ඔයාගෙම "ඩිජිටල් නිවුන් දරුවෙක්"? බෙහෙත් පරීක්ෂණ වෙනස් කරන අලුත්ම තාක්ෂණය (Digital Twin)

අද උදේ ඔයා බීපු බෙහෙත් පෙත්ත ඔයාගේ අතට එන්න කොච්චර දිග ගමනක් ආවද කියලා ඔයා කවදාහරි හිතලා තියෙනවද? මුලින්ම, විද්‍යාගාරවල අතිශය පර්යේෂණ කරනවා. ඊට පස්සේ සත්තුන්ට දීලා බලනවා. ඒත් මනුස්සයින්ට පාවිච්චි කරන්න අනුමැතිය දෙන්න කලින්, ඒ බෙහෙත මිනිස්සුන්ටම දීලා පරීක්ෂා කරන්න ඕන. මේකට තමයි අපි සායනික පරීක්ෂණයක්, එහෙමත් නැත්නම් `(Clinical Trial)` එකක් කියලා කියන්නේ. මේක හරිම සංකීර්ණ, වියදම් අධික ක්‍රියාවලියක්.

සරලවම කිව්වොත්, මොකක්ද මේ සායනික පරීක්ෂණයක් (Clinical Trial) කියන්නේ?

හරිම සරලව පැහැදිලි කළොත්, `(Clinical Trial)` එකක් සිද්ධ වෙන්නේ මෙහෙමයි: පර්යේෂකයෝ, අලුතින් හදපු බෙහෙත ඉලක්ක කරන ලෙඩේ තියෙන රෝගීන්ව හොයාගෙන බඳවා ගන්නවා. ඊටපස්සේ මේ ස්වේච්ඡාවෙන් ඉදිරිපත් වෙන රෝගීන්ව අහඹු විදිහට කණ්ඩායම් දෙකකට බෙදනවා.

1. පළවෙනි කණ්ඩායමට අත්හදා බලන අලුත් බෙහෙත දෙනවා.

2. දෙවෙනි කණ්ඩායමට, ඒ කියන්නේ පාලක කණ්ඩායමට `(Control Group)`, දෙන්නේ කිසිම සක්‍රීය ද්‍රව්‍යයක් නැති, හරියටම අර බෙහෙත වගේම පේන දෙයක්. මේකට අපි කියනවා `(Placebo)` කියලා.

මේ පරීක්ෂණය අවසානයේදී, `(Placebo)` එක ගත්ත අයට වඩා අලුත් බෙහෙත ගත්ත අයගේ රෝග ලක්ෂණ වැඩිපුර සුව වෙලා තියෙනවා නම්, ඒකෙන් ඔප්පු වෙනවා අලුත් බෙහෙත සාර්ථකයි කියලා.

මේ වගේ පරීක්ෂණයක තියෙන ලොකුම අභියෝගයක් තමයි, පරීක්ෂණයට හරියටම ගැලපෙන රෝගීන්ව ප්‍රමාණවත් තරම් හොයාගන්න එක. සමහර වෙලාවට දොස්තර මහත්වරු වුණත් තමන්ගේ රෝගීන්ට ගැලපෙන පරීක්ෂණ ගැන දන්නේ නැහැ. ඒ වගේම, සහභාගී වෙන්න කැමති රෝගීන්ගේ ලක්ෂණ, පරීක්ෂණයට අවශ්‍ය කරන දේවල් එක්ක ගැලපෙන්නේ නැති වෙන්නත් පුළුවන්. ඒත්, කෘත්‍රිම බුද්ධිය `(Artificial Intelligence)` නිසා මේ වැඩේ ගොඩක් ලේසි වෙන්න ඉඩ තියෙනවා.

හමුවෙමු ඔයාගෙ "ඩිජිටල් නිවුන් දරුවාව" (Digital Twin)

හිතන්නකෝ, ඔයාගෙම පරිගණක ආකෘතියක්, ඒ කියන්නේ ඔයාගෙම ඩිජිටල් කොපියක් තියෙනවා කියලා. ඒකට තමයි `(Digital Twin)` කියන්නේ. මේවා ඇත්ත ලෝකයේ තියෙන වස්තුවක් හෝ පද්ධතියක් පරිගණකය තුළින් අනුකරණය කරන `(Computer Models)` විතරයි. හැබැයි මේවා සංඛ්‍යාත්මකව බැලුවම, හරියටම ඇත්ත එක වගේම තමයි හැසිරෙන්නේ. හොඳම උදාහරණයක් තමයි, ඇපලෝ 13 `(Apollo 13)` අභ්‍යවකාශ යානයේ ඔක්සිජන් ටැංකියක් පුපුරලා ගිය වෙලාවේ, NASA ආයතනය ඒක හදන්න උදව් ගත්තේ පෘථිවියේ හදපු ඒ යානයේම `(Digital Twin)` එකකින්.

