موضوع 1.3 — شواہد پر مبنی فیصلے

ایک جملے میں: شواہد پر مبنی فیصلہ سازی کا مطلب ہے کہ کیا بنانا، خریدنا اور وسعت دینا ہے اس کا فیصلہ دستیاب بہترین شواہد — طبی اور ترسیلی — کی طاقت پر، خطرے کے متناسب طور پر کرنا، اور استدلال کو یوں قلم بند کرنا کہ وہ فیصلہ کرنے والوں کے بعد بھی باقی رہے۔

یہ صحت اور نگہداشت میں کیوں اہم ہے#

زیادہ تر شعبوں میں مصنوعات کا غلط فیصلہ رقم کا نقصان کرتا ہے۔ صحت اور نگہداشت میں یہ تحفظ، مساوات اور اعتماد کا نقصان بھی کر سکتا ہے — اور یہ عوامی فنڈز سے قانونی فرض کے تحت کیا جاتا ہے۔ کسی ایسے ڈیجیٹل تشخیصی آلے کو نافذ کرنے کا فیصلہ جس کا کبھی جائزہ نہیں لیا گیا، تجارتی جوا نہیں بلکہ طبی خطرہ ہے۔ یہ شواہد کا معیار "ڈیمو اچھا لگا" سے کہیں اوپر لے جاتا ہے۔

یہ شعبہ اس لیے بھی منفرد ہے کہ یہ بیک وقت دو قسم کے شواہد کا تقاضا کرتا ہے۔ طبی شواہد جواب دیتے ہیں "کیا یہ ٹیکنالوجی کام کرتی ہے، اور مریضوں کے لیے محفوظ اور مؤثر ہے؟" ترسیلی شواہد جواب دیتے ہیں "کیا ہم درست چیز اچھی طرح بنا رہے ہیں، اور کیا اسے اپنایا اور استعمال کیا جا رہا ہے؟" کوئی خدمت طبی طور پر درست مگر ترسیل میں ناکام ہو سکتی ہے (کوئی استعمال نہیں کرتا)، یا ترسیل میں کامیاب مگر طبی طور پر غیر ثابت شدہ (وسیع استعمال، کبھی توثیق نہیں)۔ سینئر قائدین کو دونوں کا مطالبہ کرنا چاہیے اور کبھی ایک کو دوسرے کا بھیس نہیں بدلنے دینا چاہیے۔ اور چونکہ صحت کے فیصلے جانچ پڑتال کو کھینچتے ہیں — ریگولیٹرز، عوام اور معالجین کی طرف سے — اس لیے آپ نے کیوں فیصلہ کیا اس کا ریکارڈ فیصلے جتنا ہی اہم ہے۔

بنیادی تصورات#

شواہد کا درجہ بندی کا نظام۔ شواہد پر مبنی طب مطالعاتی ڈیزائنز کو اس کے مطابق درجہ دیتی ہے کہ وہ تعصب کو کتنا قابو میں رکھتے ہیں: سب سے اوپر بے ترتیب کنٹرول شدہ تجربات (RCTs) کے منظم جائزے اور میٹا تجزیے؛ پھر انفرادی RCTs؛ پھر کوہورٹ اور کیس کنٹرول مطالعات؛ پھر کیس سیریز؛ اور بنیاد میں ماہرانہ رائے اور حکایت۔ یہ درجہ بندی رہنما ہے، پابندی نہیں — لیکن یہ آپ کو اس بات کو نوٹس کرنے کا نظم و ضبط دیتی ہے کہ کب کوئی دعویٰ ثبوت کا لباس پہنی حکایت پر قائم ہے۔

ڈیجیٹل صحت ٹیکنالوجیز کے لیے NICE شواہدی معیارات کا فریم ورک (ESF)۔ NICE نے NHS انگلینڈ اور شراکت داروں کے ساتھ ESF بنایا تاکہ طے ہو کہ ڈیجیٹل صحت ٹیکنالوجی (DHT) کو اس کے کام اور اس کے خطرے کے متناسب کس سطح کے شواہد درکار ہیں۔ یہ DHTs کو ممکنہ خطرے کے لحاظ سے درجوں میں بانٹتا ہے — سادہ نظامی خدمات سے، نگہداشت کو آگاہ کرنے یا چلانے والے آلات تک، اور ان تک جو براہِ راست تشخیص یا علاج کرتے ہیں — اور ہر درجے پر متوقع طبی افادیت اور معاشی شواہد متعین کرتا ہے۔ طبی خطرہ جتنا زیادہ، مطلوبہ شواہد اتنے ہی مضبوط۔ ESF کمیشن دہندگان اور ڈویلپرز کے لیے حوالے کا نقطہ ہے جو فیصلہ کرتے ہیں کہ کوئی DHT تیار ہے یا نہیں۔

حقیقی دنیا کا ڈیٹا اور حقیقی دنیا کے شواہد۔ حقیقی دنیا کا ڈیٹا (RWD) کنٹرول شدہ تجربات کے بجائے معمول کی نگہداشت سے آتا ہے — برقی صحت ریکارڈ، رجسٹریاں، مریض کے رپورٹ کردہ نتائج، آلات کی ٹیلی میٹری۔ اچھی طرح تجزیہ کیا جائے (مستقبل کے مشاہداتی مطالعات، عملی تجربات، یا محتاط EHR تجزیے کے ذریعے) تو یہ حقیقی دنیا کے شواہد (RWE) بن جاتا ہے کہ کوئی ٹیکنالوجی عملاً کیسے کام کرتی ہے۔ RWE ان ٹیکنالوجیز کے لیے ناگزیر ہے جو سیکھتی یا بدلتی ہیں (AI، پہننے کے آلات)، جہاں ایک بار کا تجربہ جاری رویے کو گرفت میں نہیں لا سکتا، لیکن اس میں الجھاؤ کے خطرات ہیں جنہیں دیانت داری سے سنبھالنا لازم ہے۔

