പരീക്ഷിക്കപ്പെടാത്ത സാങ്കേതികവിദ്യകളിലേക്ക് ഫെഡറൽ ഗവൺമെന്റ് അപൂർവ്വമായിട്ടേ വേഗത്തിൽ കടക്കാറുള്ളൂ. പ്രത്യേകിച്ച് പൊതുജനാരോഗ്യ വകുപ്പുകൾ വർഷങ്ങൾ ചെലവഴിച്ചേക്കാം

ഫെഡറൽ ഗവൺമെന്റ് പരീക്ഷിക്കപ്പെടാത്ത സാങ്കേതികവിദ്യകളിലേക്ക് അപൂർവ്വമായിട്ടേ വേഗത്തിൽ കടന്നുവരാറുള്ളൂ. പ്രത്യേകിച്ച് പൊതുജനാരോഗ്യ വകുപ്പുകൾ, രോഗികളുടെ റെക്കോർഡുകളിലോ പകർച്ചവ്യാധി ഡാറ്റയിലോ ഉപയോഗിക്കുന്നതിന് മുമ്പ് ഒരു ഉപകരണം സാധൂകരിക്കാൻ വർഷങ്ങൾ ചിലവഴിച്ചേക്കാം. അതിനാൽ, OpenAI, Anthropic എന്നിവർ നിർമ്മിച്ച ജനറേറ്റീവ് AI സിസ്റ്റങ്ങൾ ഉപയോഗിച്ച് തങ്ങൾ ലൈവ് പരീക്ഷണങ്ങൾ നടത്തുമെന്ന് യുഎസ് ആരോഗ്യ ഏജൻസികൾ പ്രഖ്യാപിച്ചപ്പോൾ സന്ദേശം വ്യക്തമായിരുന്നു: ലാർജ് ലാംഗ്വേജ് മോഡലുകൾ ഉപഭോക്തൃ പരീക്ഷണങ്ങളിൽ നിന്ന് ഗൗരവകരമായ സ്ഥാപനപരമായ ഉപയോഗത്തിലേക്ക് മാറിയിരിക്കുന്നു.

PULSE യഥാർത്ഥത്തിൽ എന്താണ് ചെയ്യുന്നത്

ഈ പുതിയ സംരംഭത്തിന്റെ പേര് Public Health Use Case and Learning Scaling Engine എന്നാണ്—ചുരുക്കത്തിൽ PULSE. ഇതൊരു ഉൽപ്പന്ന വിന്യാസമല്ല, മറിച്ച് ഒരു പരീക്ഷണ ചട്ടക്കൂടാണ് (testing framework). ആരോഗ്യ വകുപ്പുകളുടെ ഇമെയിൽ സംവിധാനങ്ങളിലേക്ക് ചാറ്റ്ബോട്ടുകളെ വെറുതെ ഇറക്കിവിട്ട് നല്ലത് സംഭവിക്കട്ടെ എന്ന് പ്രത്യാശിക്കുന്നതിന് പകരം, പൊതുജനാരോഗ്യം ഒരു പുതിയ വാക്സിനെ സമീപിക്കുന്നത് പോലെയാണ് PULSE ജനറേറ്റീവ് AI-യെ കാണുന്നത്. സംസ്ഥാന, പ്രാദേശിക, ഗോത്രവർഗ, ടെറിട്ടോറിയൽ ഏജൻസികൾക്ക് പാർശ്വഫലങ്ങൾ കർശനമായി നിരീക്ഷിച്ചുകൊണ്ട് ഈ ഉപകരണങ്ങൾ പരീക്ഷിക്കാവുന്ന നിയന്ത്രിത സാഹചര്യങ്ങൾ ഇത് സൃഷ്ടിക്കുന്നു.

ഈ പ്രോഗ്രാം നാല് വ്യത്യസ്ത പങ്കാളികളെ ഒന്നിപ്പിക്കുന്നു. Coalition for Health AI (CHAI) ആരോഗ്യ സംരക്ഷണത്തിന് പ്രത്യേകമായ ഭരണനിർവ്വഹണവും സുരക്ഷാ മാനദണ്ഡങ്ങളും നൽകുന്നു. OpenAI, Anthropic എന്നിവർ അത്യാധുനിക ലാംഗ്വേജ് മോഡലുകൾ നൽകുന്നു. നിലവിലുള്ള സർക്കാർ ഇൻഫ്രാസ്ട്രക്ചറുകളുമായി (പലപ്പോഴും പതിറ്റാണ്ടുകൾ പഴക്കമുള്ള ഡാറ്റാബേസുകളും കർശനമായ സംഭരണ നിയമങ്ങളും ഉപയോഗിക്കുന്നവ) ഈ സംവിധാനങ്ങളെ ബന്ധിപ്പിക്കുന്നതിന് ആവശ്യമായ സംയോജന വൈദഗ്ധ്യം (integration expertise) Accenture നൽകുന്നു.

