ನಿಮ್ಮದೇ ಆದ "ಡಿಜಿಟಲ್ ಅವಳಿ"? ಔಷಧ ಪರೀಕ್ಷೆಯನ್ನು ಬದಲಾಯಿಸುವ ಇತ್ತೀಚಿನ ತಂತ್ರಜ್ಞಾನ (ಡಿಜಿಟಲ್ ಅವಳಿ)

ನೀವು ಇಂದು ಬೆಳಿಗ್ಗೆ ತೆಗೆದುಕೊಂಡ ಮಾತ್ರೆ ನಿಮ್ಮ ಕೈಗೆ ತಲುಪಲು ಎಷ್ಟು ಸಮಯ ತೆಗೆದುಕೊಂಡಿತು ಎಂದು ನೀವು ಎಂದಾದರೂ ಯೋಚಿಸಿದ್ದೀರಾ? ಮೊದಲು, ಅವರು ಪ್ರಯೋಗಾಲಯಗಳಲ್ಲಿ ವ್ಯಾಪಕ ಸಂಶೋಧನೆ ಮಾಡುತ್ತಾರೆ. ನಂತರ ಅವರು ಅದನ್ನು ಪ್ರಾಣಿಗಳ ಮೇಲೆ ಪರೀಕ್ಷಿಸುತ್ತಾರೆ. ಆದರೆ ಅವುಗಳನ್ನು ಮಾನವರಲ್ಲಿ ಬಳಸಲು ಅನುಮೋದಿಸುವ ಮೊದಲು, ಅವರು ಅದನ್ನು ಮಾನವರ ಮೇಲೆ ಪರೀಕ್ಷಿಸಬೇಕು. ಇದನ್ನು ನಾವು ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗ ಎಂದು ಕರೆಯುತ್ತೇವೆ. ಇದು ತುಂಬಾ ಸಂಕೀರ್ಣ ಮತ್ತು ದುಬಾರಿ ಪ್ರಕ್ರಿಯೆ.

ಸರಳವಾಗಿ ಹೇಳುವುದಾದರೆ, ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗ ಎಂದರೇನು?

ಸರಳವಾಗಿ ಹೇಳುವುದಾದರೆ, ಒಂದು ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗವು ಈ ರೀತಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ: ಸಂಶೋಧಕರು ಹೊಸದಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಔಷಧವು ಗುರಿಯಾಗಿಸಿಕೊಂಡಿರುವ ರೋಗದ ರೋಗಿಗಳನ್ನು ನೇಮಿಸಿಕೊಳ್ಳುತ್ತಾರೆ. ನಂತರ ಈ ಸ್ವಯಂಸೇವಕರನ್ನು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಎರಡು ಗುಂಪುಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ.

1. ಮೊದಲ ಗುಂಪಿಗೆ ಪರೀಕ್ಷಿಸಲು ಹೊಸ ಔಷಧವನ್ನು ನೀಡಲಾಗುತ್ತದೆ.

2. ಎರಡನೇ ಗುಂಪಾದ "ನಿಯಂತ್ರಣ ಗುಂಪು" ಗೆ ಯಾವುದೇ ಸಕ್ರಿಯ ಘಟಕಾಂಶವನ್ನು ಹೊಂದಿರದ ಮತ್ತು ಔಷಧದಂತೆಯೇ ಕಾಣುವ ಪ್ಲಸೀಬೊವನ್ನು ನೀಡಲಾಗುತ್ತದೆ. ನಾವು ಇದನ್ನು "ಪ್ಲೇಸಿಬೊ" ಎಂದು ಕರೆಯುತ್ತೇವೆ.

ಈ ಪ್ರಯೋಗದ ಕೊನೆಯಲ್ಲಿ, ಹೊಸ ಔಷಧವನ್ನು ತೆಗೆದುಕೊಂಡವರ ಲಕ್ಷಣಗಳು ಪ್ಲಸೀಬೊವನ್ನು ತೆಗೆದುಕೊಂಡವರಿಗಿಂತ ಹೆಚ್ಚು ಸುಧಾರಿಸಿದ್ದರೆ, ಹೊಸ ಔಷಧವು ಪರಿಣಾಮಕಾರಿ ಎಂದು ಇದು ಸಾಬೀತುಪಡಿಸುತ್ತದೆ.

