உங்களுடைய சொந்த 'டிஜிட்டல் இரட்டையா'? போதைப்பொருள் பரிசோதனையை மாற்றியமைக்கும் சமீபத்திய தொழில்நுட்பம் (டிஜிட்டல் இரட்டை)

இன்று காலை நீங்கள் உட்கொண்ட அந்த மாத்திரை உங்கள் கைகளுக்கு வந்து சேர எவ்வளவு காலம் பிடித்திருக்கும் என்று எப்போதாவது யோசித்ததுண்டா? முதலில், அவர்கள் ஆய்வகங்களில் விரிவான ஆராய்ச்சிகளை மேற்கொள்கிறார்கள். பிறகு அதை விலங்குகளின் மீது சோதிக்கிறார்கள். ஆனால், மனிதப் பயன்பாட்டிற்கு அங்கீகரிக்கப்படுவதற்கு முன்பு, அதை மனிதர்களிடமே சோதிக்க வேண்டும். இதைத்தான் நாம் மருத்துவப் பரிசோதனை (clinical trial) என்று அழைக்கிறோம். இது மிகவும் சிக்கலான மற்றும் செலவுமிக்க ஒரு செயல்முறையாகும்.

சுருக்கமாகச் சொன்னால், மருத்துவப் பரிசோதனை என்றால் என்ன?

எளிமையாகச் சொன்னால், ஒரு மருத்துவப் பரிசோதனை இவ்வாறு செயல்படுகிறது: புதிதாக உருவாக்கப்பட்ட மருந்து குறிவைக்கும் நோயால் பாதிக்கப்பட்ட நோயாளிகளை ஆராய்ச்சியாளர்கள் தேர்வு செய்கிறார்கள். பின்னர் இந்தத் தன்னார்வலர்கள் சீரற்ற முறையில் இரண்டு குழுக்களாகப் பிரிக்கப்படுகிறார்கள்.

1. முதல் குழுவிற்குப் புதிய மருந்து பரிசோதனைக்காக வழங்கப்படுகிறது.

2. இரண்டாவது குழுவான , ``கட்டுப்பாட்டுக் குழுவிற்கு'', செயல்திறன் மிக்க மூலப்பொருள் ஏதுமில்லாததும், மருந்தைப் போலவே தோற்றமளிப்பதுமான ஒரு போலி மருந்து வழங்கப்படுகிறது. இதை நாம் ``போலி மருந்து'' என்று அழைக்கிறோம்.

இந்தச் சோதனையின் முடிவில், போலி மருந்தை எடுத்துக்கொண்டவர்களை விட, புதிய மருந்தை எடுத்துக்கொண்டவர்களின் அறிகுறிகள் அதிகமாக மேம்பட்டிருந்தால், அந்தப் புதிய மருந்து பயனுள்ளது என்பது நிரூபிக்கப்படும்.

இதுபோன்ற ஒரு சோதனையில் உள்ள மிகப்பெரிய சவால்களில் ஒன்று, அந்தச் சோதனைக்குத் துல்லியமாகப் பொருந்தக்கூடிய போதுமான நோயாளிகளைக் கண்டறிவதாகும். சில சமயங்களில், தங்கள் நோயாளிகளுக்கு எந்தச் சோதனைகள் பொருத்தமானவை என்பது மருத்துவர்களுக்கே கூடத் தெரிவதில்லை. மேலும், பங்கேற்க விரும்பும் நோயாளிகளின் குணாதிசயங்கள் சோதனையின் தேவைகளுடன் பொருந்தாமல் போகலாம். இருப்பினும், செயற்கை நுண்ணறிவு (AI) இந்தப் பணியை மிகவும் எளிதாக்கக்கூடும்.

உங்கள் "டிஜிட்டல் இரட்டையரை" சந்தியுங்கள்

உங்களுக்கென ஒரு கணினி மாதிரி, அதாவது உங்களின் ஒரு எண்ணிம நகல் இருப்பதாகக் கற்பனை செய்து பாருங்கள். அதுதான் 'எஜமான இரட்டை' (Digital Twin) என்று அழைக்கப்படுகிறது. இவை கணினியில் ஒரு நிஜ உலகப் பொருள் அல்லது அமைப்பை உருவகப்படுத்தும் 'கணினி மாதிரிகள்' மட்டுமே. ஆனால், எண்ரீதியாகப் பார்க்கும்போது, ​​அவை அசல் பொருளைப் போலவே துல்லியமாகச் செயல்படுகின்றன. இதற்குச் சிறந்த உதாரணம், அப்பல்லோ 13 விண்கலத்தில் இருந்த ஆக்சிஜன் தொட்டி வெடித்தபோது, ​​பூமியில் உருவாக்கப்பட்ட அதே விண்கலத்தின் 'எஜமான இரட்டை' ஒன்றைக் கொண்டு நாசா அதைச் சரிசெய்ய உதவியது.

