ເຈົ້າເຄີຍສົງໄສບໍ່ວ່າມັນໃຊ້ເວລາດົນປານໃດຢາເມັດທີ່ເຈົ້າກິນໃນເຊົ້າມື້ນີ້ຈຶ່ງຮອດມືຂອງເຈົ້າ? ກ່ອນອື່ນໝົດ, ເຂົາເຈົ້າເຮັດການຄົ້ນຄວ້າ ຢ່າງກວ້າງຂວາງ ໃນຫ້ອງທົດລອງ. ຈາກນັ້ນເຂົາເຈົ້າທົດສອບມັນກັບສັດ. ແຕ່ກ່ອນທີ່ພວກມັນຈະໄດ້ຮັບການອະນຸມັດໃຫ້ໃຊ້ໃນມະນຸດ, ເຂົາເຈົ້າຕ້ອງທົດສອບມັນກັບມະນຸດ. ນີ້ແມ່ນສິ່ງທີ່ພວກເຮົາເອີ້ນວ່າການທົດລອງທາງຄລີນິກ. ມັນເປັນຂະບວນການທີ່ສັບສົນ ແລະ ມີລາຄາແພງຫຼາຍ.
ເວົ້າງ່າຍໆ, ການທົດລອງທາງຄລີນິກແມ່ນຫຍັງ?
ເວົ້າງ່າຍໆ, ການທົດລອງທາງດ້ານຄລີນິກເຮັດວຽກແບບນີ້: ນັກຄົ້ນຄວ້າຮັບສະໝັກຄົນເຈັບທີ່ມີພະຍາດທີ່ຢາທີ່ພັດທະນາໃໝ່ກຳລັງແນໃສ່. ຫຼັງຈາກນັ້ນ, ອາສາສະໝັກເຫຼົ່ານີ້ຈະຖືກແບ່ງອອກເປັນສອງກຸ່ມແບບສຸ່ມ.
1. ກຸ່ມທຳອິດ ໄດ້ຮັບຢາໃໝ່ເພື່ອທົດລອງ.
2. ກຸ່ມທີສອງ , "ກຸ່ມຄວບຄຸມ", ໄດ້ຮັບຢາหลอกທີ່ບໍ່ມີສ່ວນປະກອບທີ່ມີການເຄື່ອນໄຫວ ແລະ ມີລັກສະນະຄືກັນກັບຢາ. ພວກເຮົາເອີ້ນຢານີ້ວ່າ "ຢາຫຼອກ".
ຖ້າຫາກວ່າ, ໃນຕອນທ້າຍຂອງການທົດລອງນີ້, ອາການຂອງຜູ້ທີ່ກິນຢາໃໝ່ໄດ້ດີຂຶ້ນຫຼາຍກ່ວາຜູ້ທີ່ກິນຢາ placebo, ນີ້ພິສູດວ່າຢາໃໝ່ມີປະສິດທິພາບ.
ໜຶ່ງໃນສິ່ງທ້າທາຍທີ່ໃຫຍ່ທີ່ສຸດໃນການທົດລອງດັ່ງກ່າວແມ່ນການຊອກຫາຄົນເຈັບທີ່ພຽງພໍທີ່ເໝາະສົມກັບການທົດລອງ. ບາງຄັ້ງແມ່ນແຕ່ທ່ານໝໍກໍ່ບໍ່ຮູ້ວ່າການທົດລອງໃດທີ່ເໝາະສົມກັບຄົນເຈັບຂອງເຂົາເຈົ້າ. ນອກຈາກນັ້ນ, ລັກສະນະຂອງຄົນເຈັບທີ່ຕ້ອງການເຂົ້າຮ່ວມອາດຈະບໍ່ກົງກັບຄວາມຕ້ອງການຂອງການທົດລອງ. ເຖິງຢ່າງໃດກໍ່ຕາມ, ປັນຍາປະດິດ (AI) ສາມາດເຮັດໃຫ້ວຽກງານນີ້ງ່າຍຂຶ້ນຫຼາຍ.