ಅಂತಹ ಪ್ರಯೋಗದಲ್ಲಿ ದೊಡ್ಡ ಸವಾಲುಗಳಲ್ಲಿ ಒಂದು, ಪ್ರಯೋಗಕ್ಕೆ ನಿಖರವಾಗಿ ಸೂಕ್ತವಾದ ಸಾಕಷ್ಟು ರೋಗಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವುದು. ಕೆಲವೊಮ್ಮೆ ವೈದ್ಯರಿಗೂ ಸಹ ತಮ್ಮ ರೋಗಿಗಳಿಗೆ ಯಾವ ಪ್ರಯೋಗಗಳು ಸರಿಯಾಗಿವೆ ಎಂದು ತಿಳಿದಿರುವುದಿಲ್ಲ. ಅಲ್ಲದೆ, ಭಾಗವಹಿಸಲು ಬಯಸುವ ರೋಗಿಗಳ ಗುಣಲಕ್ಷಣಗಳು ಪ್ರಯೋಗದ ಅವಶ್ಯಕತೆಗಳಿಗೆ ಹೊಂದಿಕೆಯಾಗದಿರಬಹುದು. ಆದಾಗ್ಯೂ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಈ ಕಾರ್ಯವನ್ನು ಹೆಚ್ಚು ಸುಲಭಗೊಳಿಸುತ್ತದೆ.

ನಿಮ್ಮ "ಡಿಜಿಟಲ್ ಅವಳಿ"ಯನ್ನು ಭೇಟಿ ಮಾಡಿ

ನಿಮ್ಮ ಸ್ವಂತ ಕಂಪ್ಯೂಟರ್ ಮಾದರಿ ಇದೆ ಎಂದು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ, ಅಂದರೆ, ನಿಮ್ಮ ಡಿಜಿಟಲ್ ಪ್ರತಿ. ಅದನ್ನೇ "ಡಿಜಿಟಲ್ ಟ್ವಿನ್" ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಇವು ಕಂಪ್ಯೂಟರ್‌ನಲ್ಲಿ ನೈಜ-ಪ್ರಪಂಚದ ವಸ್ತು ಅಥವಾ ವ್ಯವಸ್ಥೆಯನ್ನು ಅನುಕರಿಸುವ "ಕಂಪ್ಯೂಟರ್ ಮಾದರಿಗಳು" ಮಾತ್ರ. ಆದರೆ ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ನೋಡಿದಾಗ, ಅವು ನಿಜವಾದ ವಸ್ತುವಿನಂತೆಯೇ ವರ್ತಿಸುತ್ತವೆ. ಅತ್ಯುತ್ತಮ ಉದಾಹರಣೆಯೆಂದರೆ ಅಪೊಲೊ 13 ಬಾಹ್ಯಾಕಾಶ ನೌಕೆಯಲ್ಲಿನ ಆಮ್ಲಜನಕ ಟ್ಯಾಂಕ್ ಸ್ಫೋಟಗೊಂಡಾಗ, ನಾಸಾ ಭೂಮಿಯ ಮೇಲೆ ನಿರ್ಮಿಸಲಾದ ಅದೇ ಬಾಹ್ಯಾಕಾಶ ನೌಕೆಯ "ಡಿಜಿಟಲ್ ಟ್ವಿನ್" ಮೂಲಕ ಅದನ್ನು ಸರಿಪಡಿಸಲು ಸಹಾಯ ಮಾಡಿತು.

ಈಗ, ವಿಜ್ಞಾನಿಗಳು ಸಾಕಷ್ಟು "ಡೇಟಾ" ನೀಡಿದರೆ, ಮನುಷ್ಯನ "ಡಿಜಿಟಲ್ ಅವಳಿ"ಯನ್ನು ರಚಿಸಬಹುದು. ಇದು "ಮೆಷಿನ್ ಲರ್ನಿಂಗ್" ಎಂಬ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ತಂತ್ರಜ್ಞಾನವನ್ನು ಬಳಸುತ್ತದೆ. ಸರಳವಾಗಿ ಹೇಳುವುದಾದರೆ, ಇದು ಕಂಪ್ಯೂಟರ್ ಪ್ರೋಗ್ರಾಂಗೆ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ನೀಡುವುದು ಮತ್ತು ಅದರಿಂದ ಕಲಿಯಲು ಅವಕಾಶ ನೀಡುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ.

