साक्ष्य-आधारित चिकित्सा अध्ययन डिज़ाइनों को इस आधार पर रैंक करती है कि वे पक्षपात को कितनी अच्छी तरह नियंत्रित करते हैं: शीर्ष पर, यादृच्छिक नियंत्रित परीक्षणों (RCT) के व्यवस्थित समीक्षाएं और मेटा-विश्लेषण; फिर व्यक्तिगत RCT; फिर समूह और केस-नियंत्रण अध्ययन; फिर केस श्रृंखला; और आधार पर, विशेषज्ञ राय और उपाख्यान। पदानुक्रम एक मार्गदर्शिका है, कोई जकड़बंद नहीं — लेकिन यह आपको अनुशासित करता है कि जब कोई दावा प्रमाण के रूप में सजाए गए उपाख्यान पर टिका हो तो उसे नोटिस करें।

डिजिटल स्वास्थ्य प्रौद्योगिकियों के लिए NICE Evidence Standards Framework (ESF)। NICE ने, NHS England और साझेदारों के साथ, ESF बनाया ताकि यह निर्धारित किया जा सके कि एक डिजिटल स्वास्थ्य प्रौद्योगिकी (DHT) को कौन से स्तर के साक्ष्य की आवश्यकता है, उसके कार्य और उसके द्वारा उठाए गए जोखिम के अनुपात में। यह DHT को संभावित जोखिम के अनुसार स्तरीकृत करता है — सरल सिस्टम सेवाओं से लेकर, उन उपकरणों तक जो देखभाल को सूचित या संचालित करते हैं, उन तक जो सीधे निदान या उपचार करते हैं — और हर स्तर पर अपेक्षित क्लिनिकल प्रभावशीलता और आर्थिक साक्ष्य निर्दिष्ट करता है। क्लिनिकल जोखिम जितना अधिक, आवश्यक साक्ष्य उतना ही मज़बूत। ESF आयुक्तों और डेवलपर्स के लिए संदर्भ बिंदु है जो यह तय कर रहे हैं कि एक DHT तैयार है या नहीं।

वास्तविक-दुनिया डेटा और वास्तविक-दुनिया साक्ष्य। वास्तविक-दुनिया डेटा (RWD) नियमित देखभाल से आता है — इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड, रजिस्ट्रियां, रोगी-रिपोर्टेड परिणाम, डिवाइस टेलीमेट्री — नियंत्रित परीक्षणों के बजाय। अच्छी तरह से विश्लेषित (संभावित अवलोकन अध्ययनों, व्यावहारिक परीक्षणों, या सावधानीपूर्वक EHR विश्लेषण के माध्यम से) यह इस बारे में वास्तविक-दुनिया साक्ष्य (RWE) बन जाता है कि एक प्रौद्योगिकी व्यवहार में कैसा प्रदर्शन करती है। RWE उन प्रौद्योगिकियों के लिए आवश्यक है जो सीखती या बदलती हैं (AI, पहनने योग्य उपकरण), जहां एक बार का परीक्षण चल रहे व्यवहार को कैप्चर नहीं कर सकता, लेकिन यह भ्रमित करने वाले जोखिम उठाता है जिन्हें ईमानदारी से संभाला जाना चाहिए।

क्लिनिकल साक्ष्य बनाम डिलीवरी साक्ष्य। इन्हें अलग-अलग अक्षों पर रखें। क्लिनिकल साक्ष्य ऊपर दिए गए पदानुक्रम और ESF का उपयोग करता है: प्रभावकारिता, सुरक्षा, प्रभावशीलता। डिलीवरी साक्ष्य उत्पाद और सेवा विश्लेषिकी का उपयोग करता है: क्या सेवा उपयोग योग्य है, अपनाई गई है, उपयोगकर्ता के कार्य को पूरा कर रही है, विफलता मांग को कम कर रही है? दोनों की आवश्यकता है; उन्हें मिलाना एक क्लासिक त्रुटि है (एक उच्च उपयोग आंकड़ा क्लिनिकल प्रमाण नहीं है)।

मूल्यांकन डिज़ाइन। एक तर्क मॉडल (या परिवर्तन सिद्धांत) स्पष्ट करता है कि इनपुट और गतिविधियां आउटपुट और परिणाम उत्पन्न करने वाली कैसे मानी जाती हैं — यह वह मानचित्र है जिसे कोई भी मूल्यांकन परखता है। एक RCT सबसे मज़बूत कारणात्मक उत्तर देता है लेकिन धीमा, महंगा, और कभी-कभी एक तेज़ी से बदलती सेवा के लिए अव्यावहारिक या अनैतिक होता है। व्यावहारिक मूल्यांकन — व्यावहारिक परीक्षण, बाधित समय श्रृंखला, नियंत्रणों के साथ पहले/बाद, मिश्रित-विधि सेवा मूल्यांकन — गति और वास्तविक-दुनिया प्रासंगिकता के लिए कुछ निश्चितता का व्यापार करता है। दांव पर लगे जोखिम और निर्णय के अनुपात में डिज़ाइन चुनें।

A/B परीक्षण और विश्लेषिकी। कम-जोखिम, डिलीवरी-पक्ष के प्रश्नों के लिए (कौन सी शब्दावली अपॉइंटमेंट उपस्थिति बढ़ाती है? कौन सा प्रवाह ड्रॉप-ऑफ कम करता है?), नियंत्रित ऑनलाइन प्रयोग (A/B परीक्षण) तेज़, कारणात्मक डिलीवरी साक्ष्य देते हैं। वे अनुकूलन के लिए शक्तिशाली हैं लेकिन इन्हें कभी भी अनमूल्यांकित क्लिनिकल परिवर्तन करने के लिए उपयोग नहीं किया जाना चाहिए, और सहमति और सूचना-प्रशासन सीमाओं का सम्मान करना चाहिए।

