Өнөө өглөө уусан эм чинь гарт чинь хүрэхэд хэр хугацаа зарцуулсныг та бодож үзсэн үү? Эхлээд тэд лабораторид өргөн хүрээтэй судалгаа хийдэг. Дараа нь тэд үүнийг амьтан дээр туршдаг. Гэхдээ хүмүүст хэрэглэхийг зөвшөөрөхөөсөө өмнө тэд үүнийг хүн дээр турших ёстой. Үүнийг бид клиник туршилт гэж нэрлэдэг. Энэ бол маш төвөгтэй бөгөөд үнэтэй үйл явц юм.
Энгийнээр хэлбэл, клиник туршилт гэж юу вэ?
Энгийнээр хэлбэл, клиник туршилт иймэрхүү байдлаар явагддаг: Судлаачид шинээр боловсруулсан эмийн онилж буй өвчтэй өвчтөнүүдийг элсүүлдэг. Дараа нь эдгээр сайн дурынхныг санамсаргүй байдлаар хоёр бүлэгт хуваадаг.
1. Эхний бүлэгт шинжилгээнд хамрагдах шинэ эмийг өгнө.
2. Хоёр дахь бүлэг болох “Хяналтын бүлэг”-т идэвхтэй найрлагагүй, эмтэй яг адилхан харагддаг плацебо өгдөг. Бид үүнийг “Плацебо” гэж нэрлэдэг.
Хэрэв энэ туршилтын төгсгөлд шинэ эмийг уусан хүмүүсийн шинж тэмдэг плацебо хэрэглэсэн хүмүүсээс илүү сайжирсан бол энэ нь шинэ эм үр дүнтэй болохыг нотолж байна.
Ийм туршилтын хамгийн том бэрхшээлүүдийн нэг бол туршилтад яг тохирох хангалттай өвчтөн олох явдал юм. Заримдаа эмч нар хүртэл аль туршилт нь тэдний өвчтөнд тохирохыг мэддэггүй. Түүнчлэн, оролцохыг хүссэн өвчтөнүүдийн шинж чанар нь туршилтын шаардлагад нийцэхгүй байж магадгүй юм. Гэсэн хэдий ч хиймэл оюун ухаан (AI) нь энэ ажлыг илүү хялбар болгож чадна.
"Дижитал ихэр"-тэйгээ танилцаарай
Та өөрийн гэсэн компьютерын загвартай, өөрөөр хэлбэл өөрийнхөө дижитал хуулбартай гэж төсөөлөөд үз дээ. Үүнийг "Дижитал ихэр" гэж нэрлэдэг. Эдгээр нь зүгээр л компьютер дээрх бодит ертөнцийн объект эсвэл системийг дуурайдаг "Компьютерийн загварууд" юм. Гэхдээ тоон үзүүлэлтээр харахад тэдгээр нь яг бодит зүйл шиг ажилладаг. Хамгийн сайн жишээ бол Аполло 13 сансрын хөлгийн хүчилтөрөгчийн сав дэлбэрэхэд НАСА дэлхий дээр баригдсан сансрын хөлгийн "Дижитал ихэр"-ээр үүнийг засахад тусалсан явдал юм.
Одоо эрдэмтэд хангалттай "өгөгдөл" өгсөн тохиолдолд хүний "Дижитал ихэр"-ийг бүтээж чадна. Энэ нь "Машин сургалт" гэж нэрлэгддэг хиймэл оюун ухааны технологийг ашигладаг. Энгийнээр хэлбэл, энэ нь компьютерын програмд их хэмжээний өгөгдөл өгч, түүнээс суралцах боломжийг олгохыг хэлнэ.
Өвчтөнүүдийн дижитал ихрүүдийг өмнөх эмнэлзүйн туршилтуудын өгөгдөл болон өвчтөн бүрийн хувийн эмнэлгийн бүртгэлийг ашиглан эдгээр Машин сургалтын загваруудыг сургах замаар бүтээдэг. Дараа нь загвар нь өвчтөнд плацебо өгсөн тохиолдолд туршилтын явцад тэдний эрүүл мэнд хэрхэн өөрчлөгдөхийг урьдчилан таамаглаж чадна.Өөрөөр хэлбэл, тухайн өвчтөнд зориулж компьютерээр үүсгэсэн хяналтын бүлэг (Симуляцилагдсан хяналтын бүлэг)-ийг үүсгэдэг.
