"Digital Twin" របស់អ្នកផ្ទាល់? បច្ចេកវិទ្យាចុងក្រោយបំផុតដែលនឹងផ្លាស់ប្តូរការធ្វើតេស្តគ្រឿងញៀន (Digital Twin)

តើអ្នកធ្លាប់ឆ្ងល់ទេថាវាត្រូវចំណាយពេលយូរប៉ុណ្ណាសម្រាប់ថ្នាំគ្រាប់ដែលអ្នកបានលេបនៅព្រឹកនេះដើម្បីទៅដល់ដៃរបស់អ្នក? ដំបូងឡើយ ពួកគេធ្វើការស្រាវជ្រាវ យ៉ាងទូលំទូលាយ នៅក្នុងមន្ទីរពិសោធន៍។ បន្ទាប់មកពួកគេសាកល្បងវាលើសត្វ។ ប៉ុន្តែមុនពេលដែលវាអាចត្រូវបានអនុម័តសម្រាប់ប្រើប្រាស់លើមនុស្ស ពួកគេត្រូវសាកល្បងវាលើមនុស្ស។ នេះជាអ្វីដែលយើងហៅថាការសាកល្បងព្យាបាល។ វាជាដំណើរការដ៏ស្មុគស្មាញ និងចំណាយច្រើន។

និយាយ​ឲ្យ​សាមញ្ញ​ទៅ តើ​ការសាកល្បង​ព្យាបាល​តាម​គ្លីនិក​ជាអ្វី?

និយាយឱ្យសាមញ្ញទៅ ការសាកល្បងព្យាបាលដំណើរការដូចនេះ៖ អ្នកស្រាវជ្រាវជ្រើសរើសអ្នកជំងឺដែលមានជំងឺដែលថ្នាំដែលទើបបង្កើតថ្មីកំពុងកំណត់គោលដៅ។ បន្ទាប់មកអ្នកស្ម័គ្រចិត្តទាំងនេះត្រូវបានបែងចែកជាពីរក្រុមដោយចៃដន្យ។

១. ក្រុមទីមួយ ត្រូវបានផ្តល់ថ្នាំថ្មីដើម្បីធ្វើតេស្ត។

២. ក្រុមទីពីរ គឺ "ក្រុមត្រួតពិនិត្យ" ត្រូវបានផ្តល់ថ្នាំ placebo ដែលគ្មានសារធាតុផ្សំសកម្ម ហើយមើលទៅដូចថ្នាំនោះបេះបិទ។ យើងហៅវាថា "Placebo"។

ប្រសិនបើនៅចុងបញ្ចប់នៃការសាកល្បងនេះ រោគសញ្ញារបស់អ្នកដែលបានប្រើថ្នាំថ្មីមានភាពប្រសើរឡើងច្រើនជាងអ្នកដែលប្រើថ្នាំ placebo នោះនេះបង្ហាញថាថ្នាំថ្មីមានប្រសិទ្ធភាព។

បញ្ហាប្រឈមដ៏ធំបំផុតមួយនៅក្នុងការសាកល្បងបែបនេះ គឺការស្វែងរកអ្នកជំងឺគ្រប់គ្រាន់ដែលសាកសមបំផុតសម្រាប់ការសាកល្បង។ ពេលខ្លះសូម្បីតែគ្រូពេទ្យក៏មិនដឹងថាការសាកល្បងមួយណាដែលសាកសមសម្រាប់អ្នកជំងឺរបស់ពួកគេដែរ។ ម្យ៉ាងទៀត លក្ខណៈរបស់អ្នកជំងឺដែលចង់ចូលរួមអាចមិនត្រូវគ្នានឹងតម្រូវការនៃការសាកល្បងនោះទេ។ ទោះជាយ៉ាងណាក៏ដោយ បញ្ញាសិប្បនិម្មិត (AI) អាចធ្វើឱ្យកិច្ចការនេះកាន់តែងាយស្រួល។

ជួបជាមួយ "Digital Twin" របស់អ្នក

ស្រមៃថាអ្នកមានគំរូកុំព្យូទ័រផ្ទាល់ខ្លួនរបស់អ្នក ពោលគឺច្បាប់ចម្លងឌីជីថលរបស់អ្នក។ នោះជាអ្វីដែលគេហៅថា "Digital Twin"។ ទាំងនេះគ្រាន់តែជា "គំរូកុំព្យូទ័រ" ដែលក្លែងធ្វើវត្ថុ ឬប្រព័ន្ធពិភពពិតនៅលើកុំព្យូទ័រ។ ប៉ុន្តែនៅពេលដែលមើលជាលេខ ពួកវាមានឥរិយាបទដូចរបស់ពិតដែរ។ ឧទាហរណ៍ដ៏ល្អបំផុតគឺនៅពេលដែលធុងអុកស៊ីសែននៅលើយានអវកាស Apollo 13 បានផ្ទុះ NASA បានជួយជួសជុលវាជាមួយនឹង "Digital Twin" នៃយានអវកាសដូចគ្នាដែលសាងសង់នៅលើផែនដី។