HiPPO निर्णय। "HiPPO" — Highest-Paid Person's Opinion (सबसे अधिक वेतन पाने वाले व्यक्ति की राय) — उस विफलता को नाम देता है जहां वरिष्ठता साक्ष्य को खारिज कर देती है। साक्ष्य-आधारित संस्कृतियां कमरे में किसी से भी "डेटा क्या दिखाता है?" पूछना सुरक्षित और सामान्य बनाती हैं, और एक वरिष्ठ अनुमान को परखने के लिए एक परिकल्पना के रूप में मानती हैं, निष्कर्ष के रूप में नहीं।

निर्णय रिकॉर्ड। एक निर्णय रिकॉर्ड (या निर्णय लॉग / आर्किटेक्चर निर्णय रिकॉर्ड) संक्षेप में कैप्चर करता है: निर्णय, विचार किए गए विकल्प, तौले गए साक्ष्य, किसने निर्णय लिया, और कब। यह तर्क को ऑडिट योग्य बनाता है, स्टाफ टर्नओवर से बचता है, और उसी तर्क को हर तिमाही में फिर से चलने से रोकता है।

सर्वोत्तम प्रथाएं#

1. साक्ष्य की ताकत को जोखिम के स्तर से मिलाएं। NICE ESF स्तरों को अपने पैमाने के रूप में उपयोग करें: एक कम-जोखिम वाले सिस्टम टूल को हल्के साक्ष्य की आवश्यकता है; एक उपकरण जो निदान या उपचार संचालित करता है उसे उच्च-गुणवत्ता वाले क्लिनिकल प्रभावशीलता साक्ष्य की आवश्यकता है। आनुपातिकता आपको सुरक्षित पर तेज़ी से और खतरनाक पर धीरे-धीरे आगे बढ़ने देती है, हर चीज़ पर एक ही बार लागू करने के बजाय।

2. क्लिनिकल और डिलीवरी दोनों साक्ष्य की मांग करें, और उन्हें कभी न मिलाएं। किसी भी महत्वपूर्ण निवेश के लिए, दो अलग-अलग प्रश्न पूछें — "क्या यह क्लिनिकल रूप से प्रभावी और सुरक्षित है?" और "क्या यह उपयोग योग्य है और अपनाया गया है?" — और हर एक के लिए साक्ष्य की मांग करें। अपनाने के मीट्रिक क्लिनिकल मान्यता का विकल्प नहीं हैं, और एक सकारात्मक परीक्षण वास्तविक-दुनिया उपयोग की गारंटी नहीं है।

3. हर पहल को एक तर्क मॉडल के साथ शुरू करें। निर्माण से पहले, लिख लें कि आप मानते हैं कि हस्तक्षेप उस परिणाम को कैसे उत्पन्न करेगा जो आप चाहते हैं। यह अपरीक्षित धारणाओं को जल्दी उजागर करता है, उन मीट्रिक को परिभाषित करता है जो मायने रखते हैं, और आपके बाद के मूल्यांकन को परखने के लिए कुछ ठोस देता है।

4. उन प्रौद्योगिकियों के लिए वास्तविक-दुनिया साक्ष्य का उपयोग करें जो सीखती या बनी रहती हैं। AI, एल्गोरिथम, और दीर्घजीवी सेवाओं के लिए, नियमित डेटा की संरचित निगरानी के साथ प्रारंभिक परीक्षणों को पूरक करें या उनके बाद करें — संभावित अवलोकन डिज़ाइन, व्यावहारिक मूल्यांकन — ताकि आप जानें कि व्यवहार में प्रदर्शन कैसे बना रहता है और बहाव को पकड़ सकें।

5. डिलीवरी प्रश्नों पर प्रयोग करें; क्लिनिकल का मूल्यांकन करें। सूचना-प्रशासन और सहमति सीमाओं के भीतर, डिलीवरी अनुकूलन (शब्दावली, प्रवाह, संकेत) के लिए A/B परीक्षण और विश्लेषिकी का स्वतंत्र रूप से उपयोग करें। क्लिनिकल प्रभाव के प्रश्नों के लिए औपचारिक मूल्यांकन (परीक्षण, व्यावहारिक अध्ययन) आरक्षित रखें। हर प्रश्न को सही विधि तक भेजें।

6. HiPPO निर्णयों को केवल प्रक्रियात्मक रूप से नहीं बल्कि सांस्कृतिक रूप से मारें। किसी भी निर्णय-निर्माता से साक्ष्य मांगना स्पष्ट रूप से स्वीकार्य बनाएं, वरिष्ठ दृष्टिकोणों को परिकल्पनाओं के रूप में तैयार करें, और पहले से प्रतिबद्ध हों कि कौन सा साक्ष्य आपका मन बदलेगा। एक टीम जो सुरक्षित रूप से वरिष्ठता को चुनौती दे सकती है बेहतर निर्णय लेती है।

7. निर्णयों और उनके साक्ष्य को रिकॉर्ड करें। हर महत्वपूर्ण विकल्प के लिए एक हल्का निर्णय लॉग रखें — क्या, क्यों, कौन सा साक्ष्य, कौन, कब। यह नियामकों और जनता के लिए ऑडिट योग्यता बनाता है, अंतहीन पुनः-मुकदमेबाज़ी को रोकता है, और स्टाफ उथल-पुथल के माध्यम से संस्थागत स्मृति को संरक्षित करता है।

