तुमचा स्वतःचा 'डिजिटल ट्विन'? औषध चाचणीत क्रांती घडवणारे नवीनतम तंत्रज्ञान (डिजिटल ट्विन).

तुम्ही कधी विचार केला आहे का की आज सकाळी घेतलेली गोळी तुमच्या हातात पोहोचायला किती वेळ लागला असेल? सर्वप्रथम, ते प्रयोगशाळांमध्ये विस्तृत संशोधन करतात. मग ते प्राण्यांवर त्याची चाचणी करतात. पण मानवांमध्ये वापरासाठी मान्यता मिळण्यापूर्वी, त्यांना मानवांवरच त्याची चाचणी करावी लागते. यालाच आपण क्लिनिकल ट्रायल म्हणतो. ही एक खूप गुंतागुंतीची आणि खर्चिक प्रक्रिया आहे.

सोप्या भाषेत सांगायचे तर, क्लिनिकल ट्रायल म्हणजे काय?

सोप्या भाषेत सांगायचे झाल्यास, क्लिनिकल ट्रायल अशा प्रकारे चालते: संशोधक, ज्या आजारावर नव्याने विकसित केलेले औषध लक्ष्य साधत आहे, त्या आजाराने ग्रस्त असलेल्या रुग्णांची निवड करतात. त्यानंतर या स्वयंसेवकांना यादृच्छिकपणे दोन गटांमध्ये विभागले जाते.

पहिल्या गटाला चाचणीसाठी नवीन औषध दिले जाते.

२. दुसऱ्या गटाला , म्हणजेच 'नियंत्रण गटाला', एक प्लेसिबो दिला जातो, ज्यामध्ये कोणताही सक्रिय घटक नसतो आणि तो दिसायला अगदी औषधासारखाच असतो. याला आपण 'प्लेसिबो' म्हणतो.

जर, या चाचणीच्या शेवटी, नवीन औषध घेतलेल्या लोकांच्या लक्षणांमध्ये प्लेसिबो घेतलेल्या लोकांपेक्षा जास्त सुधारणा झाली असेल, तर हे सिद्ध होते की नवीन औषध प्रभावी आहे.

अशा चाचणीमधील सर्वात मोठ्या आव्हानांपैकी एक म्हणजे, चाचणीसाठी अगदी योग्य असलेले पुरेसे रुग्ण शोधणे. कधीकधी डॉक्टरांनाही त्यांच्या रुग्णांसाठी कोणत्या चाचण्या योग्य आहेत हे माहीत नसते. तसेच, सहभागी होऊ इच्छिणाऱ्या रुग्णांची वैशिष्ट्ये चाचणीच्या आवश्यकतांशी जुळतीलच असे नाही. तथापि, कृत्रिम बुद्धिमत्ता (AI) हे कार्य खूप सोपे करू शकते.

तुमच्या 'डिजिटल जुळ्या'ला भेटा.

कल्पना करा की तुमच्याकडे तुमचे स्वतःचे संगणकीय मॉडेल आहे, म्हणजेच तुमची एक डिजिटल प्रत. यालाच 'डिजिटल ट्विन' म्हणतात. ही केवळ 'संगणकीय मॉडेल्स' आहेत, जी वास्तविक जगातील वस्तू किंवा प्रणालीचे संगणकावर अनुकरण करतात. परंतु जेव्हा संख्यात्मक स्वरूपात पाहिले जाते, तेव्हा ते अगदी खऱ्या वस्तूंप्रमाणेच वागतात. याचे उत्तम उदाहरण म्हणजे, जेव्हा अपोलो १३ अंतराळयानावरील ऑक्सिजन टाकीचा स्फोट झाला, तेव्हा नासाने पृथ्वीवर तयार केलेल्या त्याच अंतराळयानाच्या 'डिजिटल ट्विन'च्या मदतीने ती दुरुस्त केली.

आता, शास्त्रज्ञ पुरेसा 'डेटा' दिल्यास एखाद्या मानवाचा 'डिजिटल ट्विन' तयार करू शकतात. यासाठी 'मशीन लर्निंग' नावाच्या कृत्रिम बुद्धिमत्ता तंत्रज्ञानाचा वापर केला जातो. सोप्या भाषेत सांगायचे झाल्यास, यामध्ये एका संगणक प्रोग्रामला मोठ्या प्रमाणात डेटा दिला जातो आणि त्याला त्यातून शिकू दिले जाते.

मागील क्लिनिकल चाचण्यांमधील डेटा आणि प्रत्येक रुग्णाच्या वैयक्तिक वैद्यकीय नोंदी वापरून या मशीन लर्निंग मॉडेल्सना प्रशिक्षित करून रुग्णांचे डिजिटल ट्विन्स तयार केले जातात. त्यानंतर , जर रुग्णाला प्लेसिबो (placebo) दिला गेला, तर चाचणीच्या कालावधीत त्याच्या आरोग्यात कसा बदल होईल, याचा अंदाज हे मॉडेल लावू शकते.म्हणजेच, त्याच रुग्णासाठी संगणकाने तयार केलेला एक नियंत्रण गट (सिम्युलेटेड कंट्रोल ग्रुप) तयार केला जातो.