ឥឡូវនេះ អ្នកវិទ្យាសាស្ត្រអាចបង្កើត «កូនភ្លោះឌីជីថល» របស់មនុស្ស ដោយផ្តល់ «ទិន្នន័យ» គ្រប់គ្រាន់។ វាប្រើប្រាស់បច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិតមួយហៅថា «ការរៀនម៉ាស៊ីន»។ និយាយឱ្យសាមញ្ញ វាពាក់ព័ន្ធនឹងការផ្តល់ទិន្នន័យមួយចំនួនធំដល់កម្មវិធីកុំព្យូទ័រ ហើយអនុញ្ញាតឱ្យវារៀនពីវា។

គំរូឌីជីថលភ្លោះរបស់អ្នកជំងឺត្រូវបានបង្កើតឡើងដោយការបណ្តុះបណ្តាលគំរូ Machine Learning ទាំងនេះដោយប្រើប្រាស់ទិន្នន័យពីការសាកល្បងព្យាបាលពីមុនៗ និងកំណត់ត្រាវេជ្ជសាស្ត្រផ្ទាល់ខ្លួនរបស់អ្នកជំងឺម្នាក់ៗ។ បន្ទាប់មកគំរូនេះអាច ទស្សន៍ទាយពីរបៀបដែលសុខភាពរបស់អ្នកជំងឺនឹងផ្លាស់ប្តូរក្នុងអំឡុងពេលនៃការសាកល្បង ប្រសិនបើពួកគេត្រូវបានផ្តល់ថ្នាំ placebo។នោះគឺក្រុមត្រួតពិនិត្យដែលបង្កើតដោយកុំព្យូទ័រ (ក្រុមត្រួតពិនិត្យក្លែងធ្វើ) ត្រូវបានបង្កើតឡើងសម្រាប់អ្នកជំងឺដដែលនោះ។

ឥឡូវនេះ ចូរយើងមើលពីរបៀបដែលវាដំណើរការ។ ឧបមាថាមាននរណាម្នាក់ឈ្មោះ "សាម៉ាឌី" ត្រូវបានជ្រើសរើសឱ្យស្ថិតនៅក្នុងក្រុមដែលទទួលបានថ្នាំថ្មី។ "Digital Twin" របស់សាម៉ាឌី ដែលជាគំរូកុំព្យូទ័រ ស្ថិតនៅក្នុងក្រុមត្រួតពិនិត្យ។ គំរូនេះព្យាករណ៍ពីអ្វីដែលនឹងកើតឡើងប្រសិនបើសាម៉ាឌីត្រូវបានផ្តល់ "Placebo" ជំនួសឱ្យថ្នាំពិតប្រាកដ។ នៅទីបំផុត ភាពខុសគ្នារវាងការឆ្លើយតបជាក់ស្តែងរបស់សាម៉ាឌីចំពោះថ្នាំ និងអ្វីដែលគំរូនេះបានព្យាករណ៍ពីអ្វីដែលនឹងកើតឡើងប្រសិនបើគាត់លេប "Placebo" គឺជារង្វាស់នៃប្រសិទ្ធភាពនៃថ្នាំសម្រាប់សាម៉ាឌី។

ចូរយើងពិនិត្យមើលតារាងនេះដើម្បីមើលឱ្យច្បាស់ពីអត្ថប្រយោជន៍នៃការប្រើប្រាស់ "Digital Twins" ជំនួសឱ្យក្រុមត្រួតពិនិត្យបែបប្រពៃណី។

ទោះបីជាបច្ចេកវិទ្យានេះល្អក៏ដោយ តើមិនមានបញ្ហាទេឬ?

ទោះបីជាបច្ចេកវិទ្យានេះមានសក្តានុពលដ៏អស្ចារ្យសម្រាប់អនាគតក៏ដោយ វាមិនទាន់ត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយនៅឡើយទេ។ វាអាចមានហេតុផលល្អសម្រាប់រឿងនេះ។ ដូចដែលលោកវេជ្ជបណ្ឌិត Daniel Neal អ្នកជំនាញផ្នែក "(ការរៀនដោយម៉ាស៊ីន)" បានចង្អុលបង្ហាញ គំរូទាំងនេះពឹងផ្អែកលើទិន្នន័យមួយចំនួនធំ។ ជាងនេះទៅទៀត វាពិបាកណាស់ក្នុងការទទួលបាន ទិន្នន័យដែលមានគុណភាពខ្ពស់ ពីបុគ្គលម្នាក់ៗ។

បញ្ហាមួយទៀតគឺ ផលប៉ះពាល់ដ៏កម្រ និងមិននឹកស្មានដល់ ដែលថ្នាំអាចបង្កឡើង។ ជារឿយៗទាំងនេះមិនត្រូវបានគ្របដណ្តប់ដោយគំរូដែលត្រូវបានរចនាឡើងសម្រាប់ក្រុមត្រួតពិនិត្យនោះទេ។