தற்போது, ​​போதுமான தரவுகள் கொடுக்கப்பட்டால், விஞ்ஞானிகளால் ஒரு மனிதனின் 'டிஜிட்டல் இரட்டையை' உருவாக்க முடியும். இது 'இயந்திரக் கற்றல்' எனப்படும் ஒரு செயற்கை நுண்ணறிவுத் தொழில்நுட்பத்தைப் பயன்படுத்துகிறது. எளிமையாகச் சொன்னால், இது ஒரு கணினி நிரலுக்கு அதிக அளவிலான தரவுகளைக் கொடுத்து, அதிலிருந்து அது கற்றுக்கொள்ள அனுமதிப்பதை உள்ளடக்கியது.

முந்தைய மருத்துவப் பரிசோதனைகளின் தரவுகள் மற்றும் ஒவ்வொரு நோயாளியின் தனிப்பட்ட மருத்துவப் பதிவேடுகளைப் பயன்படுத்தி இந்த இயந்திரக் கற்றல் மாதிரிகளுக்குப் பயிற்சி அளிப்பதன் மூலம் நோயாளிகளின் எண்ணிம இரட்டைகள் உருவாக்கப்படுகின்றன. அதன்பின் , ஒரு நோயாளிக்கு போலி மருந்து (placebo) வழங்கப்பட்டால், பரிசோதனையின் போது அவரது உடல்நிலை எவ்வாறு மாறும் என்பதை அந்த மாதிரியால் கணிக்க முடியும்.அதாவது, அதே நோயாளிக்காக கணினி மூலம் உருவாக்கப்பட்ட ஒரு கட்டுப்பாட்டுக் குழு (உருவகப்படுத்தப்பட்ட கட்டுப்பாட்டுக் குழு) உருவாக்கப்படுகிறது.

இப்போது இது எப்படி வேலை செய்கிறது என்று பார்ப்போம். ஒரு புதிய மருந்தைப் பெறும் குழுவில் "சமாதி" என்ற ஒருவர் தேர்ந்தெடுக்கப்படுகிறார் என்று வைத்துக்கொள்வோம். சமாதியின் 'டிஜிட்டல் இரட்டை' எனப்படும் கணினி மாதிரி, கட்டுப்பாட்டுக் குழுவில் உள்ளது. உண்மையான மருந்துக்குப் பதிலாக சமாதிக்கு ஒரு 'போலி மருந்து' (Placebo) கொடுக்கப்பட்டால் என்ன நடக்கும் என்பதை அந்த மாதிரி கணிக்கிறது. இறுதியில், மருந்துக்கு சமாதியின் உண்மையான எதிர்வினைக்கும், அவர் 'போலி மருந்தை' எடுத்துக்கொண்டால் என்ன நடக்கும் என்று மாதிரி கணித்ததற்கும் உள்ள வேறுபாடுதான், சமாதிக்கு அந்த மருந்து எவ்வளவு பயனுள்ளதாக இருக்கிறது என்பதற்கான அளவீடாக அமைகிறது.

பாரம்பரிய கட்டுப்பாட்டுக் குழுக்களுக்குப் பதிலாக 'டிஜிட்டல் இரட்டையர்களை'ப் பயன்படுத்துவதால் ஏற்படும் நன்மைகளைத் தெளிவாகக் காண, இந்த அட்டவணையைப் பார்ப்போம்.

இந்தத் தொழில்நுட்பம் நல்லதாக இருந்தாலும், அதில் பிரச்சினைகள் இல்லையா?

இந்தத் தொழில்நுட்பம் எதிர்காலத்திற்குப் பெரும் நம்பிக்கையை அளித்தாலும், அது இன்னும் பரவலாகப் பயன்படுத்தப்படவில்லை. இதற்கு நல்ல காரணங்கள் இருக்கலாம். ‘(இயந்திரக் கற்றல்)’ நிபுணரான டாக்டர் டேனியல் நீல் சுட்டிக்காட்டுவது போல, இந்த மாதிரிகள் பெருமளவிலான தரவுகளைச் சார்ந்துள்ளன. மேலும், தனிநபர்களிடமிருந்து உயர்தரத் தரவுகளைப் பெறுவது மிகவும் கடினம்.

மற்றொரு சிக்கல் என்னவென்றால், ஒரு மருந்து ஏற்படுத்தக்கூடிய அரிதான, எதிர்பாராத பக்க விளைவுகள் ஆகும். இவை பெரும்பாலும் கட்டுப்பாட்டுக் குழுவிற்காக வடிவமைக்கப்பட்ட மாதிரியில் உள்ளடக்கப்படுவதில்லை.