AI-ക്ക് ഇമെയിലുകൾ എഴുതാനോ മീറ്റിംഗ് ട്രാൻസ്ക്രിപ്റ്റുകൾ സംഗ്രഹിക്കാനോ കഴിയുമോ എന്നതല്ല PULSE ചോദിക്കുന്നത്. മറിച്ച്, ഈ മോഡലുകൾക്ക് മൂന്ന് പ്രധാന കാര്യങ്ങളിൽ വിശ്വസനീയമായി സഹായിക്കാൻ കഴിയുമോ എന്നാണ്: രോഗവ്യാപന നിരീക്ഷണം (epidemiological surveillance), വിഭവ വിതരണം (resource allocation), പൊതുജനാരോഗ്യ ആശയവിനിമയം (public health communication). ഇവയിൽ ഓരോന്നും കേൾക്കുമ്പോൾ അമൂർത്തമായി തോന്നാമെങ്കിലും, ഒരു ആരോഗ്യ വകുപ്പ് നടത്തുന്ന ദൈനംദിന പ്രവർത്തനങ്ങളെയാണ് ഇവ വിവരിക്കുന്നത്. നിരീക്ഷണം (Surveillance) എന്നാൽ ഒരു പകർച്ചവ്യാധി വലിയ തോതിൽ പടരുന്നതിന് മുമ്പ് അത് കണ്ടെത്താനായി ലാബ് റിപ്പോർട്ടുകൾ, ആശുപത്രി പ്രവേശന വിവരങ്ങൾ, സ്കൂളുകളിലെ ഹാജർ നില എന്നിവ പരിശോധിക്കുക എന്നാണ് അർത്ഥമാക്കുന്നത്. വിഭവ വിതരണം (Resource allocation) എന്നാൽ കടുത്ത फ्लू സീസണുകളിൽ പരിമിതമായ വാക്സിൻ ഡോസുകളോ ആന്റിവൈറൽ ചികിത്സകളോ എവിടെ അയക്കണം എന്ന് തത്സമയം തീരുമാനിക്കുക എന്നാണ്. പൊതുജനാരോഗ്യ ആശയവിനിമയം (Public health communication) എന്നാൽ സങ്കീർണ്ണമായ ഫെഡറൽ മാർഗ്ഗനിർദ്ദേശങ്ങളെ വിവിധ കമ്മ്യൂണിറ്റികൾക്കായി ലളിതമായ ഭാഷയിലേക്ക് വിവർത്തനം ചെയ്യുക എന്നാണ്, പലപ്പോഴും ഒരു ഭക്ഷ്യവിഷബാധയെക്കുറിച്ചുള്ള അന്വേഷണത്തിനിടയിൽ സമയം വളരെ കുറവായിരിക്കുമ്പോൾ ഇത് ചെയ്യേണ്ടി വരും. അധിക ജോലിഭാരമോ തെറ്റുകളോ ഉണ്ടാക്കാതെ AI-ക്ക് ഇതിൽ ഏതെങ്കിലും സഹായിക്കാൻ കഴിയുമെങ്കിൽ, കാര്യക്ഷമതയിൽ വലിയ നേട്ടമുണ്ടാക്കാൻ സാധിക്കും.