8. डेटा नैतिकता पर ध्यान दें। साक्ष्य कार्य रोगी डेटा का उपयोग करता है; वैधता, सहमति, आनुपातिकता, और निष्पक्षता को डिज़ाइन बाधाओं के रूप में मानें। पक्षपाती डेटासेट के विरुद्ध रक्षा करें जो असमानता को गहरा करते हैं, गोपनीयता के कर्तव्य का सम्मान करें, और सुनिश्चित करें कि आपकी साक्ष्य प्रथाएं स्वयं सार्वजनिक जांच में जीवित रहेंगी।

आपकी टीम के साथ चर्चा करने के लिए प्रश्न#

1. हमारे सबसे हाल के महत्वपूर्ण निर्णय के लिए, क्या हम क्लिनिकल साक्ष्य और डिलीवरी साक्ष्य दोनों की ओर इशारा कर सकते हैं — अलग रखे गए — या एक चुपचाप दूसरे के लिए खड़ा हो गया? यह प्रश्न विषय के इस आग्रह को परखता है कि क्लिनिकल साक्ष्य ("क्या यह काम करता है और सुरक्षित है?") और डिलीवरी साक्ष्य ("क्या यह उपयोग योग्य है और अपनाया गया है?") अलग-अलग अक्षों पर बैठते हैं और उन्हें मिलाना एक क्लासिक, खतरनाक त्रुटि है। यह मायने रखता है क्योंकि एक सेवा क्लिनिकल रूप से ठोस हो सकती है फिर भी अप्रयुक्त, या भारी रूप से उपयोग हो सकती है फिर भी क्लिनिकल रूप से अमान्य, और स्वास्थ्य और देखभाल में एक उच्च उपयोग आंकड़े को क्लिनिकल प्रमाण समझ लेना सफलता जैसा दिखते हुए रोगियों को जोखिम में डाल सकता है। सामने लाने योग्य तनाव यह है कि डिलीवरी साक्ष्य तेज़, सस्ता, और चापलूसी करने वाला है — विश्लेषिकी डैशबोर्ड जल्दी भर जाते हैं — जबकि क्लिनिकल साक्ष्य धीमा, महंगा, और अक्सर अनिर्णायक है, इसलिए तर्क को ले जाने के लिए अपनाने के मीट्रिक को देने का निरंतर दबाव है। एक वास्तविक बोर्ड पेपर या निवेश मामला लें और उसका ऑडिट करें: क्या दो प्रकार के साक्ष्य अलग किए गए हैं, क्या हर एक वास्तव में मौजूद है, और क्या क्लिनिकल दावा आपूर्तिकर्ता डेमो या एकल-साइट अध्ययन से ऊपर किसी चीज़ पर टिका है? एक अच्छा, ईमानदार उत्तर एक विशिष्ट निर्णय की पहचान करता है, स्वीकार करता है कि एक साक्ष्य प्रकार कहां पतला या अनुपस्थित था, और भविष्य के महत्वपूर्ण विकल्पों में स्पष्ट और अलग रूप से दोनों की मांग करने के लिए प्रतिबद्ध होता है, एक मज़बूत उपयोग संख्या को सभी को आश्वस्त करने देने के बजाय।

2. हमारी साक्ष्य बार वास्तव में कितनी आनुपातिक है — क्या हम कम-जोखिम वाले परिवर्तनों के लिए स्वर्ण-मानक परीक्षणों की मांग कर रहे हैं जबकि उच्च-जोखिम वाले उपकरणों को पतले साक्ष्य पर लहरा रहे हैं? विषय NICE ESF स्तरों के माध्यम से आनुपातिकता को तैयार करता है: एक कम-जोखिम वाले सिस्टम टूल के लिए हल्का साक्ष्य, एक उपकरण के लिए उच्च-गुणवत्ता वाला क्लिनिकल प्रभावशीलता साक्ष्य जो निदान या उपचार संचालित करता है, इसलिए यह प्रश्न जांचता है कि क्या आपका संगठन वास्तव में बार को जोखिम के अनुसार कैलिब्रेट करता है या एक कुंद मानक लागू करता है। यह मायने रखता है क्योंकि दोनों विफलता दिशाएं महंगी हैं — विश्लेषण पक्षाघात एक अनावश्यक RCT के पीछे एक उपयोगी कम-जोखिम सामग्री परिवर्तन को रोकता है, जबकि एक कम-जांच की गई AI उपकरण जो क्लिनिकल निर्णयों को सूचित करती है एक सम्मोहक डेमो पर फिसल जाती है — और हर एक साक्ष्य संस्कृति में विश्वास को कमज़ोर करता है। बहस करने योग्य समझौता यह है कि आनुपातिकता को बचाव करने के लिए निर्णय और आत्मविश्वास की आवश्यकता होती है, जो एक समान नियम से कठिन है; एक सर्वव्यापी "हर चीज़ को एक परीक्षण चाहिए" या "अगर यह डिजिटल है, तो बस इसे पायलट करें" प्रशासित करना आसान है लेकिन गलत है। दो या तीन वर्तमान या हाल की प्रौद्योगिकियों के माध्यम से काम करें, हर एक को एक साथ उसके ESF स्तर में रखें, और जांचें कि क्या आपने जो साक्ष्य मांगा वह स्तर से मेल खाता था या इसका नेतृत्व कौन कर रहा था इससे संचालित था। एक ईमानदार उत्तर दिखाता है कि टीम एक प्रौद्योगिकी के जोखिम स्तर का पता लगा सकती है, स्वीकार करती है कि बार कहां किसी भी दिशा में गलत सेट किया गया है, और आनुपातिकता को एक वृत्ति के बजाय एक स्पष्ट, बचाव योग्य मानक के रूप में मानती है।

