Paradigm

ਕਲੀਨੀਕਲ ਟ੍ਰਾਇਲ ਉਹ ਤਰੀਕਾ ਹਨ ਜਿਨ੍ਹਾਂ ਰਾਹੀਂ ਅਸੀਂ ਨਵੇਂ ਇਲਾਜ ਲੱਭਦੇ ਹਾਂ, ਅਤੇ ਇਹ ਜੀਵਨ ਬਚਾਉਣ ਵਾਲੇ ਇਲਾਜ ਦਾ ਰੂਪ ਹੋ ਸਕਦੇ ਹਨ. Paradigm⁠(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਤਕਨਾਲੋਜੀ ਦੀ ਮਦਦ ਨਾਲ ਹੈਲਥਕੇਅਰ ਉਦਯੋਗ ਵਿੱਚ ਰੁਕਾਵਟਾਂ ਘਟਾ ਰਿਹਾ ਹੈ, ਜੋ ਕਲੀਨੀਕਲ ਟ੍ਰਾਇਲ ਹੋਰ ਲੋਕਾਂ ਤੱਕ—ਜਿਵੇਂ ਕਿ ਕੈਂਸਰ ਮਰੀਜ਼ਾਂ ਤੱਕ—ਲੈ ਕੇ ਜਾਂਦੀ ਹੈ, ਨਾਲ ਹੀ ਡਾਕਟਰਾਂ ਅਤੇ ਨਰਸਾਂ ਲਈ ਕਾਗਜ਼ੀ ਕੰਮ ਦਾ ਬੋਝ ਘਟਾਉਂਦੀ ਹੈ ਤਾਂ ਜੋ ਕਲੀਨੀਸ਼ੀਅਨ ਬਰਨਆਉਟ ਦਾ ਮੁਕਾਬਲਾ ਕੀਤਾ ਜਾ ਸਕੇ.

ਮਰੀਜ਼ਾਂ ਦੇ ਮੈਡੀਕਲ ਰਿਕਾਰਡਾਂ ਦਾ ਮੁਲਾਂਕਣ ਉਸ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਇੱਕ ਵੱਡੀ ਰੁਕਾਵਟ ਹੈ ਜਿਸ ਰਾਹੀਂ ਮਰੀਜ਼ ਨੂੰ ਉਸ ਕਲੀਨੀਕਲ ਟ੍ਰਾਇਲ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜੋ ਸੰਭਵ ਤੌਰ 'ਤੇ ਸਭ ਤੋਂ ਵਧੀਆ ਇਲਾਜ ਵਿਕਲਪ ਦੇ ਸਕੇ. ਮੈਡੀਕਲ ਪ੍ਰਦਾਤਾਵਾਂ ਕੋਲ ਕਲੀਨੀਕਲ ਟ੍ਰਾਇਲਾਂ ਖੋਜਣ, ਚੱਲ ਰਹੇ ਟ੍ਰਾਇਲ ਦੀਆਂ ਵਿਸਥਾਰਾਂ ਨੂੰ ਸਮਝਣ, ਅਤੇ ਫਿਰ ਮਰੀਜ਼ਾਂ ਦਾ ਮਿਲਾਨ ਕਰਕੇ ਉਨ੍ਹਾਂ ਦੀ ਯੋਗਤਾ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਕਦੇ-ਕਦਾਈ ਹੀ ਸਮਾਂ ਹੁੰਦਾ ਹੈ. ਨਤੀਜੇ ਵਜੋਂ, ਜ਼ਿਆਦਾਤਰ ਕਲੀਨੀਕਲ ਟ੍ਰਾਇਲ ਉਹਨਾਂ ਮਰੀਜ਼ਾਂ ਨਾਲ ਭਰੇ ਜਾਂਦੇ ਹਨ ਜੋ ਟ੍ਰਾਇਲ ਹੋਣ ਵਾਲੀ ਥਾਂ ਦੇ ਨੇੜੇ ਰਹਿੰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਚੋਣ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਪੱਖਪਾਤ ਪੈਦਾ ਹੁੰਦਾ ਹੈ ਅਤੇ ਬਹੁਤ ਸਾਰੇ ਮਰੀਜ਼ ਉਸ ਇਨਕਲਾਬੀ ਇਲਾਜ ਤੱਕ ਨਹੀਂ ਪਹੁੰਚ ਸਕਦੇ ਜੋ ਉਨ੍ਹਾਂ ਦੀ ਜਾਨ ਬਚਾ ਸਕਦਾ ਹੈ.

ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ, Paradigm ਨੇ ਮੈਡੀਕਲ ਰਿਕਾਰਡ ਡਾਟਾ ਕੱਢਣ ਅਤੇ ਉਸਦੀ ਵਿਆਖਿਆ ਕਰਨ ਲਈ ਪਰੰਪਰਾਗਤ ਸਰਵੋਤਮ-ਅਭਿਆਸ, ਹੈਲਥਕੇਅਰ ਖੇਤਰ-ਵਿਸ਼ੇਸ਼ ML ਅਤੇ NLP ਮਾਡਲ ਤੈਨਾਤ ਅਤੇ ਅਨੁਕੂਲਿਤ ਕੀਤੇ. ਇਨ੍ਹਾਂ ਮਾਡਲਾਂ ਨੂੰ ਮਾਹਿਰ ਕਲੀਨੀਸ਼ੀਅਨਾਂ ਵੱਲੋਂ ਤਿਆਰ ਕੀਤੇ ਗੋਲਡਨ ਡਾਟਾ ਸੈੱਟਾਂ 'ਤੇ ਟ੍ਰੇਨ ਅਤੇ ਮੁਲਾਂਕਿਤ ਕੀਤਾ ਗਿਆ ਸੀ. ਹਾਲਾਂਕਿ, ਇਹ ਤਰੀਕਾ ਧੀਮਾ ਅਤੇ ਔਖਾ ਸੀ.

ਕਿਉਂਕਿ ਪਰੰਪਰਾਗਤ ਮਾਡਲ ਸਿਰਫ਼ ਇਕ ਹੱਦ ਤੱਕ ਹੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਨ, ਗੁਣਵੱਤਾ ਮਿਆਰ ਪੂਰੇ ਹੋਣ ਦੀ ਪੁਸ਼ਟੀ ਲਈ ਕਲੀਨੀਸ਼ੀਅਨਾਂ ਨੂੰ ਮਾਡਲ ਆਉਟਪੁੱਟ ਦੀ ਹੱਥੋਂ ਸਮੀਖਿਆ ਕਰਨੀ ਪੈਂਦੀ ਹੈ.

Paradigm ਦਾ ਮੰਨਣਾ ਸੀ ਕਿ LLM, ਅਸੰਰਚਿਤ ਪਾਠ ਦਾ ਸਾਰ ਬਣਾਉਣ ਦੀ ਆਪਣੀ ਸਮਰੱਥਾ ਨਾਲ, ਉਨ੍ਹਾਂ ਦੇ ਵਰਤੋਂ-ਮਾਮਲੇ ਲਈ ਬਹੁਤ ਉਚਿਤ ਹੋ ਸਕਦੇ ਹਨ ਅਤੇ ਇਕ-ਵਾਰਗੀ ML ਮਾਡਲ ਬਣਾਉਣ ਵਾਲੇ ਤਰੀਕੇ ਦੀ ਥਾਂ ਲੈ ਸਕਦੇ ਹਨ. ਉਨ੍ਹਾਂ ਨੇ ਦੋ ਸੰਭਾਵੀ ਰਾਹਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ: ਮੈਡੀਕਲ ਵਰਤੋਂ-ਮਾਮਲਿਆਂ 'ਤੇ ਟ੍ਰੇਨ ਕੀਤੇ ਕਸਟਮ LLM ਨਾਲ ਇਕੀਕਰਨ, ਜਾਂ OpenAI ਦੇ API ਰਾਹੀਂ GPT‑4 ਨਾਲ ਇਕੀਕਰਨ.

