ستاسو خپل "ډیجیټل دوه ګونی"؟ وروستۍ ټیکنالوژي چې د مخدره توکو ازموینه به بدله کړي (ډیجیټل دوه ګونی)

ایا تاسو کله هم فکر کړی چې دا ګولۍ چې تاسو نن سهار خوړلې وه ستاسو لاسونو ته څومره وخت ونیو؟ لومړی، دوی په لابراتوارونو کې پراخه څیړنه کوي. بیا دوی دا په څارویو ازمويي. مګر مخکې لدې چې دوی په انسانانو کې د کارولو لپاره تصویب شي، دوی باید دا په انسانانو ازمويي. دا هغه څه دي چې موږ یې کلینیکي آزموینه بولو. دا یوه ډیره پیچلې او ګرانه پروسه ده.

په ساده ډول، کلینیکي محاکمه څه ده؟

په ساده اصطلاحاتو کې، کلینیکي آزموینه په دې ډول کار کوي: څیړونکي هغه ناروغان استخداموي چې نوې رامینځته شوې درمل یې په نښه کوي. دا رضاکاران بیا په ناڅاپي ډول په دوو ډلو ویشل شوي دي.

۱. لومړۍ ډلې ته نوی درمل ورکول کیږي ترڅو ازموینه وشي.

۲. دوهم ګروپ ، "کنټرول ګروپ"، ته یو پلیسبو ورکول کیږي چې هیڅ فعال اجزا نلري او په بشپړ ډول د مخدره توکو په څیر ښکاري. موږ دې ته "پلیسبو" وایو.

که چیرې، د دې محاکمې په پای کې، د هغو کسانو نښې نښانې چې نوی درمل یې اخیستي د هغو کسانو په پرتله چې پلیسبو یې اخیستی ډیر ښه شوي وي، نو دا ثابتوي چې نوی درمل اغیزمن دی.

په داسې یوه آزموینې کې یوه له لویو ننګونو څخه د کافي ناروغانو موندل دي چې د آزموینې لپاره په سمه توګه مناسب وي. ځینې وختونه حتی ډاکټران نه پوهیږي چې کوم آزموینې د دوی د ناروغانو لپاره سمې دي. همدارنګه، د هغو ناروغانو ځانګړتیاوې چې غواړي برخه واخلي ممکن د آزموینې اړتیاو سره سمون ونلري. په هرصورت، مصنوعي استخبارات (AI) کولی شي دا کار خورا اسانه کړي.

خپل "ډیجیټل دوه ګونی" سره وګورئ

تصور وکړئ چې تاسو خپل کمپیوټر ماډل لرئ، دا د ځان ډیجیټل کاپي ده. دا هغه څه دي چې "ډیجیټل دوه ګونی" بلل کیږي. دا یوازې "د کمپیوټر ماډلونه" دي چې په کمپیوټر کې د حقیقي نړۍ شی یا سیسټم تقلید کوي. مګر کله چې په عددي ډول وکتل شي، دوی په سمه توګه د اصلي شی په څیر چلند کوي. غوره مثال یې دا دی کله چې د اپولو 13 فضايي بیړۍ کې د اکسیجن ټانک چاودنه وشوه، ناسا د ځمکې په اوږدو کې جوړ شوي ورته فضايي بیړۍ "ډیجیټل دوه ګونی" سره د هغې ترمیم کې مرسته وکړه.

اوس، ساینس پوهان کولی شي د انسان "ډیجیټل دوه ګونی" رامینځته کړي، که چیرې کافي "ډیټا" ورکړل شي. دا د "ماشین زده کړې" په نوم د مصنوعي استخباراتو ټیکنالوژۍ څخه کار اخلي. په ساده ډول، پدې کې د کمپیوټر پروګرام ته د ډیرو معلوماتو ورکول او پریښودل شامل دي چې له هغې څخه زده کړه وکړي.

د ناروغانو ډیجیټل غبرګوني د دې ماشین زده کړې ماډلونو د روزنې له لارې د تیرو کلینیکي آزموینو او د هر ناروغ شخصي طبي ریکارډونو څخه د معلوماتو په کارولو سره رامینځته کیږي. ماډل بیا وړاندوینه کولی شي چې د ناروغ روغتیا به د آزموینې په جریان کې څنګه بدلون ومومي که چیرې دوی ته پلیسبو ورکړل شي.يعنې، د همدغه ناروغ لپاره د کمپیوټر لخوا تولید شوی کنټرول ګروپ (سیمولیټډ کنټرول ګروپ) جوړ شوی دی.