ພົບກັບ "ຄູ່ແຝດດິຈິຕອລ" ຂອງທ່ານ
ລອງນຶກພາບວ່າເຈົ້າມີຮູບແບບຄອມພິວເຕີຂອງຕົນເອງ, ນັ້ນຄືສຳເນົາດິຈິຕອນຂອງຕົວເຈົ້າເອງ. ນັ້ນແມ່ນສິ່ງທີ່ເອີ້ນວ່າ "Digital Twin". ສິ່ງເຫຼົ່ານີ້ແມ່ນພຽງແຕ່ "ຮູບແບບຄອມພິວເຕີ" ທີ່ຈຳລອງວັດຖຸ ຫຼື ລະບົບໃນໂລກຕົວຈິງໃນຄອມພິວເຕີ. ແຕ່ເມື່ອເບິ່ງໃນແງ່ຕົວເລກ, ພວກມັນມີພຶດຕິກຳຄືກັນກັບສິ່ງທີ່ແທ້ຈິງ. ຕົວຢ່າງທີ່ດີທີ່ສຸດແມ່ນເມື່ອຖັງອົກຊີເຈນໃນຍານອະວະກາດ Apollo 13 ໄດ້ລະເບີດ, NASA ໄດ້ຊ່ວຍສ້ອມແປງມັນດ້ວຍ "Digital Twin" ຂອງຍານອະວະກາດດຽວກັນທີ່ສ້າງຂຶ້ນເທິງໂລກ.
ປະຈຸບັນ, ນັກວິທະຍາສາດສາມາດສ້າງ "ຄູ່ແຝດດິຈິຕອລ" ຂອງມະນຸດໄດ້, ໂດຍມີ "ຂໍ້ມູນ" ພຽງພໍ. ສິ່ງນີ້ໃຊ້ເທັກໂນໂລຢີປັນຍາປະດິດທີ່ເອີ້ນວ່າ "ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ". ເວົ້າງ່າຍໆ, ນີ້ກ່ຽວຂ້ອງກັບການໃຫ້ຂໍ້ມູນຈຳນວນຫຼວງຫຼາຍແກ່ໂປຣແກຣມຄອມພິວເຕີ ແລະ ປ່ອຍໃຫ້ມັນຮຽນຮູ້ຈາກມັນ.
ຄູ່ແຝດດິຈິຕອລຂອງຄົນເຈັບແມ່ນຖືກສ້າງຂຶ້ນໂດຍການຝຶກອົບຮົມຮູບແບບການຮຽນຮູ້ຂອງເຄື່ອງຈັກເຫຼົ່ານີ້ໂດຍໃຊ້ຂໍ້ມູນຈາກການທົດລອງທາງຄລີນິກກ່ອນໜ້ານີ້ ແລະ ບັນທຶກທາງການແພດສ່ວນຕົວຂອງຄົນເຈັບແຕ່ລະຄົນ. ຫຼັງຈາກນັ້ນ, ຮູບແບບດັ່ງກ່າວສາມາດ ຄາດຄະເນວ່າສຸຂະພາບຂອງຄົນເຈັບຈະປ່ຽນແປງແນວໃດໃນລະຫວ່າງການທົດລອງ ຖ້າພວກເຂົາໄດ້ຮັບຢາหลอก.ນັ້ນຄື, ກຸ່ມຄວບຄຸມທີ່ສ້າງຂຶ້ນໂດຍຄອມພິວເຕີ (ກຸ່ມຄວບຄຸມຈຳລອງ) ແມ່ນຖືກສ້າງຂຶ້ນສຳລັບຄົນເຈັບຄົນດຽວກັນນັ້ນ.
ບັດນີ້ລອງເບິ່ງວ່າວິທີນີ້ເຮັດວຽກແນວໃດ. ສົມມຸດວ່າຜູ້ໃດຜູ້ໜຶ່ງຊື່ວ່າ "Samadhi" ຖືກເລືອກໃຫ້ຢູ່ໃນກຸ່ມທີ່ໄດ້ຮັບຢາໃໝ່. "Digital Twin" ຂອງ Samadhi, ເຊິ່ງເປັນແບບຈຳລອງຄອມພິວເຕີ, ຢູ່ໃນກຸ່ມຄວບຄຸມ. ແບບຈຳລອງຄາດຄະເນວ່າຈະເກີດຫຍັງຂຶ້ນຖ້າ Samadhi ໄດ້ຮັບ "Placebo" ແທນທີ່ຈະເປັນຢາຕົວຈິງ. ໃນທີ່ສຸດ, ຄວາມແຕກຕ່າງລະຫວ່າງການຕອບສະໜອງຕົວຈິງຂອງ Samadhi ຕໍ່ຢາ ແລະ ສິ່ງທີ່ແບບຈຳລອງຄາດຄະເນວ່າຈະເກີດຂຶ້ນຖ້າລາວກິນ "Placebo" ແມ່ນມາດຕະການຂອງປະສິດທິພາບຂອງຢາສຳລັບ Samadhi.