طبی شواہد بمقابلہ ترسیلی شواہد۔ انہیں الگ محوروں پر رکھیں۔ طبی شواہد اوپر کی درجہ بندی اور ESF استعمال کرتے ہیں: افادیت، تحفظ، تاثیر۔ ترسیلی شواہد مصنوعات اور خدمت کے تجزیات استعمال کرتے ہیں: کیا خدمت قابلِ استعمال ہے، اپنائی گئی ہے، صارف کا کام مکمل کر رہی ہے، ناکامی سے پیدا ہونے والی مانگ کم کر رہی ہے؟ دونوں درکار ہیں؛ انہیں ملانا کلاسیکی غلطی ہے (استعمال کا بلند عدد طبی ثبوت نہیں)۔

تشخیص کے ڈیزائن۔ منطقی ماڈل (یا تبدیلی کا نظریہ) واضح کرتا ہے کہ ان پٹس اور سرگرمیوں سے آؤٹ پٹس اور نتائج کیسے پیدا ہونے ہیں — یہ وہ نقشہ ہے جسے کوئی بھی تشخیص جانچتی ہے۔ RCT سب سے مضبوط علّتی جواب دیتا ہے مگر تیزی سے بدلتی خدمت کے لیے سست، مہنگا، اور کبھی کبھی ناقابلِ عمل یا غیر اخلاقی ہے۔ عملی تشخیص — عملی تجربات، منقطع وقتی سلسلہ، کنٹرول کے ساتھ پہلے/بعد، مخلوط طریقوں کی خدمتی تشخیص — کچھ یقین کے بدلے رفتار اور حقیقی دنیا کی مطابقت لیتی ہے۔ ایسا ڈیزائن چنیں جو خطرے اور زیرِ غور فیصلے کے متناسب ہو۔

A/B ٹیسٹنگ اور تجزیات۔ کم خطرے والے، ترسیل کی طرف کے سوالات (کون سے الفاظ ملاقات میں حاضری بڑھاتے ہیں؟ کون سا بہاؤ چھوڑ جانے کو کم کرتا ہے؟) کے لیے کنٹرول شدہ آن لائن تجربات (A/B ٹیسٹ) تیز، علّتی ترسیلی شواہد دیتے ہیں۔ یہ اصلاح کے لیے طاقتور ہیں مگر انہیں کبھی غیر جانچے ہوئے طبی تبدیلیاں کرنے کے لیے استعمال نہیں کرنا چاہیے، اور انہیں رضامندی اور معلومات کی نظامت کی حدود کا احترام کرنا چاہیے۔

HiPPO فیصلے۔ "HiPPO" — سب سے زیادہ تنخواہ پانے والے شخص کی رائے (Highest-Paid Person's Opinion) — اس ناکامی کا نام ہے جہاں سینیارٹی شواہد پر غالب آ جاتی ہے۔ شواہد پر مبنی ثقافتیں کمرے میں موجود کسی بھی شخص سے "ڈیٹا کیا دکھاتا ہے؟" کہنا محفوظ اور معمول بناتی ہیں، اور سینئر اندازے کو نتیجہ نہیں بلکہ جانچنے والا مفروضہ سمجھتی ہیں۔

فیصلوں کے ریکارڈ۔ فیصلے کا ریکارڈ (یا فیصلوں کا لاگ / فن تعمیر کے فیصلے کا ریکارڈ) مختصراً درج کرتا ہے: فیصلہ، زیرِ غور اختیارات، تولے گئے شواہد، فیصلہ کس نے کیا، اور کب۔ یہ استدلال کو قابلِ آڈٹ بناتا ہے، عملے کے بدلنے کے بعد بھی باقی رہتا ہے، اور ہر سہ ماہی میں وہی بحث دوبارہ چلنے سے روکتا ہے۔

بہترین طریقے#

1. شواہد کی طاقت کو خطرے کی سطح سے ملائیں۔ NICE ESF کے درجوں کو اپنا پیمانہ بنائیں: کم خطرے والے نظامی آلے کو ہلکے شواہد چاہییں؛ جو آلہ تشخیص کرتا یا علاج کو چلاتا ہے اسے اعلیٰ معیار کی طبی افادیت کے شواہد چاہییں۔ تناسب آپ کو محفوظ پر تیز اور خطرناک پر سست چلنے دیتا ہے، ہر چیز پر ایک ہی معیار لگانے کے بجائے۔

2. طبی اور ترسیلی شواہد کا مطالبہ کریں، اور انہیں کبھی نہ ملائیں۔ کسی بھی اہم سرمایہ کاری کے لیے دو الگ سوال پوچھیں — "کیا یہ طبی طور پر مؤثر اور محفوظ ہے؟" اور "کیا یہ قابلِ استعمال اور اپنایا گیا ہے؟" — اور ہر ایک کے لیے شواہد طلب کریں۔ اپنانے کے پیمانے طبی توثیق کا متبادل نہیں، اور مثبت تجربہ حقیقی دنیا میں استعمال کی ضمانت نہیں۔

3. ہر اقدام کا آغاز منطقی ماڈل سے کریں۔ تعمیر سے پہلے لکھیں کہ آپ کے خیال میں مداخلت مطلوبہ نتیجہ کیسے پیدا کرے گی۔ یہ غیر آزمودہ مفروضوں کو ابتدا میں بے نقاب کرتا ہے، اہم پیمانے متعین کرتا ہے، اور آپ کی بعد کی تشخیص کو جانچنے کے لیے ٹھوس چیز دیتا ہے۔

