আপোনাৰ নিজৰ "ডিজিটেল টুইন"? ড্ৰাগছ টেষ্টিং সলনি কৰিব পৰা শেহতীয়া প্ৰযুক্তি (ডিজিটেল টুইন)

আপুনি কেতিয়াবা ভাবিছেনে আজি ৰাতিপুৱা খোৱা সেই বড়িটো হাত পাবলৈ কিমান সময় লাগিল? প্ৰথমতে তেওঁলোকে পৰীক্ষাগাৰত বিস্তৃত গৱেষণা কৰে। তাৰ পিছত জীৱ-জন্তুৰ ওপৰত পৰীক্ষা কৰে। কিন্তু মানুহৰ ব্যৱহাৰৰ বাবে অনুমোদন পোৱাৰ আগতে মানুহৰ ওপৰত পৰীক্ষা কৰিব লাগিব। ইয়াক আমি ক্লিনিকেল ট্ৰায়েল বুলি কওঁ। ই এক অতি জটিল আৰু ব্যয়বহুল প্ৰক্ৰিয়া।

সহজ ভাষাত ক’বলৈ গ’লে ক্লিনিকেল ট্ৰায়েল কি?

সহজ ভাষাত ক’বলৈ গ’লে এটা ক্লিনিকেল ট্ৰায়েলে এনেদৰে কাম কৰে: গৱেষকসকলে নতুনকৈ বিকশিত ঔষধটোৱে লক্ষ্য কৰি লোৱা ৰোগৰ ৰোগীক নিযুক্তি দিয়ে। তাৰ পিছত এই স্বেচ্ছাসেৱকসকলক যাদৃচ্ছিকভাৱে দুটা গোটত ভাগ কৰা হয়।

১/ প্ৰথম গোটটোক পৰীক্ষা কৰিবলৈ নতুন ঔষধ দিয়া হয়।

২) দ্বিতীয়টো গোট , ``নিয়ন্ত্ৰণ গোট''ক এনে এটা প্লেচেব' দিয়া হয় যাৰ কোনো সক্ৰিয় উপাদান নাই আৰু দেখাত হুবহু ঔষধৰ দৰেই। আমি ইয়াক ``প্লেচেবো'' বুলি কওঁ।

যদি এই পৰীক্ষাৰ শেষত প্লেচেব’ গ্ৰহণ কৰাসকলতকৈ নতুন ঔষধ খোৱাসকলৰ লক্ষণৰ উন্নতি হৈছে, তেন্তে ইয়াৰ দ্বাৰা প্ৰমাণিত হয় যে নতুন ঔষধটো ফলপ্ৰসূ।

এনে পৰীক্ষাত এটা ডাঙৰ প্ৰত্যাহ্বান হ’ল পৰীক্ষাৰ বাবে হুবহু উপযুক্ত পৰ্যাপ্ত ৰোগী বিচাৰি উলিওৱা। কেতিয়াবা চিকিৎসকেও নাজানে তেওঁলোকৰ ৰোগীৰ বাবে কোনবোৰ ট্ৰায়েল উপযুক্ত। লগতে অংশগ্ৰহণ কৰিব বিচৰা ৰোগীসকলৰ বৈশিষ্ট্য পৰীক্ষাৰ প্ৰয়োজনীয়তাৰ সৈতে মিল নাথাকিবও পাৰে। কিন্তু কৃত্ৰিম বুদ্ধিমত্তাই (AI) এই কামটো বহুত সহজ কৰি তুলিব পাৰে।

আপোনাৰ "ডিজিটেল টুইন"ক লগ কৰক।

কল্পনা কৰক যে আপোনাৰ নিজা কম্পিউটাৰ মডেল আছে, অৰ্থাৎ নিজৰ ডিজিটেল কপি। সেইটোৱেইক ``ডিজিটেল টুইন'' বুলি কোৱা হয়। এইবোৰ কেৱল ``কম্পিউটাৰ মডেল'' যিয়ে এটা কম্পিউটাৰত এটা বাস্তৱ-পৃথিৱীৰ বস্তু বা ব্যৱস্থাপ্ৰণালীৰ অনুকৰণ কৰে। কিন্তু সংখ্যাগতভাৱে চালে প্ৰকৃত বস্তুটোৰ দৰেই আচৰণ কৰে। ইয়াৰ উত্তম উদাহৰণ হ'ল যেতিয়া এপ'ল' ১৩ মহাকাশযানৰ অক্সিজেন টেংক এটা বিস্ফোৰণ হৈছিল, তেতিয়া নাছাই পৃথিৱীত নিৰ্মিত একেখন মহাকাশযানৰ ``ডিজিটেল টুইন''ৰে ইয়াক মেৰামতি কৰাত সহায় কৰিছিল।