Paradigm ਦਾ ਮੰਨਣਾ ਸੀ ਕਿ ਚੰਗੇ ਨਤੀਜੇ ਲਈ ਉਨ੍ਹਾਂ ਨੂੰ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਮੈਡੀਕਲ ਮਾਡਲ ਦੀ ਲੋੜ ਪਵੇਗੀ. ਇਹ ਦੇਖ ਕੇ ਉਹ “ਹੈਰਾਨ” ਰਹਿ ਗਏ ਕਿ GPT‑4 ਨੇ ਜਟਿਲ ਡਾਟਾ ਮੁਲਾਂਕਣ ਕਾਰਜਾਂ ਵਿੱਚ ਉੱਚ ਤਰ੍ਹਾਂ ਪ੍ਰਸ਼ਿਕਸ਼ਿਤ ਮਨੁੱਖੀ ਮਾਹਿਰਾਂ ਦੀ ਟੀਮ ਨਾਲੋਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ.

ਆਖਿਰਕਾਰ, ਉਨ੍ਹਾਂ ਨੇ ਕਈ ਕਾਰਨਾਂ ਕਰਕੇ OpenAI ਨੂੰ ਚੁਣਿਆ:

• ਸ਼ੁੱਧਤਾ: Paradigm ਨੇ ਆਪਣੇ ਮਾਹਿਰਾਂ ਵੱਲੋਂ ਤਿਆਰ ਕੀਤੇ ਗੋਲਡਨ ਡਾਟਾ ਸੈੱਟਾਂ 'ਤੇ ਸਖ਼ਤ ਮੁਲਾਂਕਣ ਚਲਾਏ. GPT‑4 ਮਿਲੇ-ਝੁਲੇ ਪ੍ਰਿਸੀਜ਼ਨ/ਰੀਕਾਲ ਮੈਟਰਿਕ 'ਤੇ ਅਤਿਆਧੁਨਿਕ ML ਮਾਡਲਾਂ ਨਾਲੋਂ ਘੱਟੋ-ਘੱਟ 10% ਜ਼ਿਆਦਾ ਸਹੀ ਸੀ. ਕੁਝ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਉਨ੍ਹਾਂ ਨੇ “ਅਵਿਸ਼ਵਾਸ਼ਯੋਗ” ਸੁਧਾਰ ਵੇਖੇ. ਹਿਰਸ਼ ਨੇ ਕਿਹਾ, “OpenAI ਦੀ ਸ਼ੁੱਧਤਾ ਸਾਡੇ ਮੌਜੂਦਾ ਤੈਨਾਤ ਅਤੇ ਅਨੁਕੂਲਿਤ ਉਦਯੋਗਕ ਸਰਵੋਤਮ-ਅਭਿਆਸ, ਮਾਹਿਰ-ਪ੍ਰਸ਼ਿਕਸ਼ਿਤ ਮਾਡਲਾਂ ਨਾਲੋਂ ਚੰਗੀ ਸੀ, ਅਤੇ ਕਈ ਵਾਰ ਇਹ ਸਾਡੇ ਪ੍ਰਸ਼ਿਕਸ਼ਿਤ ਕਲੀਨੀਸ਼ੀਅਨਾਂ ਨਾਲੋਂ ਵੀ ਚੰਗੀ ਸੀ. ਜਾਣਕਾਰੀ ਜਿੰਨੀ ਜਟਿਲ ਹੁੰਦੀ ਸੀ, ਅਤੇ ਜਿੰਨੀਆਂ ਵੱਖ-ਵੱਖ ਥਾਵਾਂ 'ਤੇ ਉਹ ਜਾਣਕਾਰੀ ਹੁੰਦੀ ਸੀ, GPT‑4 ਉੱਨਾ ਹੀ ਵਧੀਆ ਸੀ.”