Одоо энэ хэрхэн ажилладагийг харцгаая. "Самадхи" нэртэй хүнийг шинэ эм хүлээн авах бүлэгт оруулахаар сонгосон гэж бодъё. Самадхигийн "Дижитал ихэр" компьютерийн загвар нь хяналтын бүлэгт байна. Хэрэв Самадхид жинхэнэ эмийн оронд "Плацебо" өгвөл юу болохыг уг загвар урьдчилан таамаглаж байна. Эцсийн эцэст, Самадхигийн эмэнд үзүүлэх бодит хариу үйлдэл болон хэрэв тэр "Плацебо" уувал юу болохыг уг загвар урьдчилан таамагласан хоёрын ялгаа нь уг эм Самадхид хэр үр дүнтэй болохыг хэмждэг.
Энэ аргын хамгийн том давуу талуудын нэг нь клиник туршилтад оролцсон бараг бүх хүн шинэ эмийг авах боломжтой байдаг явдал юм, учир нь тэдний дижитал ихэрт "плацебо" өгдөг.
Уламжлалт хяналтын багуудын оронд ''Дижитал ихрүүд'' ашиглахын ашиг тусыг тодорхой харахын тулд энэ хүснэгтийг харцгаая.
| Онцлог шинж чанар | Уламжлалт арга | Дижитал ихэр арга |
|---|---|---|
| Хяналтын бүлэг | Бодит хүмүүсээс бүрддэг. Тэд (Плацебо) авдаг. | Компьютерийн загваруудаас бүрдэнэ (Дижитал ихрүүд). |
| Өвчтөнүүдэд зориулсан давуу тал | Плацебо авах магадлал 50% байдаг. Энэ нь та шинэ эмийг хэрэглэхээ больж болно гэсэн үг юм. | Олон хүн жинхэнэ эмийг туршиж үзэх боломжтой байдаг. |
| Шаардлагатай сайн дурын ажилтнуудын тоо | Илүү олон хүн хэрэгтэй (хоёр багт). | Туршилтыг цөөн тооны хүмүүстэй хийж болно. |
| Цаг хугацаа ба зардал | Маш өндөр. | Мэдэгдэхүйц хэмжээгээр бууруулж болно. |
Энэ технологи сайн ч гэсэн асуудал гарахгүй гэж үү?
Хэдийгээр энэ технологи ирээдүйд маш их ирээдүйтэй боловч өргөн хэрэглээнд хараахан ороогүй байна. Үүнд сайн шалтгаан байж магадгүй юм. "(Машин сургалт)"-ын мэргэжилтэн доктор Даниел Нийлийн онцолсноор эдгээр загварууд нь их хэмжээний өгөгдөлд тулгуурладаг. Түүнчлэн, хувь хүмүүсээс өндөр чанартай өгөгдөл авахад маш хэцүү байдаг.
"Хүмүүс хоолны дэглэм, дасгал хөдөлгөөний зуршил гэх мэт зүйлсийнхээ талаар өөрсдөө мэдээлдэг. Хүмүүс үргэлж үнэнийг хэлдэггүй. Тэд хийж буй дасгалынхаа хэмжээг хэтрүүлж, идэж буй хортой хоол хүнснийхээ хэмжээг дутуу үнэлдэг."
Өөр нэг асуудал бол эмийн үүсгэж болзошгүй ховор, гэнэтийн гаж нөлөө юм. Эдгээрийг хяналтын бүлэгт зориулагдсан загварт хамруулдаггүй.
Гэхдээ доктор Нийлийн хамгийн том айдас бол энэхүү урьдчилан таамаглах загвар нь "ердийнх шигээ бизнес" дээр суурилсан явдал юм. COVID-19 цар тахал гэх мэт хүн бүрийн зан авирыг өөрчилж, хүмүүсийг өвчлүүлдэг томоохон, гэнэтийн үйл явдлыг төсөөлөөд үз дээ. "Хяналтын загварууд үүнийг харгалзан үздэггүй" гэж тэр хэлэв. Дараа нь хяналтын бүлгийн тооцоолоогүй эдгээр үйл явдлуудаас болж туршилтын эцсийн үр дүн огт өөр байж магадгүй юм.