3. कमरे में सबसे वरिष्ठ व्यक्ति से "साक्ष्य क्या है?" पूछना सांस्कृतिक रूप से कितना सुरक्षित है — और आखिरी बार हमने एक नेता के अनुमान को निर्णय के बजाय परखने के लिए एक परिकल्पना के रूप में कब माना? यह प्रश्न HiPPO विफलता विधा का सीधे सामना करता है, जहां सबसे अधिक वेतन पाने वाले व्यक्ति की राय साक्ष्य को खारिज कर देती है, और परखता है कि क्या साक्ष्य के प्रति आपकी बताई गई प्रतिबद्धता पदानुक्रम और उस आपूर्तिकर्ता डेमो के संपर्क में जीवित रहती है जिसने एक सम्मानित निदेशक को प्रभावित किया। यह मायने रखता है क्योंकि स्वास्थ्य और देखभाल में एक अनमूल्यांकित उपकरण को तैनात करने का डेमो-संचालित निर्णय कोई व्यावसायिक जुआ नहीं बल्कि एक क्लिनिकल-सुरक्षा और सार्वजनिक-धन जोखिम है, और जिस क्षण चुनौती असुरक्षित हो जाती है वह वह क्षण है जब साक्ष्य निर्णयों को नियंत्रित करना बंद कर देता है। वास्तविक तनाव यह है कि मनोवैज्ञानिक सुरक्षा को नीति द्वारा अनिवार्य नहीं किया जा सकता; यह वरिष्ठ नेताओं द्वारा दृश्यमान रूप से चुनौती को आमंत्रित करने, अपने स्वयं के विचारों को परिकल्पनाओं के रूप में तैयार करने, और पहले से प्रतिबद्ध होने से बनता है कि कौन सा साक्ष्य उनका मन बदलेगा — ऐसे व्यवहार जो उजागर करने वाले लगते हैं और समय के दबाव में छोड़ना आसान है। बातचीत को विशिष्ट बातों में आधारित करें: एक हालिया निर्णय याद करें जो डेटा के बजाय वरिष्ठता या उत्साह से अधिक संचालित था, और पूछें कि क्या किसी ने इसे चुनौती दी, क्या यह सुरक्षित महसूस हुआ, और एक निर्णय रिकॉर्ड ने क्या कैप्चर किया होता। एक अच्छा उत्तर इस बारे में स्पष्ट है कि पदानुक्रम वर्तमान में कहां जीतता है, नेता सामान्य चुनौती बनाने के लिए जिन ठोस व्यवहारों को अपनाएंगे उन्हें नाम देता है, और सांस्कृतिक प्रतिबद्धता को उस हल्के निर्णय लॉग के साथ जोड़ता है जो तर्क को ऑडिट योग्य बनाता है और उसी तर्क को फिर से चलने से रोकता है।

4. उन प्रौद्योगिकियों के लिए जो सीखती या बनी रहती हैं — हमारा AI, हमारे एल्गोरिथम, हमारी दीर्घजीवी सेवाएं — हमें वास्तव में कैसे पता चलेगा कि उनका प्रदर्शन हमारे इसे मान्य करने के बाद से बह गया है, और कौन देख रहा है? विषय स्पष्ट है कि एक बार का परीक्षण उन प्रौद्योगिकियों के चल रहे व्यवहार को कैप्चर नहीं कर सकता जो सीखती या बदलती हैं, और "एक-बार-और-हो-गया मूल्यांकन" एक नामित विफलता विधा है जिसका उपाय वास्तविक-दुनिया साक्ष्य और चल रही निगरानी है। यह प्रश्न मायने रखता है क्योंकि खतरा मूक है: एक AI गिरावट मॉडल या त्रिआज एल्गोरिथम केस-मिक्स, कोडिंग अभ्यास, या अपस्ट्रीम डेटा पाइपलाइनों के बदलने पर खराब हो सकता है, और एक टूटी हुई सुविधा के विपरीत कुछ भी स्पष्ट रूप से विफल नहीं होता — उपकरण प्रशंसनीय आउटपुट उत्पन्न करता रहता है जबकि इसकी झूठी-अलर्ट या चूक दर चुपचाप बदतर होती जाती है। सामने लाने योग्य तनाव यह है कि निगरानी तैनाती के उत्साह के सापेक्ष अनाकर्षक और अवित्तपोषित है: एक बार व्यावसायिक मामला हस्ताक्षरित हो जाता है और लाभों को बुक कर लिया जाता है, कुछ संगठन संभावित अवलोकन कार्य, बहाव मीट्रिक, या उनकी समीक्षा करने वाले नामित स्वामी के लिए संसाधन आवंटित करते हैं। एक लाइव AI या एल्गोरिथमिक उपकरण चुनें और इसके तैनाती-पश्चात जीवन को ठोस रूप से ट्रेस करें — कौन सा नियमित डेटा देखा जा रहा है, किस आधार रेखा के विरुद्ध, किस गति से, और कौन एक गिरावट को आगे बढ़ाएगा और किसे। एक ईमानदार उत्तर स्वीकार करता है कि लाइव-गो पर मान्यता कहां रुकी, उन उपकरणों को अलग करता है जिन्हें वास्तव में निरंतर निगरानी की आवश्यकता है उनसे जिन्हें नहीं है, और "इस पर नज़र रखेंगे" के अस्पष्ट इरादे के बजाय एक नामित स्वामी, एक मीट्रिक, और एक समीक्षा लय के लिए प्रतिबद्ध होता है।