• ਵਰਤੋਂ ਦੀ ਆਸਾਨੀ: “ਉਤਪਾਦ ਦੇ ਨਜ਼ਰੀਏ ਤੋਂ, ਸਭ ਕੁਝ ਬਹੁਤ ਆਸਾਨ ਸੀ. API ਵਰਤਣਾ ਆਸਾਨ ਸੀ, ਅਤੇ ਇਸਨੂੰ ਸਾਡੇ ਸਟੈਕ ਵਿੱਚ ਇਕੀਕ੍ਰਿਤ ਕਰਨਾ ਵੀ ਆਸਾਨ ਸੀ.” ਟੀਮ ਨੇ ਇਹ ਵੀ ਸਰਾਹਿਆ ਕਿ OpenAI ਦੇ ਸਹਿਯੋਗ ਵਿੱਚ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲਾ API ਦਸਤਾਵੇਜ਼ੀਕਰਨ ਸ਼ਾਮਲ ਸੀ: “ਹੋਰ ਸੰਸਥਾਵਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਦੇ ਮੁਕਾਬਲੇ, OpenAI ਨਾਲ ਅਸੀਂ ਹੋਰ ਵੱਧ ਸਵੈ-ਨਿਰਭਰ ਰਹਿ ਸਕਦੇ ਹਾਂ.”
• ਮਲਟੀਮੋਡਲ ਇਨਪੁਟ ਅਤੇ ਲੰਬੀਆਂ ਕਾਂਟੈਕਸਟ ਵਿੰਡੋਜ਼: ਦੋਵੇਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਮੈਡੀਕਲ ਰਿਕਾਰਡ ਡਾਟਾ ਲਈ ਮਹੱਤਵਪੂਰਨ ਸਨ.
• ਸੁਰੱਖਿਆ ਅਤੇ ਨਿਯਮਕ ਅਨੁਸਾਰਤਾ: “OpenAI ਨਾਲ ਕੰਮ ਕਰਨ ਬਾਰੇ ਜਿਸ ਗੱਲ ਨੇ ਸਾਨੂੰ ਸੱਚਮੁੱਚ ਪ੍ਰਭਾਵਿਤ ਕੀਤਾ, ਉਹ ਸੀ ਨਿਯਮਕ ਅਨੁਸਾਰਤਾ ਦਾ ਸਮਰਥਨ ਕਰਨ ਲਈ ਤੁਹਾਡਾ ਗੰਭੀਰ ਰਵੱਈਆ, ਜਿਸ ਵਿੱਚ HIPAA ਦੀ ਪਾਲਣਾ ਕਰਨ ਦੀ ਸਾਡੀ ਲੋੜ ਦਾ ਸਮਰਥਨ ਵੀ ਸ਼ਾਮਲ ਹੈ. ਕਿਉਂਕਿ ਅਸੀਂ ਹੈਲਥਕੇਅਰ ਪ੍ਰਦਾਤਾਵਾਂ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਮਰੀਜ਼ਾਂ ਨੂੰ ਸੇਵਾ ਦਿੰਦੇ ਹਾਂ, ਨਿਯਮਕ ਅਨੁਸਾਰਤਾ ਸਾਡੇ ਲਈ ਅਣਟੱਲ ਲੋੜ ਹੈ.”