4. سیکھنے یا قائم رہنے والی ٹیکنالوجیز کے لیے حقیقی دنیا کے شواہد استعمال کریں۔ AI، الگورتھم اور طویل المدت خدمات کے لیے ابتدائی تجربات کے ساتھ یا بعد میں معمول کے ڈیٹا کی منظم نگرانی کریں — مستقبل کے مشاہداتی ڈیزائن، عملی تشخیص — تاکہ آپ جان سکیں کہ کارکردگی عملاً کیسے برقرار رہتی ہے اور انحراف پکڑ سکیں۔

5. ترسیلی سوالات پر تجربہ کریں؛ طبی سوالات کی تشخیص کریں۔ ترسیل کی اصلاح (الفاظ، بہاؤ، یاددہانیاں) کے لیے معلومات کی نظامت اور رضامندی کی حدود کے اندر A/B ٹیسٹنگ اور تجزیات آزادانہ استعمال کریں۔ رسمی تشخیص (تجربات، عملی مطالعات) طبی اثر کے سوالات کے لیے رکھیں۔ ہر سوال کو درست طریقے پر بھیجیں۔

6. HiPPO فیصلوں کو صرف عملاً نہیں، ثقافتی طور پر ختم کریں۔ صریح طور پر قابلِ قبول بنائیں کہ کسی بھی فیصلہ ساز سے شواہد مانگے جائیں، سینئر آراء کو مفروضوں کی طرح پیش کریں، اور پہلے سے طے کریں کہ کون سے شواہد آپ کی رائے بدلیں گے۔ جو ٹیم سینیارٹی کو محفوظ طریقے سے چیلنج کر سکے وہ بہتر فیصلے کرتی ہے۔

7. فیصلوں اور ان کے شواہد کو ریکارڈ کریں۔ ہر اہم انتخاب کے لیے ہلکا پھلکا فیصلوں کا لاگ رکھیں — کیا، کیوں، کون سے شواہد، کس نے، کب۔ یہ ریگولیٹرز اور عوام کے لیے قابلِ آڈٹ ہونا پیدا کرتا ہے، نہ ختم ہونے والی دوبارہ بحث سے روکتا ہے، اور عملے کی تبدیلی کے باوجود ادارہ جاتی یادداشت محفوظ رکھتا ہے۔

8. ڈیٹا اخلاقیات پر توجہ دیں۔ شواہد کا کام مریضوں کا ڈیٹا استعمال کرتا ہے؛ قانونی جواز، رضامندی، تناسب اور انصاف کو ڈیزائن کی رکاوٹیں سمجھیں۔ ایسے متعصب ڈیٹا سیٹس سے محتاط رہیں جو ناانصافی کو پختہ کرتے ہیں، رازداری کے فرض کا احترام کریں، اور یقینی بنائیں کہ آپ کے شواہد کے طریقے خود عوامی جانچ پڑتال میں کھرے اتریں۔

اپنی ٹیم کے ساتھ زیرِ بحث لانے کے سوالات#

1. ہمارے حالیہ سب سے اہم فیصلے کے لیے، کیا ہم طبی شواہد اور ترسیلی شواہد دونوں — الگ الگ — دکھا سکتے ہیں، یا ایک نے خاموشی سے دوسرے کی جگہ لے لی؟ یہ سوال موضوع کے اس اصرار کو جانچتا ہے کہ طبی شواہد ("کیا یہ کام کرتا اور محفوظ ہے؟") اور ترسیلی شواہد ("کیا یہ قابلِ استعمال اور اپنایا گیا ہے؟") الگ محوروں پر ہیں اور انہیں ملانا ایک کلاسیکی، خطرناک غلطی ہے۔ یہ اس لیے اہم ہے کہ کوئی خدمت طبی طور پر درست مگر غیر استعمال شدہ ہو سکتی ہے، یا بھاری استعمال والی مگر طبی طور پر غیر توثیق شدہ، اور صحت اور نگہداشت میں استعمال کے بلند عدد کو طبی ثبوت سمجھ لینا کامیابی جیسا دکھائی دیتے ہوئے مریضوں کو خطرے میں ڈال سکتا ہے۔ سامنے لانے کے قابل کشمکش یہ ہے کہ ترسیلی شواہد تیز، سستے اور خوشامدی ہیں — تجزیات کے ڈیش بورڈ جلد بھر جاتے ہیں — جبکہ طبی شواہد سست، مہنگے اور اکثر غیر حتمی ہیں، اس لیے مسلسل دباؤ رہتا ہے کہ اپنانے کے پیمانے دلیل اٹھا لیں۔ کوئی حقیقی بورڈ پیپر یا سرمایہ کاری کا مقدمہ لیں اور اس کا آڈٹ کریں: کیا دونوں قسم کے شواہد الگ ہیں، کیا ہر ایک واقعی موجود ہے، اور کیا طبی دعویٰ فروخت کنندہ کے ڈیمو یا واحد مقام کے مطالعے سے اوپر کسی چیز پر قائم ہے؟ اچھا، دیانت دار جواب ایک مخصوص فیصلے کی نشاندہی کرتا ہے، تسلیم کرتا ہے کہ کہاں کوئی ایک قسم کے شواہد کمزور یا غائب تھے، اور آئندہ اہم انتخابات میں دونوں کو صریح اور الگ طور پر طلب کرنے کا عہد کرتا ہے، بجائے اس کے کہ استعمال کا مضبوط عدد سب کو مطمئن کر دے۔

