آپ کا اپنا "ڈیجیٹل جڑواں"؟ جدید ترین ٹیکنالوجی جو منشیات کی جانچ کو بدل دے گی (ڈیجیٹل ٹوئن)

کیا آپ نے کبھی سوچا ہے کہ آج صبح آپ نے جو گولی لی ہے اسے آپ کے ہاتھ پہنچنے میں کتنا وقت لگا؟ سب سے پہلے، وہ لیبارٹریوں میں وسیع تحقیق کرتے ہیں۔ پھر وہ اسے جانوروں پر آزماتے ہیں۔ لیکن اس سے پہلے کہ انہیں انسانوں میں استعمال کرنے کی منظوری دی جائے، انہیں انسانوں پر اس کا تجربہ کرنا ہوگا۔ اسے ہم کلینکل ٹرائل کہتے ہیں۔ یہ ایک بہت ہی پیچیدہ اور مہنگا عمل ہے۔

سادہ لفظوں میں، کلینکل ٹرائل کیا ہے؟

سادہ الفاظ میں، کلینیکل ٹرائل اس طرح کام کرتا ہے: محققین اس بیماری کے ساتھ مریضوں کو بھرتی کرتے ہیں جنہیں نئی ​​تیار کردہ دوا نشانہ بنا رہی ہے۔ ان رضاکاروں کو پھر تصادفی طور پر دو گروپوں میں تقسیم کیا جاتا ہے۔

1. پہلے گروپ کو ٹیسٹ کے لیے نئی دوا دی جاتی ہے۔

2. دوسرے گروپ ، ''کنٹرول گروپ'' کو ایک پلیسبو دیا جاتا ہے جس میں کوئی فعال اجزا نہیں ہوتا اور وہ بالکل دوا کی طرح لگتا ہے۔ ہم اسے ''Placebo'' کہتے ہیں۔

اگر، اس آزمائش کے اختتام پر، نئی دوا لینے والوں کی علامات میں پلیسبو لینے والوں سے زیادہ بہتری آئی ہے، تو اس سے ثابت ہوتا ہے کہ نئی دوا موثر ہے۔

اس طرح کے ٹرائل میں سب سے بڑا چیلنج کافی مریضوں کو تلاش کرنا ہے جو ٹرائل کے لیے بالکل موزوں ہیں۔ بعض اوقات ڈاکٹروں کو بھی معلوم نہیں ہوتا کہ ان کے مریضوں کے لیے کون سی آزمائش صحیح ہے۔ اس کے علاوہ، جو مریض حصہ لینا چاہتے ہیں ان کی خصوصیات ٹرائل کی ضروریات سے مماثل نہیں ہوسکتی ہیں۔ تاہم، مصنوعی ذہانت (AI) اس کام کو بہت آسان بنا سکتی ہے۔

اپنے "ڈیجیٹل ٹوئن" سے ملو

تصور کریں کہ آپ کے پاس آپ کا اپنا کمپیوٹر ماڈل ہے، یعنی آپ کی ایک ڈیجیٹل کاپی۔ اسی کو ’’ڈیجیٹل ٹوئن‘‘ کہا جاتا ہے۔ یہ صرف ''کمپیوٹر ماڈل'' ہیں جو کمپیوٹر پر کسی حقیقی دنیا کی چیز یا سسٹم کی نقالی کرتے ہیں۔ لیکن جب عددی طور پر دیکھا جائے تو وہ بالکل حقیقی چیز کی طرح برتاؤ کرتے ہیں۔ بہترین مثال یہ ہے کہ جب اپالو 13 خلائی جہاز پر آکسیجن ٹینک پھٹ گیا تو ناسا نے زمین پر بنائے گئے اسی خلائی جہاز کے `` ڈیجیٹل جڑواں '' کے ساتھ اس کی مرمت میں مدد کی۔

اب، سائنس دان ایک انسان کا ایک `ڈیجیٹل ٹوئن` تشکیل دے سکتے ہیں، کافی ``ڈیٹا` دے کر۔ یہ ایک مصنوعی ذہانت کی ٹیکنالوجی کا استعمال کرتی ہے جسے ''مشین لرننگ'' کہا جاتا ہے۔ سیدھے الفاظ میں، اس میں کمپیوٹر پروگرام کو ڈیٹا کی ایک بڑی مقدار دینا اور اسے اس سے سیکھنے دینا شامل ہے۔

مریضوں کے ڈیجیٹل جڑواں بچے ان مشین لرننگ ماڈلز کو تربیت دے کر بنائے جاتے ہیں جو پچھلے کلینیکل ٹرائلز اور ہر مریض کے ذاتی میڈیکل ریکارڈز کے ڈیٹا کا استعمال کرتے ہیں۔ اس کے بعد ماڈل یہ پیشین گوئی کر سکتا ہے کہ اگر کسی مریض کو پلیسبو دیا جائے تو اس کی صحت آزمائش کے دوران کیسے بدلے گی۔یعنی کمپیوٹر سے تیار کردہ کنٹرول گروپ (Simulated Control Group) اسی مریض کے لیے بنایا گیا ہے۔