ಹಿಂದಿನ ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗಗಳು ಮತ್ತು ಪ್ರತಿ ರೋಗಿಯ ವೈಯಕ್ತಿಕ ವೈದ್ಯಕೀಯ ದಾಖಲೆಗಳ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು ಈ ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡುವ ಮೂಲಕ ರೋಗಿಗಳ ಡಿಜಿಟಲ್ ಅವಳಿಗಳನ್ನು ರಚಿಸಲಾಗುತ್ತದೆ. ನಂತರ ಮಾದರಿಯು ರೋಗಿಯ ಆರೋಗ್ಯವು ಪ್ರಯೋಗದ ಅವಧಿಯಲ್ಲಿ ಹೇಗೆ ಬದಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಊಹಿಸಬಹುದು.ಅಂದರೆ, ಅದೇ ರೋಗಿಗೆ ಕಂಪ್ಯೂಟರ್-ರಚಿತ ನಿಯಂತ್ರಣ ಗುಂಪು (ಸಿಮ್ಯುಲೇಟೆಡ್ ಕಂಟ್ರೋಲ್ ಗ್ರೂಪ್) ರಚಿಸಲಾಗುತ್ತದೆ.

ಈಗ ಇದು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ ಎಂದು ನೋಡೋಣ. "ಸಮಾಧಿ" ಎಂಬ ಹೆಸರಿನ ಯಾರನ್ನಾದರೂ ಹೊಸ ಔಷಧವನ್ನು ಪಡೆಯುವ ಗುಂಪಿನಲ್ಲಿ ಸೇರಿಸಲು ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆ ಎಂದು ಹೇಳೋಣ. ಸಮಾಧಿಯ "ಡಿಜಿಟಲ್ ಟ್ವಿನ್", ಕಂಪ್ಯೂಟರ್ ಮಾದರಿ, ನಿಯಂತ್ರಣ ಗುಂಪಿನಲ್ಲಿದೆ. ಸಮಾಧಿಗೆ ನಿಜವಾದ ಔಷಧದ ಬದಲಿಗೆ "ಪ್ಲೇಸ್‌ಬೊ" ನೀಡಿದರೆ ಏನಾಗುತ್ತದೆ ಎಂದು ಮಾದರಿಯು ಮುನ್ಸೂಚಿಸುತ್ತದೆ. ಅಂತಿಮವಾಗಿ, ಸಮಾಧಿಯ ನಿಜವಾದ ಪ್ರತಿಕ್ರಿಯೆ ಮತ್ತು ಅವನು "ಪ್ಲೇಸ್‌ಬೊ" ತೆಗೆದುಕೊಂಡರೆ ಮಾದರಿಯು ಊಹಿಸಿದ ಘಟನೆಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸವು ಸಮಾಧಿಗೆ ಔಷಧವು ಎಷ್ಟು ಪರಿಣಾಮಕಾರಿಯಾಗಿದೆ ಎಂಬುದರ ಅಳತೆಯಾಗಿದೆ.

ಸಾಂಪ್ರದಾಯಿಕ ನಿಯಂತ್ರಣ ತಂಡಗಳ ಬದಲಿಗೆ "ಡಿಜಿಟಲ್ ಟ್ವಿನ್ಸ್" ಅನ್ನು ಬಳಸುವುದರಿಂದಾಗುವ ಪ್ರಯೋಜನಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ನೋಡಲು ಈ ಕೋಷ್ಟಕವನ್ನು ನೋಡೋಣ.

ಈ ತಂತ್ರಜ್ಞಾನ ಒಳ್ಳೆಯದಾಗಿದ್ದರೂ, ಸಮಸ್ಯೆಗಳಿಲ್ಲವೇ?

ಈ ತಂತ್ರಜ್ಞಾನವು ಭವಿಷ್ಯಕ್ಕೆ ಹೆಚ್ಚಿನ ಭರವಸೆಯನ್ನು ಹೊಂದಿದ್ದರೂ, ಇದನ್ನು ಇನ್ನೂ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗಿಲ್ಲ. ಇದಕ್ಕೆ ಒಳ್ಳೆಯ ಕಾರಣಗಳಿರಬಹುದು. ``(ಯಂತ್ರ ಕಲಿಕೆ)'' ಯಲ್ಲಿ ಪರಿಣಿತರಾದ ಡಾ. ಡೇನಿಯಲ್ ನೀಲ್ ಗಮನಸೆಳೆದಂತೆ, ಈ ಮಾದರಿಗಳು ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಅವಲಂಬಿಸಿವೆ. ಅಲ್ಲದೆ, ವ್ಯಕ್ತಿಗಳಿಂದ ಉತ್ತಮ-ಗುಣಮಟ್ಟದ ಡೇಟಾವನ್ನು ಪಡೆಯುವುದು ತುಂಬಾ ಕಷ್ಟ.