2. ہمارا شواہد کا معیار واقعی کتنا متناسب ہے — کیا ہم کم خطرے کی تبدیلیوں کے لیے سنہری معیار کے تجربات مانگ رہے ہیں جبکہ زیادہ خطرے والے آلات کو کمزور شواہد پر گزار رہے ہیں؟ موضوع تناسب کو NICE ESF کے درجوں سے ظاہر کرتا ہے: کم خطرے والے نظامی آلے کے لیے ہلکے شواہد، تشخیص کرنے یا علاج چلانے والے آلے کے لیے اعلیٰ معیار کی طبی افادیت کے شواہد، اس لیے یہ سوال جانچتا ہے کہ آپ کا ادارہ واقعی معیار کو خطرے کے مطابق ڈھالتا ہے یا ایک کند معیار لگاتا ہے۔ یہ اس لیے اہم ہے کہ دونوں سمتوں کی ناکامی مہنگی ہے — تجزیے کا جمود کسی مفید کم خطرے والی مواد کی تبدیلی کو غیر ضروری RCT کے پیچھے روک دیتا ہے، جبکہ طبی فیصلوں کو آگاہ کرنے والا کم جانچا گیا AI آلہ ایک متاثر کن ڈیمو پر نکل جاتا ہے — اور ہر ایک شواہد کی ثقافت پر اعتماد کمزور کرتا ہے۔ بحث کے قابل سمجھوتا یہ ہے کہ تناسب کے لیے فیصلہ اور دفاع کا اعتماد چاہیے، جو یکساں قاعدے سے مشکل ہے؛ "ہر چیز کے لیے تجربہ چاہیے" یا "ڈیجیٹل ہے تو بس پائلٹ کر لو" جیسا کھلا اصول چلانے میں آسان مگر غلط ہے۔ دو یا تین موجودہ یا حالیہ ٹیکنالوجیز کو دیکھیں، ہر ایک کو ساتھ مل کر اس کے ESF درجے میں رکھیں، اور جانچیں کہ جو شواہد آپ نے طلب کیے وہ درجے سے میل کھاتے تھے یا اس سے چلتے تھے کہ اس کا حامی کون تھا۔ دیانت دار جواب دکھاتا ہے کہ ٹیم کسی ٹیکنالوجی کا خطرے کا درجہ تلاش کر سکتی ہے، تسلیم کرتا ہے کہ معیار کہاں کسی بھی سمت میں غلط رکھا گیا، اور تناسب کو جبلت کے بجائے صریح، قابلِ دفاع معیار سمجھتا ہے۔

3. ثقافتی طور پر کمرے کے سب سے سینئر شخص سے "شواہد کیا ہیں؟" پوچھنا کتنا محفوظ ہے — اور ہم نے آخری بار کب کسی رہنما کے اندازے کو فیصلے کے بجائے جانچنے والا مفروضہ سمجھا؟ یہ سوال HiPPO کی ناکامی کا براہِ راست سامنا کراتا ہے، جہاں سب سے زیادہ تنخواہ پانے والے شخص کی رائے شواہد پر غالب آ جاتی ہے، اور جانچتا ہے کہ شواہد کا آپ کا اعلان شدہ عہد درجہ بندی اور اس ڈیمو کے ساتھ ٹکراؤ میں بچتا ہے جس نے کسی قابلِ احترام ڈائریکٹر کو متاثر کیا۔ یہ اس لیے اہم ہے کہ صحت اور نگہداشت میں کسی غیر جانچے ہوئے آلے کو ڈیمو کی بنیاد پر نافذ کرنے کا فیصلہ تجارتی جوا نہیں بلکہ طبی تحفظ اور عوامی رقم کا خطرہ ہے، اور جس لمحے چیلنج غیر محفوظ ہو جاتا ہے وہی لمحہ ہے جب شواہد فیصلوں پر حکمرانی کرنا چھوڑ دیتے ہیں۔ حقیقی کشمکش یہ ہے کہ نفسیاتی تحفظ پالیسی سے لازمی نہیں کیا جا سکتا؛ اسے سینئر رہنما بناتے ہیں جو کھلے عام چیلنج کی دعوت دیتے ہیں، اپنی آراء کو مفروضوں کی طرح پیش کرتے ہیں، اور پہلے سے طے کرتے ہیں کہ کون سے شواہد ان کی رائے بدلیں گے — ایسے رویے جو بے پردہ کرنے والے لگتے ہیں اور وقت کے دباؤ میں چھوڑ دینا آسان ہوتا ہے۔ گفتگو کو مخصوص مثالوں پر مبنی رکھیں: کسی حالیہ ایسے فیصلے کو یاد کریں جو ڈیٹا سے زیادہ سینیارٹی یا جوش سے چلا، اور پوچھیں کہ کیا کسی نے اسے چیلنج کیا، کیا وہ محفوظ لگا، اور فیصلے کا ریکارڈ کیا درج کرتا۔ اچھا جواب صاف گو ہوتا ہے کہ اس وقت درجہ بندی کہاں جیتتی ہے، ان ٹھوس رویوں کا نام لیتا ہے جو رہنما چیلنج کو معمول بنانے کے لیے اپنائیں گے، اور ثقافتی عہد کو اس ہلکے فیصلوں کے لاگ سے جوڑتا ہے جو استدلال کو قابلِ آڈٹ بناتا اور وہی بحث دوبارہ چلنے سے روکتا ہے۔

