ଆପଣଙ୍କର ନିଜର "ଡିଜିଟାଲ୍ ଟ୍ୱିନ୍"? ନୂତନତମ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ଯାହା ଔଷଧ ପରୀକ୍ଷାକୁ ପରିବର୍ତ୍ତନ କରିବ (ଡିଜିଟାଲ୍ ଟ୍ୱିନ୍)

ଆଜି ସକାଳେ ତୁମେ ଖାଇଥିବା ବଟିକାଟି ତୁମ ହାତରେ ପହଞ୍ଚିବା ପାଇଁ କେତେ ସମୟ ଲାଗିଲା କେବେ ଭାବିଛ? ପ୍ରଥମେ, ସେମାନେ ପ୍ରୟୋଗଶାଳାରେ ବ୍ୟାପକ ଗବେଷଣା କରନ୍ତି। ତା'ପରେ ସେମାନେ ଏହାକୁ ପଶୁମାନଙ୍କ ଉପରେ ପରୀକ୍ଷା କରନ୍ତି। କିନ୍ତୁ ମଣିଷଙ୍କ ଉପରେ ବ୍ୟବହାର ପାଇଁ ଅନୁମୋଦନ ପାଇବା ପୂର୍ବରୁ, ସେମାନଙ୍କୁ ମଣିଷଙ୍କ ଉପରେ ପରୀକ୍ଷା କରିବାକୁ ପଡିବ। ଏହାକୁ ଆମେ ଏକ କ୍ଲିନିକାଲ୍ ପରୀକ୍ଷଣ ବୋଲି କହିଥାଉ। ଏହା ଏକ ବହୁତ ଜଟିଳ ଏବଂ ବ୍ୟୟବହୁଳ ପ୍ରକ୍ରିୟା।

ସରଳ ଭାଷାରେ କହିବାକୁ ଗଲେ, କ୍ଲିନିକାଲ୍ ପରୀକ୍ଷଣ କ'ଣ?

ସରଳ ଭାଷାରେ, ଏକ କ୍ଲିନିକାଲ୍ ପରୀକ୍ଷଣ ଏହିପରି କାମ କରେ: ଗବେଷକମାନେ ନୂତନ ଭାବରେ ବିକଶିତ ଔଷଧ ଯେଉଁ ରୋଗକୁ ଲକ୍ଷ୍ୟ କରୁଛି ସେହି ରୋଗରେ ପୀଡିତ ରୋଗୀଙ୍କୁ ନିଯୁକ୍ତି ଦିଅନ୍ତି। ଏହି ସ୍ଵେଚ୍ଛାସେବକମାନଙ୍କୁ ତା'ପରେ ଅନିୟମିତ ଭାବରେ ଦୁଇଟି ଗୋଷ୍ଠୀରେ ବିଭକ୍ତ କରାଯାଏ।

୧. ପ୍ରଥମ ଗୋଷ୍ଠୀକୁ ପରୀକ୍ଷା କରିବା ପାଇଁ ନୂତନ ଔଷଧ ଦିଆଯାଏ।

୨. ଦ୍ୱିତୀୟ ଗୋଷ୍ଠୀ , "ନିୟନ୍ତ୍ରଣ ଗୋଷ୍ଠୀ", କୁ ଏକ ପ୍ଲେସିବୋ ଦିଆଯାଏ ଯେଉଁଥିରେ କୌଣସି ସକ୍ରିୟ ଉପାଦାନ ନାହିଁ ଏବଂ ଏହା ସମ୍ପୂର୍ଣ୍ଣ ଔଷଧ ପରି ଦେଖାଯାଏ। ଆମେ ଏହାକୁ "ପ୍ଲେସବୋ" ବୋଲି କହିଥାଉ।

ଯଦି, ଏହି ପରୀକ୍ଷଣ ଶେଷରେ, ପ୍ଲେସିବୋ ନେଇଥିବା ଲୋକଙ୍କ ଅପେକ୍ଷା ନୂତନ ଔଷଧ ନେଇଥିବା ଲୋକଙ୍କ ଲକ୍ଷଣରେ ଅଧିକ ଉନ୍ନତି ଆସିଛି, ତେବେ ଏହା ପ୍ରମାଣିତ କରେ ଯେ ନୂତନ ଔଷଧ ପ୍ରଭାବଶାଳୀ।