දැන් විද්‍යාඥයින්ට පුළුවන්, ප්‍රමාණවත් තරම් දත්ත `(data)` තියෙනවා නම්, මනුස්සයෙක්ගෙත් `(Digital Twin)` කෙනෙක් හදන්න. මේකට පාවිච්චි කරන්නේ `(Machine Learning)` කියන කෘත්‍රිම බුද්ධි තාක්ෂණයක්. සරලවම කිව්වොත්, මේකෙදි වෙන්නේ, යම් කාර්යයක් කරන්න පරිගණක වැඩසටහනකට අණ දෙනවා වෙනුවට, විශාල දත්ත ප්‍රමාණයක් දීලා ඒ තුළින් ඉගෙන ගන්න සලස්වන එක.

රෝගීන්ගේ `(Digital Twins)` හදන්නේ, කලින් කරපු සායනික පරීක්ෂණවල දත්ත සහ එක් එක් රෝගියාගේ පෞද්ගලික වෛද්‍ය වාර්තා පාවිච්චි කරලා, මේ `(Machine Learning)` ආකෘති පුහුණු කිරීමෙන්. ඊටපස්සේ, මේ ආකෘතියට පුළුවන් යම් රෝගියෙක්ට `(Placebo)` එකක් දුන්නොත්, පරීක්ෂණ කාලය තුළදී එයාගේ සෞඛ්‍ය තත්ත්වය කොහොම වෙනස් වෙයිද කියලා අනාවැකි කියන්න. ඒ කියන්නේ, ඒ රෝගියාටම අදාළව, පරිගණකයෙන් හදපු පාලක කණ්ඩායමක් `(Simulated Control Group)` නිර්මාණය කරනවා.

දැන් බලන්න මේක වැඩ කරන හැටි. අපි හිතමු "සමාධි" කියලා කෙනෙක් අලුත් බෙහෙත දෙන කණ්ඩායමට තෝරගත්තා කියලා. සමාධිගේ `(Digital Twin)` එක, ඒ කියන්නේ පරිගණක ආකෘතිය, ඉන්නේ පාලක කණ්ඩායමේ. ඒ ආකෘතිය අනාවැකි කියනවා, සමාධිට ඇත්තටම බෙහෙත නොදී `(Placebo)` එකක් දුන්නා නම් මොකද වෙන්නේ කියලා. අන්තිමේදී, සමාධි බෙහෙතට දක්වපු සැබෑ ප්‍රතිචාරයත්, එයා `(Placebo)` එක ගත්තා නම් මොකද වෙන්නේ කියලා ආකෘතිය කියපු අනාවැකියත් අතර වෙනස තමයි, ඒ බෙහෙත සමාධිට කොච්චර සාර්ථකද කියන එකේ මිනුම වෙන්නේ.

මේ විදිහට සාම්ප්‍රදායික පාලක කණ්ඩායම් වෙනුවට `(Digital Twins)` පාවිච්චි කරන එකේ වාසි පැහැදිලිව බලන්න අපි මේ වගුව දිහා බලමු.

මේ තාක්ෂණය හොඳ වුණාට, ප්‍රශ්න නැද්ද?

මේ තාක්ෂණය අනාගතය ගැන ලොකු බලාපොරොත්තු දුන්නත්, ඒක තවම පුළුල්ව භාවිතයට අරගෙන නැහැ. ඒකට හොඳ හේතු තියෙන්න පුළුවන්. `(Machine Learning)` ගැන විශේෂඥයෙක් වෙන ආචාර්ය ඩැනියෙල් නීල් පෙන්වා දෙන විදිහට, මේ ආකෘති රඳා පවතින්නේ විශාල දත්ත ප්‍රමාණයක් මත. ඒ වගේම, පුද්ගලයන්ගෙන් උසස් තත්ත්වයේ දත්ත ලබාගන්න එක හරිම අමාරුයි.

තවත් ප්‍රශ්නයක් තමයි, බෙහෙතක් නිසා ඇතිවෙන්න පුළුවන් ඉතාම දුර්ලභ, අනපේක්ෂිත අතුරු ආබාධ `(rare adverse events)`. මේ වගේ දේවල් පාලක කණ්ඩායම සඳහා හදපු ආකෘතියෙන් බොහෝවිට ආවරණය වෙන්නේ නැහැ.