এতিয়া বিজ্ঞানীসকলে মানুহৰ ``ডিজিটেল টুইন`` সৃষ্টি কৰিব পাৰে, যথেষ্ট ``ডাটা`` দিলে। ইয়াত ``মেচিন লাৰ্নিং`` নামৰ কৃত্ৰিম বুদ্ধিমত্তা প্ৰযুক্তি ব্যৱহাৰ কৰা হয়। সহজ ভাষাত ক’বলৈ গ’লে ইয়াৰ লগত কম্পিউটাৰ প্ৰগ্ৰেম এটাক বৃহৎ পৰিমাণৰ তথ্য দিয়া আৰু ইয়াৰ পৰা শিকিবলৈ দিয়াটো জড়িত হৈ থাকে।

পূৰ্বৰ ক্লিনিকেল ট্ৰায়েলৰ তথ্য আৰু প্ৰতিজন ৰোগীৰ ব্যক্তিগত চিকিৎসা ৰেকৰ্ড ব্যৱহাৰ কৰি এই মেচিন লাৰ্নিং মডেলসমূহক প্ৰশিক্ষণ দি ৰোগীৰ ডিজিটেল টুইন সৃষ্টি কৰা হয়। তাৰ পিছত মডেলে ভৱিষ্যদ্বাণী কৰিব পাৰে যে যদি কোনো ৰোগীক প্লেচেব’ দিয়া হয় তেন্তে পৰীক্ষাৰ সময়ছোৱাত তেওঁৰ স্বাস্থ্যৰ কেনে পৰিৱৰ্তন হ’ব।অৰ্থাৎ সেই একেজন ৰোগীৰ বাবে কম্পিউটাৰৰ দ্বাৰা সৃষ্টি কৰা এটা নিয়ন্ত্ৰণ গোট (Simulated Control Group) সৃষ্টি কৰা হয়।

এতিয়া এইটো কেনেকৈ কাম কৰে চাওঁ আহক। ধৰি লওক "সমাধি" নামৰ কোনোবা এজনক নতুন ঔষধ লাভ কৰা গোটত থাকিবলৈ নিৰ্বাচিত কৰা হৈছে। সমধিৰ ``ডিজিটেল টুইন,'' এটা কম্পিউটাৰ মডেল, নিয়ন্ত্ৰণ গোটত আছে। মডেলটোৱে ভৱিষ্যদ্বাণী কৰিছে যে যদি সমাধিক প্ৰকৃত ঔষধৰ পৰিৱৰ্তে ``প্লেচিবো'' দিয়া হয় তেন্তে কি হ'ব। শেষত, ঔষধৰ প্ৰতি সমাধিৰ প্ৰকৃত সঁহাৰি আৰু মডেলে ভৱিষ্যদ্বাণী কৰা মতে তেওঁ ``প্লেচিবো'' গ্ৰহণ কৰিলে কি হ'ব, তাৰ মাজৰ পাৰ্থক্যই এই ঔষধটো সমাধিৰ বাবে কিমান ফলপ্ৰসূ তাৰ পৰিমাপ।

পৰম্পৰাগত নিয়ন্ত্ৰণ দলৰ পৰিৱৰ্তে ``ডিজিটেল টুইনছ'' ব্যৱহাৰ কৰাৰ সুবিধাসমূহ স্পষ্টভাৱে চাবলৈ এই টেবুলখন চাওঁ আহক।

এই প্ৰযুক্তি ভাল হ’লেও সমস্যা নাই নেকি?

যদিও এই প্ৰযুক্তিয়ে ভৱিষ্যতৰ বাবে ডাঙৰ প্ৰতিশ্ৰুতি ৰাখিছে, তথাপিও ইয়াৰ ব্যাপক ব্যৱহাৰ এতিয়াও হোৱা নাই। ইয়াৰ ভাল কাৰণ থাকিব পাৰে। ``(মেচিন লাৰ্নিং)''ৰ বিশেষজ্ঞ ড° ডেনিয়েল নীলে আঙুলিয়াই দিয়াৰ দৰে এই মডেলসমূহ বৃহৎ পৰিমাণৰ তথ্যৰ ওপৰত নিৰ্ভৰশীল। লগতে ব্যক্তিৰ পৰা উচ্চমানৰ তথ্য আহৰণ কৰাটোও অতি কঠিন।

আন এটা বিষয় হ’ল ঔষধে হ’ব পৰা বিৰল, অপ্ৰত্যাশিত পাৰ্শ্বক্ৰিয়া । এইবোৰ প্ৰায়ে নিয়ন্ত্ৰণ গোটৰ বাবে ডিজাইন কৰা মডেলৰ দ্বাৰা সামৰি লোৱা নহয়।