ଏପରି ପରୀକ୍ଷଣରେ ସବୁଠାରୁ ବଡ଼ ଚ୍ୟାଲେଞ୍ଜ ହେଉଛି ପର୍ଯ୍ୟାପ୍ତ ରୋଗୀଙ୍କୁ ଖୋଜିବା ଯେଉଁମାନେ ପରୀକ୍ଷଣ ପାଇଁ ସମ୍ପୂର୍ଣ୍ଣ ଉପଯୁକ୍ତ। କେତେକ ସମୟରେ ଡାକ୍ତରମାନେ ମଧ୍ୟ ଜାଣିପାରନ୍ତି ନାହିଁ ଯେ ସେମାନଙ୍କ ରୋଗୀଙ୍କ ପାଇଁ କେଉଁ ପରୀକ୍ଷଣ ଠିକ୍। ଏହା ସହିତ, ଅଂଶଗ୍ରହଣ କରିବାକୁ ଚାହୁଁଥିବା ରୋଗୀଙ୍କ ବୈଶିଷ୍ଟ୍ୟ ପରୀକ୍ଷଣର ଆବଶ୍ୟକତା ସହିତ ମେଳ ଖାଉ ନାହିଁ। ତଥାପି, କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା (AI) ଏହି କାର୍ଯ୍ୟକୁ ବହୁତ ସହଜ କରିପାରେ।

ଆପଣଙ୍କର "ଡିଜିଟାଲ୍ ଟ୍ୱିନ୍" କୁ ଭେଟନ୍ତୁ

କଳ୍ପନା କରନ୍ତୁ ଯେ ଆପଣଙ୍କର ନିଜର କମ୍ପ୍ୟୁଟର ମଡେଲ ଅଛି, ଅର୍ଥାତ୍, ଆପଣଙ୍କର ଏକ ଡିଜିଟାଲ୍ କପି। ଏହାକୁ "ଡିଜିଟାଲ୍ ଟ୍ୱିନ୍" କୁହାଯାଏ। ଏଗୁଡ଼ିକ କେବଳ "କମ୍ପ୍ୟୁଟର ମଡେଲ୍" ଯାହା କମ୍ପ୍ୟୁଟରରେ ଏକ ବାସ୍ତବ-ବିଶ୍ୱ ବସ୍ତୁ କିମ୍ବା ସିଷ୍ଟମକୁ ଅନୁକରଣ କରେ। କିନ୍ତୁ ସଂଖ୍ୟାତ୍ମକ ଭାବରେ ଦେଖିଲେ, ସେମାନେ ପ୍ରକୃତ ଜିନିଷ ପରି କାର୍ଯ୍ୟ କରନ୍ତି। ଏହାର ସର୍ବୋତ୍ତମ ଉଦାହରଣ ହେଉଛି ଯେତେବେଳେ Apollo 13 ମହାକାଶଯାନରେ ଏକ ଅମ୍ଳଜାନ ଟ୍ୟାଙ୍କ ବିସ୍ଫୋରଣ ହୋଇଥିଲା, NASA ପୃଥିବୀରେ ନିର୍ମିତ ସମାନ ମହାକାଶଯାନର ଏକ "ଡିଜିଟାଲ୍ ଟ୍ୱିନ୍" ସହିତ ଏହାକୁ ମରାମତି କରିବାରେ ସାହାଯ୍ୟ କରିଥିଲା।

ଏବେ, ବୈଜ୍ଞାନିକମାନେ ପର୍ଯ୍ୟାପ୍ତ "ତଥ୍ୟ" ଦେଲେ, ମଣିଷର ଏକ "ଡିଜିଟାଲ୍ ଟ୍ୱିନ୍" ସୃଷ୍ଟି କରିପାରିବେ। ଏଥିରେ "ମସିନ୍ ଲର୍ଣ୍ଣିଂ" ନାମକ ଏକ କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ବ୍ୟବହାର କରାଯାଏ। ସରଳ ଭାଷାରେ କହିବାକୁ ଗଲେ, ଏଥିରେ ଏକ କମ୍ପ୍ୟୁଟର ପ୍ରୋଗ୍ରାମକୁ ପ୍ରଚୁର ପରିମାଣର ତଥ୍ୟ ଦେବା ଏବଂ ସେଥିରୁ ଶିଖିବାକୁ ଦେବା ଅନ୍ତର୍ଭୁକ୍ତ।