5. जब आज हम जो निर्णय लेते हैं उसे दो साल में सवाल किया जाता है — एक नए निदेशक, एक नियामक, या जनता द्वारा — तो लिखित रिकॉर्ड वास्तव में क्या दिखाएगा, और क्या यह उस जांच में जीवित रहेगा? विषय निर्णय रिकॉर्ड को मुख्य बुनियादी ढांचे के रूप में मानता है: निर्णय, विकल्पों, तौले गए साक्ष्य, किसने निर्णय लिया और कब, का एक हल्का लॉग, मूल्यवान है क्योंकि यह तर्क को ऑडिट योग्य बनाता है, स्टाफ टर्नओवर से बचता है, और उसी तर्क को हर तिमाही में फिर से चलने से रोकता है। यह प्रश्न मायने रखता है क्योंकि स्वास्थ्य और देखभाल निर्णय एक ऐसे तरीके से नियामक, संसदीय, और सार्वजनिक जांच आकर्षित करते हैं जैसे वाणिज्यिक निर्णय शायद ही कभी करते हैं, और इस विषय में काम किया गया उदाहरण ठीक इसी पर मुड़ता है — दो साल बाद, एक नया निदेशक एक तैनात उपकरण पर सवाल उठाता है और "रिकॉर्ड जवाब देता है"। वास्तविक तनाव अनुशासन की तुच्छ प्रति-निर्णय लागत और इसे छोड़ने के दीर्घकालिक दबाव के बीच है: यह लिखना कि आपने क्यों तय किया इस पल में नौकरशाही जैसा लगता है, और जिन लोगों को रिकॉर्ड की सबसे अधिक आवश्यकता है वे भविष्य के कर्मचारी हैं जो इसकी मांग करने के लिए कमरे में नहीं हैं। बारह या अठारह महीने पहले किए गए एक महत्वपूर्ण विकल्प के पीछे के तर्क को फिर से बनाने की कोशिश करके इसे वास्तविकता के विरुद्ध परखें — क्या आप पा सकते हैं कि कौन सा साक्ष्य तौला गया था और कौन से विकल्प अस्वीकार किए गए थे, या केवल यह कि एक निर्णय लिया गया था? एक अच्छा उत्तर इस बात का सामना करता है कि क्या रिकॉर्ड वास्तव में महत्वपूर्ण निर्णयों के लिए रखे जाते हैं या केवल आसान लोगों के लिए, क्या वे केवल निष्कर्षों के बजाय साक्ष्य और विकल्पों को कैप्चर करते हैं, और क्या कोई उन्हें कभी वापस पढ़ता है — क्योंकि एक अपठित, केवल-निष्कर्ष लॉग ऑडिटिंग थिएटर है, संस्थागत स्मृति नहीं।

6. हमारे साक्ष्य को किसका डेटा प्रशिक्षित और मान्य करता है, और क्या हम आश्वस्त हैं कि यह असमानता को गहरा नहीं करेगा — या क्या हम डेटा नैतिकता को एक डिज़ाइन बाधा के बजाय हस्ताक्षर करने के लिए एक फ़ॉर्म के रूप में मान रहे हैं? विषय ज़ोर देता है कि साक्ष्य कार्य रोगी डेटा पर चलता है और वैधता, सहमति, आनुपातिकता, और निष्पक्षता डिज़ाइन बाधाएं हैं, कागज़ी काम नहीं, विशेष रूप से उन पक्षपाती डेटासेट के विरुद्ध चेतावनी देते हुए जो असमानता को गहरा करते हैं और एक विफलता विधा के रूप में "कागज़ी काम के रूप में नैतिकता" के विरुद्ध। यह प्रश्न मायने रखता है क्योंकि एक अप्रतिनिधित्वात्मक जनसंख्या पर मान्य की गई एक प्रौद्योगिकी उन समूहों के लिए बदतर प्रदर्शन कर सकती है जिन्हें पहले से सबसे कम अच्छी तरह से सेवा दी जाती है — एक गिरावट या डायग्नोस्टिक मॉडल जहां कुछ जातीयताओं, आयु, या सहरुग्णताओं को कम-प्रतिनिधित्व किया गया है, वहां प्रशिक्षित उस पक्षपात को हर भविष्य के निर्णय में ले जा सकता है, और राष्ट्रीय पैमाने पर एक अनुमोदित डेटासेट उस असमानता को पूरी प्रणाली में गहरा करता है। तनाव यह है कि निष्पक्षता विश्लेषण एक हेडलाइन सटीकता आंकड़े से कठिन और धीमा है: यह मांग करता है कि आप जांचें कि डेटा में कौन है और कौन गायब है, उपसमूहों में प्रदर्शन को अलग करें, और कभी-कभी स्वीकार करें कि आपका साक्ष्य उन जनसंख्याओं के लिए कमज़ोर है जिनकी आपको सबसे अधिक सेवा करने की आवश्यकता है। एक हालिया या प्रस्तावित उपकरण लेकर और यह पूछकर इसे ठोस बनाएं कि किसके रिकॉर्ड पर इसे बनाया और परखा गया था, क्या प्रदर्शन को कभी उपसमूह द्वारा जांचा गया था, और क्या सूचना-प्रशासन हस्ताक्षर ने निष्पक्षता के साथ बिल्कुल भी जुड़ाव किया या केवल कानूनी आधार की पुष्टि की। एक ईमानदार उत्तर वास्तविक नैतिक जांच को बॉक्स-टिकिंग से अलग करता है, स्वीकार करता है कि प्रतिनिधित्व की जांच कभी नहीं की गई, और पक्षपात और निष्पक्षता को उन प्रश्नों के रूप में मानता है जिनका उत्तर साक्ष्य को स्वयं देना चाहिए, न कि अंत में जोड़ा गया एक अनुपालन कदम।