4. جو ٹیکنالوجیز سیکھتی یا قائم رہتی ہیں — ہمارا AI، ہمارے الگورتھم، ہماری طویل المدت خدمات — ہمیں اصل میں کیسے پتا چلے گا کہ توثیق کے بعد سے ان کی کارکردگی منحرف ہو گئی، اور نگرانی کون کر رہا ہے؟ موضوع صاف کہتا ہے کہ ایک بار کا تجربہ ان ٹیکنالوجیز کے جاری رویے کو گرفت میں نہیں لا سکتا جو سیکھتی یا بدلتی ہیں، اور "ایک بار تشخیص کر کے چھوڑ دینا" ایک نامزد ناکامی کا طریقہ ہے جس کا تدارک حقیقی دنیا کے شواہد اور جاری نگرانی ہے۔ یہ سوال اس لیے اہم ہے کہ خطرہ خاموش ہے: کیس کی ترکیب، کوڈنگ کے طریقے، یا اوپر کی ڈیٹا پائپ لائنیں بدلنے پر AI بگاڑ کی ماڈل یا درجہ بندی کا الگورتھم گھٹ سکتا ہے، اور ٹوٹی ہوئی خصوصیت کے برعکس کچھ واضح طور پر ناکام نہیں ہوتا — آلہ قابلِ فہم نتائج دیتا رہتا ہے جبکہ اس کی غلط الرٹ یا چوک جانے کی شرح خاموشی سے بگڑتی جاتی ہے۔ سامنے لانے کے قابل کشمکش یہ ہے کہ نگرانی نفاذ کے جوش کے مقابل بے رونق اور غیر فنڈ شدہ ہے: جب کاروباری مقدمہ دستخط ہو جائے اور فوائد درج ہو جائیں تو بہت کم ادارے مستقبل کے مشاہداتی کام، انحراف کے پیمانوں، یا ان کا جائزہ لینے والے نامزد مالک کے لیے وسائل دیتے ہیں۔ کوئی ایک لائیو AI یا الگورتھمی آلہ چنیں اور اس کی نفاذ کے بعد کی زندگی کا ٹھوس سراغ لگائیں — کون سا معمول کا ڈیٹا دیکھا جا رہا ہے، کس بنیادی سطح کے مقابل، کس وقفے پر، اور بگاڑ کو کون اوپر بھیجے گا اور کسے۔ دیانت دار جواب تسلیم کرتا ہے کہ توثیق کہاں لائیو ہونے پر رک گئی، ان آلات میں فرق کرتا ہے جنہیں واقعی مسلسل نگرانی چاہیے اور جنہیں نہیں، اور "نظر رکھنے" کے مبہم ارادے کے بجائے ایک نامزد مالک، ایک پیمانے اور جائزے کے ایک تال کا عہد کرتا ہے۔

5. جب آج کا ہمارا کوئی فیصلہ دو سال بعد — کسی نئے ڈائریکٹر، ریگولیٹر یا عوام کی طرف سے — سوالیہ بنے تو تحریری ریکارڈ اصل میں کیا دکھائے گا، اور کیا وہ اس جانچ میں بچ پائے گا؟ موضوع فیصلے کے ریکارڈ کو بنیادی ڈھانچہ سمجھتا ہے: فیصلے، اختیارات، تولے گئے شواہد، کس نے اور کب فیصلہ کیا کا ہلکا لاگ، جس کی قدر اس لیے ہے کہ وہ استدلال کو قابلِ آڈٹ بناتا ہے، عملے کے بدلنے کے بعد بھی باقی رہتا ہے، اور ہر سہ ماہی وہی بحث دوبارہ چلنے سے روکتا ہے۔ یہ سوال اس لیے اہم ہے کہ صحت اور نگہداشت کے فیصلے ریگولیٹری، پارلیمانی اور عوامی جانچ کو اس طرح کھینچتے ہیں جیسے تجارتی فیصلے شاذ ہی کھینچتے ہیں، اور اس موضوع کی عملی مثال ٹھیک اسی پر ٹکی ہے — دو سال بعد نیا ڈائریکٹر نافذ شدہ آلے پر سوال اٹھاتا ہے اور "ریکارڈ جواب دیتا ہے"۔ حقیقی کشمکش اس نظم و ضبط کی فی فیصلہ ننھی لاگت اور اسے چھوڑ دینے کے دائمی دباؤ کے درمیان ہے: کیوں فیصلہ کیا یہ لکھنا اس لمحے افسر شاہانہ لگتا ہے، اور جنہیں ریکارڈ کی سب سے زیادہ ضرورت ہے وہ مستقبل کا عملہ ہے جو اس کا مطالبہ کرنے کے لیے کمرے میں موجود نہیں۔ اسے حقیقت کے مقابل آزمائیں: بارہ یا اٹھارہ مہینے پہلے کیے گئے کسی اہم انتخاب کے پیچھے استدلال کی تشکیلِ نو کی کوشش کریں — کیا آپ دیکھ سکتے ہیں کہ کون سے شواہد تولے گئے اور کون سے متبادل رد ہوئے، یا صرف یہ کہ فیصلہ ہوا؟ اچھا جواب اس کا سامنا کرتا ہے کہ ریکارڈ واقعی اہم فیصلوں کے لیے رکھے جاتے ہیں یا صرف آسان فیصلوں کے لیے، کیا وہ محض نتائج کے بجائے شواہد اور اختیارات درج کرتے ہیں، اور کیا کوئی کبھی انہیں دوبارہ پڑھتا ہے — کیونکہ نہ پڑھا جانے والا، صرف نتائج والا لاگ آڈٹ کا تماشا ہے، ادارہ جاتی یادداشت نہیں۔