اوس راځئ چې وګورو چې دا څنګه کار کوي. راځئ چې یو څوک چې "سمادهي" نومیږي د هغه ګروپ کې د شاملیدو لپاره غوره شوی چې یو نوی درمل ترلاسه کوي. د سمادهي "ډیجیټل ټوین"، د کمپیوټر ماډل، د کنټرول ګروپ کې دی. ماډل وړاندوینه کوي چې څه به پیښ شي که چیرې سمادهي ته د اصلي درملو پرځای "پلیسبو" ورکړل شي. په نهایت کې، د سمادهي د درملو په وړاندې د اصلي غبرګون او هغه څه چې ماډل وړاندوینه کړې وه د هغه څه ترمنځ توپیر چې که هغه "پلیسبو" واخلي نو پیښ شي د دې اندازه ده چې درمل د سمادهي لپاره څومره اغیزمن دی.

راځئ چې دې جدول ته وګورو ترڅو د دودیزو کنټرول ټیمونو پرځای د "ډیجیټل ټوینز" کارولو ګټې په روښانه ډول وګورو.

که څه هم دا ټیکنالوژي ښه ده، ایا ستونزې شتون نلري؟

که څه هم دا ټیکنالوژي د راتلونکي لپاره لوی ژمنې لري، خو لا تر اوسه په پراخه کچه نه ده کارول شوې. ممکن د دې لپاره ښه دلیلونه وي. لکه څنګه چې ډاکټر ډینیل نیل، د "(ماشین زده کړې)" متخصص، په ګوته کوي، دا ماډلونه په لوی مقدار معلوماتو تکیه کوي. همدارنګه، د افرادو څخه د لوړ کیفیت معلوماتو ترلاسه کول خورا ستونزمن دي.

بله ستونزه هغه نادره او غیر متوقع اړخیزې اغیزې دي چې درمل یې رامینځته کولی شي. دا ډیری وختونه د کنټرول ګروپ لپاره ډیزاین شوي ماډل لخوا نه پوښل کیږي.

خو د ډاکټر نیل تر ټولو لویه ویره دا ده چې دا وړاندوینې ماډل د "معمول په څیر سوداګرۍ" پر بنسټ والړ دی. د COVID-19 وبا په څیر یوه لویه، ناڅاپي پیښه تصور کړئ چې د هرچا چلند بدلوي او خلک ناروغه کوي. هغه وايي: "د کنټرول ماډلونه دا په پام کې نه نیسي." بیا، د دې پیښو له امله چې د کنټرول ډلې په پام کې نه دي نیولي، د تجربې وروستۍ پایلې په بشپړ ډول توپیر کولی شي.

نو آیا دا واقعیا کارول کیدی شي؟ راتلونکې به څه وي؟

ایرک ټوپول، چې د روغتیا پاملرنې کې د ډیجیټل ټیکنالوژۍ کارولو کارپوه دی، فکر کوي چې دا نظر ښه دی، مګر وخت لا تر اوسه سم نه دی. "زه فکر نه کوم چې کلینیکي آزموینې به په نږدې راتلونکي کې بدلون ومومي. ځکه چې دا د روغتیا ریکارډونو هاخوا د معلوماتو څو طبقو ته اړتیا لري، لکه د جینوم ترتیبونه، د کولمو مایکروبیوم، د چاپیریال معلومات."

د Unlearn.AI بنسټ ایښودونکي چارلس فشر په وینا، چې د دې ټیکنالوژۍ مخکښ دی، د معلوماتو محرمیت او تعصب ستونزو لپاره لا دمخه حلونه شتون لري. "محرمیت اسانه دی. موږ یوازې د هغو معلوماتو سره کار کوو چې دمخه یې نوم نه وي پټ شوی."

کله چې د تعصب په اړه خبرې کوي، هغه وايي چې که څه هم دا مسله په بشپړه توګه حل شوې نه ده، دا د مطالعې پایلو سره تړاو نلري. ځکه چې مطالعې تصادفي دي، حتی که په معلوماتو کې یو څه تعصب شتون ولري، دا په پایلو اغیزه نه کوي. په هرصورت، ځینې متخصصین له دې نظر سره موافق نه دي. دوی وايي،ځکه چې تاسو یو ریښتینی کس د کمپیوټر ماډل سره پرتله کوئ، که چیرې په هغه ماډل کې کومه تېروتنه وي، نو دا کولی شي په مستقیم ډول په پایلو اغیزه وکړي.

په هرصورت، Unlearn.AI دمخه د درملو شرکتونو سره کار کوي ترڅو د عصبي ناروغیو لکه الزایمر، پارکنسن، او څو سکلیروسیس لپاره کلینیکي آزموینې ډیزاین کړي. دوی دا ناروغۍ د پیل کولو لپاره د ښه ځای په توګه غوره کړې ځکه چې دوی د نورو په پرتله ډیر معلومات لري. فشر وايي چې که چیرې دا طریقه یوه ورځ په ټولو ناروغیو پلي شي، نو دا کولی شي د نوي درملو بازار ته د راتلو لپاره د پام وړ وخت کم کړي.