പത്ത് അധികാരപരിധികളിലായി നടപ്പിലാക്കുന്നത് എന്തുകൊണ്ട് എല്ലാം മാറ്റുന്നു

സംസ്ഥാനങ്ങൾ, പ്രാദേശിക മേഖലകൾ, ഗോത്രവർഗ രാഷ്ട്രങ്ങൾ, യുഎസ് ടെറിട്ടറികൾ എന്നിവയിൽ നിന്നുള്ള പത്ത് അധികാരപരിധികളിലായി (jurisdictions) ഈ പ്രോഗ്രാം പരീക്ഷണങ്ങൾ നടത്തും. ആ ബോധപൂർവ്വമായ വിതരണമാണ് ഇതിന്റെ പ്രധാന ലക്ഷ്യം. നൂറുകണക്കിന് എപ്പിഡെമിയോളജിസ്റ്റുകൾ ഉള്ളതും ഫൈബർ-ഒപ്റ്റിക് നെറ്റ്‌വർക്കുകൾ പ്രവർത്തിക്കുന്നതുമായ ജനസാന്ദ്രതയുള്ള പ്രദേശത്തെ ഒരു സംസ്ഥാന ആരോഗ്യ വകുപ്പിന് നേരിടേണ്ടി വരുന്ന വെല്ലുവിളികൾ, കുറഞ്ഞ ജീവനക്കാരും ഇടയ്ക്കിടെയുള്ള കണക്റ്റിവിറ്റിയും മാത്രമുള്ള ഒരു ടെറിട്ടോറിയൽ ഏജൻസി നേരിടുന്ന വെല്ലുവിളികളിൽ നിന്ന് തികച്ചും വ്യത്യസ്തമാണ്.

ഗോത്രവർഗ വിഭാഗങ്ങളുടെ ഉൾപ്പെടുത്തൽ (Tribal inclusion) പ്രത്യേക പ്രാധാന്യമുള്ളതാണ്. ഗോത്രവർഗ ആരോഗ്യ ഏജൻസികൾ ചരിത്രപരമായി വിട്ടുമാറാത്ത ഫണ്ടിന്റെ കുറവും ഡാറ്റാ പരമാധികാരത്തെക്കുറിച്ചുള്ള (data sovereignty) ആശങ്കകളും നേരിട്ടിട്ടുണ്ട്. ഗോത്രവർഗ അധികാരപരിധികൾ ഉൾപ്പെടുത്തുന്നതിലൂടെ, ദേശീയ ഉപയോഗം അവകാശപ്പെടുന്ന ഏതൊരു AI ഉപകരണവും പ്രത്യേക ജനവിഭാഗങ്ങളെ കൈകാര്യം ചെയ്യണമെന്നും, വ്യത്യസ്തമായ ഭരണഘടനകളെ ബഹുമാനിക്കണമെന്നും, സവിശേഷമായ പാരിസ്ഥിതികവും സാമൂഹികവുമായ ആരോഗ്യ വെല്ലുവിളികളുള്ള സാഹചര്യങ്ങളിൽ പ്രവർത്തിക്കണമെന്നും PULSE അംഗീകരിക്കുന്നു. ഇത്തരം സാഹചര്യങ്ങളിൽ ഒരു മോഡലിന് പ്രവർത്തിക്കാൻ കഴിയില്ലെങ്കിൽ, അതിന് ഫെഡറൽ അംഗീകാരം ലഭിക്കാൻ അർഹതയില്ല.

ടെറിട്ടോറിയൽ ഏജൻസികൾ മറ്റൊരു ആവശ്യമായ സ്ട്രെസ് ടെസ്റ്റ് (stress test) നൽകുന്നു. യുഎസ് ടെറിട്ടറികളിലെ പൊതുജനാരോഗ്യ ഉദ്യോഗസ്ഥർ കൈകാര്യം ചെയ്യുന്ന രോഗവ്യാപന രീതികളും സപ്ലൈ ചെയിനുകളും മെയിൻലാൻഡിൽ നിന്ന് തികച്ചും വ്യത്യസ്തമാണ്. മികച്ച ഇന്റർനെറ്റ് കണക്റ്റിവിറ്റി ഉണ്ടെന്ന് കരുതുന്നതോ, അല്ലെങ്കിൽ വലിയ നഗര ആശുപത്രികളിൽ സാധാരണയായി ഉപയോഗിക്കുന്ന ICD-10 കോഡിംഗ് രീതികളെ ആശ്രയിക്കുന്നതോ ആയ ഒരു AI അസിസ്റ്റന്റ്, ഒരു ചുഴലിക്കാറ്റ് ഇൻഫ്രാസ്ട്രക്ചർ തകരാറിലാക്കുമ്പോൾ പരാജയപ്പെടും. ഈ പത്ത് അധികാരപരിധികളിലായുള്ള രൂപകൽപ്പന, ഈ മോഡലുകൾ അപൂർണ്ണമായ സാഹചര്യങ്ങളോട് പൊരുത്തപ്പെടുന്നുണ്ടോ അതോ തകരാറിലാകുന്നുണ്ടോ എന്നതിനെക്കുറിച്ച് കൃത്യമായ തെളിവുകൾ ശേഖരിക്കാൻ പ്രോഗ്രാമിനെ നിർബന്ധിക്കുന്നു.

