तपाईंको आफ्नै "डिजिटल ट्विन"? औषधि परीक्षण परिवर्तन गर्ने नवीनतम प्रविधि (डिजिटल ट्विन)

के तपाईंले कहिल्यै सोच्नुभएको छ कि आज बिहान तपाईंले खाएको त्यो चक्की तपाईंको हातमा पुग्न कति समय लाग्यो? पहिले, तिनीहरूले प्रयोगशालाहरूमा व्यापक अनुसन्धान गर्छन्। त्यसपछि तिनीहरूले यसलाई जनावरहरूमा परीक्षण गर्छन्। तर मानिसहरूमा प्रयोगको लागि अनुमोदन गर्नु अघि, तिनीहरूले यसलाई मानिसहरूमा परीक्षण गर्नुपर्छ। यसलाई हामी क्लिनिकल परीक्षण भन्छौं। यो धेरै जटिल र महँगो प्रक्रिया हो।

सरल भाषामा भन्नुपर्दा, क्लिनिकल परीक्षण भनेको के हो?

सरल शब्दमा भन्नुपर्दा, क्लिनिकल परीक्षण यसरी काम गर्छ: अनुसन्धानकर्ताहरूले नयाँ विकसित औषधिले लक्षित गरेको रोग भएका बिरामीहरूलाई भर्ना गर्छन्। यी स्वयंसेवकहरूलाई त्यसपछि अनियमित रूपमा दुई समूहमा विभाजन गरिन्छ।

१. पहिलो समूहलाई परीक्षणको लागि नयाँ औषधि दिइन्छ।

२. दोस्रो समूह , "नियन्त्रण समूह", लाई एउटा प्लेसिबो दिइन्छ जसमा कुनै सक्रिय तत्व हुँदैन र यो औषधि जस्तै देखिन्छ। हामी यसलाई "प्लेसिबो" भन्छौं।

यदि, यो परीक्षणको अन्त्यमा, नयाँ औषधि लिनेहरूको लक्षणहरू प्लेसिबो लिनेहरूको भन्दा बढी सुधार भएको छ भने, यसले नयाँ औषधि प्रभावकारी छ भनेर प्रमाणित गर्छ।

यस्तो परीक्षणमा सबैभन्दा ठूलो चुनौती भनेको परीक्षणको लागि ठ्याक्कै उपयुक्त हुने पर्याप्त बिरामीहरू फेला पार्नु हो। कहिलेकाहीँ डाक्टरहरूलाई पनि थाहा हुँदैन कि उनीहरूका बिरामीहरूको लागि कुन परीक्षणहरू सही छन्। साथै, भाग लिन चाहने बिरामीहरूको विशेषताहरू परीक्षणको आवश्यकताहरूसँग मेल खाँदैनन्। यद्यपि, कृत्रिम बुद्धिमत्ता (एआई) ले यो कार्यलाई धेरै सजिलो बनाउन सक्छ।

आफ्नो "डिजिटल ट्विन" लाई भेट्नुहोस्

कल्पना गर्नुहोस् कि तपाईंसँग आफ्नै कम्प्युटर मोडेल छ, अर्थात्, तपाईंको आफ्नै डिजिटल प्रतिलिपि। त्यसलाई "डिजिटल ट्विन" भनिन्छ। यी केवल "कम्प्युटर मोडेल" हुन् जसले कम्प्युटरमा वास्तविक-विश्व वस्तु वा प्रणालीको नक्कल गर्दछ। तर संख्यात्मक रूपमा हेर्दा, तिनीहरू ठ्याक्कै वास्तविक चीज जस्तै व्यवहार गर्छन्। सबैभन्दा राम्रो उदाहरण भनेको अपोलो १३ अन्तरिक्ष यानमा रहेको अक्सिजन ट्याङ्की विस्फोट हुँदा, नासाले पृथ्वीमा निर्मित उही अन्तरिक्ष यानको "डिजिटल ट्विन" ले यसलाई मर्मत गर्न मद्दत गर्‍यो।