কিন্তু ডাঃ নীলৰ আটাইতকৈ ডাঙৰ ভয়টো হ'ল এই ভৱিষ্যদ্বাণীমূলক আৰ্হিটো "সদায়ৰ দৰেই ব্যৱসায়"ৰ ওপৰত ভিত্তি কৰি গঢ় লৈ উঠিছে। কল্পনা কৰকচোন ক’ভিড-১৯ মহামাৰীৰ দৰে এটা ডাঙৰ, অভাৱনীয় পৰিঘটনা যিয়ে সকলোৰে আচৰণ সলনি কৰি মানুহক অসুস্থ কৰি তোলে। তেওঁ কয় যে কণ্ট্ৰল মডেলে এই কথা লক্ষ্য নকৰে। তাৰ পিছত নিয়ন্ত্ৰণ গোটে লক্ষ্য নকৰা এইবোৰ পৰিঘটনাৰ বাবে পৰীক্ষাটোৰ চূড়ান্ত ফলাফল সম্পূৰ্ণ বেলেগ হ’ব পাৰে।

গতিকে এইটো সঁচাকৈয়ে ব্যৱহাৰ কৰিব পাৰিনে? ভৱিষ্যতে কি হ’ব?

স্বাস্থ্যসেৱাত ডিজিটেল প্ৰযুক্তিৰ ব্যৱহাৰৰ বিশেষজ্ঞ এৰিক টপলে এই ধাৰণাটো বৰ ভাল বুলি ভাবে যদিও সময় এতিয়াও সঠিক হোৱা নাই। "মই নাভাবো যে অদূৰ ভৱিষ্যতে ক্লিনিকেল ট্ৰায়েলৰ পৰিৱৰ্তন হ'ব। কাৰণ ইয়াৰ বাবে কেৱল স্বাস্থ্যৰ ৰেকৰ্ডৰ বাহিৰেও একাধিক স্তৰৰ তথ্যৰ প্ৰয়োজন হয়, যেনে জিন'ম ক্ৰম, আন্ত্ৰিক মাইক্ৰ'বায়'ম, পৰিৱেশৰ তথ্য।"

এই প্ৰযুক্তিৰ অগ্ৰণী Unlearn.AI ৰ প্ৰতিষ্ঠাপক চাৰ্লছ ফিচাৰৰ মতে, ইতিমধ্যে তথ্যৰ গোপনীয়তা আৰু পক্ষপাতিত্বৰ সমস্যাৰ সমাধান পোৱা গৈছে। "গোপনীয়তা সহজ। আমি কেৱল ইতিমধ্যে বেনামী কৰা তথ্যৰ সৈতেহে কাম কৰো।"

পক্ষপাতিত্বৰ কথা কওঁতে তেওঁ কয় যে যদিও বিষয়টো সম্পূৰ্ণৰূপে সমাধান হোৱা নাই, তথাপিও ই অধ্যয়নৰ ফলাফলৰ লগত প্ৰাসংগিক নহয়। যিহেতু অধ্যয়নসমূহ ৰেণ্ডম, তথ্যত কিছু পক্ষপাতিত্ব থাকিলেও ইয়াৰ ফলত ফলাফলত কোনো প্ৰভাৱ নপৰে। কিন্তু একাংশ বিশেষজ্ঞৰ এই ধাৰণাটোৰ সৈতে একমত নহয়। তেওঁলোকে কয়,যিহেতু আপুনি এজন প্ৰকৃত ব্যক্তিক কম্পিউটাৰৰ মডেলৰ সৈতে তুলনা কৰিছে, সেই মডেলত যদি কোনো ভুল হয়, তেন্তে ই ফলাফলত প্ৰত্যক্ষভাৱে প্ৰভাৱ পেলাব পাৰে।

অৱশ্যে Unlearn.AI এ ইতিমধ্যে ঔষধ কোম্পানীসমূহৰ সৈতে মিলি এলঝেইমাৰ, পাৰ্কিনছন, আৰু মাল্টিপল স্ক্লেৰচিছৰ দৰে স্নায়ুজনিত ৰোগৰ বাবে ক্লিনিকেল ট্ৰায়েলৰ ডিজাইন কৰিবলৈ কাম কৰি আছে। তেওঁলোকে এই ৰোগবোৰক আৰম্ভণিৰ বাবে এটা ভাল ঠাই হিচাপে বাছি লৈছিল কাৰণ তেওঁলোকৰ হাতত আনতকৈ অধিক তথ্য আছে। ফিচাৰে কয় যে যদিহে এই পদ্ধতিটো এদিন সকলো ৰোগতে প্ৰয়োগ কৰিব পৰা যায় তেন্তে ইয়াৰ দ্বাৰা নতুন ঔষধ বজাৰলৈ অহাৰ সময় বহু পৰিমাণে হ্ৰাস পাব পাৰে।