ചാറ്റ്ബോട്ടുകളിൽ നിന്ന് മിഷൻ-ക്രിട്ടിക്കൽ ഇൻഫ്രാസ്ട്രക്ചറിലേക്ക്

കഴിഞ്ഞ രണ്ട് വർഷമായി, ലാർജ് ലാംഗ്വേജ് മോഡലുകളെക്കുറിച്ചുള്ള പൊതു സംഭാഷണങ്ങൾ കോഡിംഗ് ഷോർട്ട്കട്ടുകൾ, മാർക്കറ്റിംഗ് കോപ്പി, ഇമേജ് ജനറേഷൻ എന്നിവയിൽ കേന്ദ്രീകരിച്ചായിരുന്നു. എന്നാൽ PULSE മനഃപൂർവ്വം ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത് മിഷൻ-ക്രിട്ടിക്കൽ ഇൻഫ്രാസ്ട്രക്ചറിലേക്കാണ് (mission-critical infrastructure). ഒരു ആരോഗ്യ വകുപ്പ് പകർച്ചവ്യാധി റിപ്പോർട്ടുകൾ വിശകലനം ചെയ്യാൻ ഒരു AI മോഡൽ ഉപയോഗിക്കുമ്പോൾ, അവിടെ സംഭവിക്കുന്ന ഒരു തെറ്റ് വെറുമൊരു ഭ്രമാത്മകമായ പിശക് (hallucination) മാത്രമല്ല. അത് പൊതുജന സുരക്ഷയിലുണ്ടാകുന്ന വലിയൊരു പരാജയമാണ്.

ആ യാഥാർത്ഥ്യം ഈ പൈലറ്റ് പ്രോഗ്രാമിനെ മൂന്ന് നിരന്തരമായ സാങ്കേതിക പ്രശ്നങ്ങൾക്കായി ഒരു മാതൃകയാക്കുന്നു: കൃത്യത (accuracy), ഹാലൂസിനേഷൻ കുറയ്ക്കൽ (hallucination mitigation), ഡാറ്റാ സ്വകാര്യത (data privacy). ഈ സാഹചര്യത്തിൽ, ഹാലൂസിനേഷൻ എന്നാൽ ഒരു മോഡൽ മരുന്നുകളുടെ ഇടപഴകൽ (drug interaction) കെട്ടിച്ചമയ്ക്കുകയോ, നിലവിലില്ലാത്ത ഒരു രോഗബാധാ മേഖല (outbreak cluster) സങ്കൽപ്പിക്കുകയോ, അല്ലെങ്കിൽ റിപ്പോർട്ടിംഗ് നിയമങ്ങൾ തെറ്റായി പറയുകയോ ചെയ്തേക്കാം. ഇത്തരം പിശകുകൾ എത്രത്തോളം സംഭവിക്കുന്നുവെന്നും, ഒരു തീരുമാനമെടുക്കുന്ന വ്യക്തിയുടെ അടുത്ത് എത്തുന്നതിന് മുമ്പ് സാങ്കേതിക സുരക്ഷാ സംവിധാനങ്ങൾ (technical guardrails) അവയെ തടയാൻ കഴിയുമോ എന്നും അളക്കുന്ന രീതിയിലാണ് PULSE രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്.

