မနက်က သောက်ခဲ့တဲ့ ဆေးပြားက သင့်လက်ထဲ ရောက်ဖို့ ဘယ်လောက်ကြာခဲ့လဲဆိုတာ တွေးဖူးလား။ ပထမဦးစွာ သူတို့က ဓာတ်ခွဲခန်းတွေမှာ ကျယ်ကျယ်ပြန့်ပြန့် သုတေသနလုပ်ကြတယ်။ ပြီးရင် တိရစ္ဆာန်တွေမှာ စမ်းသပ်ကြတယ်။ ဒါပေမယ့် လူသားတွေမှာ အသုံးပြုဖို့ အတည်ပြုချက်မရခင်မှာ လူသားတွေမှာ စမ်းသပ်ရမယ်။ ဒါကို ကျွန်တော်တို့ ဆေးခန်းစမ်းသပ်မှုလို့ ခေါ်တယ်။ အရမ်းရှုပ်ထွေးပြီး စျေးကြီးတဲ့ လုပ်ငန်းစဉ်တစ်ခုပါ။
ရိုးရိုးလေးပြောရရင် clinical trial ဆိုတာဘာလဲ။
ရိုးရိုးလေးပြောရရင် လက်တွေ့စမ်းသပ်မှုတစ်ခုဟာ ဒီလိုအလုပ်လုပ်ပါတယ်- သုတေသီတွေဟာ မကြာသေးမီက တီထွင်ထားတဲ့ ဆေးဝါးက ပစ်မှတ်ထားတဲ့ ရောဂါရှိတဲ့ လူနာတွေကို စုဆောင်းပါတယ်။ ပြီးရင် ဒီစေတနာ့ဝန်ထမ်းတွေကို ကျပန်းအားဖြင့် အုပ်စုနှစ်စု ခွဲလိုက်ပါတယ်။
၁။ ပထမအုပ်စုကို စမ်းသပ်ရန် ဆေးအသစ်ပေးသည်။
၂။ ဒုတိယအုပ်စု ဖြစ်သော ``ထိန်းချုပ်အုပ်စု'' ကို တက်ကြွသောပါဝင်ပစ္စည်းမပါဝင်ဘဲ ဆေးနှင့် တစ်ထပ်တည်းကျသော placebo ပေးထားသည်။ ၎င်းကို ``Placebo'' ဟုခေါ်သည်။
ဤစမ်းသပ်မှုအဆုံးတွင် ဆေးအသစ်သောက်သုံးသူများ၏ ရောဂါလက္ခဏာများသည် placebo သောက်သုံးသူများထက် ပိုမိုတိုးတက်ကောင်းမွန်လာပါက၊ ၎င်းသည် ဆေးအသစ်သည် ထိရောက်မှုရှိကြောင်း သက်သေပြပါသည်။
ထိုကဲ့သို့သော စမ်းသပ်မှုတွင် အကြီးမားဆုံးစိန်ခေါ်မှုတစ်ခုမှာ စမ်းသပ်မှုအတွက် သင့်တော်သော လူနာအလုံအလောက်ကို ရှာဖွေရန်ဖြစ်သည်။ တစ်ခါတစ်ရံတွင် ဆရာဝန်များပင် မည်သည့်စမ်းသပ်မှုများသည် ၎င်းတို့၏လူနာများအတွက် သင့်လျော်သည်ကို မသိကြပါ။ ထို့အပြင် ပါဝင်လိုသော လူနာများ၏ ဝိသေသလက္ခဏာများသည် စမ်းသပ်မှု၏ လိုအပ်ချက်များနှင့် မကိုက်ညီနိုင်ပါ။ သို့သော် ဉာဏ်ရည်တု (AI) သည် ဤအလုပ်ကို ပိုမိုလွယ်ကူစေနိုင်သည်။
သင့်ရဲ့ "ဒစ်ဂျစ်တယ် အမွှာ" နဲ့ တွေ့ဆုံပါ