6. ہمارے شواہد کو کس کا ڈیٹا سکھاتا اور جانچتا ہے، اور کیا ہمیں یقین ہے کہ وہ ناانصافی کو پختہ نہیں کرے گا — یا ہم ڈیٹا اخلاقیات کو دستخط کرنے کا فارم سمجھ رہے ہیں، ڈیزائن کی رکاوٹ نہیں؟ موضوع اصرار کرتا ہے کہ شواہد کا کام مریضوں کے ڈیٹا پر چلتا ہے اور قانونی جواز، رضامندی، تناسب اور انصاف ڈیزائن کی رکاوٹیں ہیں، کاغذی کارروائی نہیں، اور خاص طور پر ایسے متعصب ڈیٹا سیٹس سے جو ناانصافی کو پختہ کرتے ہیں اور ناکامی کے طریقے کے طور پر "اخلاقیات بطور کاغذی کارروائی" سے خبردار کرتا ہے۔ یہ سوال اس لیے اہم ہے کہ کسی غیر نمائندہ آبادی پر توثیق شدہ ٹیکنالوجی ان گروہوں کے لیے بدتر کارکردگی دکھا سکتی ہے جن کی پہلے ہی سب سے کم خدمت ہوتی ہے — جہاں کچھ نسلیں، عمریں یا ہم مرضیاں کم نمائندہ ہوں وہاں سکھایا گیا بگاڑ یا تشخیصی ماڈل اس تعصب کو ہر مستقبل کے فیصلے میں لے جا سکتا ہے، اور قومی پیمانے پر منظور شدہ ڈیٹا سیٹ اس ناانصافی کو پورے نظام میں پختہ کر دیتا ہے۔ کشمکش یہ ہے کہ انصاف کا تجزیہ سرخی والے درستگی کے عدد سے زیادہ مشکل اور سست ہے: یہ آپ سے ڈیٹا میں کون ہے اور کون غائب ہے اس کی چھان بین، ذیلی گروہوں میں کارکردگی کی تقسیم، اور کبھی کبھی یہ ماننے کا تقاضا کرتا ہے کہ آپ کے شواہد ان آبادیوں کے لیے کمزور ہیں جن کی خدمت آپ کو سب سے زیادہ کرنی ہے۔ اسے ٹھوس بنائیں: کوئی حالیہ یا مجوزہ آلہ لیں اور پوچھیں کہ وہ کس کے ریکارڈ پر بنایا اور جانچا گیا، کیا کارکردگی کا کبھی ذیلی گروہ کے لحاظ سے جائزہ لیا گیا، اور کیا معلومات کی نظامت کی منظوری نے انصاف سے کچھ بھی تعلق رکھا یا محض قانونی بنیاد کی تصدیق کی۔ دیانت دار جواب حقیقی اخلاقی جانچ کو خانہ پُری سے الگ کرتا ہے، تسلیم کرتا ہے کہ نمائندگی کی جانچ کہاں کبھی نہ ہوئی، اور تعصب اور انصاف کو ایسے سوال سمجھتا ہے جن کا جواب شواہد کو خود دینا ہے، نہ کہ آخر میں جوڑا گیا تعمیل کا قدم۔

عملی مثال: صحت اور نگہداشت کی ایک مثال#

ایک کمیونٹی ٹرسٹ کو ایک AI آلے کی پیشکش ہوتی ہے جو اہم علامات کے ڈیٹا سے بگڑتی حالت کے خطرے والے مریضوں کی نشاندہی کرتا ہے۔ HiPPO فیصلہ اسے اس لیے نافذ کرتا کہ ایک قابلِ احترام ڈائریکٹر فروخت کنندہ کے ڈیمو سے متاثر ہوا۔

اس کے بجائے ٹرسٹ پیشکش کو مفروضہ سمجھتا ہے۔ وہ آلے کو اس ٹیکنالوجی کے مناسب NICE ESF خطرے کے درجے میں رکھتا ہے جو طبی فیصلوں کو آگاہ کرتی ہے، اور فروخت کنندہ سے اس سطح کی افادیت کے شواہد مانگتا ہے؛ سب سے مضبوط چیز جو پیش کی جاتی ہے وہ ایک چھوٹا واحد مقام کا مطالعہ ہے۔ ٹرسٹ ایک منطقی ماڈل لکھتا ہے (بہتر ابتدائی انتباہ ← جلد بالا افسران کو رجوع ← کم قابلِ اجتناب بگاڑ) اور ایک عملی تشخیص ڈیزائن کرتا ہے: سایہ موڈ میں نفاذ جہاں آلے کے الرٹ درج تو ہوتے ہیں مگر ان پر عمل نہیں ہوتا، اور ان کا اصل نتائج سے موازنہ کیا جاتا ہے، ساتھ نرسوں سے کام کے بہاؤ کی موزونیت پر معیاری انٹرویوز۔

متوازی طور پر وہ ترسیلی شواہد جمع کرتا ہے: کیا معالجین الرٹ کو واقعی نوٹس کریں گے اور ان پر بھروسا کریں گے؟ وہ الرٹ کی پیشکش پر A/B طرز کے ٹیسٹ چلاتا ہے۔ معلومات کی نظامت اور طبی تحفظ کے سربراہ ڈیٹا کے استعمال اور خطرات کے لاگ کی منظوری دیتے ہیں۔ تین مہینے بعد RWE ایک معمولی مگر حقیقی بہتری اور قابلِ قبول غلط الرٹ کی شرح دکھاتا ہے، اور ترسیلی شواہد دکھاتے ہیں کہ معالجین دوبارہ ڈیزائن کیے گئے الرٹس کے ساتھ جڑتے ہیں۔ آگے بڑھنے کا فیصلہ — مرحلہ وار نفاذ اور جاری نگرانی کے ساتھ — فیصلے کے ریکارڈ میں لکھا جاتا ہے جو تولے گئے شواہد کا حوالہ دیتا ہے۔ دو سال بعد، جب نیا ڈائریکٹر آلے پر سوال اٹھاتا ہے، ریکارڈ جواب دیتا ہے۔

شعبہ جاتی زاویے#

ہر ایک پر شواہد کو خطرے سے ملانے کا ایک ہی فرض ہے، لیکن شواہد کے گرد وسائل، ترغیبات اور جواب دہی ادارے کے لحاظ سے تیزی سے مختلف ہیں۔