സ്വകാര്യതയ്ക്കും തുല്യ പ്രാധാന്യമുണ്ട്. HIPAA-യും മറ്റ് സംസ്ഥാനതല നിയമങ്ങളും നിയന്ത്രിക്കുന്ന സംരക്ഷിത ആരോഗ്യ വിവരങ്ങളാണ് (protected health information) പൊതുജനാരോഗ്യ ഏജൻസികൾ കൈകാര്യം ചെയ്യുന്നത്. ഈ ഡാറ്റ ഉപയോഗിക്കുന്ന ഏതൊരു AI സംവിധാനവും അത് കൃത്യമായി എന്താണ് സംഭരിക്കുന്നത്, പരിശീലന ഡാറ്റ (training data) എങ്ങോട്ടാണ് ഒഴുകുന്നത്, കൂടാതെ പിന്നീട് ആർക്കൊക്കെ ഔട്ട്‌പുട്ടുകൾ പരിശോധിക്കാം എന്നിവ തെളിയിക്കേണ്ടതുണ്ട്. CHAI-യുടെ പങ്കാളിത്തം സൂചിപ്പിക്കുന്നത് ഈ പരീക്ഷണങ്ങൾ OpenAI, Anthropic മോഡലുകളുടെ ബുദ്ധിശക്തിയെ മാത്രമല്ല, മറിച്ച് കർശനമായ സ്ഥാപനപരമായ ഭരണനിർവഹണ ചട്ടക്കൂടുകൾക്കുള്ളിൽ (institutional governance frameworks) പ്രവർത്തിക്കാനും വ്യക്തമായ ഓഡിറ്റ് ട്രയലുകൾ (audit trails) നൽകാനുമുള്ള അവയുടെ കഴിവിനെയാണ് പരിശോധിക്കുക എന്നതാണ്.

ഡെവലപ്പർമാർക്കും റെഗുലേറ്റർമാർക്കും ഒരു ബ്ലൂപ്രിന്റ്

ആരോഗ്യ സംരക്ഷണ മേഖലയ്ക്കായുള്ള AI നിർമ്മിക്കുന്ന ഡെവലപ്പർമാർക്കും സ്റ്റാർട്ടപ്പ് സ്ഥാപകർക്കും, വിപണിക്ക് അടിയന്തിരമായി ആവശ്യമുള്ള ഒന്ന് PULSE വാഗ്ദാനം ചെയ്യുന്നു: സുതാര്യവും ഗവൺമെന്റ് അംഗീകരിച്ചതുമായ ഒരു മാനദണ്ഡം. പൊതുജനാരോഗ്യ സംവിധാനങ്ങളിലേക്ക് തങ്ങളുടെ സേവനങ്ങൾ എത്തിക്കാൻ പുതിയ കമ്പനികൾ പലപ്പോഴും ബുദ്ധിമുട്ടാറുണ്ട്, കാരണം AI സുരക്ഷ വിലയിരുത്തുന്നതിന് പ്രൊക്യുർമെന്റ് ഓഫീസർമാർക്ക് പൊതുവായ ഒരു ചെക്ക്‌ലിസ്റ്റ് ഇല്ല. ഭരണപരമായ ആരോഗ്യ മേഖലകളിൽ പക്ഷപാതം (bias), കൃത്യത, സ്വകാര്യത എന്നിവ അളക്കുന്നതിനുള്ള സുതാര്യമായ മാനദണ്ഡങ്ങൾ PULSE തയ്യാറാക്കുകയാണെങ്കിൽ, അവ രാജ്യമെമ്പാടുമുള്ള വെണ്ടർമാർക്കുള്ള ഡിഫോൾട്ട് ബെഞ്ച്മാർക്കായി വേഗത്തിൽ മാറിയേക്കാം.

ഗവൺമെന്റിനെ സേവിക്കുന്നതിനായി ലാർജ് ലാംഗ്വേജ് മോഡലുകൾ (LLMs) എങ്ങനെ പരിണമിക്കേണ്ടതുണ്ടെന്നും ഈ പ്രോഗ്രാം സൂചിപ്പിക്കുന്നു. ഉപഭോക്താക്കൾക്കായുള്ള ചാറ്റ്‌ബോട്ടുകൾ ഒഴുക്കുള്ളതും സഹായകരവുമായ മറുപടികൾ നൽകാൻ രൂപകൽപ്പന ചെയ്തവയാണ്. എന്നാൽ ഗവൺമെന്റ് ആരോഗ്യ പ്രവർത്തനങ്ങൾക്ക് കൃത്യമായ അവലംബങ്ങൾ (citations), അളക്കാവുന്ന അനിശ്ചിതത്വം (calibrated uncertainty), സ്ഥാപനപരമായ ഓർമ്മശക്തി (institutional memory) എന്നിവ ആവശ്യമാണ്. ഒരു നഴ്സ് എപ്പിഡെമിയോളജിസ്റ്റിന് ഉപദേശം നൽകുന്ന ഒരു മോഡൽ, ആത്മവിശ്വാസത്തോടെ തെറ്റായ ഉത്തരം നൽകുന്നതിന് പകരം "തെളിവുകൾ വ്യക്തമല്ല" എന്ന് പറയാൻ തയ്യാറാകണം. ഈ സാഹചര്യത്തിനായി OpenAI, Anthropic എന്നിവർ അവരുടെ പ്രോംപ്റ്റിംഗ് സ്ട്രാറ്റജികളും റിട്രീവൽ സിസ്റ്റങ്ങളും എങ്ങനെ ക്രമീകരിക്കുന്നു എന്ന് നിരീക്ഷിക്കുന്നത്, അടിസ്ഥാന സാങ്കേതികവിദ്യയ്ക്ക് ബ്യൂറോക്രാറ്റിക് പ്രതീക്ഷകൾ നിറവേറ്റാൻ കഴിയുമോ എന്ന് വെളിപ്പെടുത്തും.