ប៉ុន្តែការភ័យខ្លាចដ៏ធំបំផុតរបស់លោកវេជ្ជបណ្ឌិត Neal គឺថាគំរូព្យាករណ៍នេះគឺផ្អែកលើ "អាជីវកម្មដូចធម្មតា"។ ស្រមៃមើលព្រឹត្តិការណ៍ដ៏ធំមួយដែលមិននឹកស្មានដល់ដូចជាជំងឺរាតត្បាត COVID-19 ដែលផ្លាស់ប្តូរឥរិយាបថរបស់មនុស្សគ្រប់គ្នា និងធ្វើឱ្យមនុស្សឈឺ។ គាត់និយាយថា "គំរូត្រួតពិនិត្យមិនគិតគូរពីរឿងនេះទេ"។ បន្ទាប់មក ដោយសារតែព្រឹត្តិការណ៍ទាំងនេះដែលក្រុមត្រួតពិនិត្យមិនបានគិតគូរ លទ្ធផលចុងក្រោយនៃការពិសោធន៍អាចខុសគ្នាទាំងស្រុង។

ដូច្នេះតើរឿងនេះពិតជាអាចប្រើប្រាស់បានមែនទេ? តើអនាគតនឹងទៅជាយ៉ាងណា?

លោក Eric Topol អ្នកជំនាញខាងការប្រើប្រាស់បច្ចេកវិទ្យាឌីជីថលក្នុងវិស័យថែទាំសុខភាព គិតថាគំនិតនេះល្អណាស់ ប៉ុន្តែពេលវេលាមិនទាន់ត្រឹមត្រូវនៅឡើយទេ។ "ខ្ញុំមិនគិតថាការសាកល្បងព្យាបាលនឹងផ្លាស់ប្តូរនាពេលអនាគតដ៏ខ្លីខាងមុខនេះទេ។ ពីព្រោះវាតម្រូវឱ្យមានទិន្នន័យច្រើនស្រទាប់ លើសពីកំណត់ត្រាសុខភាព ដូចជាលំដាប់ហ្សែន មីក្រូជីវសាស្រ្តពោះវៀន និងទិន្នន័យបរិស្ថាន"។

យោងតាមលោក Charles Fisher ស្ថាបនិកក្រុមហ៊ុន Unlearn.AI ដែលជាអ្នកត្រួសត្រាយផ្លូវក្នុងបច្ចេកវិទ្យានេះ មានដំណោះស្រាយរួចហើយចំពោះបញ្ហានៃភាពឯកជននៃទិន្នន័យ និងភាពលំអៀង។ "ភាពឯកជនគឺងាយស្រួល។ យើងធ្វើការតែជាមួយទិន្នន័យដែលត្រូវបានធ្វើឱ្យអនាមិករួចហើយ"។

នៅពេលនិយាយអំពីភាពលំអៀង លោកនិយាយថា ទោះបីជាបញ្ហានេះមិនទាន់ត្រូវបានដោះស្រាយទាំងស្រុងក៏ដោយ វាមិនពាក់ព័ន្ធនឹងលទ្ធផលនៃការសិក្សានោះទេ។ ដោយសារតែការសិក្សាទាំងនេះត្រូវបានជ្រើសរើសដោយចៃដន្យ ទោះបីជាមានភាពលំអៀងខ្លះនៅក្នុងទិន្នន័យក៏ដោយ វាមិនប៉ះពាល់ដល់លទ្ធផលនោះទេ។ ទោះជាយ៉ាងណាក៏ដោយ អ្នកជំនាញមួយចំនួនមិនយល់ស្របនឹងគំនិតនេះទេ។ ពួកគេនិយាយថាដោយសារតែអ្នកកំពុងប្រៀបធៀបមនុស្សពិតទៅនឹងគំរូកុំព្យូទ័រ ប្រសិនបើមានកំហុសណាមួយនៅក្នុងគំរូនោះ វាអាចប៉ះពាល់ដោយផ្ទាល់ដល់លទ្ធផល។

ទោះជាយ៉ាងណាក៏ដោយ Unlearn.AI កំពុងធ្វើការជាមួយក្រុមហ៊ុនឱសថរួចហើយ ដើម្បីរចនាការសាកល្បងព្យាបាលសម្រាប់ជំងឺសរសៃប្រសាទដូចជាជំងឺភ្លេចភ្លាំង ជំងឺផាកឃីនសុន និងជំងឺក្រិនច្រើនកន្លែង។ ពួកគេបានជ្រើសរើសជំងឺទាំងនេះជាកន្លែងល្អដើម្បីចាប់ផ្តើម ពីព្រោះពួកគេមានទិន្នន័យច្រើនជាងជំងឺដទៃទៀត។ លោក Fisher និយាយថា ប្រសិនបើវិធីសាស្ត្រនេះអាចត្រូវបានអនុវត្តចំពោះជំងឺទាំងអស់នៅថ្ងៃណាមួយ វាអាចកាត់បន្ថយពេលវេលាដែលថ្នាំថ្មីត្រូវការដើម្បីចេញលក់លើទីផ្សារបានយ៉ាងច្រើន។