ಮತ್ತೊಂದು ಸಮಸ್ಯೆಯೆಂದರೆ ಔಷಧವು ಉಂಟುಮಾಡಬಹುದಾದ ಅಪರೂಪದ, ಅನಿರೀಕ್ಷಿತ ಅಡ್ಡಪರಿಣಾಮಗಳು . ಇವುಗಳನ್ನು ನಿಯಂತ್ರಣ ಗುಂಪಿಗಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಮಾದರಿಯು ಹೆಚ್ಚಾಗಿ ಒಳಗೊಳ್ಳುವುದಿಲ್ಲ.

ಆದರೆ ಡಾ. ನೀಲ್ ಅವರ ಅತಿದೊಡ್ಡ ಭಯವೆಂದರೆ ಈ ಮುನ್ಸೂಚಕ ಮಾದರಿಯು "ಎಂದಿನಂತೆ ವ್ಯವಹಾರ"ವನ್ನು ಆಧರಿಸಿದೆ. COVID-19 ಸಾಂಕ್ರಾಮಿಕ ರೋಗದಂತಹ ದೊಡ್ಡ, ಅನಿರೀಕ್ಷಿತ ಘಟನೆಯನ್ನು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ, ಅದು ಎಲ್ಲರ ನಡವಳಿಕೆಯನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ ಮತ್ತು ಜನರನ್ನು ಅನಾರೋಗ್ಯಕ್ಕೆ ಒಳಪಡಿಸುತ್ತದೆ. "ನಿಯಂತ್ರಣ ಮಾದರಿಗಳು ಇದನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುವುದಿಲ್ಲ" ಎಂದು ಅವರು ಹೇಳುತ್ತಾರೆ. ನಂತರ, ನಿಯಂತ್ರಣ ಗುಂಪು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳದ ಈ ಘಟನೆಗಳಿಂದಾಗಿ, ಪ್ರಯೋಗದ ಅಂತಿಮ ಫಲಿತಾಂಶಗಳು ಸಂಪೂರ್ಣವಾಗಿ ವಿಭಿನ್ನವಾಗಿರಬಹುದು.

ಹಾಗಾದರೆ ಇದನ್ನು ನಿಜವಾಗಿಯೂ ಬಳಸಬಹುದೇ? ಭವಿಷ್ಯ ಹೇಗಿರುತ್ತದೆ?

ಆರೋಗ್ಯ ರಕ್ಷಣೆಯಲ್ಲಿ ಡಿಜಿಟಲ್ ತಂತ್ರಜ್ಞಾನದ ಬಳಕೆಯ ಬಗ್ಗೆ ಪರಿಣಿತರಾದ ಎರಿಕ್ ಟೋಪೋಲ್, ಈ ಕಲ್ಪನೆ ಉತ್ತಮವಾಗಿದೆ ಎಂದು ಭಾವಿಸುತ್ತಾರೆ, ಆದರೆ ಸಮಯ ಇನ್ನೂ ಸರಿಯಾಗಿಲ್ಲ. "ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗಗಳು ಮುಂದಿನ ದಿನಗಳಲ್ಲಿ ಬದಲಾಗುತ್ತವೆ ಎಂದು ನಾನು ಭಾವಿಸುವುದಿಲ್ಲ. ಏಕೆಂದರೆ ಇದಕ್ಕೆ ಜೀನೋಮ್ ಅನುಕ್ರಮಗಳು, ಕರುಳಿನ ಸೂಕ್ಷ್ಮಜೀವಿ, ಪರಿಸರ ದತ್ತಾಂಶಗಳಂತಹ ಆರೋಗ್ಯ ದಾಖಲೆಗಳನ್ನು ಮೀರಿ ಬಹು ಪದರಗಳ ಡೇಟಾ ಬೇಕಾಗುತ್ತದೆ."