• ਮਹੀਨਿਆਂ ਨਹੀਂ, ਦਿਨਾਂ ਵਿੱਚ ਨਵੇਂ ਡਾਟਾ ਤੱਤ ਕੱਢਣਾ: GPT‑4 ਨੇ Paradigm ਦੀ ਆਪਣੀ ਮੁੱਖ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਬਾਰੇ ਸੋਚ ਨੂੰ ਬਦਲ ਦਿੱਤਾ ਹੈ, ਵਿਅਕਤੀਗਤ ਡਾਟਾ ਘਟਕਾਂ ਲਈ ਇੱਕ-ਇੱਕ ਕਰਕੇ ML ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਬਦਲਦਿਆਂ. ਇਸ ਨਾਲ Paradigm ਦੇ ਰੋਡਮੈਪ ਨੂੰ ਕਾਫ਼ੀ ਤੇਜ਼ੀ ਮਿਲੀ ਹੈ, ਜਿਸ ਨਾਲ ਉਹ ਨਵੇਂ ਪ੍ਰਦਾਤਾ ਭਾਗੀਦਾਰਾਂ ਅਤੇ ਨਵੀਆਂ ਕਿਸਮਾਂ ਦੀਆਂ ਟ੍ਰਾਇਲਾਂ ਤੱਕ ਤੇਜ਼ੀ ਨਾਲ ਫੈਲ ਸਕੇ ਹਨ.
• ਮਾਡਲ ਵੈਲੀਡੇਸ਼ਨ ਲਈ ਲੋੜੀਂਦੇ ਮਾਹਿਰ ਕਲੀਨੀਸ਼ੀਅਨ ਸਮੇਂ ਵਿੱਚ 90% ਕਮੀ: Paradigm ਦਾ ਅੰਦਾਜ਼ਾ ਹੈ ਕਿ ਪਿਛਲੇ ਵਿਸ਼ੇਸ਼ ML ਮਾਡਲਾਂ ਨਾਲੋਂ GPT‑4 ਦੇ ਆਉਟਪੁੱਟ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਉਨ੍ਹਾਂ ਨੂੰ ਕੇਵਲ 1/10 ਡਾਟਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ.
• ਸ਼ੁੱਧਤਾ ਵਿੱਚ 10% ਵਾਧਾ: ਪਹਿਲਾਂ ਨਾਲੋਂ ਵਧੇਰੇ ਸਹੀ ਡਾਟਾ ਨਾਲ—ਅਤੇ ਕਈ ਮਾਮਲਿਆਂ ਵਿੱਚ ਮਨੁੱਖੀ ਮਾਹਿਰਾਂ ਨਾਲੋਂ ਵੀ ਵਧੀਆ—GPT‑4 ਨੇ ਮਾਡਲ ਨਤੀਜਿਆਂ ਵਿੱਚ ਮਾਹਿਰ ਮਨੁੱਖੀ ਦਖਲ ਦੀ ਲੋੜ ਘਟਾ ਦਿੱਤੀ ਹੈ. Paradigm ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਹੈਲਥਕੇਅਰ ਪ੍ਰਦਾਤਾ ਭਾਗੀਦਾਰਾਂ ਦੇ ਡਾਕਟਰ ਅਤੇ ਨਰਸ ਹੁਣ ਦਸਤਾਵੇਜ਼ ਪੜ੍ਹਨ ਦੀ ਬਜਾਏ ਮਰੀਜ਼ ਸੰਭਾਲ 'ਤੇ ਹੋਰ ਸਮਾਂ ਲਗਾ ਸਕਦੇ ਹਨ.
• ਟ੍ਰਾਇਲਾਂ ਤੱਕ ਹੋਰ ਸਮਾਨ ਪਹੁੰਚ: ਹਾਲਾਂਕਿ ਉਹ ਅਜੇ ਵੀ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕਰ ਰਹੇ ਹਨ, Paradigm ਦਾ ਮੰਨਣਾ ਹੈ ਕਿ GPT‑4 ਘੱਟ ਸੇਵਾ ਪ੍ਰਾਪਤ ਮਰੀਜ਼ਾਂ ਨੂੰ ਟ੍ਰਾਇਲਾਂ ਲਈ ਹੋਰ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਸਕ੍ਰੀਨ ਕਰ ਸਕਦਾ ਹੈ. ਇਨ੍ਹਾਂ ਮਰੀਜ਼ਾਂ ਦੇ ਮੈਡੀਕਲ ਰਿਕਾਰਡ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਘੱਟ ਸੰਰਚਿਤ ਡਾਟਾ ਅਤੇ ਵੱਧ ਅਸੰਰਚਿਤ ਡਾਟਾ (ਜਿਵੇਂ ਨੋਟਸ) ਹੁੰਦਾ ਹੈ, ਜਿਸਨੂੰ GPT‑4 ਕੱਢਣ ਅਤੇ ਸਮਝਣ ਵਿੱਚ ਬੇਹਤਰੀਨ ਹੈ.