اسٹارٹ اپ#

اسٹارٹ اپ کی رکاوٹ یہ ہے کہ سنہری معیار کے طبی شواہد سست اور مہنگے ہیں جبکہ مالی گنجائش مختصر ہے، اس لیے اپنانے کے پیمانوں کو طبی اثر کے ثبوت کے طور پر بیچنے کی ترغیب ہوتی ہے۔ دیانت دار قدم یہ ہے کہ مصنوعے کو جلد درست NICE ESF درجے میں رکھا جائے اور خریداروں کے سامنے شواہد کے خلا کے بارے میں صاف گو رہا جائے، واضح منطقی ماڈل اور سستی عملی تشخیص (سایہ موڈ کا پائلٹ، واحد مقام کے مقابل منقطع وقتی سلسلہ) استعمال کر کے پہلے حقیقی دنیا کے شواہد پیدا کیے جائیں۔ فیصلوں کے ریکارڈ کی لاگت تقریباً کچھ نہیں اور چھوٹی ٹیم کے لیے غیر متناسب طور پر قیمتی ہے، جو تیز تبدیلیوں میں استدلال محفوظ رکھتی ہے اور محتاط سرمایہ کاروں اور NHS جائزہ کاروں کو آڈٹ کا سراغ دیتی ہے۔ جو نظم و ضبط نفع دیتا ہے وہ بانی کے HiPPO اندازے کا مقابلہ کرنا اور ہر "ڈیمو اچھا رہا" کو جانچنے والا مفروضہ سمجھنا ہے۔

چھوٹا کاروبار#

ایک قائم شدہ چھوٹا فراہم کنندہ — جی پی پریکٹس، کمیونٹی فارمیسی، کیئر ہوم، ایک مقام کا کلینک، اسٹارٹ اپ مرحلے سے آگے کا چھوٹا ہیلتھ ٹیک سپلائر — شواہد کو خطرے سے ملانے کا وہی فرض اٹھاتا ہے مگر اس کے پاس حقیقی مریض، تنگ نقدی، اور یہ کام کرنے کے لیے کوئی یا بہت کم مخصوص ڈیجیٹل صلاحیت ہے۔ حقیقت پسندانہ قدم یہ ہے کہ اپنے شواہد پیدا کرنے کے بجائے ان پر انحصار کریں جو دوسروں نے پہلے ہی بنا رکھے ہیں: امیدوار آلے کے NICE ESF درجے اور DTAC جائزے کو تیار شدہ تناسب کے طور پر استعمال کریں، سپلائرز سے درجے کے مطابق طبی افادیت کے شواہد مانگیں، اور کسی چمکدار ڈیمو کی بنیاد پر غیر جانچی ہوئی مصنوعہ قبول کرنے سے انکار کریں۔ ترسیلی شواہد وہ جگہ ہے جہاں چھوٹا ادارہ واقعی آگے ہو سکتا ہے، کیونکہ وہ اپنے مریضوں کو قریب سے دیکھتا ہے — چند ہفتوں کا دیانت دار مشاہدہ کہ عملہ آلہ واقعی استعمال کرتا ہے یا نہیں اور کیا وہ ناکامی سے پیدا ہونے والی مانگ کم کرتا ہے، پہنچ میں موجود حقیقی دنیا کے شواہد ہیں۔ ایک سطری فیصلے کا ریکارڈ — ہم نے کیا چنا، کون سے شواہد دیکھے، کس نے فیصلہ کیا — چھوٹی ٹیم کو تقریباً کچھ نہیں پڑتا اور جب کوئی شریک چلا جائے یا CQC کا معائنہ کار پوچھے کہ کیوں، تو اس کی حفاظت کرتا ہے۔ جس جال سے بچنا ہے وہ یہ فرض کرنا ہے کہ چھوٹا ہونا آپ کو شواہد کے معیار سے مستثنیٰ کر دیتا ہے؛ مریضوں کے لیے فرض یکساں ہے، صرف وسائل نہیں۔

بڑا ادارہ#

NHS ٹرسٹ یا ICS کے پاس معمول کا ڈیٹا، مریضوں کی تعداد اور سنجیدہ تشخیص کرنے کی تجزیاتی صلاحیت ہے — اور وہ جواب دہی جو اس کا تقاضا کرتی ہے، کیونکہ کسی غیر ثابت شدہ آلے کو بڑے پیمانے پر نافذ کرنا بیک وقت طبی تحفظ اور عوامی رقم کا خطرہ ہے۔ ناکامی کا طریقہ ادارہ جاتی ہے: کوئی قابلِ احترام ڈائریکٹر فروخت کنندہ کے ڈیمو کی حمایت کرے، یا ایسا کاروباری مقدمہ جو متوقع فوائد پر بنا ہو جنہیں بعد میں کوئی نہیں جانچتا۔ تدارک یہ ہے کہ ثقافتی طور پر کسی بھی فیصلہ ساز سے "شواہد کیا ہیں؟" پوچھنا محفوظ بنایا جائے، ہر بورڈ پیپر میں طبی اور ترسیلی شواہد کو الگ محوروں پر رکھا جائے، اور AI اور طویل المدت خدمات کے لیے ایک بار توثیق کے بجائے جاری حقیقی دنیا کی نگرانی کو فنڈ کیا جائے۔ ایک بڑا فارما یا ہیلتھ ٹیک ادارہ رسمی تجربات کا نظام لاتا ہے مگر اسے اپنے پیدا کردہ حقیقی دنیا کے شواہد میں اشاعت کے تعصب اور الجھاؤ سے محتاط رہنا ہوگا۔