သင့်မှာ ကိုယ်ပိုင်ကွန်ပျူတာမော်ဒယ်တစ်ခုရှိတယ်လို့ စိတ်ကူးကြည့်ပါ။ အဲဒါကို "Digital Twin" လို့ခေါ်ပါတယ်။ ဒါတွေက ကွန်ပျူတာပေါ်က တကယ့်အရာဝတ္ထု ဒါမှမဟုတ် စနစ်တစ်ခုကို တုပထားတဲ့ "ကွန်ပျူတာမော်ဒယ်များ" တွေပါပဲ။ ဒါပေမယ့် ကိန်းဂဏန်းအရကြည့်ရင်တော့ တကယ့်အရာနဲ့ တစ်ထပ်တည်းကျပါတယ်။ အကောင်းဆုံးဥပမာကတော့ Apollo 13 အာကာသယာဉ်ပေါ်က အောက်ဆီဂျင်တိုင်ကီတစ်ခု ပေါက်ကွဲသွားတဲ့အခါ NASA က ကမ္ဘာမြေပေါ်မှာ တည်ဆောက်ထားတဲ့ အာကာသယာဉ်ရဲ့ "Digital Twin" နဲ့ ပြုပြင်ပေးခဲ့ပါတယ်။
ယခုအခါ သိပ္ပံပညာရှင်များသည် လုံလောက်သော “ဒေတာ” ပေးလျှင် လူသားတစ်ဦး၏ “ဒစ်ဂျစ်တယ်အမွှာ” ကို ဖန်တီးနိုင်ပါပြီ။ ၎င်းသည် “စက်သင်ယူမှု” ဟုခေါ်သော ဉာဏ်ရည်တုနည်းပညာကို အသုံးပြုသည်။ ရိုးရှင်းစွာပြောရလျှင် ၎င်းတွင် ကွန်ပျူတာပရိုဂရမ်တစ်ခုအား ဒေတာအမြောက်အမြားပေးပြီး ၎င်းမှ သင်ယူစေခြင်းဖြစ်သည်။
လူနာများ၏ Digital Twins များကို ယခင် လက်တွေ့စမ်းသပ်မှုများမှ ဒေတာများနှင့် လူနာတစ်ဦးချင်းစီ၏ ကိုယ်ရေးကိုယ်တာ ဆေးမှတ်တမ်းများကို အသုံးပြု၍ ဤ Machine Learning မော်ဒယ်များကို လေ့ကျင့်ပေးခြင်းဖြင့် ဖန်တီးထားသည်။ ထို့နောက် placebo ပေးပါက လူနာ၏ ကျန်းမာရေး မည်သို့ပြောင်းလဲသွားမည်ကို မော်ဒယ်က ခန့်မှန်းနိုင်သည်။ဆိုလိုသည်မှာ ကွန်ပျူတာမှထုတ်လုပ်သော ထိန်းချုပ်အဖွဲ့ (Simulated Control Group) တစ်ခုကို ထိုလူနာအတွက် ဖန်တီးထားသည်။
အခု ဒါဘယ်လိုအလုပ်လုပ်လဲဆိုတာ ကြည့်ရအောင်။ "Samadhi" ဆိုတဲ့သူတစ်ယောက်ကို ဆေးအသစ်တစ်မျိုးရရှိတဲ့အုပ်စုမှာ ရွေးချယ်ထားတယ်လို့ ဆိုကြပါစို့။ Samadhi ရဲ့ ကွန်ပျူတာမော်ဒယ်ဖြစ်တဲ့ "Digital Twin" ဟာ ထိန်းချုပ်အုပ်စုမှာ ပါဝင်ပါတယ်။ ဒီမော်ဒယ်က Samadhi ကို တကယ့်ဆေးအစား "Placebo" ပေးရင် ဘာဖြစ်မလဲဆိုတာကို ခန့်မှန်းပါတယ်။ အဆုံးစွန်အားဖြင့် Samadhi ရဲ့ ဆေးအပေါ် တကယ့်တုံ့ပြန်မှုနဲ့ "Placebo" သောက်ရင် ဘာဖြစ်မယ်ဆိုတာကို ခန့်မှန်းထားတဲ့ မော်ဒယ်ရဲ့ ကွာခြားချက်က ဒီဆေးဟာ Samadhi အတွက် မည်မျှထိရောက်မှုရှိလဲဆိုတာကို တိုင်းတာတဲ့ တိုင်းတာမှုတစ်ခုပါပဲ။