अब, वैज्ञानिकहरूले पर्याप्त "डेटा" दिएर मानिसको "डिजिटल ट्विन" सिर्जना गर्न सक्छन्। यसले "मेसिन लर्निङ" भनिने कृत्रिम बुद्धिमत्ता प्रविधि प्रयोग गर्दछ। सरल भाषामा भन्नुपर्दा, यसमा कम्प्युटर प्रोग्रामलाई ठूलो मात्रामा डाटा दिनु र त्यसबाट सिक्न दिनु समावेश छ।

अघिल्लो क्लिनिकल परीक्षणहरू र प्रत्येक बिरामीको व्यक्तिगत मेडिकल रेकर्डहरूको डेटा प्रयोग गरेर यी मेसिन लर्निङ मोडेलहरूलाई तालिम दिएर बिरामीहरूको डिजिटल जुम्ल्याहा सिर्जना गरिन्छ। त्यसपछि मोडेलले प्लेसिबो दिइएमा परीक्षणको क्रममा बिरामीको स्वास्थ्यमा कस्तो परिवर्तन आउँछ भनेर भविष्यवाणी गर्न सक्छ।अर्थात्, त्यही बिरामीको लागि कम्प्युटर-उत्पन्न नियन्त्रण समूह (सिमुलेटेड नियन्त्रण समूह) सिर्जना गरिन्छ।

अब हेरौं यो कसरी काम गर्छ। मानौं "समाधि" नाम गरेको व्यक्तिलाई नयाँ औषधि प्राप्त गर्ने समूहमा समावेश गर्न छनोट गरिएको छ। समाधिको "डिजिटल ट्विन", एक कम्प्युटर मोडेल, नियन्त्रण समूहमा छ। मोडेलले भविष्यवाणी गर्छ कि यदि समाधिलाई वास्तविक औषधिको सट्टा "प्लेसबो" दिइयो भने के हुन्छ। अन्ततः, समाधिको औषधिप्रति वास्तविक प्रतिक्रिया र मोडेलले "प्लेसबो" लिएमा के हुन्छ भनेर भविष्यवाणी गरेको बीचको भिन्नताले समाधिको लागि औषधि कति प्रभावकारी छ भन्ने मापन गर्दछ।

यस विधिको सबैभन्दा ठूलो फाइदा भनेको क्लिनिकल परीक्षणमा भाग लिने लगभग सबैजनालाई नयाँ औषधि प्राप्त गर्ने अवसर हुन्छ, किनभने "प्लेसबो" उनीहरूको डिजिटल जुम्ल्याहालाई दिइन्छ।

परम्परागत नियन्त्रण टोलीहरूको सट्टा "डिजिटल ट्विन्स" प्रयोग गर्नुका फाइदाहरू स्पष्ट रूपमा हेर्न यो तालिका हेरौं।

यो प्रविधि राम्रो भए पनि, के यसमा समस्याहरू छैनन् र?

यद्यपि यो प्रविधिले भविष्यको लागि ठूलो आशा राख्छ, यो अझै व्यापक रूपमा प्रयोग भएको छैन। यसको पछाडि राम्रा कारणहरू हुन सक्छन्। "(मेसिन लर्निङ)" का विशेषज्ञ डा. डेनियल नीलले औंल्याएझैं, यी मोडेलहरू ठूलो मात्रामा डेटामा निर्भर हुन्छन्। साथै, व्यक्तिहरूबाट उच्च-गुणस्तरको डेटा प्राप्त गर्न धेरै गाह्रो छ।

"मानिसहरूले प्रायः आफ्नो आहार र व्यायाम बानी जस्ता कुराहरूको बारेमा जानकारी आफैंले रिपोर्ट गर्छन्। मानिसहरूले सधैं सत्य बोल्दैनन्। तिनीहरू आफूले गर्ने व्यायामको मात्रालाई बढाइचढाइ गर्छन् र खाने जंक फूडको मात्रालाई कम आँक्छन्।"