ഈ പൈലറ്റ് പ്രോഗ്രാമുകൾ വിജയിക്കുകയാണെങ്കിൽ, ഇതിൽ നിന്നുള്ള സാങ്കേതികവും ഭരണപരവുമായ ഉൾക്കാഴ്ചകൾ അമേരിക്കൻ അതിർത്തികൾക്കും അപ്പുറത്തേക്ക് വ്യാപിച്ചേക്കാം. ലോകമെമ്പാടുമുള്ള പൊതുജനാരോഗ്യ വകുപ്പുകൾ സമാനമായ ഡാറ്റാ ഭാരവും ജീവനക്കാരുടെ കുറവും നേരിടുന്നുണ്ട്. എപ്പിഡെമിയോളജിയിലും ആരോഗ്യ ആശയവിനിമയത്തിലും LLM-കൾ വിന്യസിക്കുന്നതിനുള്ള അംഗീകൃത ചട്ടക്കൂട്, ഇലക്ട്രോണിക് ഹെൽത്ത് റെക്കോർഡുകൾക്കായി FHIR മാനദണ്ഡങ്ങൾ ചെയ്തതുപോലെ ഒരു അന്താരാഷ്ട്ര റഫറൻസ് പോയിന്റായി മാറിയേക്കാം.

യഥാർത്ഥ സന്ദേശം

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് പൊതുജനാരോഗ്യ പ്രശ്നങ്ങൾ പരിഹരിക്കുമെന്ന വാഗ്ദാനമല്ല PULSE. ആരോഗ്യ വിവരങ്ങൾ കൈകാര്യം ചെയ്യുന്ന പഴയ രീതികൾ വളരെ സാവധാനത്തിലുള്ളതും കഠിനമായ അധ്വാനം ആവശ്യമായതുമാണെന്നും, ഏതൊരു പുതിയ സംവിധാനവും ദേശീയതലത്തിൽ നടപ്പിലാക്കുന്നതിന് മുമ്പ് യഥാർത്ഥവും വൈവിധ്യമാർന്നതുമായ സാഹചര്യങ്ങളിൽ പരീക്ഷിക്കപ്പെടണമെന്നും ഇത് സമ്മതിക്കുന്നു. CHAI-യുടെ സുരക്ഷാ ചട്ടക്കൂടുകൾ OpenAI, Anthropic എന്നിവയുടെ അത്യാധുനിക മോഡലുകളുമായി സംയോജിപ്പിച്ചുകൊണ്ടും, പത്ത് വ്യത്യസ്ത അധികാരപരിധികളിൽ (jurisdictions) ആ ടൂളുകൾ സ്വയം തെളിയിക്കാൻ നിർബന്ധിച്ചുകൊണ്ടും, ഈ പ്രോഗ്രാം ജനറേറ്റീവ് AI-യെ അർഹിക്കുന്ന സംശയത്തോടെയും അതേസമയം അതിന് ആവശ്യമായ പരീക്ഷണാടിസ്ഥാനത്തിലും കാണുന്നു. ആരോഗ്യ ഉദ്യോഗസ്ഥർക്കും ഡെവലപ്പർമാർക്കും അവർ സേവിക്കുന്ന സമൂഹങ്ങൾക്കും, ഉത്തരവാദിത്തപരമായ ഉപയോഗം (responsible adoption) എന്നത് ഇത്തരമൊരു സന്തുലിതാവസ്ഥയാണ്.