ପୂର୍ବ କ୍ଲିନିକାଲ୍ ପରୀକ୍ଷଣ ଏବଂ ପ୍ରତ୍ୟେକ ରୋଗୀଙ୍କ ବ୍ୟକ୍ତିଗତ ଡାକ୍ତରୀ ରେକର୍ଡରୁ ତଥ୍ୟ ବ୍ୟବହାର କରି ଏହି ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ମଡେଲଗୁଡ଼ିକୁ ତାଲିମ ଦେଇ ରୋଗୀଙ୍କ ଡିଜିଟାଲ୍ ଯମଜ ସୃଷ୍ଟି କରାଯାଏ। ଏହି ମଡେଲ୍ ପରେ ଭବିଷ୍ୟବାଣୀ କରିପାରିବ ଯେ ପରୀକ୍ଷଣ ସମୟରେ ରୋଗୀଙ୍କ ସ୍ୱାସ୍ଥ୍ୟ କିପରି ପରିବର୍ତ୍ତନ ହେବ ଯଦି ସେମାନଙ୍କୁ ପ୍ଲେସିବୋ ଦିଆଯାଏ।ଅର୍ଥାତ୍, ସେହି ରୋଗୀଙ୍କ ପାଇଁ ଏକ କମ୍ପ୍ୟୁଟର-ଜେନେରେଟେଡ୍ କଣ୍ଟ୍ରୋଲ୍ ଗ୍ରୁପ୍ (ସିମୁଲେଟେଡ୍ କଣ୍ଟ୍ରୋଲ୍ ଗ୍ରୁପ୍) ସୃଷ୍ଟି କରାଯାଏ।

ଏବେ ଦେଖିବା ଏହା କିପରି କାମ କରେ। ଧରାଯାଉ "ସମାଧି" ନାମକ ଜଣେ ବ୍ୟକ୍ତିଙ୍କୁ ନୂତନ ଔଷଧ ଗ୍ରହଣ କରୁଥିବା ଗୋଷ୍ଠୀରେ ରହିବା ପାଇଁ ଚୟନ କରାଯାଇଛି। ସମାଧିର "ଡିଜିଟାଲ୍ ଟ୍ୱିନ୍", ଏକ କମ୍ପ୍ୟୁଟର ମଡେଲ୍, ନିୟନ୍ତ୍ରଣ ଗୋଷ୍ଠୀରେ ଅଛି। ମଡେଲ୍ ପୂର୍ବାନୁମାନ କରେ ଯେ ଯଦି ସମାଧିକୁ ପ୍ରକୃତ ଔଷଧ ବଦଳରେ "ପ୍ଲେସ୍ବୋ" ଦିଆଯାଏ ତେବେ କ'ଣ ହେବ। ଶେଷରେ, ସମାଧିର ଔଷଧ ପ୍ରତି ପ୍ରକୃତ ପ୍ରତିକ୍ରିୟା ଏବଂ ମଡେଲ୍ "ପ୍ଲେସ୍ବୋ" ନେଲେ କ'ଣ ହେବ ବୋଲି ପୂର୍ବାନୁମାନ କରିଥିଲା ​​ତାହା ମଧ୍ୟରେ ପାର୍ଥକ୍ୟ ହେଉଛି ସମାଧି ପାଇଁ ଔଷଧ କେତେ ପ୍ରଭାବଶାଳୀ ତାହା ମାପକାଠି।

ପାରମ୍ପରିକ ନିୟନ୍ତ୍ରଣ ଦଳ ବଦଳରେ "ଡିଜିଟାଲ୍ ଟ୍ୱିନ୍ସ" ବ୍ୟବହାର କରିବାର ଲାଭ ସ୍ପଷ୍ଟ ଭାବରେ ଦେଖିବା ପାଇଁ ଆସନ୍ତୁ ଏହି ସାରଣୀକୁ ଦେଖିବା।

ଯଦିଓ ଏହି ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ଭଲ, କିଛି ଅସୁବିଧା ନାହିଁ କି?

