የራስዎ "ዲጂታል መንትያ"? የአደንዛዥ ዕፅ ምርመራን የሚቀይር የቅርብ ጊዜ ቴክኖሎጂ (ዲጂታል መንትያ)

ዛሬ ጠዋት የወሰድከው ክኒን እጅህ ላይ ለመድረስ ምን ያህል ጊዜ እንደፈጀብህ አስበው ያውቃሉ? በመጀመሪያ፣ በላብራቶሪዎች ውስጥ ሰፊ ምርምር ያደርጋሉ። ከዚያም በእንስሳት ላይ ይሞክራሉ። ነገር ግን በሰዎች ላይ ጥቅም ላይ እንዲውሉ ከመፈቀዱ በፊት፣ በሰዎች ላይ መሞከር አለባቸው። ይህ ክሊኒካዊ ሙከራ ብለን የምንጠራው ነው። በጣም ውስብስብ እና ውድ ሂደት ነው።

በቀላል አነጋገር፣ ክሊኒካዊ ሙከራ ምንድን ነው?

በቀላል አነጋገር፣ ክሊኒካዊ ሙከራ እንደሚከተለው ይሰራል፡- ተመራማሪዎች አዲስ የተፈጠረ መድሃኒት ኢላማ ያደረገበትን በሽታ ያለባቸውን ታካሚዎች ይመረምራሉ። ከዚያም እነዚህ በጎ ፈቃደኞች በዘፈቀደ በሁለት ቡድኖች ይከፈላሉ።

1. የመጀመሪያው ቡድን አዲሱን መድሃኒት እንዲመረመር ተሰጥቶታል።

2. ሁለተኛው ቡድን ፣ “የቁጥጥር ቡድን”፣ ምንም አይነት ንቁ ንጥረ ነገር የሌለው እና ልክ እንደ መድሃኒቱ የሚመስል ፕላሴቦ ይሰጠዋል። ይህንን “ፕላሴቦ” ብለን እንጠራዋለን።

በዚህ ሙከራ መጨረሻ ላይ አዲሱን መድሃኒት የወሰዱ ሰዎች ምልክቶች ፕላሴቦ ከወሰዱት ሰዎች በበለጠ ከተሻሻሉ፣ ይህ አዲሱ መድሃኒት ውጤታማ መሆኑን ያረጋግጣል።

በእንደዚህ ዓይነት ሙከራ ውስጥ ካሉት ትላልቅ ተግዳሮቶች አንዱ ለሙከራው በትክክል የሚስማሙ በቂ ታካሚዎችን ማግኘት ነው። አንዳንድ ጊዜ ዶክተሮች እንኳን የትኞቹ ሙከራዎች ለታካሚዎቻቸው ተስማሚ እንደሆኑ አያውቁም። እንዲሁም፣ ለመሳተፍ የሚፈልጉ ታካሚዎች ባህሪያት ከሙከራው መስፈርቶች ጋር ላይጣጣሙ ይችላሉ። ሆኖም ግን፣ አርቴፊሻል ኢንተለጀንስ (AI) ይህንን ተግባር በጣም ቀላል ሊያደርገው ይችላል።

"ዲጂታል መንትያዎን" ያግኙ

የራስዎ የኮምፒውተር ሞዴል፣ ማለትም የዲጂታል ቅጂ እንዳለዎት ያስቡ። ይህ "ዲጂታል መንትዮች" የሚባለው ነው። እነዚህ በኮምፒውተር ላይ ያለን እውነተኛ ነገር ወይም ስርዓት የሚያስመስሉ "የኮምፒውተር ሞዴሎች" ብቻ ናቸው። ነገር ግን በቁጥር ሲታይ ልክ እንደ እውነተኛው ነገር ሆነው ይታያሉ። በጣም ጥሩው ምሳሌ በአፖሎ 13 የጠፈር መንትያ ላይ የኦክስጅን ታንክ ሲፈነዳ ናሳ በምድር ላይ በተሰራው ተመሳሳይ የጠፈር መንትያ "ዲጂታል መንትያ" ለመጠገን ረድቷል።

