किं भवता कदापि चिन्तितम् यत् अद्य प्रातः भवता गृहीता तस्याः गोलीयाः हस्तौ कियत्कालं यावत् समयः अभवत्? प्रथमं प्रयोगशालासु विस्तृतं शोधं कुर्वन्ति । ततः पशुषु तस्य परीक्षणं कुर्वन्ति। परन्तु मनुष्येषु उपयोगाय तेषां अनुमोदनं कर्तुं पूर्वं तेषां मनुष्येषु तस्य परीक्षणं कर्तव्यम् अस्ति । एतत् वयं चिकित्सापरीक्षा इति वदामः। अतीव जटिला महती च प्रक्रिया अस्ति।
सरलतया वक्तुं शक्यते यत् चिकित्सापरीक्षा किम् ?
सरलतया वक्तुं शक्यते यत् एकः नैदानिकपरीक्षणः एतादृशः कार्यं करोति यत् शोधकर्तारः तस्य रोगस्य रोगिणः नियुक्तिं कुर्वन्ति यस्य रोगस्य नवविकसितं औषधं लक्ष्यं करोति। ततः एते स्वयंसेवकाः यादृच्छिकरूपेण द्वयोः समूहयोः विभक्ताः भवन्ति ।
1. प्रथमसमूहस्य परीक्षणार्थं नूतनं औषधं दीयते।
2. द्वितीयसमूहः , ``नियन्त्रणसमूहः'', एकं प्लेसिबो दत्तं यस्य सक्रियघटकं नास्ति तथा च औषधस्य सदृशं दृश्यते। एतत् वयं ``प्लेसेबो'' इति वदामः ।
यदि अस्य परीक्षणस्य अन्ते ये नूतनं औषधं सेवन्ते तेषां लक्षणं प्लेसिबो सेवनानाम् अपेक्षया अधिकं सुधरितम् अस्ति तर्हि एतेन नूतनं औषधं प्रभावी इति सिद्धं भवति
एतादृशे परीक्षणे एकं बृहत्तमं आव्हानं पर्याप्तं रोगिणां अन्वेषणं भवति ये परीक्षणाय सम्यक् योग्याः सन्ति । कदाचित् वैद्याः अपि न जानन्ति यत् तेषां रोगिणां कृते के परीक्षणाः योग्याः सन्ति। अपि च, ये रोगिणः भागं ग्रहीतुं इच्छन्ति तेषां लक्षणं परीक्षणस्य आवश्यकताभिः सह न मेलयितुम् अर्हति । परन्तु कृत्रिमबुद्धिः (AI) एतत् कार्यं बहु सुलभं कर्तुं शक्नोति स्म ।
स्वस्य "डिजिटल ट्विन" सह मिलतु।
कल्पयतु यत् भवतः स्वकीयः सङ्गणकप्रतिरूपः अस्ति अर्थात् स्वस्य अङ्कीयप्रतिलिपिः । तदेव ``अङ्कीयमिथुनम्'' इति कथ्यते । एते केवलं ``Computer Models'' सन्ति ये सङ्गणके वास्तविक-जगतः वस्तुनः अथवा तन्त्रस्य अनुकरणं कुर्वन्ति । परन्तु संख्यात्मकरूपेण दृष्टे ते वास्तविकवस्तु इव एव वर्तन्ते । सर्वोत्तमम् उदाहरणं यदा अपोलो १३ अन्तरिक्षयानस्य आक्सीजन-टङ्की विस्फोटितवती तदा नासा-संस्थायाः पृथिव्यां निर्मितस्यैव अन्तरिक्षयानस्य ``डिजिटल ट्विन'' इत्यनेन तस्य मरम्मतं कर्तुं साहाय्यं कृतम्
अधुना वैज्ञानिकाः पर्याप्तं ``दत्तांश`` दत्त्वा मानवस्य ``Digital Twin`` निर्मातुम् अर्हन्ति । अस्मिन् ``यन्त्रशिक्षण`` इति कृत्रिमबुद्धिप्रौद्योगिक्याः उपयोगः भवति । सरलतया वक्तुं शक्यते यत् अस्मिन् सङ्गणकप्रोग्रामाय बहुमात्रायां दत्तांशं दत्त्वा तस्मात् शिक्षितुं दत्तं भवति ।
पूर्वचिकित्सापरीक्षाणां आँकडानां उपयोगेन प्रत्येकस्य रोगी व्यक्तिगतचिकित्सा अभिलेखानां च उपयोगेन एतेषां मशीन लर्निंग मॉडल् प्रशिक्षयित्वा रोगिणां डिजिटल युग्मानां निर्माणं भवति। ततः आदर्शः पूर्वानुमानं कर्तुं शक्नोति यत् यदि तेभ्यः प्लेसिबो दत्तं भवति तर्हि परीक्षणस्य क्रमेण रोगीनां स्वास्थ्यं कथं परिवर्तयिष्यति।अर्थात् तस्यैव रोगी कृते सङ्गणकजनितः नियन्त्रणसमूहः (Simulated Control Group) निर्मीयते ।