ଯଦିଓ ଏହି ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ଭବିଷ୍ୟତ ପାଇଁ ବହୁତ ପ୍ରତିଶ୍ରୁତି ରଖିଛି, ତଥାପି ଏହାକୁ ଏପର୍ଯ୍ୟନ୍ତ ବ୍ୟାପକ ଭାବରେ ବ୍ୟବହାର କରାଯାଇ ନାହିଁ। ଏହାର ଭଲ କାରଣ ଥାଇପାରେ। "(ମସିନ୍ ଲର୍ଣ୍ଣିଂ)"ର ବିଶେଷଜ୍ଞ ଡକ୍ଟର ଡାନିଏଲ୍ ନିଆଲ୍ ଦର୍ଶାଇଛନ୍ତି ଯେ, ଏହି ମଡେଲଗୁଡ଼ିକ ପ୍ରଚୁର ପରିମାଣର ତଥ୍ୟ ଉପରେ ନିର୍ଭର କରନ୍ତି। ଏହା ସହିତ, ବ୍ୟକ୍ତିବିଶେଷଙ୍କଠାରୁ ଉଚ୍ଚମାନର ତଥ୍ୟ ପାଇବା ବହୁତ କଷ୍ଟକର।

ଆଉ ଏକ ସମସ୍ୟା ହେଉଛି ଏକ ଔଷଧର ବିରଳ, ଅପ୍ରତ୍ୟାଶିତ ପାର୍ଶ୍ୱ ପ୍ରତିକ୍ରିୟା । ଏଗୁଡ଼ିକ ପ୍ରାୟତଃ ନିୟନ୍ତ୍ରଣ ଗୋଷ୍ଠୀ ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଥିବା ମଡେଲ୍ ଦ୍ୱାରା କଭର କରାଯାଏ ନାହିଁ।

କିନ୍ତୁ ଡକ୍ଟର ନୀଲଙ୍କ ସବୁଠାରୁ ବଡ଼ ଭୟ ହେଉଛି ଯେ ଏହି ଭବିଷ୍ୟବାଣୀ ମଡେଲ "ସାଧାରଣ ବ୍ୟବସାୟ" ଉପରେ ଆଧାରିତ। କଳ୍ପନା କରନ୍ତୁ ଯେ COVID-19 ମହାମାରୀ ପରି ଏକ ବଡ଼, ଅପ୍ରତ୍ୟାଶିତ ଘଟଣା ଯାହା ସମସ୍ତଙ୍କ ଆଚରଣକୁ ପରିବର୍ତ୍ତନ କରେ ଏବଂ ଲୋକଙ୍କୁ ଅସୁସ୍ଥ କରିଥାଏ। "ନିୟନ୍ତ୍ରଣ ମଡେଲଗୁଡ଼ିକ ଏହାକୁ ବିଚାରକୁ ନିଅନ୍ତି ନାହିଁ," ସେ କୁହନ୍ତି। ତା'ପରେ, ଏହି ଘଟଣାଗୁଡ଼ିକ ଯୋଗୁଁ ଯାହାକୁ ନିୟନ୍ତ୍ରଣ ଗୋଷ୍ଠୀ ବିଚାରକୁ ନେଇ ନଥିଲେ, ପରୀକ୍ଷଣର ଶେଷ ଫଳାଫଳ ସମ୍ପୂର୍ଣ୍ଣ ଭିନ୍ନ ହୋଇପାରେ।

ତେବେ ଏହାକୁ ପ୍ରକୃତରେ ବ୍ୟବହାର କରାଯାଇପାରିବ କି? ଭବିଷ୍ୟତରେ କ’ଣ ହେବ?

ସ୍ୱାସ୍ଥ୍ୟସେବାରେ ଡିଜିଟାଲ୍ ପ୍ରଯୁକ୍ତିବିଦ୍ୟାର ବ୍ୟବହାରର ବିଶେଷଜ୍ଞ ଏରିକ୍ ଟୋପୋଲ୍ ଭାବନ୍ତି ଯେ ଏହି ଧାରଣା ବହୁତ ଭଲ, କିନ୍ତୁ ସମୟ ଏପର୍ଯ୍ୟନ୍ତ ଠିକ୍ ନୁହେଁ। "ମୁଁ ଭାବୁନାହିଁ ଯେ ନିକଟ ଭବିଷ୍ୟତରେ କ୍ଲିନିକାଲ୍ ପରୀକ୍ଷଣ ପରିବର୍ତ୍ତନ ହେବ। କାରଣ ଏଥିପାଇଁ କେବଳ ସ୍ୱାସ୍ଥ୍ୟ ରେକର୍ଡ ବ୍ୟତୀତ, ଜିନୋମ୍ କ୍ରମ, ଅନ୍ତଃସତ୍ତ୍ଵିକ ମାଇକ୍ରୋବାୟୋମ୍, ପରିବେଶଗତ ତଥ୍ୟର ଅନେକ ସ୍ତର ଆବଶ୍ୟକ।"