आता हे कसे काम करते ते पाहूया. समजा, 'समाधी' नावाच्या व्यक्तीची निवड एका नवीन औषध घेणाऱ्या गटात केली आहे. समाधीचा 'डिजिटल ट्विन', म्हणजेच एक संगणकीय मॉडेल, नियंत्रण गटात आहे. हे मॉडेल असा अंदाज वर्तवते की, जर समाधीला खऱ्या औषधाऐवजी 'प्लेसिबो' (निष्क्रिय औषध) दिले, तर काय होईल. सरतेशेवटी, औषधाला समाधीने दिलेला प्रत्यक्ष प्रतिसाद आणि 'प्लेसिबो' घेतल्यास काय होईल याबद्दल मॉडेलने वर्तवलेला अंदाज, यांमधील फरकावरून ते औषध समाधीसाठी किती प्रभावी आहे हे ठरते.

पारंपरिक कंट्रोल टीमऐवजी 'डिजिटल ट्विन्स' वापरण्याचे फायदे स्पष्टपणे पाहण्यासाठी, चला या तक्त्याकडे पाहूया.

हे तंत्रज्ञान चांगले असूनही, त्यात समस्या नाहीत का?

जरी या तंत्रज्ञानामध्ये भविष्यासाठी मोठी क्षमता असली तरी, त्याचा अद्याप व्यापकपणे वापर झालेला नाही. यामागे काही चांगली कारणे असू शकतात. ‘(मशीन लर्निंग)’मधील तज्ञ डॉ. डॅनियल नील यांनी निदर्शनास आणल्याप्रमाणे, हे मॉडेल्स मोठ्या प्रमाणातील डेटावर अवलंबून असतात. तसेच, व्यक्तींकडून उच्च-गुणवत्तेचा डेटा मिळवणे खूप कठीण असते.

दुसरी समस्या म्हणजे औषधामुळे होणारे दुर्मिळ, अनपेक्षित दुष्परिणाम . नियंत्रण गटासाठी तयार केलेल्या मॉडेलमध्ये अनेकदा यांचा समावेश नसतो.

पण डॉ. नील यांची सर्वात मोठी भीती ही आहे की, हे भविष्यसूचक मॉडेल ‘सर्वसामान्य व्यवहार’ या संकल्पनेवर आधारित आहे. कोविड-१९ महामारीसारख्या एखाद्या मोठ्या, अनपेक्षित घटनेची कल्पना करा, जी प्रत्येकाचे वर्तन बदलते आणि लोकांना आजारी पाडते. “नियंत्रित मॉडेल याचा विचार करत नाहीत,” असे ते म्हणतात. मग, नियंत्रित गटाने विचारात न घेतलेल्या या घटनांमुळे, प्रयोगाचे अंतिम निकाल पूर्णपणे वेगळे असू शकतात.

तर मग याचा खरोखर वापर करता येईल का? भविष्य काय घेऊन येईल?

आरोग्यसेवेतील डिजिटल तंत्रज्ञानाच्या वापराचे तज्ज्ञ एरिक टोपोल यांच्या मते, ही कल्पना उत्तम आहे, पण त्यासाठी अजून योग्य वेळ आलेली नाही. "मला वाटत नाही की नजीकच्या भविष्यात क्लिनिकल ट्रायल्समध्ये बदल होईल. कारण त्यासाठी केवळ आरोग्य नोंदींपलीकडे, जीनोम सिक्वेन्स, आतड्यांतील सूक्ष्मजीव, पर्यावरणीय माहिती यांसारख्या अनेक स्तरांवरील डेटाची आवश्यकता असते."

या तंत्रज्ञानातील अग्रणी असलेल्या Unlearn.AI चे संस्थापक चार्ल्स फिशर यांच्या मते, डेटा गोपनीयता आणि पक्षपाताच्या समस्यांवर आधीच उपाय उपलब्ध आहेत. "गोपनीयता सोपी आहे. आम्ही फक्त अशाच डेटावर काम करतो जो आधीच अनामित केलेला आहे."

पक्षपाताबद्दल बोलताना ते म्हणतात की, जरी हा मुद्दा पूर्णपणे सुटलेला नसला तरी, त्याचा अभ्यासाच्या निकालांशी काही संबंध नाही. कारण अभ्यास यादृच्छिक (randomized) असतात, त्यामुळे माहितीमध्ये (data) काही पक्षपात असला तरी त्याचा निकालांवर परिणाम होत नाही. तथापि, काही तज्ञ या विचाराशी असहमत आहेत. ते म्हणतात,तुम्ही एका खऱ्या व्यक्तीची तुलना संगणकीय मॉडेलशी करत असल्यामुळे, त्या मॉडेलमध्ये काही त्रुटी असल्यास, त्याचा थेट परिणाम निकालांवर होऊ शकतो.

मात्र, अनलर्न.एआय (Unlearn.AI) अल्झायमर, पार्किन्सन आणि मल्टिपल स्क्लेरोसिस यांसारख्या मज्जासंस्थेच्या आजारांसाठी क्लिनिकल ट्रायल्सची रचना करण्याकरिता औषधनिर्माण कंपन्यांसोबत आधीपासूनच काम करत आहे. त्यांनी सुरुवात करण्यासाठी हे आजार निवडले, कारण इतरांपेक्षा या आजारांविषयी अधिक माहिती (डेटा) उपलब्ध आहे. फिशर म्हणतात की, जर ही पद्धत भविष्यात सर्व आजारांना लागू करता आली, तर नवीन औषधे बाजारात येण्यासाठी लागणारा वेळ लक्षणीयरीत्या कमी होऊ शकतो.