अधुना एतत् कथं कार्यं करोति इति पश्यामः । अस्तु, नूतनं औषधं प्राप्यमाणे समूहे "समाधि" नामकः कश्चन चयनितः भवति। समाधिस्य ``डिजिटल ट्विन'' इति सङ्गणकप्रतिरूपं नियन्त्रणसमूहे अस्ति । यदि समाधिः वास्तविकस्य औषधस्य स्थाने ``प्लेसेबो'' इति दत्तः स्यात् तर्हि किं भविष्यति इति आदर्शः भविष्यवाणीं करोति । अन्ते समाधिस्य औषधस्य प्रति वास्तविकप्रतिक्रियायाः, यदि सः ``प्लेसेबो''-इत्येतत् सेवते तर्हि किं भविष्यति इति आदर्शेन भविष्यवाणी कृता इति च अन्तरं समाधि-कृते औषधं कियत् प्रभावी इति मापनम् अस्ति
अस्य पद्धतेः एकः बृहत्तमः लाभः अस्ति यत् प्रायः सर्वेषां कृते ये चिकित्सापरीक्षणे भागं गृह्णन्ति तेषां नूतनं औषधं प्राप्तुं अवसरः भवति, यतः ``प्लेसिबो'' तेषां डिजिटल-मिथुनस्य कृते दीयते
पारम्परिकनियन्त्रणदलानां स्थाने ``Digital Twins'' इत्यस्य उपयोगस्य लाभं स्पष्टतया द्रष्टुं एतत् सारणीं पश्यामः ।
| लक्षणम् | पारम्परिक पद्धति | डिजिटल ट्विन विधि |
|---|---|---|
| नियन्त्रणसमूहः | वास्तविकजनैः युक्तः । ते एकं (प्लेसेबो) प्राप्नुवन्ति। | सङ्गणकस्य आदर्शैः (Digital Twins) युक्तम् अस्ति । |
| रोगिणां कृते लाभः | प्लेसिबो-उपचारस्य ५०% सम्भावना अस्ति । तस्य अर्थः अस्ति यत् भवन्तः नूतनं औषधं त्यक्तुम् अर्हन्ति। | बहवः जनाः वास्तविकं औषधं परीक्षितुं अवसरं प्राप्नुवन्ति । |
| आवश्यकतानुसारं स्वयंसेवकानां संख्या | अधिकान् जनानां आवश्यकता वर्तते (उभयदलस्य कृते)। | अल्पसंख्याकानां जनानां सह परीक्षणं कर्तुं शक्यते । |
| समयः व्ययः च | अतीव उच्चम्। | महत्त्वपूर्णतया न्यूनीकर्तुं शक्यते। |
एतत् प्रौद्योगिकी उत्तमम् अस्ति चेदपि समस्याः न सन्ति वा ?
यद्यपि एतत् प्रौद्योगिकी भविष्याय महतीं प्रतिज्ञां धारयति तथापि अद्यापि अस्य व्यापकरूपेण उपयोगः न कृतः । अस्य सद्कारणानि स्युः । यथा ``(मशीन लर्निङ्ग्),'' इत्यस्य विशेषज्ञः डॉ. डैनियल नीलः दर्शयति, एते आदर्शाः बृहत्मात्रायां आँकडानां उपरि अवलम्बन्ते । अपि च व्यक्तिभ्यः उच्चगुणवत्तायुक्तानि दत्तांशं प्राप्तुं अतीव कठिनम् अस्ति ।
"जनाः प्रायः स्वस्य आहारस्य व्यायामस्य च आदतेः इत्यादीनां विषयेषु सूचनां स्वयमेव निवेदयन्ति। जनाः सर्वदा सत्यं न वदन्ति। ते व्यायामस्य परिमाणं अतिशयेन वदन्ति, खादितानां जंकफूड् इत्यस्य परिमाणं न्यूनं वदन्ति च।
अन्यः विषयः अस्ति यत् औषधस्य दुर्लभाः, अप्रत्याशिताः दुष्प्रभावाः भवितुम् अर्हन्ति । एते प्रायः नियन्त्रणसमूहस्य कृते विनिर्मितेन प्रतिरूपेण न आच्छादिताः भवन्ति ।
परन्तु डॉ. नीलस्य सर्वाधिकं भयम् अस्ति यत् एतत् भविष्यवाणीप्रतिरूपं "सामान्यतया व्यापारः" इति आधारेण अस्ति । कल्पयतु कोविड-१९ महामारी इव महतीं, अप्रत्याशितघटना यत् सर्वेषां व्यवहारं परिवर्तयति, जनान् च रोगी करोति। "नियन्त्रणमाडलाः एतत् न गृह्णन्ति" इति सः वदति । ततः एतेषां घटनानां कारणात् नियन्त्रणसमूहेन न गृहीताः, प्रयोगस्य अन्तिमपरिणामाः सर्वथा भिन्नाः भवितुम् अर्हन्ति स्म ।
अतः किं वास्तवमेव एतस्य उपयोगः कर्तुं शक्यते ? भविष्ये किं भविष्यति ?