ໜຶ່ງໃນຂໍ້ໄດ້ປຽບທີ່ໃຫຍ່ທີ່ສຸດຂອງວິທີການນີ້ແມ່ນເກືອບທຸກຄົນທີ່ເຂົ້າຮ່ວມໃນການທົດລອງທາງດ້ານຄລີນິກມີໂອກາດໄດ້ຮັບຢາໃໝ່, ເພາະວ່າ "ຢາຫຼອກ" ແມ່ນໃຫ້ກັບຄູ່ແຝດດິຈິຕອນຂອງເຂົາເຈົ້າ.
ລອງເບິ່ງຕາຕະລາງນີ້ເພື່ອເບິ່ງຜົນປະໂຫຍດຂອງການໃຊ້ "Digital Twins" ແທນທີ່ຈະເປັນທີມງານຄວບຄຸມແບບດັ້ງເດີມຢ່າງຊັດເຈນ.
| ລັກສະນະ | ວິທີການແບບດັ້ງເດີມ | ວິທີການຄູ່ແຝດດິຈິຕອລ |
|---|---|---|
| ກຸ່ມຄວບຄຸມ | ປະກອບດ້ວຍຄົນແທ້ໆ. ພວກເຂົາໄດ້ຮັບ (ຢາหลอก). | ປະກອບດ້ວຍຮູບແບບຄອມພິວເຕີ (Digital Twins). |
| ຂໍ້ໄດ້ປຽບສຳລັບຄົນເຈັບ | ມີໂອກາດ 50% ທີ່ຈະໄດ້ຮັບຢາหลอก. ນັ້ນໝາຍຄວາມວ່າທ່ານສາມາດຂ້າມຢາໃໝ່ໄດ້. | ຫຼາຍຄົນມີໂອກາດທີ່ຈະລອງໃຊ້ຢາທີ່ແທ້ຈິງ. |
| ຈຳນວນອາສາສະໝັກທີ່ຕ້ອງການ | ຕ້ອງການຄົນເພີ່ມເຕີມ (ສຳລັບທັງສອງທີມ). | ການທົດສອບສາມາດດຳເນີນໄດ້ກັບຄົນຈຳນວນໜ້ອຍ. |
| ເວລາ ແລະ ຄ່າໃຊ້ຈ່າຍ | ສູງຫຼາຍ. | ສາມາດຫຼຸດຜ່ອນໄດ້ຢ່າງຫຼວງຫຼາຍ. |
ເຖິງແມ່ນວ່າເທັກໂນໂລຢີນີ້ຈະດີ, ແຕ່ມັນບໍ່ມີບັນຫາບໍ?
ເຖິງແມ່ນວ່າເທັກໂນໂລຢີນີ້ມີຄວາມຫວັງອັນຍິ່ງໃຫຍ່ສຳລັບອະນາຄົດ, ແຕ່ມັນຍັງບໍ່ທັນໄດ້ຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງ. ອາດມີເຫດຜົນທີ່ດີສໍາລັບສິ່ງນີ້. ດັ່ງທີ່ທ່ານດຣ Daniel Neal, ຜູ້ຊ່ຽວຊານດ້ານ "(ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ)," ຊີ້ໃຫ້ເຫັນ, ຮູບແບບເຫຼົ່ານີ້ແມ່ນອີງໃສ່ຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍ. ນອກຈາກນັ້ນ, ມັນຍາກຫຼາຍທີ່ຈະໄດ້ຮັບ ຂໍ້ມູນທີ່ມີຄຸນນະພາບສູງ ຈາກບຸກຄົນ.
"ຜູ້ຄົນມັກລາຍງານຂໍ້ມູນກ່ຽວກັບສິ່ງຕ່າງໆເຊັ່ນ: ອາຫານການກິນ ແລະ ນິໄສການອອກກຳລັງກາຍຂອງເຂົາເຈົ້າເອງ. ຄົນເຮົາບໍ່ໄດ້ເວົ້າຄວາມຈິງສະເໝີໄປ. ເຂົາເຈົ້າມັກຈະເວົ້າເກີນຈິງກ່ຽວກັບປະລິມານການອອກກຳລັງກາຍທີ່ເຂົາເຈົ້າເຮັດ ແລະ ເວົ້າໜ້ອຍເກີນໄປກ່ຽວກັບປະລິມານອາຫານທີ່ບໍ່ມີປະໂຫຍດທີ່ເຂົາເຈົ້າກິນ."