ಈ ತಂತ್ರಜ್ಞಾನದ ಪ್ರವರ್ತಕರಾದ Unlearn.AI ನ ಸಂಸ್ಥಾಪಕ ಚಾರ್ಲ್ಸ್ ಫಿಶರ್ ಪ್ರಕಾರ, ಡೇಟಾ ಗೌಪ್ಯತೆ ಮತ್ತು ಪಕ್ಷಪಾತದ ಸಮಸ್ಯೆಗಳಿಗೆ ಈಗಾಗಲೇ ಪರಿಹಾರಗಳಿವೆ. "ಗೌಪ್ಯತೆ ಸುಲಭ. ನಾವು ಈಗಾಗಲೇ ಅನಾಮಧೇಯಗೊಳಿಸಲಾದ ಡೇಟಾದೊಂದಿಗೆ ಮಾತ್ರ ಕೆಲಸ ಮಾಡುತ್ತೇವೆ."

ಪಕ್ಷಪಾತದ ಬಗ್ಗೆ ಮಾತನಾಡುವಾಗ, ಅವರು ಈ ಸಮಸ್ಯೆಯನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಪರಿಹರಿಸಲಾಗಿಲ್ಲವಾದರೂ, ಅದು ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳಿಗೆ ಪ್ರಸ್ತುತವಲ್ಲ ಎಂದು ಹೇಳುತ್ತಾರೆ. ಅಧ್ಯಯನಗಳನ್ನು ಯಾದೃಚ್ಛಿಕಗೊಳಿಸಲಾಗಿರುವುದರಿಂದ, ಡೇಟಾದಲ್ಲಿ ಕೆಲವು ಪಕ್ಷಪಾತಗಳಿದ್ದರೂ ಸಹ, ಅದು ಫಲಿತಾಂಶಗಳ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವುದಿಲ್ಲ. ಆದಾಗ್ಯೂ, ಕೆಲವು ತಜ್ಞರು ಈ ಕಲ್ಪನೆಯನ್ನು ಒಪ್ಪುವುದಿಲ್ಲ. ಅವರು ಹೇಳುತ್ತಾರೆ,ನೀವು ನಿಜವಾದ ವ್ಯಕ್ತಿಯನ್ನು ಕಂಪ್ಯೂಟರ್ ಮಾದರಿಗೆ ಹೋಲಿಸುತ್ತಿರುವುದರಿಂದ, ಆ ಮಾದರಿಯಲ್ಲಿ ಯಾವುದೇ ದೋಷವಿದ್ದರೆ, ಅದು ಫಲಿತಾಂಶಗಳ ಮೇಲೆ ನೇರವಾಗಿ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ.

ಆದಾಗ್ಯೂ, ಅಲ್ಝೈಮರ್ಸ್, ಪಾರ್ಕಿನ್ಸನ್ ಮತ್ತು ಮಲ್ಟಿಪಲ್ ಸ್ಕ್ಲೆರೋಸಿಸ್‌ನಂತಹ ನರವೈಜ್ಞಾನಿಕ ಕಾಯಿಲೆಗಳಿಗೆ ಕ್ಲಿನಿಕಲ್ ಪ್ರಯೋಗಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು Unlearn.AI ಈಗಾಗಲೇ ಔಷಧ ಕಂಪನಿಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುತ್ತಿದೆ. ಅವರು ಈ ರೋಗಗಳನ್ನು ಪ್ರಾರಂಭಿಸಲು ಉತ್ತಮ ಸ್ಥಳವೆಂದು ಆಯ್ಕೆ ಮಾಡಿಕೊಂಡರು ಏಕೆಂದರೆ ಅವುಗಳು ಇತರರಿಗಿಂತ ಹೆಚ್ಚಿನ ಡೇಟಾವನ್ನು ಹೊಂದಿವೆ. ಈ ವಿಧಾನವನ್ನು ಒಂದು ದಿನ ಎಲ್ಲಾ ಕಾಯಿಲೆಗಳಿಗೂ ಅನ್ವಯಿಸಬಹುದಾದರೆ, ಹೊಸ ಔಷಧಗಳು ಮಾರುಕಟ್ಟೆಗೆ ಬರಲು ತೆಗೆದುಕೊಳ್ಳುವ ಸಮಯವನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಕಡಿಮೆ ಮಾಡಬಹುದು ಎಂದು ಫಿಶರ್ ಹೇಳುತ್ತಾರೆ.