ਅੱਗੇ ਦੇਖਦੇ ਹੋਏ, Paradigm ਇਸ ਗੱਲ ਲਈ ਉਤਸ਼ਾਹਿਤ ਹੈ ਕਿ ਉਹ ਕਲੀਨੀਸ਼ੀਅਨਾਂ ਦਾ ਬੋਝ ਹੋਰ ਘਟਾਉਣ ਲਈ GPT‑4 ਦੀ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਸਮਝਣ ਦੀ ਸਮਰੱਥਾ ਦਾ ਕਿਵੇਂ ਲਾਭ ਲੈ ਸਕਦੇ ਹਨ. ਡਾਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਕੋਡ ਲਿਖਣ ਦੀ ਲੋੜ ਦੀ ਬਜਾਏ, ਕਲੀਨੀਕਲ ਟੀਮਾਂ ਕਿਸੇ ਮਰੀਜ਼ ਦੇ ਡਾਟਾ ਬਾਰੇ ChatGPT ਨਾਲ ਸੰਵਾਦ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਤਾਂ ਜੋ ਟ੍ਰਾਇਲਾਂ ਲਈ ਉਸਦੀ ਯੋਗਤਾ, ਘਾਟ ਰਹੀ ਜਾਣਕਾਰੀ ਅਤੇ ਅਗਲੇ ਕਦਮ ਸਮਝੇ ਜਾ ਸਕਣ.

Paradigm ਇਸ ਗੱਲ ਲਈ ਵੀ ਉਤਸ਼ਾਹਿਤ ਹੈ ਕਿ ਉਹ ਮਰੀਜ਼ ਸਕ੍ਰੀਨਿੰਗ ਦੀ ਦਰ ਨੂੰ ਹੋਰ ਕਿਵੇਂ ਵਧਾ ਸਕਦੇ ਹਨ. GPT‑4 ਨਾਲ, ਉਨ੍ਹਾਂ ਦਾ ਪਲੇਟਫਾਰਮ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਹਰ ਮਿੰਟ ਸੈਂਕੜਿਆਂ ਮਰੀਜ਼ਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰ ਸਕਦਾ ਹੈ. ਇਸਦੀ ਤੁਲਨਾ ਇੱਕ ਆਮ ਨਰਸ ਰਿਸਰਚ ਕੋਆਰਡੀਨੇਟਰ ਨਾਲ ਕਰੋ, ਜੋ ਹੱਥੋਂ ਲਗਭਗ 50 ਮਰੀਜ਼ਾਂ ਦੀ ਸਮੀਖਿਆ ਪ੍ਰਤੀ ਦਿਨ ਕਰ ਸਕਦਾ ਹੈ. ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਇਹ ਵਾਧੇ ਅਜਿਹੀ ਦੁਨੀਆ ਤੱਕ ਲੈ ਜਾ ਸਕਦੇ ਹਨ ਜਿੱਥੇ ਮਰੀਜ਼ਾਂ ਨੂੰ ਕਲੀਨੀਕਲ ਟ੍ਰਾਇਲਾਂ ਤੱਕ ਕਾਫ਼ੀ ਬਿਹਤਰ ਪਹੁੰਚ ਹੋਵੇ, ਡਾਕਟਰ ਅਤੇ ਨਰਸ ਮਰੀਜ਼ ਸੰਭਾਲ 'ਤੇ ਹੋਰ ਸਮਾਂ ਅਤੇ ਦਸਤਾਵੇਜ਼ੀਕਰਨ 'ਤੇ ਘੱਟ ਸਮਾਂ ਲਗਾ ਸਕਣ, ਅਤੇ ਜੀਵਨ-ਬਚਾਉਣ ਵਾਲੀਆਂ ਨਵੀਆਂ ਥੈਰਪੀਜ਼ ਜ਼ਿਆਦਾ ਜਲਦੀ ਬਾਜ਼ਾਰ ਤੱਕ ਪਹੁੰਚ ਸਕਣ.