व्यवहार में: एक स्वास्थ्य और देखभाल उदाहरण#

एक सामुदायिक ट्रस्ट को एक AI उपकरण की पेशकश की जाती है जो महत्वपूर्ण-संकेत डेटा से गिरावट के जोखिम वाले रोगियों को चिह्नित करता है। एक HiPPO निर्णय इसे तैनात करता क्योंकि एक सम्मानित निदेशक आपूर्तिकर्ता डेमो से प्रभावित था।

इसके बजाय ट्रस्ट पिच को एक परिकल्पना के रूप में मानता है। यह उपकरण को NICE ESF जोखिम स्तर में रखता है जो एक प्रौद्योगिकी के लिए उपयुक्त है जो क्लिनिकल निर्णयों को सूचित करती है, और आपूर्तिकर्ता से उस स्तर पर प्रभावशीलता साक्ष्य मांगता है; पेश की गई सबसे मज़बूत चीज़ एक छोटा एकल-साइट अध्ययन है। ट्रस्ट एक तर्क मॉडल लिखता है (बेहतर शीघ्र चेतावनी → पहले वृद्धि → कम टालने योग्य गिरावट) और एक व्यावहारिक मूल्यांकन डिज़ाइन करता है: एक शैडो-मोड तैनाती जहां उपकरण के अलर्ट लॉग किए जाते हैं लेकिन उन पर कार्रवाई नहीं की जाती, वास्तविक परिणामों के विरुद्ध तुलना की जाती है, साथ ही वर्कफ़्लो फिट के बारे में नर्सों के साथ गुणात्मक साक्षात्कार।

समानांतर में यह डिलीवरी साक्ष्य इकट्ठा करता है: क्या क्लिनिशियन वास्तव में अलर्ट को नोटिस करेंगे और उन पर भरोसा करेंगे? यह अलर्ट प्रस्तुति पर A/B-शैली परीक्षण चलाता है। सूचना-प्रशासन और क्लिनिकल-सुरक्षा नेता डेटा उपयोग और खतरा लॉग पर हस्ताक्षर करते हैं। तीन महीने बाद RWE एक मामूली लेकिन वास्तविक सुधार और एक स्वीकार्य झूठी-अलर्ट दर दिखाता है, और डिलीवरी साक्ष्य दिखाता है कि क्लिनिशियन फिर से डिज़ाइन किए गए अलर्ट के साथ जुड़ते हैं। आगे बढ़ने का निर्णय — चरणबद्ध रोलआउट और निरंतर निगरानी के साथ — तौले गए साक्ष्य का हवाला देते हुए एक निर्णय रिकॉर्ड में लिखा जाता है। दो साल बाद, जब एक नया निदेशक उपकरण पर सवाल उठाता है, तो रिकॉर्ड जवाब देता है।

क्षेत्र दृष्टिकोण#

हर किसी का साक्ष्य को जोखिम से मिलाने का एक ही कर्तव्य है, लेकिन साक्ष्य के आसपास के संसाधन, प्रोत्साहन, और जवाबदेही संगठन के अनुसार तीव्रता से भिन्न होते हैं।

स्टार्टअप#

एक स्टार्टअप की बाधा यह है कि स्वर्ण-मानक क्लिनिकल साक्ष्य धीमा और महंगा है जबकि रनवे छोटा है, इसलिए प्रलोभन अपनाने के मीट्रिक को इस तरह बेचना है जैसे वे क्लिनिकल प्रभाव का प्रमाण हों। ईमानदार कदम उत्पाद को जल्दी सही NICE ESF स्तर में रखना और खरीदारों के साथ साक्ष्य अंतर के बारे में स्पष्ट होना है, एक स्पष्ट तर्क मॉडल और एक सस्ता व्यावहारिक मूल्यांकन (एक शैडो-मोड पायलट, एक एकल साइट के विरुद्ध बाधित समय श्रृंखला) का उपयोग करके पहला वास्तविक-दुनिया साक्ष्य उत्पन्न करना है। निर्णय रिकॉर्ड लगभग कुछ भी खर्च नहीं करते और एक छोटी टीम के लिए असमान रूप से मूल्यवान हैं, तेज़ी से बदलते धुरी के माध्यम से तर्क को संरक्षित करते हुए और सावधानीपूर्ण निवेशकों और NHS मूल्यांकनकर्ताओं को एक ऑडिट ट्रेल देते हुए। जो अनुशासन फल देता है वह HiPPO संस्थापक-अनुमान का विरोध करना और हर "डेमो अच्छी तरह उतरा" को परखने के लिए एक परिकल्पना के रूप में मानना है।