ဒီနည်းလမ်းရဲ့ အကြီးမားဆုံး အားသာချက်တစ်ခုကတော့ လက်တွေ့စမ်းသပ်မှုမှာ ပါဝင်သူတိုင်းနီးပါးဟာ ဆေးအသစ်ကို ရရှိဖို့ အခွင့်အရေးရှိခြင်းပါပဲ၊ အဘယ်ကြောင့်ဆိုသော် "placebo" ကို သူတို့ရဲ့ digital twin ထံ ပေးထားသောကြောင့်ဖြစ်သည်။
ရိုးရာထိန်းချုပ်မှုအဖွဲ့များအစား "Digital Twins" ကိုအသုံးပြုခြင်း၏ အကျိုးကျေးဇူးများကို ရှင်းရှင်းလင်းလင်းမြင်နိုင်ရန် ဤဇယားကို ကြည့်ကြပါစို့။
| ဝိသေသလက္ခဏာ | ရိုးရာနည်းလမ်း | ဒစ်ဂျစ်တယ် အမွှာ နည်းလမ်း |
|---|---|---|
| ထိန်းချုပ်ရေးအဖွဲ့ | တကယ့်လူတွေနဲ့ ဖွဲ့စည်းထားတယ်။ သူတို့က (Placebo) ဆေးရတယ်။ | ကွန်ပျူတာ မော်ဒယ်များ (Digital Twins) ပါဝင်သည်။ |
| လူနာများအတွက် အားသာချက် | placebo ရဖို့ ၅၀% အခွင့်အလမ်းရှိပါတယ်။ ဆိုလိုတာက ဆေးအသစ်ကို ကျော်သွားလို့ရပါတယ်။ | လူအတော်များများဟာ တကယ့်ဆေးဝါးကို စမ်းသုံးကြည့်ဖို့ အခွင့်အရေးရှိကြပါတယ်။ |
| လိုအပ်သော စေတနာ့ဝန်ထမ်းအရေအတွက် | (အသင်းနှစ်သင်းစလုံးအတွက်) လူပိုများများ လိုအပ်ပါသည်။ | စမ်းသပ်မှုကို လူအနည်းငယ်ဖြင့် ပြုလုပ်နိုင်ပါသည်။ |
| အချိန်နှင့် ကုန်ကျစရိတ် | အလွန်မြင့်မားသည်။ | သိသိသာသာ လျှော့ချနိုင်ပါတယ်။ |
ဒီနည်းပညာကောင်းပေမယ့် ပြဿနာတွေ မရှိဘူးလား။
ဒီနည်းပညာဟာ အနာဂတ်အတွက် အလားအလာကောင်းတွေ ရှိပေမယ့် ကျယ်ကျယ်ပြန့်ပြန့် အသုံးမပြုရသေးပါဘူး။ ဒီအတွက် ကောင်းမွန်တဲ့ အကြောင်းပြချက်တွေ ရှိနိုင်ပါတယ်။ ``(စက်သင်ယူမှု)`` ကျွမ်းကျင်သူ Dr. Daniel Neal က ထောက်ပြထားတဲ့အတိုင်း ဒီမော်ဒယ်တွေဟာ အချက်အလက်အမြောက်အမြားပေါ်မှာ မူတည်ပါတယ်။ ဒါ့အပြင် အရည်အသွေးမြင့် အချက်အလက်တွေကို လူပုဂ္ဂိုလ်တွေဆီကနေ ရယူဖို့လည်း အလွန်ခက်ခဲပါတယ်။
"လူတွေက သူတို့ရဲ့ အစားအသောက်နဲ့ လေ့ကျင့်ခန်းလုပ်တဲ့ အလေ့အထတွေလိုမျိုး အချက်အလက်တွေကို ကိုယ်တိုင်ပြောပြလေ့ရှိပါတယ်။ လူတွေက အမြဲတမ်း အမှန်အတိုင်း မပြောကြပါဘူး။ သူတို့လုပ်တဲ့ လေ့ကျင့်ခန်းပမာဏကို ချဲ့ကားပြောဆိုပြီး သူတို့စားတဲ့ သရေစာပမာဏကို လျှော့တွက်ပြောဆိုလေ့ရှိပါတယ်။"