ஆனால், இந்த முன்கணிப்பு மாதிரியானது "வழக்கமான வணிக நடைமுறைகளை" அடிப்படையாகக் கொண்டது என்பதுதான் டாக்டர் நீலின் மிகப்பெரிய அச்சம். கோவிட்-19 பெருந்தொற்று போன்ற ஒரு பெரிய, எதிர்பாராத நிகழ்வு அனைவரின் நடத்தையையும் மாற்றி, மக்களை நோய்வாய்ப்படுத்துவதாகக் கற்பனை செய்து பாருங்கள். "கட்டுப்பாட்டு மாதிரிகள் இதைக் கணக்கில் எடுத்துக்கொள்வதில்லை," என்கிறார் அவர். அப்படியென்றால், கட்டுப்பாட்டுக் குழு கணக்கில் எடுத்துக்கொள்ளாத இந்த நிகழ்வுகளின் காரணமாக, பரிசோதனையின் இறுதி முடிவுகள் முற்றிலும் மாறுபட்டதாக இருக்கக்கூடும்.

அப்படியானால், இதை உண்மையிலேயே பயன்படுத்த முடியுமா? எதிர்காலம் என்னவாக இருக்கும்?

சுகாதாரத் துறையில் டிஜிட்டல் தொழில்நுட்பப் பயன்பாடு குறித்த நிபுணரான எரிக் டோபோல், இந்த யோசனை சிறந்தது என்றாலும், அதற்கான நேரம் இன்னும் வரவில்லை என்று கருதுகிறார். "அண்மைக் எதிர்காலத்தில் மருத்துவப் பரிசோதனைகள் மாறும் என்று நான் நினைக்கவில்லை. ஏனெனில், இதற்கு வெறும் சுகாதாரப் பதிவுகளைத் தாண்டி, மரபணு வரிசைமுறைகள், குடல் நுண்ணுயிர்த் தொகுப்பு, சுற்றுச்சூழல் தரவுகள் போன்ற பல அடுக்குத் தரவுகள் தேவைப்படுகின்றன."

இந்தத் தொழில்நுட்பத்தில் ஒரு முன்னோடியான Unlearn.AI நிறுவனத்தின் நிறுவனர் சார்லஸ் ஃபிஷரின் கூற்றுப்படி, தரவு தனியுரிமை மற்றும் பாரபட்சம் தொடர்பான சிக்கல்களுக்கு ஏற்கனவே தீர்வுகள் உள்ளன. "தனியுரிமை எளிதானது. நாங்கள் ஏற்கனவே அடையாளம் மறைக்கப்பட்ட தரவுகளுடன் மட்டுமே செயல்படுகிறோம்."

சார்புநிலை பற்றிப் பேசும்போது, ​​இந்தப் பிரச்சினை முழுமையாகத் தீர்க்கப்படவில்லை என்றாலும், அது ஆய்வின் முடிவுகளுக்குத் தொடர்பற்றது என்று அவர் கூறுகிறார். ஆய்வுகள் சீரற்ற முறையில் செய்யப்படுவதால், தரவுகளில் சிறிதளவு சார்புநிலை இருந்தாலும், அது முடிவுகளைப் பாதிப்பதில்லை. இருப்பினும், சில வல்லுநர்கள் இந்தக் கருத்துடன் உடன்படுவதில்லை. அவர்கள் கூறுகிறார்கள்,நீங்கள் ஒரு உண்மையான நபரை கணினி மாதிரியுடன் ஒப்பிடுவதால், அந்த மாதிரியில் ஏதேனும் பிழை இருந்தால், அது முடிவுகளை நேரடியாகப் பாதிக்கக்கூடும்.

இருப்பினும், அன்லெர்ன்.ஏஐ (Unlearn.AI) நிறுவனம் ஏற்கனவே அல்சைமர், பார்கின்சன் மற்றும் மல்டிபிள் ஸ்களீரோசிஸ் போன்ற நரம்பியல் நோய்களுக்கான மருத்துவப் பரிசோதனைகளை வடிவமைக்க மருந்து நிறுவனங்களுடன் இணைந்து செயல்பட்டு வருகிறது. மற்ற நோய்களை விட இவற்றிடம் அதிக தரவுகள் இருப்பதால், தொடங்குவதற்கு ஒரு நல்ல இடமாக இந்த நோய்களை அவர்கள் தேர்ந்தெடுத்தனர். ஒருநாள் இந்த முறையை அனைத்து நோய்களுக்கும் பயன்படுத்த முடிந்தால், புதிய மருந்துகள் சந்தைக்கு வருவதற்கு ஆகும் நேரத்தை இது கணிசமாகக் குறைக்கும் என்று ஃபிஷர் கூறுகிறார்.