اب دیکھتے ہیں کہ یہ کیسے کام کرتا ہے۔ فرض کریں کہ "سمادھی" نام کے کسی فرد کو اس گروپ میں شامل کرنے کے لیے منتخب کیا گیا ہے جسے ایک نئی دوا ملتی ہے۔ سمادھی کا ''ڈیجیٹل ٹوئن''، ایک کمپیوٹر ماڈل، کنٹرول گروپ میں ہے۔ ماڈل نے پیش گوئی کی ہے کہ اگر سمادھی کو اصل دوا کے بجائے ''پلیسیبو'' دیا جائے تو کیا ہوگا۔ بالآخر، سمادھی کے منشیات کے بارے میں حقیقی ردعمل اور ماڈل نے پیش گوئی کی ہے کہ اگر وہ ''Placebo'' لے گا تو اس کے درمیان فرق اس بات کا اندازہ ہے کہ دوا سمادھی کے لیے کتنی موثر ہے۔

آئیے روایتی کنٹرول ٹیموں کے بجائے `` ڈیجیٹل ٹوئنز '' کے استعمال کے فوائد کو واضح طور پر دیکھنے کے لیے اس جدول کو دیکھتے ہیں۔

اگرچہ یہ ٹیکنالوجی اچھی ہے، کیا مسائل نہیں ہیں؟

اگرچہ یہ ٹیکنالوجی مستقبل کے لیے بہت بڑا وعدہ رکھتی ہے، لیکن یہ ابھی تک وسیع پیمانے پر استعمال نہیں ہوئی ہے۔ اس کی اچھی وجوہات ہوسکتی ہیں۔ جیسا کہ ``(مشین لرننگ) کے ماہر ڈاکٹر ڈینیل نیل بتاتے ہیں، یہ ماڈلز بڑی مقدار میں ڈیٹا پر انحصار کرتے ہیں۔ نیز، افراد سے اعلیٰ معیار کا ڈیٹا حاصل کرنا بہت مشکل ہے۔

ایک اور مسئلہ نایاب، غیر متوقع ضمنی اثرات ہے جو ایک دوا کا سبب بن سکتا ہے۔ یہ اکثر کنٹرول گروپ کے لیے بنائے گئے ماڈل میں شامل نہیں ہوتے ہیں۔

لیکن ڈاکٹر نیل کا سب سے بڑا خوف یہ ہے کہ یہ پیشین گوئی ماڈل "معمول کے مطابق کاروبار" پر مبنی ہے۔ COVID-19 کی وبا جیسے بڑے، غیر متوقع واقعے کا تصور کریں جو ہر ایک کے رویے کو بدل دیتا ہے اور لوگوں کو بیمار کرتا ہے۔ "کنٹرول ماڈل اس کو مدنظر نہیں رکھتے،" وہ کہتے ہیں۔ پھر، ان واقعات کی وجہ سے جنہیں کنٹرول گروپ نے دھیان میں نہیں لیا، تجربے کے حتمی نتائج بالکل مختلف ہو سکتے ہیں۔

تو کیا یہ واقعی استعمال کیا جا سکتا ہے؟ مستقبل کیا رکھے گا؟

صحت کی دیکھ بھال میں ڈیجیٹل ٹیکنالوجی کے استعمال کے ماہر ایرک ٹوپول کے خیال میں یہ آئیڈیا بہت اچھا ہے، لیکن ابھی وقت درست نہیں ہے۔ "مجھے نہیں لگتا کہ مستقبل قریب میں کلینیکل ٹرائلز میں کوئی تبدیلی آئے گی۔ کیونکہ اس کے لیے ڈیٹا کی متعدد پرتوں کی ضرورت ہوتی ہے، صرف صحت کے ریکارڈ سے ہٹ کر، جیسے جینوم کی ترتیب، گٹ مائکرو بایوم، ماحولیاتی ڈیٹا۔"

اس ٹیکنالوجی کے علمبردار Unlearn.AI کے بانی چارلس فشر کے مطابق ڈیٹا پرائیویسی اور تعصب کے مسائل کے حل پہلے ہی موجود ہیں۔ "رازداری آسان ہے۔ ہم صرف اس ڈیٹا کے ساتھ کام کرتے ہیں جو پہلے سے گمنام ہے۔"

تعصب کے بارے میں بات کرتے ہوئے، وہ کہتے ہیں کہ اگرچہ یہ مسئلہ مکمل طور پر حل نہیں ہوا ہے، یہ مطالعہ کے نتائج سے متعلق نہیں ہے. چونکہ مطالعہ بے ترتیب ہیں، یہاں تک کہ اگر اعداد و شمار میں کچھ تعصب ہے، تو یہ نتائج کو متاثر نہیں کرتا ہے۔ تاہم، بعض ماہرین اس خیال سے متفق نہیں ہیں۔ وہ کہتے ہیں،چونکہ آپ ایک حقیقی شخص کا کمپیوٹر ماڈل سے موازنہ کر رہے ہیں، اگر اس ماڈل میں کوئی خامی ہے تو یہ براہ راست نتائج کو متاثر کر سکتی ہے۔

تاہم، Unlearn.AI پہلے سے ہی دوا ساز کمپنیوں کے ساتھ مل کر اعصابی امراض جیسے الزائمر، پارکنسنز اور ایک سے زیادہ سکلیروسیس کے لیے کلینیکل ٹرائلز ڈیزائن کرنے کے لیے کام کر رہا ہے۔ انہوں نے ان بیماریوں کو شروع کرنے کے لیے ایک اچھی جگہ کے طور پر چنا کیونکہ ان کے پاس دوسروں کے مقابلے زیادہ ڈیٹا ہے۔ فشر کا کہنا ہے کہ اگر اس طریقہ کار کو ایک دن تمام بیماریوں پر لاگو کیا جا سکتا ہے، تو اس سے نئی ادویات کے مارکیٹ میں آنے میں لگنے والے وقت میں نمایاں کمی ہو سکتی ہے۔