حکومت#

قومی ادارہ — NICE، NHS انگلینڈ، DHSC، MHRA، UKHSA — اکثر وہ شواہدی معیار طے کرتا ہے جسے دوسروں کو پار کرنا ہوتا ہے، اس لیے اس کے کام کے طریقے پوری منڈی کو ڈھالتے ہیں: ESF، DTAC اور طبی آلے کے طور پر سافٹ ویئر کے ضابطے آبادی کے پیمانے کی جواب دہی کے آلات ہیں۔ یہاں کے فیصلے ریگولیٹری، پارلیمانی اور عوامی جانچ کو کھینچتے ہیں، اس لیے کیوں کسی ٹیکنالوجی کی سفارش یا خریداری کی گئی اس کا ریکارڈ فیصلے جتنا ہی اہم ہے، اور شواہد کی حدود کے بارے میں شفافیت فرض ہے، مہربانی نہیں۔ اس پیمانے کا خطرہ کمزور شواہد پر پورے نظام میں کوئی ٹیکنالوجی لازمی قرار دینا ہے، یا اس کے برعکس کم خطرے کی تبدیلی کے لیے RCT کا مطالبہ کر کے مفید جدت کو روک دینا۔ تدارک شائع شدہ معیارات میں صریح کیا گیا تناسب ہے، ساتھ ڈیٹا اخلاقیات اور انصاف پر توجہ، کیونکہ قومی سطح پر منظور شدہ متعصب ڈیٹا سیٹ ناانصافی کو بڑے پیمانے پر پختہ کر دیتا ہے۔

عام ناکامی کے طریقے#

• ڈیمو سے چلنے والے فیصلے۔ اس لیے خریدنا کہ کسی ڈیمو نے کسی سینئر رہنما کو متاثر کیا۔ تدارک: پیشکشوں کو مفروضہ سمجھیں؛ درجے کے مطابق شواہد کا مطالبہ کریں۔
• استعمال کو توثیق سمجھنا۔ اپنانے کے اعداد کو اس بات کا ثبوت بتانا کہ آلہ طبی طور پر مؤثر ہے۔ تدارک: طبی اور ترسیلی شواہد کو الگ محوروں پر رکھیں۔
• ایک بار کی تشخیص۔ ایک بار توثیق کر کے کبھی نگرانی نہ کرنا، خصوصاً AI کے لیے جو منحرف ہوتا ہے۔ تدارک: حقیقی دنیا کے شواہد اور جاری نگرانی۔
• تجزیے کا جمود۔ کم خطرے کی مواد کی تبدیلی کے لیے RCT کا مطالبہ۔ تدارک: متناسب طریقے؛ جہاں خطرہ کم ہو وہاں A/B اور عملی تشخیص۔
• غیر ریکارڈ شدہ فیصلے۔ اس کا کوئی نشان نہیں کہ انتخاب کیوں ہوا، اس لیے دوبارہ بحث ہوتی ہے اور آڈٹ ممکن نہیں۔ تدارک: ہلکا پھلکا فیصلوں کا لاگ۔
• اخلاقیات بطور کاغذی کارروائی۔ ڈیٹا اخلاقیات کو ڈیزائن کی رکاوٹ کے بجائے دستخط کرنے کا فارم سمجھنا۔ تدارک: قانونی جواز، رضامندی اور انصاف کو شواہد کے ڈیزائن میں شامل کریں۔

پختگی کا ماڈل#

جانچ فہرست#

• ہر ٹیکنالوجی NICE ESF خطرے کے درجے میں رکھی گئی ہے، مماثل شواہد طلب کیے گئے ہیں۔
• ہر اہم فیصلے کے لیے طبی اور ترسیلی دونوں شواہد ہیں، الگ رکھے ہوئے۔
• تعمیر سے پہلے منطقی ماڈل موجود ہے، جو نتائج اور پیمانوں کا نام لیتا ہے۔
• تشخیص کا ڈیزائن خطرے کے متناسب ہے (کم کے لیے A/B اور عملی؛ زیادہ کے لیے تجربات/RWE)۔
• AI اور طویل المدت خدمات کے لیے حقیقی دنیا کے شواہد اور نگرانی موجود ہے۔
• ثقافتی طور پر کسی بھی فیصلہ ساز سے "شواہد کیا ہیں؟" پوچھنا محفوظ ہے۔
• ہر اہم فیصلہ فیصلوں کے لاگ میں درج ہے (کیا، کیوں، شواہد، کس نے، کب)۔
• ڈیٹا کا استعمال قانونی، رضامندی پر مبنی، متناسب ہے، اور تعصب اور انصاف کے لیے جانچا گیا ہے۔

کلیدی ماخذ#

• NICE — ڈیجیٹل صحت ٹیکنالوجیز کے لیے شواہدی معیارات کا فریم ورک (ESF) (nice.org.uk)۔
• NHS انگلینڈ / NHSX — ڈیجیٹل ٹیکنالوجی اسسمنٹ کرائٹیریا (DTAC)۔
• MHRA — طبی آلے کے طور پر سافٹ ویئر اور AI پر رہنمائی۔
• آکسفورڈ سینٹر فار ایویڈنس بیسڈ میڈیسن — Levels of Evidence (شواہد کی درجہ بندی)۔
• ایچ ایم ٹریژری — The Magenta Book (تشخیص، منطقی ماڈل اور تشخیص کے ڈیزائنز پر رہنمائی)۔
• MRC — Developing and evaluating complex interventions فریم ورک۔
• رون کوہاوی وغیرہ — Trustworthy Online Controlled Experiments (A/B ٹیسٹنگ)۔
• مائیکل نائگارڈ — Architecture Decision Records (فیصلوں کے لاگ کا نمونہ)۔

حوالہ جات#

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/