နောက်ထပ်ပြဿနာတစ်ခုကတော့ ဆေးဝါးတစ်ခုက ဖြစ်ပေါ်စေနိုင်တဲ့ ရှားပါးပြီး မမျှော်လင့်ထားတဲ့ ဘေးထွက်ဆိုးကျိုးတွေ ပါ။ ဒါတွေကို ထိန်းချုပ်အုပ်စုအတွက် ဒီဇိုင်းထုတ်ထားတဲ့ မော်ဒယ်မှာ မကြာခဏ မပါဝင်ပါဘူး။
ဒါပေမယ့် ဒေါက်တာ နီးလ်ရဲ့ အကြီးမားဆုံး ကြောက်ရွံ့မှုကတော့ ဒီခန့်မှန်းချက်ပုံစံဟာ "ပုံမှန်အတိုင်း လုပ်ငန်းဆောင်တာ" ပေါ်မှာ အခြေခံထားတာပါပဲ။ လူတိုင်းရဲ့ အပြုအမူကို ပြောင်းလဲစေပြီး လူတွေကို ဖျားနာစေတဲ့ COVID-19 ကပ်ရောဂါလို မမျှော်လင့်ထားတဲ့ ကြီးမားတဲ့ ဖြစ်ရပ်တစ်ခုကို မြင်ယောင်ကြည့်ပါ။ "ထိန်းချုပ်ပုံစံတွေက ဒါကို ထည့်သွင်းစဉ်းစားလေ့ မရှိဘူး" လို့ သူက ပြောပါတယ်။ ပြီးရင် ထိန်းချုပ်အဖွဲ့က ထည့်သွင်းစဉ်းစားခြင်း မရှိတဲ့ ဒီဖြစ်ရပ်တွေကြောင့် စမ်းသပ်မှုရဲ့ နောက်ဆုံးရလဒ်တွေက လုံးဝကွဲပြားသွားနိုင်ပါတယ်။
ဒါဆို ဒါကို တကယ်သုံးလို့ရလား။ အနာဂတ်မှာ ဘာတွေဖြစ်လာမလဲ။
ကျန်းမာရေးစောင့်ရှောက်မှုတွင် ဒစ်ဂျစ်တယ်နည်းပညာအသုံးပြုမှုဆိုင်ရာကျွမ်းကျင်သူ အဲရစ် တိုပိုလ်က ယင်းအကြံအစည်သည် အလွန်ကောင်းမွန်သည်ဟု ထင်မြင်သော်လည်း အချိန်မတန်သေးပါ။ "မကြာမီအနာဂတ်တွင် ဆေးခန်းစမ်းသပ်မှုများ ပြောင်းလဲလိမ့်မည်ဟု ကျွန်တော်မထင်ပါ။ အဘယ်ကြောင့်ဆိုသော် ၎င်းသည် မျိုးရိုးဗီဇအစီအစဥ်များ၊ အူလမ်းကြောင်း အဏုဇီဝပိုးမွှားများ၊ ပတ်ဝန်းကျင်ဆိုင်ရာဒေတာများကဲ့သို့သော ကျန်းမာရေးမှတ်တမ်းများထက်ကျော်လွန်၍ အချက်အလက်အလွှာများစွာ လိုအပ်သောကြောင့်ဖြစ်သည်။"
ဤနည်းပညာတွင် ရှေ့ဆောင်တစ်ဦးဖြစ်သူ Unlearn.AI ၏ တည်ထောင်သူ Charles Fisher ၏ အဆိုအရ ဒေတာလုံခြုံရေးနှင့် ဘက်လိုက်မှုပြဿနာများအတွက် ဖြေရှင်းနည်းများ ရှိနှင့်ပြီးဖြစ်သည်။ "လျှို့ဝှက်ရေးသည် လွယ်ကူပါသည်။ ကျွန်ုပ်တို့သည် အမည်မဖော်လိုသော အချက်အလက်များဖြင့်သာ အလုပ်လုပ်ပါသည်။"