ບັນຫາອີກອັນໜຶ່ງແມ່ນ ຜົນຂ້າງຄຽງທີ່ຫາຍາກ ແລະ ບໍ່ຄາດຄິດ ທີ່ຢາສາມາດກໍ່ໃຫ້ເກີດຂຶ້ນ. ສິ່ງເຫຼົ່ານີ້ມັກຈະບໍ່ໄດ້ກວມເອົາໂດຍຮູບແບບທີ່ອອກແບບມາສຳລັບກຸ່ມຄວບຄຸມ.
ແຕ່ຄວາມຢ້ານກົວທີ່ໃຫຍ່ທີ່ສຸດຂອງທ່ານດຣ Neal ແມ່ນວ່າຮູບແບບການຄາດຄະເນນີ້ແມ່ນອີງໃສ່ "ທຸລະກິດຕາມປົກກະຕິ." ລອງນຶກພາບເຫດການໃຫຍ່ທີ່ບໍ່ຄາດຄິດເຊັ່ນ: ການລະບາດຂອງ COVID-19 ທີ່ປ່ຽນແປງພຶດຕິກຳຂອງທຸກຄົນ ແລະ ເຮັດໃຫ້ຄົນເຈັບປ່ວຍ. "ຮູບແບບການຄວບຄຸມບໍ່ໄດ້ຄຳນຶງເຖິງເລື່ອງນີ້," ລາວເວົ້າ. ຫຼັງຈາກນັ້ນ, ເນື່ອງຈາກເຫດການເຫຼົ່ານີ້ທີ່ກຸ່ມຄວບຄຸມບໍ່ໄດ້ຄຳນຶງເຖິງ, ຜົນສຸດທ້າຍຂອງການທົດລອງອາດຈະແຕກຕ່າງກັນຢ່າງສິ້ນເຊີງ.
ສະນັ້ນ, ສິ່ງນີ້ສາມາດນຳໃຊ້ໄດ້ແທ້ບໍ? ອະນາຄົດຈະເປັນແນວໃດ?
ທ່ານ Eric Topol, ຜູ້ຊ່ຽວຊານດ້ານການນໍາໃຊ້ເຕັກໂນໂລຊີດິຈິຕອນໃນການດູແລສຸຂະພາບ, ຄິດວ່າແນວຄວາມຄິດນີ້ດີຫຼາຍ, ແຕ່ເວລາຍັງບໍ່ທັນເໝາະສົມ. "ຂ້ອຍບໍ່ຄິດວ່າການທົດລອງທາງດ້ານຄລີນິກຈະມີການປ່ຽນແປງໃນອະນາຄົດອັນໃກ້ນີ້. ເພາະມັນຕ້ອງການຂໍ້ມູນຫຼາຍຊັ້ນ, ນອກເໜືອໄປຈາກບັນທຶກສຸຂະພາບ, ເຊັ່ນ: ລຳດັບຈີໂນມ, ຈຸລິນຊີໃນລຳໄສ້, ຂໍ້ມູນສິ່ງແວດລ້ອມ."
ອີງຕາມທ່ານ Charles Fisher, ຜູ້ກໍ່ຕັ້ງ Unlearn.AI, ຜູ້ບຸກເບີກໃນເທັກໂນໂລຢີນີ້, ມີວິທີແກ້ໄຂບັນຫາຄວາມເປັນສ່ວນຕົວ ແລະ ອະຄະຕິຂອງຂໍ້ມູນແລ້ວ. "ຄວາມເປັນສ່ວນຕົວແມ່ນງ່າຍ. ພວກເຮົາເຮັດວຽກກັບຂໍ້ມູນທີ່ຖືກລຶບຊື່ແລ້ວເທົ່ານັ້ນ."
ເມື່ອເວົ້າເຖິງອະຄະຕິ, ລາວເວົ້າວ່າເຖິງແມ່ນວ່າບັນຫາຍັງບໍ່ທັນໄດ້ຮັບການແກ້ໄຂຢ່າງສົມບູນ, ແຕ່ມັນບໍ່ກ່ຽວຂ້ອງກັບຜົນໄດ້ຮັບຂອງການສຶກສາ. ເນື່ອງຈາກວ່າການສຶກສາແມ່ນແບບສຸ່ມ, ເຖິງແມ່ນວ່າຈະມີອະຄະຕິບາງຢ່າງໃນຂໍ້ມູນ, ມັນກໍ່ບໍ່ມີຜົນກະທົບຕໍ່ຜົນໄດ້ຮັບ. ຢ່າງໃດກໍຕາມ, ຜູ້ຊ່ຽວຊານບາງຄົນບໍ່ເຫັນດີກັບແນວຄວາມຄິດນີ້. ພວກເຂົາເວົ້າວ່າ,ເນື່ອງຈາກທ່ານກຳລັງປຽບທຽບຄົນຕົວຈິງກັບຮູບແບບຄອມພິວເຕີ, ຖ້າມີຂໍ້ຜິດພາດໃດໆໃນຮູບແບບນັ້ນ, ມັນສາມາດສົ່ງຜົນກະທົບໂດຍກົງຕໍ່ຜົນໄດ້ຮັບ.