छोटा व्यवसाय#

एक स्थापित छोटा प्रदाता — एक GP प्रैक्टिस, एक सामुदायिक फार्मेसी, एक केयर होम, एक एकल-साइट क्लिनिक, स्टार्टअप चरण से आगे एक छोटा स्वास्थ्य-तकनीक आपूर्तिकर्ता — साक्ष्य को जोखिम से मिलाने का वही कर्तव्य रखता है लेकिन उसके पास वास्तविक रोगी, तंग नकदी, और इसके साथ करने के लिए बहुत कम या कोई समर्पित डिजिटल क्षमता नहीं है। यथार्थवादी कदम अपना स्वयं का साक्ष्य उत्पन्न करने के बजाय दूसरों द्वारा पहले से उत्पन्न साक्ष्य पर निर्भर होना है: एक उम्मीदवार उपकरण के NICE ESF स्तर और DTAC मूल्यांकन को तैयार-निर्मित आनुपातिकता के रूप में उपयोग करें, आपूर्तिकर्ताओं से स्तर-उपयुक्त क्लिनिकल प्रभावशीलता साक्ष्य मांगें, और एक चमकदार डेमो द्वारा एक अनमूल्यांकित उत्पाद के लिए राज़ी होने से इनकार करें। डिलीवरी साक्ष्य वह जगह है जहां एक छोटा संगठन वास्तव में नेतृत्व कर सकता है, क्योंकि यह अपने स्वयं के रोगियों को बारीकी से देखता है — यह ईमानदार अवलोकन कि क्या स्टाफ वास्तव में एक उपकरण का उपयोग करता है और क्या यह विफलता मांग कम करता है, कुछ हफ्तों में पहुंच के भीतर वास्तविक-दुनिया साक्ष्य है। एक-पंक्ति निर्णय रिकॉर्ड — हमने क्या चुना, हमने क्या साक्ष्य देखा, किसने तय किया — एक छोटी टीम के लिए लगभग कुछ भी खर्च नहीं करता और इसकी रक्षा करता है जब एक भागीदार छोड़ता है या एक CQC निरीक्षक पूछता है क्यों। बचने के लिए जाल यह मानना है कि छोटा होना आपको साक्ष्य बार से छूट देता है; रोगियों के प्रति कर्तव्य समान है, केवल संसाधन नहीं हैं।

बड़ा संगठन#

एक NHS ट्रस्ट या ICS के पास नियमित डेटा, रोगी मात्रा, और गंभीर मूल्यांकन करने की विश्लेषिकी क्षमता है — और जवाबदेही जो इसकी मांग करती है, क्योंकि पैमाने पर एक अप्रमाणित उपकरण को तैनात करना एक साथ क्लिनिकल-सुरक्षा और सार्वजनिक-धन जोखिम है। विफलता विधा संस्थागत है: एक सम्मानित निदेशक एक आपूर्तिकर्ता डेमो का समर्थन करता है, या एक व्यावसायिक मामला जो अनुमानित लाभों पर बना है जिसकी बाद में कोई जांच नहीं करता। उपाय यह है कि किसी भी निर्णय-निर्माता से "साक्ष्य क्या है?" पूछना सांस्कृतिक रूप से सुरक्षित बनाया जाए, हर बोर्ड पेपर में क्लिनिकल और डिलीवरी साक्ष्य को अलग-अलग अक्षों पर रखा जाए, और AI और दीर्घजीवी सेवाओं के लिए चल रही वास्तविक-दुनिया निगरानी को वित्तपोषित किया जाए, न कि केवल एक बार मान्य किया जाए। एक बड़ा फार्मा या स्वास्थ्य-तकनीक उद्यम औपचारिक परीक्षण तंत्र लाता है लेकिन उसे उस वास्तविक-दुनिया साक्ष्य में प्रकाशन पक्षपात और भ्रम से रक्षा करनी चाहिए जो वह उत्पन्न करता है।

सरकार#

एक राष्ट्रीय निकाय — NICE, NHS England, DHSC, MHRA, UKHSA — अक्सर वह साक्ष्य बार निर्धारित करता है जिसे दूसरों को पार करना होता है, इसलिए इसके काम करने के तरीके पूरे बाज़ार को आकार देते हैं: ESF, DTAC, और सॉफ़्टवेयर-एज़-ए-मेडिकल-डिवाइस विनियमन जनसंख्या-पैमाने की जवाबदेही के उपकरण हैं। यहां निर्णय नियामक, संसदीय, और सार्वजनिक जांच आकर्षित करते हैं, इसलिए क्यों एक प्रौद्योगिकी की सिफारिश या खरीद की गई इसका रिकॉर्ड निर्णय जितना ही मायने रखता है, और साक्ष्य सीमाओं के बारे में पारदर्शिता एक शिष्टाचार नहीं बल्कि एक कर्तव्य है। इस पैमाने पर जोखिम पतले साक्ष्य पर पूरी प्रणाली में एक प्रौद्योगिकी को अनिवार्य करना है, या इसके विपरीत एक कम-जोखिम वाले परिवर्तन के लिए एक RCT की मांग करना और उपयोगी नवाचार को रोकना है। उपाय प्रकाशित मानकों में स्पष्ट रूप से बनाई गई आनुपातिकता है, साथ ही डेटा नैतिकता और निष्पक्षता पर ध्यान, क्योंकि राष्ट्रीय रूप से अनुमोदित एक पक्षपाती डेटासेट पैमाने पर असमानता को गहरा करता है।