නමුත් ආචාර්ය නීල්ගේ ලොකුම බිය තමයි, මේ අනාවැකි කියන ආකෘතිය "සාමාන්‍ය විදිහට සිදුවන දේ" `("business as usual")` මත පදනම් වීම. හිතන්නකෝ, `COVID-19` වසංගතය වගේ ලොකු, අනපේක්ෂිත සිදුවීමක් වෙලා හැමෝගෙම හැසිරීම් රටා වෙනස් වෙලා, මිනිස්සු ලෙඩ වෙනවා කියලා. "මේ වගේ දෙයක් පාලක ආකෘතිවලින් `(Control Models)` ගණන් ගන්නේ නැහැ," ඔහු කියනවා. එතකොට, පාලක කණ්ඩායමේ ගණන් නොගත්ත මේ සිදුවීම් නිසා, පරීක්ෂණයේ අවසන් ප්‍රතිඵලය සම්පූර්ණයෙන්ම වෙනස් වෙන්න පුළුවන්.

ඉතින් මේක ඇත්තටම පාවිච්චි කරන්න පුළුවන්ද? අනාගතය කොහොම වෙයිද?

ඩිජිටල් තාක්ෂණය සෞඛ්‍ය ක්ෂේත්‍රයේ යොදාගැනීම ගැන විශේෂඥයෙක් වෙන එරික් ටොපොල් හිතන විදිහට, මේ අදහස නියමයි, ඒත් තවම මේකට වෙලාව ඇවිත් නැහැ. "මම හිතන්නේ නැහැ නුදුරු අනාගතයේදී සායනික පරීක්ෂණ වෙනස් වෙයි කියලා. මොකද මේකට සෞඛ්‍ය වාර්තාවලටත් එහා ගිය, ජාන අනුක්‍රම `(genome sequence)`, ආහාර ජීර්ණ පද්ධතියේ ක්ෂුද්‍ර ජීවීන් `(gut microbiome)`, පාරිසරික දත්ත වගේ දත්ත ස්තර ගණනාවක් අවශ්‍යයි."

මේ තාක්ෂණයේ පුරෝගාමියෙක් වන `Unlearn.AI` ආයතනයේ නිර්මාතෘ චාල්ස් ෆිෂර් කියන විදිහට, දත්තවල රහස්‍යභාවය `(privacy)` සහ පක්ෂග්‍රාහීත්වය `(bias)` කියන ප්‍රශ්න දෙකට දැනටමත් විසඳුම් තියෙනවා. "රහස්‍යභාවය ලේසියි. අපි වැඩ කරන්නේ දැනටමත් නිර්නාමික කරපු `(anonymized)` දත්ත එක්ක විතරයි."

පක්ෂග්‍රාහීත්වය `(bias)` ගැන කතා කරද්දි, ඒ ප්‍රශ්නය සම්පූර්ණයෙන්ම විසඳිලා නැතත්, පරීක්ෂණයේ ප්‍රතිඵලයට ඒක අදාළ නැහැ කියලයි ඔහු කියන්නේ. මොකද, පරීක්ෂණ අහඹු ලෙස `(randomized)` කරන නිසා, දත්තවල යම් පක්ෂග්‍රාහී බවක් තිබුණත්, ප්‍රතිඵලවලට ඒක බලපාන්නේ නැහැ. ඒත් සමහර විශේෂඥයන් මේ අදහසට එකඟ වෙන්නේ නැහැ. ඔවුන් කියන්නේ, ඔබ සැබෑ මිනිසෙක්ව සසඳන්නේ පරිගණක ආකෘතියක් එක්ක නිසා, ඒ ආකෘතියේ යම් දෝෂයක් තිබුණොත්, ඒක ප්‍රතිඵලවලට සෘජුවම බලපාන්න පුළුවන් කියලයි.

කොහොම වුණත්, `Unlearn.AI` ආයතනය මේ වන විටත් `(Alzheimer’s)`, `(Parkinson’s)`, සහ `(multiple sclerosis)` වැනි ස්නායු රෝග සඳහා සායනික පරීක්ෂණ සැලසුම් කරන්න ඖෂධ සමාගම් එක්ක වැඩ කරනවා. මේ රෝග ගැන අනිත් රෝගවලට වඩා දත්ත තියෙන නිසා, පටන් ගන්න හොඳ තැනක් විදිහට ඔවුන් ඒක තෝරාගෙන තියෙනවා. ෆිෂර් කියන විදිහට, කවදාහරි දවසක හැම රෝගයකටම මේ ක්‍රමය යොදාගන්න පුළුවන් වුණොත්, අලුත් බෙහෙත් වෙළඳපොළට එන කාලය සැලකිය යුතු ලෙස අඩු කරගන්න පුළුවන් වේවි.

Digital Twin, සායනික පරීක්ෂණ, Clinical Trials, කෘත්‍රිම බුද්ධිය, Artificial Intelligence, වෛද්‍ය තාක්ෂණය, Placebo