ଏହି ପ୍ରଯୁକ୍ତିବିଦ୍ୟାର ଅଗ୍ରଣୀ, Unlearn.AIର ପ୍ରତିଷ୍ଠାତା ଚାର୍ଲ୍ସ ଫିସରଙ୍କ ଅନୁସାରେ, ଡାଟା ଗୋପନୀୟତା ଏବଂ ପକ୍ଷପାତିତା ସମସ୍ୟାର ସମାଧାନ ପୂର୍ବରୁ ଅଛି। "ଗୋପନୀୟତା ସହଜ। ଆମେ କେବଳ ସେହି ଡାଟା ସହିତ କାମ କରୁ ଯାହା ପୂର୍ବରୁ ଅଜ୍ଞାତ ହୋଇସାରିଛି।"

ପକ୍ଷପାତ ବିଷୟରେ କହିବାକୁ ଗଲେ, ସେ କୁହନ୍ତି ଯେ ଯଦିଓ ସମସ୍ୟାଟି ସମ୍ପୂର୍ଣ୍ଣ ସମାଧାନ ହୋଇନାହିଁ, ଏହା ଅଧ୍ୟୟନର ଫଳାଫଳ ସହିତ ପ୍ରାସଙ୍ଗିକ ନୁହେଁ। କାରଣ ଅଧ୍ୟୟନଗୁଡ଼ିକ ଅନିୟମିତ, ତଥ୍ୟରେ କିଛି ପକ୍ଷପାତ ଥିଲେ ମଧ୍ୟ, ଏହା ଫଳାଫଳକୁ ପ୍ରଭାବିତ କରେ ନାହିଁ। ତଥାପି, କିଛି ବିଶେଷଜ୍ଞ ଏହି ଧାରଣା ସହିତ ଏକମତ ନୁହଁନ୍ତି। ସେମାନେ କୁହନ୍ତି,କାରଣ ଆପଣ ଜଣେ ପ୍ରକୃତ ବ୍ୟକ୍ତିଙ୍କୁ ଏକ କମ୍ପ୍ୟୁଟର ମଡେଲ ସହିତ ତୁଳନା କରୁଛନ୍ତି, ଯଦି ସେହି ମଡେଲରେ କୌଣସି ତ୍ରୁଟି ଥାଏ, ତେବେ ଏହା ସିଧାସଳଖ ଫଳାଫଳକୁ ପ୍ରଭାବିତ କରିପାରେ।

ତଥାପି, Unlearn.AI ପୂର୍ବରୁ ଔଷଧ କମ୍ପାନୀଗୁଡ଼ିକ ସହିତ କାମ କରୁଛି ଯାହା ଦ୍ୱାରା ଆଲଜାଇମର, ପାର୍କିନ୍ସନ୍ସ ଏବଂ ମଲ୍ଟିପଲ୍ ସ୍କ୍ଲେରୋସିସ୍ ଭଳି ସ୍ନାୟୁ ରୋଗ ପାଇଁ କ୍ଲିନିକାଲ୍ ପରୀକ୍ଷଣ ଡିଜାଇନ୍ କରାଯାଇପାରିବ। ସେମାନେ ଏହି ରୋଗଗୁଡ଼ିକୁ ଆରମ୍ଭ କରିବା ପାଇଁ ଏକ ଭଲ ସ୍ଥାନ ଭାବରେ ବାଛିଥିଲେ କାରଣ ସେମାନଙ୍କ ପାଖରେ ଅନ୍ୟମାନଙ୍କ ତୁଳନାରେ ଅଧିକ ତଥ୍ୟ ଅଛି। ଫିଶର୍ କୁହନ୍ତି ଯେ ଯଦି ଏହି ପଦ୍ଧତିକୁ ଦିନେ ସମସ୍ତ ରୋଗ ପାଇଁ ପ୍ରୟୋଗ କରାଯାଇପାରିବ, ତେବେ ଏହା ନୂତନ ଔଷଧ ବଜାରକୁ ଆସିବା ପାଇଁ ଲାଗୁଥିବା ସମୟକୁ ଯଥେଷ୍ଟ ହ୍ରାସ କରିପାରିବ।