अर्को समस्या भनेको औषधिले निम्त्याउन सक्ने दुर्लभ, अप्रत्याशित साइड इफेक्टहरू हुन्। यी प्रायः नियन्त्रण समूहको लागि डिजाइन गरिएको मोडेलले समेट्दैनन्।

तर डा. नीलको सबैभन्दा ठूलो डर यो हो कि यो भविष्यवाणी गर्ने मोडेल "सामान्य रूपमा व्यवसाय" मा आधारित छ। कल्पना गर्नुहोस् कि COVID-19 महामारी जस्तो ठूलो, अप्रत्याशित घटनाले सबैको व्यवहार परिवर्तन गर्छ र मानिसहरूलाई बिरामी बनाउँछ। "नियन्त्रण मोडेलहरूले यसलाई ध्यानमा राख्दैनन्," उनी भन्छन्। त्यसपछि, नियन्त्रण समूहले ध्यानमा नराखेका यी घटनाहरूको कारणले गर्दा, प्रयोगको अन्तिम नतिजा पूर्ण रूपमा फरक हुन सक्छ।

त्यसो भए के यो साँच्चै प्रयोग गर्न सकिन्छ? भविष्यमा के हुनेछ?

स्वास्थ्य सेवामा डिजिटल प्रविधिको प्रयोगका विज्ञ एरिक टोपोललाई लाग्छ कि यो विचार राम्रो छ, तर समय अझै सही छैन। "मलाई लाग्दैन कि क्लिनिकल परीक्षणहरू निकट भविष्यमा परिवर्तन हुनेछन्। किनभने यसको लागि जीनोम अनुक्रम, पेटको माइक्रोबायोम, वातावरणीय डेटा जस्ता स्वास्थ्य रेकर्डहरू बाहेक धेरै तहहरूको डेटा आवश्यक पर्दछ।"

यस प्रविधिको अग्रणी, Unlearn.AI का संस्थापक चार्ल्स फिशरका अनुसार, डेटा गोपनीयता र पूर्वाग्रहको समस्याहरूको समाधान पहिले नै उपलब्ध छ। "गोपनीयता सजिलो छ। हामी पहिले नै गुमनाम गरिएको डेटासँग मात्र काम गर्छौं।"

पूर्वाग्रहको बारेमा कुरा गर्दा, उनी भन्छन् कि यद्यपि यो मुद्दा पूर्ण रूपमा समाधान भएको छैन, यो अध्ययनको नतिजासँग सान्दर्भिक छैन। अध्ययनहरू अनियमित भएकाले, डेटामा केही पूर्वाग्रह भए पनि, यसले परिणामहरूलाई असर गर्दैन। यद्यपि, केही विज्ञहरू यस विचारसँग असहमत छन्। तिनीहरू भन्छन्,किनभने तपाईं वास्तविक व्यक्तिलाई कम्प्युटर मोडेलसँग तुलना गर्दै हुनुहुन्छ, यदि त्यो मोडेलमा कुनै त्रुटि छ भने, यसले परिणामहरूलाई प्रत्यक्ष असर गर्न सक्छ।

यद्यपि, Unlearn.AI ले अल्जाइमर, पार्किन्सन र मल्टिपल स्क्लेरोसिस जस्ता स्नायु रोगहरूको लागि क्लिनिकल परीक्षणहरू डिजाइन गर्न औषधि कम्पनीहरूसँग पहिले नै काम गरिरहेको छ। उनीहरूले यी रोगहरूलाई सुरु गर्न राम्रो ठाउँको रूपमा रोजेका छन् किनभने उनीहरूसँग अरू भन्दा धेरै डेटा छ। फिशर भन्छन् कि यदि यो विधि एक दिन सबै रोगहरूमा लागू गर्न सकिन्छ भने, यसले नयाँ औषधिहरू बजारमा आउन लाग्ने समयलाई उल्लेखनीय रूपमा कम गर्न सक्छ।