አሁን፣ ሳይንቲስቶች በቂ "መረጃ" ቢኖራቸው የሰውን ልጅ "ዲጂታል መንትያ" መፍጠር ይችላሉ። ይህ "ማሽን ለርኒንግ" የሚባል አርቲፊሻል ኢንተለጀንስ ቴክኖሎጂን ይጠቀማል። በቀላል አነጋገር፣ ይህ ለኮምፒውተር ፕሮግራም ከፍተኛ መጠን ያለው መረጃ መስጠት እና ከእሱ እንዲማር መፍቀድን ያካትታል።

ዲጂታል መንትዮች ታካሚዎች የሚፈጠሩት እነዚህን የማሽን መማሪያ ሞዴሎችን ከቀደሙት ክሊኒካዊ ሙከራዎች እና ከእያንዳንዱ ታካሚ የግል የሕክምና መዝገቦች የተገኘውን መረጃ በመጠቀም በማሰልጠን ነው። ከዚያም ሞዴሉ የታካሚው ጤና በሙከራው ሂደት ውስጥ ፕላሴቦ ከተሰጣቸው እንዴት እንደሚለወጥ መተንበይ ይችላል።ማለትም፣ ለዚያው ታካሚ በኮምፒውተር የሚፈጠር የቁጥጥር ቡድን (Simulated Control Group) ይፈጠራል።

አሁን ይህ እንዴት እንደሚሰራ እንመልከት። "ሳማዲ" የሚባል ሰው አዲስ መድሃኒት በሚቀበለው ቡድን ውስጥ እንዲሆን ተመርጧል እንበል። የሳማዲ "ዲጂታል መንትያ" የኮምፒውተር ሞዴል በቁጥጥር ቡድን ውስጥ ይገኛል። ሞዴሉ ሳማዲ ከእውነተኛው መድሃኒት ይልቅ "ፕላሴቦ" ቢሰጠው ምን እንደሚሆን ይተነብያል። በመጨረሻም፣ ሳማዲ ለመድኃኒቱ በሚሰጠው ትክክለኛ ምላሽ እና ሞዴሉ "ፕላሴቦ" ቢወስድ ምን እንደሚሆን በተነበየው መካከል ያለው ልዩነት መድሃኒቱ ለሳማዲ ምን ያህል ውጤታማ እንደሆነ የሚለካ ነው።

ባህላዊ የቁጥጥር ቡድኖችን ከመጠቀም ይልቅ "ዲጂታል መንትዮች" የሚለውን ጥቅም በግልጽ ለማየት ይህንን ሰንጠረዥ እንመልከት።

ይህ ቴክኖሎጂ ጥሩ ቢሆንም፣ ችግሮች የሉም አይደል?

ይህ ቴክኖሎጂ ለወደፊቱ ትልቅ ተስፋ ቢኖረውም፣ እስካሁን በስፋት ጥቅም ላይ አልዋለም። ለዚህ ጥሩ ምክንያቶች ሊኖሩ ይችላሉ። በ"ማሽን መማሪያ" ባለሙያ የሆኑት ዶ/ር ዳንኤል ኒል እንደሚያመለክቱት፣ እነዚህ ሞዴሎች ከፍተኛ መጠን ባለው መረጃ ላይ የተመሰረቱ ናቸው። እንዲሁም ከግለሰቦች ከፍተኛ ጥራት ያለው መረጃ ማግኘት በጣም ከባድ ነው።

ሌላው ችግር አንድ መድሃኒት ሊያስከትል የሚችለው ያልተለመደ እና ያልተጠበቁ የጎንዮሽ ጉዳቶች ነው። እነዚህ ብዙውን ጊዜ ለቁጥጥር ቡድኑ በተዘጋጀው ሞዴል አይሸፈኑም።