Тэгэхээр үүнийг үнэхээр ашиглаж болох уу? Ирээдүйд юу болох вэ?
Эрүүл мэндийн салбарт дижитал технологийг ашиглах мэргэжилтэн Эрик Топол энэ санааг гайхалтай гэж үзэж байгаа ч цаг нь хараахан болоогүй байна. "Клиникийн туршилтууд ойрын ирээдүйд өөрчлөгдөнө гэж би бодохгүй байна. Учир нь энэ нь геномын дараалал, гэдэсний микробиом, хүрээлэн буй орчны өгөгдөл гэх мэт эрүүл мэндийн бүртгэлээс гадна олон давхаргат өгөгдөл шаарддаг."
Энэ технологийн анхдагч, Unlearn.AI-ийн үүсгэн байгуулагч Чарльз Фишерийн хэлснээр, өгөгдлийн нууцлал болон алдаатай байдлын асуудлыг шийдвэрлэх аргууд аль хэдийн бий болсон байна. "Нууцлал амархан. Бид зөвхөн нэрээ нууцалсан өгөгдөлтэй л ажилладаг."
Тэрээр нэг талыг баримтлах байдлын талаар ярихдаа энэ асуудал бүрэн шийдэгдээгүй ч судалгааны үр дүнтэй холбоогүй гэж хэлсэн. Судалгааг санамсаргүй байдлаар хийдэг тул өгөгдөлд зарим нэг талыг баримталсан ч үр дүнд нөлөөлдөггүй. Гэсэн хэдий ч зарим мэргэжилтнүүд энэ санаатай санал нийлэхгүй байна. Тэд хэлэхдээ,Та бодит хүнийг компьютерийн загвартай харьцуулж байгаа тул тухайн загварт ямар нэгэн алдаа гарвал энэ нь үр дүнд шууд нөлөөлж болно.
Гэсэн хэдий ч Unlearn.AI нь Альцгеймер, Паркинсоны өвчин, олон төрлийн хатуурал зэрэг мэдрэлийн өвчний эмнэлзүйн туршилтыг зохион бүтээхээр эмийн компаниудтай аль хэдийн хамтран ажиллаж байна. Тэд эдгээр өвчнийг бусдаас илүү их мэдээлэлтэй тул эхлэхэд тохиромжтой газар болгон сонгосон. Хэрэв энэ аргыг нэг л өдөр бүх өвчинд хэрэглэж чадвал шинэ эм зах зээлд гарах хугацааг мэдэгдэхүйц багасгаж чадна гэж Фишер хэлэв.
Гэртээ авч явах мессеж
- Дижитал ихэр гэдэг нь шинэ эмийг турших клиник туршилтад ашигладаг жинхэнэ өвчтөний компьютерийн загвар юм.
- Энэ нь хяналтын бүлэгт жинхэнэ хүмүүсийг ашиглахын оронд эдгээр дижитал загваруудыг ашиглах боломжийг олгодог.
- Энэ аргын гол давуу тал нь туршилтад оролцогчдын олонх нь туршиж буй эмийг авах боломжтой байдагт оршино.
- Гэсэн хэдий ч өндөр чанартай мэдээлэл олж авахад бэрхшээлтэй, гэнэтийн үйл явдлуудыг загварчлах боломжгүй зэрэг бэрхшээлүүд байсаар байна.
- Хэдийгээр энэ технологи нь анагаах ухааны ирээдүйд маш их ирээдүйтэй боловч одоохондоо эхэн үедээ байна. Хэрэв танд ямар нэгэн санаа зовоосон асуудал, эргэлзээ байвал эмчтэйгээ ярилцах нь чухал юм.
💬 Comments (0)
Одоогоор ямар ч сэтгэгдэл нийтлээгүй байна. Энд анх удаа сэтгэгдэлээ нэмнэ үү.
Сэтгэгдэлээ нэмнэ үү