ເຖິງຢ່າງໃດກໍ່ຕາມ, Unlearn.AI ໄດ້ເຮັດວຽກຮ່ວມກັບບໍລິສັດຢາເພື່ອອອກແບບການທົດລອງທາງຄລີນິກສຳລັບພະຍາດທາງລະບົບປະສາດເຊັ່ນ: ພະຍາດ Alzheimer, ພະຍາດ Parkinson, ແລະ ພະຍາດ multiple sclerosis. ພວກເຂົາໄດ້ເລືອກພະຍາດເຫຼົ່ານີ້ເປັນຈຸດເລີ່ມຕົ້ນທີ່ດີເພາະວ່າພວກມັນມີຂໍ້ມູນຫຼາຍກວ່າພະຍາດອື່ນໆ. Fisher ກ່າວວ່າຖ້າວິທີການດັ່ງກ່າວສາມາດນຳໃຊ້ກັບທຸກພະຍາດໄດ້ໃນມື້ໜຶ່ງ, ມັນສາມາດຫຼຸດຜ່ອນເວລາທີ່ຢາໃໝ່ຕ້ອງໃຊ້ໃນການອອກສູ່ຕະຫຼາດໄດ້ຢ່າງຫຼວງຫຼາຍ.
ຂໍ້ຄວາມເອົາກັບບ້ານ
- ຄູ່ແຝດດິຈິຕອນ ແມ່ນຮູບແບບຄອມພິວເຕີຂອງຄົນເຈັບຕົວຈິງທີ່ໃຊ້ໃນການທົດລອງທາງດ້ານຄລີນິກເພື່ອທົດສອບຢາໃໝ່.
- ສິ່ງນີ້ຊ່ວຍໃຫ້ຮູບແບບດິຈິຕອນເຫຼົ່ານີ້ຖືກນໍາໃຊ້ແທນທີ່ຈະໃຊ້ຄົນຕົວຈິງສໍາລັບກຸ່ມຄວບຄຸມ.
- ຂໍ້ໄດ້ປຽບທີ່ສຳຄັນຂອງວິທີການນີ້ແມ່ນຜູ້ເຂົ້າຮ່ວມຫຼາຍຄົນໃນການທົດລອງມີໂອກາດໄດ້ຮັບຢາຕົວຈິງທີ່ກຳລັງທົດສອບ.
- ເຖິງຢ່າງໃດກໍ່ຕາມ, ຍັງມີສິ່ງທ້າທາຍຢູ່, ເຊັ່ນ: ຄວາມຫຍຸ້ງຍາກໃນການໄດ້ຮັບຂໍ້ມູນທີ່ມີຄຸນນະພາບສູງ ແລະ ການບໍ່ສາມາດສ້າງແບບຈຳລອງເຫດການທີ່ບໍ່ຄາດຄິດໄດ້.
- ເຖິງແມ່ນວ່າເທັກໂນໂລຢີນີ້ມີຄວາມຫວັງອັນຍິ່ງໃຫຍ່ສຳລັບອະນາຄົດຂອງການແພດ, ແຕ່ມັນຍັງຢູ່ໃນໄລຍະເລີ່ມຕົ້ນ. ຖ້າທ່ານມີຄວາມກັງວົນ ຫຼື ຄວາມສົງໄສໃດໆ, ມັນເປັນສິ່ງສຳຄັນ ທີ່ຈະຕ້ອງປຶກສາກັບທ່ານໝໍຂອງທ່ານ .
💬 Comments (0)
ຍັງບໍ່ທັນມີຄຳເຫັນເທື່ອ. ເພີ່ມຄຳເຫັນຂອງທ່ານຢູ່ທີ່ນີ້ເປັນເທື່ອທຳອິດ.
ເພີ່ມຄຳເຫັນຂອງເຈົ້າ