सामान्य विफलता मोड#

• डेमो-संचालित निर्णय। एक प्रदर्शन ने एक वरिष्ठ नेता को प्रभावित किया इसलिए खरीदना। उपाय: पिचों को परिकल्पनाओं के रूप में मानें; स्तर-उपयुक्त साक्ष्य की मांग करें।
• मान्यता के लिए गलती से समझा गया उपयोग। यह साबित करने के लिए अपनाने की संख्याओं का हवाला देना कि एक उपकरण क्लिनिकल रूप से प्रभावी है। उपाय: क्लिनिकल और डिलीवरी साक्ष्य को अलग-अलग अक्षों पर रखें।
• एक-बार-और-हो-गया मूल्यांकन। एक बार मान्य करना और कभी निगरानी न करना, विशेष रूप से AI के लिए जो बहती है। उपाय: वास्तविक-दुनिया साक्ष्य और चल रही निगरानी।
• विश्लेषण पक्षाघात। एक कम-जोखिम वाले सामग्री परिवर्तन के लिए एक RCT की मांग करना। उपाय: आनुपातिक विधियां; जहां जोखिम कम है वहां A/B और व्यावहारिक मूल्यांकन।
• अरिकॉर्डेड निर्णय। एक विकल्प क्यों बनाया गया इसका कोई निशान नहीं, इसलिए इसे फिर से बहस की जाती है और ऑडिट नहीं किया जा सकता। उपाय: एक हल्का निर्णय लॉग।
• कागज़ी काम के रूप में नैतिकता। डेटा नैतिकता को एक डिज़ाइन बाधा के बजाय हस्ताक्षर करने के लिए एक फ़ॉर्म के रूप में मानना। उपाय: साक्ष्य डिज़ाइन में वैधता, सहमति, और निष्पक्षता को शामिल करें।

परिपक्वता मॉडल#

जांच-सूची#

• हर प्रौद्योगिकी को एक NICE ESF जोखिम स्तर में रखा गया है, मेल खाने के लिए साक्ष्य की मांग के साथ।
• हर महत्वपूर्ण निर्णय में क्लिनिकल और डिलीवरी दोनों साक्ष्य हैं, अलग रखे गए।
• निर्माण से पहले एक तर्क मॉडल मौजूद है, परिणामों और मीट्रिक को नाम देता है।
• मूल्यांकन डिज़ाइन जोखिम के अनुपात में है (कम के लिए A/B और व्यावहारिक; उच्च के लिए परीक्षण/RWE)।
• AI और दीर्घजीवी सेवाओं के लिए वास्तविक-दुनिया साक्ष्य और निगरानी मौजूद है।
• किसी भी निर्णय-निर्माता से "साक्ष्य क्या है?" पूछना सांस्कृतिक रूप से सुरक्षित है।
• हर महत्वपूर्ण निर्णय एक निर्णय लॉग में कैप्चर किया जाता है (क्या, क्यों, साक्ष्य, कौन, कब)।
• डेटा उपयोग वैध, सहमति-प्राप्त, आनुपातिक है, और पक्षपात और निष्पक्षता के लिए जांचा गया है।

मुख्य स्रोत#

• NICE — डिजिटल स्वास्थ्य प्रौद्योगिकियों के लिए Evidence Standards Framework (ESF) (nice.org.uk)।
• NHS England / NHSX — Digital Technology Assessment Criteria (DTAC)।
• MHRA — एक चिकित्सा उपकरण के रूप में सॉफ़्टवेयर और AI पर मार्गदर्शन।
• Oxford Centre for Evidence-Based Medicine — Levels of Evidence (साक्ष्य का पदानुक्रम)।
• HM Treasury — The Magenta Book (मूल्यांकन, तर्क मॉडल, और मूल्यांकन डिज़ाइन पर मार्गदर्शन)।
• MRC — जटिल हस्तक्षेपों का विकास और मूल्यांकन ढांचा।
• Ron Kohavi et al. — Trustworthy Online Controlled Experiments (A/B परीक्षण)।
• Michael Nygard — Architecture Decision Records (निर्णय-लॉग पैटर्न)।

संदर्भ#

1. Hierarchy of evidence — Wikipedia — https://en.wikipedia.org/wiki/Hierarchy_of_evidence
2. Evidence-based medicine — Wikipedia — https://en.wikipedia.org/wiki/Evidence-based_medicine
3. Systematic review — Wikipedia — https://en.wikipedia.org/wiki/Systematic_review
4. Meta-analysis — Wikipedia — https://en.wikipedia.org/wiki/Meta-analysis
5. Randomized controlled trial — Wikipedia — https://en.wikipedia.org/wiki/Randomized_controlled_trial
6. Real world evidence — Wikipedia — https://en.wikipedia.org/wiki/Real_world_evidence
7. Logic model — Wikipedia — https://en.wikipedia.org/wiki/Logic_model
8. Theory of change — Wikipedia — https://en.wikipedia.org/wiki/Theory_of_change
9. Interrupted time series — Wikipedia — https://en.wikipedia.org/wiki/Interrupted_time_series
10. A/B testing — Wikipedia — https://en.wikipedia.org/wiki/A/B_testing
11. Architectural decision (Architecture Decision Records) — Wikipedia — https://en.wikipedia.org/wiki/Architectural_decision
12. Evidence Standards Framework for digital health technologies (ESF) — NICE — https://www.nice.org.uk/about/what-we-do/digital-health
13. Digital Technology Assessment Criteria (DTAC) — NHS England — https://www.nhs.uk/digital-technology-assessment-criteria-dtac/
14. Software and AI as a Medical Device — MHRA, GOV.UK — https://www.gov.uk/government/publications/software-and-artificial-intelligence-ai-as-a-medical-device
15. Oxford Centre for Evidence-Based Medicine: Levels of Evidence — University of Oxford — https://www.cebm.ox.ac.uk/resources/levels-of-evidence/ocebm-levels-of-evidence
16. The Magenta Book (guidance on evaluation) — HM Treasury, GOV.UK — https://www.gov.uk/government/publications/the-magenta-book
17. Developing and evaluating complex interventions — Medical Research Council (MRC) — https://www.mrc.ukri.org/documents/pdf/complex-interventions-guidance/
18. Trustworthy Online Controlled Experiments — Ron Kohavi, Diane Tang & Ya Xu, Cambridge University Press — https://experimentguide.com/