ဘက်လိုက်မှုအကြောင်းပြောတဲ့အခါ ပြဿနာက လုံးဝဖြေရှင်းလို့မရသေးပေမယ့် လေ့လာမှုရလဒ်တွေနဲ့ မသက်ဆိုင်ဘူးလို့ သူက ပြောပါတယ်။ လေ့လာမှုတွေက ကျပန်းရွေးချယ်ထားတာဖြစ်လို့ အချက်အလက်တွေမှာ ဘက်လိုက်မှုအချို့ရှိနေရင်တောင် ရလဒ်တွေကို မထိခိုက်ပါဘူး။ ဒါပေမယ့် ကျွမ်းကျင်သူတချို့ကတော့ ဒီအယူအဆကို သဘောမတူကြပါဘူး။ သူတို့က ဒီလိုပြောကြပါတယ်။တကယ့်လူတစ်ယောက်ကို ကွန်ပျူတာမော်ဒယ်နဲ့ နှိုင်းယှဉ်နေတာကြောင့် အဲဒီမော်ဒယ်မှာ အမှားအယွင်းတစ်စုံတစ်ရာရှိရင် ရလဒ်တွေကို တိုက်ရိုက်အကျိုးသက်ရောက်စေနိုင်ပါတယ်။
သို့သော် Unlearn.AI သည် အယ်လ်ဇိုင်းမား၊ ပါကင်ဆန်နှင့် မာလ်တီပယ် စကလိုရိုက် ရောဂါများအတွက် လက်တွေ့စမ်းသပ်မှုများ ဒီဇိုင်းဆွဲရန် ဆေးဝါးကုမ္ပဏီများနှင့် ပူးပေါင်းလုပ်ဆောင်နေပြီဖြစ်သည်။ ၎င်းတို့သည် ဤရောဂါများကို အခြားရောဂါများထက် အချက်အလက်ပိုမိုများပြားသောကြောင့် စတင်ရန် ကောင်းမွန်သောနေရာအဖြစ် ရွေးချယ်ခဲ့ကြသည်။ တစ်နေ့တွင် ဤနည်းလမ်းကို ရောဂါအားလုံးတွင် အသုံးချနိုင်ပါက ဈေးကွက်သို့ ဆေးဝါးအသစ်များ ရောက်ရှိလာရန် အချိန်ယူရသည့်အချိန်ကို သိသိသာသာ လျှော့ချနိုင်မည်ဟု Fisher က ပြောကြားခဲ့သည်။
အိမ်သို့ယူဆောင်သွားရမည့် မက်ဆေ့ချ်
- ဒစ်ဂျစ်တယ်အမွှာ ဆိုသည်မှာ ဆေးဝါးအသစ်များကို စမ်းသပ်သည့် လက်တွေ့စမ်းသပ်မှုများတွင် အသုံးပြုသည့် လူနာအစစ်အမှန်၏ ကွန်ပျူတာမော်ဒယ်တစ်ခုဖြစ်သည်။
- ၎င်းက ထိန်းချုပ်အဖွဲ့အတွက် တကယ့်လူတွေကို အသုံးမပြုဘဲ ဤဒစ်ဂျစ်တယ်မော်ဒယ်များကို အသုံးပြုနိုင်စေပါသည်။
- ဤနည်းလမ်း၏ အဓိကအားသာချက်တစ်ခုမှာ စမ်းသပ်မှုတွင် ပါဝင်သူပိုများလာပါက စမ်းသပ်နေသော ဆေးဝါးအစစ်အမှန်ကို ရရှိနိုင်မည့် အခွင့်အရေးရှိခြင်းပင်ဖြစ်သည်။
- သို့သော်လည်း အရည်အသွေးမြင့်ဒေတာရယူရန်ခက်ခဲခြင်းနှင့် မမျှော်လင့်ထားသောဖြစ်ရပ်များကို မော်ဒယ်လ်မလုပ်နိုင်ခြင်းကဲ့သို့သော စိန်ခေါ်မှုများ ရှိနေဆဲဖြစ်သည်။
- ဤနည်းပညာသည် ဆေးပညာ၏အနာဂတ်အတွက် ကြီးမားသောအလားအလာရှိသော်လည်း ၎င်းသည် ကနဦးအဆင့်တွင်သာရှိသေးသည်။ သင့်တွင် စိုးရိမ်မှုများ သို့မဟုတ် သံသယများရှိပါက သင့်ဆရာဝန်နှင့် တိုင်ပင်ဆွေးနွေးရန် အရေးကြီးပါသည်။
💬 Comments (0)
မှတ်ချက်များ မတင်ရသေးပါ။ သင့်မှတ်ချက်ကို ဤနေရာတွင် ပထမဆုံးအကြိမ် ထည့်ပါ။
သင့်မှတ်ချက်ကို ထည့်ပါ။