ነገር ግን የዶ/ር ኒል ትልቁ ስጋት ይህ ትንበያ ሞዴል "እንደተለመደው ንግድ" ላይ የተመሠረተ መሆኑ ነው። እንደ ኮቪድ-19 ወረርሽኝ ያለ ትልቅ፣ ያልተጠበቀ ክስተት አስቡት፤ ይህም የሁሉንም ሰው ባህሪ የሚቀይር እና ሰዎችን የሚያሳምም ነው። "የቁጥጥር ሞዴሎች ይህንን ግምት ውስጥ አያስገቡም" ይላል። ከዚያም የቁጥጥር ቡድኑ ግምት ውስጥ ያላገባቸው በእነዚህ ክስተቶች ምክንያት የሙከራው የመጨረሻ ውጤቶች ሙሉ በሙሉ የተለያዩ ሊሆኑ ይችላሉ።

ታዲያ ይህ በእርግጥ ጥቅም ላይ ሊውል ይችላል? የወደፊቱ ጊዜ ምን ይዞ ይመጣል?

በጤና አጠባበቅ ዘርፍ የዲጂታል ቴክኖሎጂ አጠቃቀም ባለሙያ የሆኑት ኤሪክ ቶፖል ሀሳቡ በጣም ጥሩ እንደሆነ ያስባሉ፣ ነገር ግን ጊዜው ገና ትክክል አይደለም። "ክሊኒካዊ ሙከራዎች በቅርብ ጊዜ ውስጥ ይለወጣሉ ብዬ አላስብም። ምክንያቱም እንደ ጂኖም ቅደም ተከተሎች፣ የአንጀት ማይክሮባዮም፣ የአካባቢ መረጃ ያሉ የጤና መዝገቦችን ብቻ ሳይሆን በርካታ የውሂብ ንብርብሮችን ይፈልጋል።"

በዚህ ቴክኖሎጂ ውስጥ አቅኚ የሆኑት የUnlearn.AI መስራች የሆኑት ቻርለስ ፊሸር እንዳሉት፣ የውሂብ ግላዊነት እና አድልዎ ችግሮች ቀድሞውኑ መፍትሄዎች አሉ። "ግላዊነት ቀላል ነው። የምንሰራው አስቀድሞ ስም-አልባ በሆነ መረጃ ብቻ ነው።"

ስለ አድልዎ ሲናገር፣ ችግሩ ሙሉ በሙሉ ባይፈታም፣ ከጥናቱ ውጤቶች ጋር ምንም ግንኙነት የለውም ይላል። ጥናቶቹ በዘፈቀደ የተወሰዱ በመሆናቸው፣ በመረጃው ውስጥ የተወሰነ አድልዎ ቢኖርም፣ ውጤቱን አይጎዳውም። ሆኖም ግን፣ አንዳንድ ባለሙያዎች ከዚህ ሀሳብ ጋር አይስማሙም። ይላሉ፣እውነተኛ ሰውን ከኮምፒውተር ሞዴል ጋር እያነጻጸሩ ስለሆነ፣ በዚያ ሞዴል ላይ ምንም አይነት ስህተት ካለ፣ ውጤቱን በቀጥታ ሊጎዳ ይችላል።

ይሁን እንጂ፣ Unlearn.AI እንደ አልዛይመር፣ ፓርኪንሰን እና መልቲፕል ስክለሮሲስ ላሉ የነርቭ በሽታዎች ክሊኒካዊ ሙከራዎችን ለመንደፍ ከፋርማሲዩቲካል ኩባንያዎች ጋር እየሰራ ነው። እነዚህን በሽታዎች ከሌሎቹ በበለጠ መረጃ ስላላቸው ለመጀመር ጥሩ ቦታ አድርገው መርጠዋል። ፊሸር እንደሚለው፣ ዘዴው አንድ ቀን ለሁሉም በሽታዎች ሊተገበር የሚችል ከሆነ፣ አዳዲስ መድኃኒቶች ወደ ገበያ ለመግባት የሚፈጀውን ጊዜ በእጅጉ ሊቀንስ ይችላል።