स्वास्थ्यसेवायां डिजिटलप्रौद्योगिक्याः उपयोगस्य विशेषज्ञः एरिक् टोपोल् इत्ययं विचारः महान् इति मन्यते, परन्तु समयः अद्यापि सम्यक् नास्ति। "मम मतं यत् निकटभविष्यत्काले नैदानिकपरीक्षणेषु परिवर्तनं भविष्यति। यतः अस्य कृते केवलं स्वास्थ्य-अभिलेखानां परं, यथा जीनोम-अनुक्रमः, आतङ्क-सूक्ष्मजीव-विज्ञानं, पर्यावरण-दत्तांशः, अनेक-स्तरस्य आँकडानां आवश्यकता भवति।
अस्मिन् प्रौद्योगिक्याः अग्रणी Unlearn.AI इत्यस्य संस्थापकस्य चार्ल्स फिशर् इत्यस्य मते पूर्वमेव आँकडा-गोपनीयतायाः पूर्वाग्रहस्य च समस्यानां समाधानं भवति । "गोपनीयता सुलभा अस्ति। वयं केवलं पूर्वमेव अनामकृतैः दत्तांशैः सह कार्यं कुर्मः।"
पूर्वाग्रहस्य विषये वदन् सः कथयति यत् यद्यपि एषः विषयः सम्पूर्णतया न निराकृतः तथापि अध्ययनस्य परिणामैः सह सः प्रासंगिकः नास्ति । यतो हि अध्ययनं यादृच्छिकं भवति, दत्तांशेषु किञ्चित् पूर्वाग्रहः अस्ति चेदपि परिणामेषु प्रभावः न भवति । परन्तु केचन विशेषज्ञाः अस्मिन् विचारे असहमताः सन्ति । ते वदन्ति, .यतः भवान् वास्तविकं व्यक्तिं सङ्गणकप्रतिरूपेण सह तुलनां करोति, यदि तस्मिन् आदर्शे किमपि दोषः अस्ति तर्हि तत् प्रत्यक्षतया परिणामेषु प्रभावं कर्तुं शक्नोति ।
परन्तु Unlearn.AI पूर्वमेव औषधकम्पनीभिः सह अल्जाइमर, पार्किन्सन्, मल्टीपल स्क्लेरोसिस इत्यादीनां तंत्रिकारोगाणां नैदानिकपरीक्षणस्य डिजाइनं कर्तुं कार्यं कुर्वन् अस्ति ते एतान् रोगान् आरम्भार्थं उत्तमं स्थानं चितवन्तः यतः तेषां दत्तांशः अन्येभ्यः अधिकः अस्ति । फिशर् कथयति यत् यदि एकस्मिन् दिने एषा पद्धतिः सर्वेषु रोगेषु प्रयोक्तुं शक्यते तर्हि नूतनानां औषधानां विपण्यं प्रति आगमनस्य समयः महत्त्वपूर्णतया न्यूनीकर्तुं शक्नोति।
गृहं नेतु-सन्देशः
- अङ्कीयमिथुनं नूतनानां औषधानां परीक्षणार्थं चिकित्सापरीक्षासु प्रयुक्तस्य वास्तविकरोगस्य सङ्गणकप्रतिरूपम् अस्ति ।
- एतेन नियन्त्रणसमूहस्य कृते वास्तविकजनानाम् उपयोगस्य स्थाने एतेषां अङ्कीयप्रतिमानानाम् उपयोगः कर्तुं शक्यते ।
- अस्याः पद्धतेः एकः प्रमुखः लाभः अस्ति यत् परीक्षणे अधिकान् प्रतिभागिनां कृते परीक्षणं क्रियमाणं वास्तविकं औषधं प्राप्तुं अवसरः भवति ।
- परन्तु उच्चगुणवत्तायुक्तदत्तांशप्राप्तेः कठिनता, अप्रत्याशितघटनानां प्रतिरूपणं कर्तुं असमर्थता च इत्यादीनि आव्हानानि अवशिष्टानि सन्ति ।
- यद्यपि एतत् प्रौद्योगिकी चिकित्साशास्त्रस्य भविष्याय महतीं प्रतिज्ञां धारयति तथापि अद्यापि प्रारम्भिकावस्थायां एव अस्ति । यदि भवतः किमपि चिन्ता वा संशयः वा अस्ति तर्हि भवतः वैद्येन सह वार्तालापः महत्त्वपूर्णः अस्ति .
💬 Comments (0)
अद्यापि कोऽपि टिप्पणी न स्थापिता। प्रथमवारं अत्र स्वस्य टिप्पणीं योजयन्तु।
भवतः टिप्पणीं योजयन्तु