वह जुड़वाँ जिसे आप नहीं जानते थे



आज सुबह आपने जो दवा ली, वह लैब से आपके पिल पैक तक पहुंचने के लिए एक लंबा रास्ता तय करती है। सबसे पहले, व्यापक प्रयोगशाला अनुसंधान है। फिर, पशु परीक्षण। लेकिन इससे पहले कि किसी दवा को उपयोग के लिए अनुमोदित किया जा सके, इसका मनुष्यों पर परीक्षण किया जाना चाहिए – एक महंगी, जटिल प्रक्रिया में जिसे नैदानिक ​​परीक्षण के रूप में जाना जाता है। मूल बातें अपने सरलतम रूप में, एक नैदानिक ​​परीक्षण कुछ इस तरह से होता है: शोधकर्ता उन रोगियों की भर्ती करते हैं जिन्हें यह बीमारी है। प्रयोगात्मक दवा के उद्देश्य से है। स्वयंसेवकों को बेतरतीब ढंग से दो समूहों में विभाजित किया गया है। एक समूह को प्रायोगिक दवा मिलती है; दूसरे, जिसे नियंत्रण समूह कहा जाता है, को एक प्लेसबो मिलता है (एक ऐसा उपचार जो परीक्षण की जा रही दवा के समान प्रतीत होता है, लेकिन इसका कोई प्रभाव नहीं पड़ता है)। यदि सक्रिय दवा प्राप्त करने वाले रोगियों में प्लेसबो प्राप्त करने वालों की तुलना में अधिक सुधार दिखाई देता है, तो यह इस बात का प्रमाण है कि दवा प्रभावी है। परीक्षण को डिजाइन करने के सबसे चुनौतीपूर्ण भागों में से एक पर्याप्त स्वयंसेवकों को ढूंढना है जो अध्ययन के सटीक मानदंडों को पूरा करते हैं। डॉक्टरों को उन परीक्षणों के बारे में पता नहीं हो सकता है जो उनके रोगियों के लिए उपयुक्त हो सकते हैं, और जो रोगी नामांकन करने के इच्छुक हैं उनमें किसी दिए गए परीक्षण के लिए आवश्यक विशेषताएं नहीं हो सकती हैं। लेकिन आर्टिफिशियल इंटेलिजेंस उस काम को बहुत आसान बना सकता है। मीट योर ट्विनडिजिटल ट्विन्स कंप्यूटर मॉडल हैं जो वास्तविक दुनिया की वस्तुओं या प्रणालियों का अनुकरण करते हैं। वे वस्तुतः उसी तरह व्यवहार करते हैं, सांख्यिकीय रूप से, उनके भौतिक समकक्षों के रूप में। नासा ने ऑक्सीजन टैंक में विस्फोट के बाद मरम्मत करने में मदद करने के लिए अपोलो 13 अंतरिक्ष यान के एक डिजिटल ट्विन का उपयोग किया, जिससे पृथ्वी पर इंजीनियरों को 200,000 मील दूर से मरम्मत करने के लिए हाथ धोना पड़ा। पर्याप्त डेटा को देखते हुए, वैज्ञानिक मशीन लर्निंग का उपयोग करके लोगों के डिजिटल जुड़वाँ बना सकते हैं, ए आर्टिफिशियल इंटेलिजेंस का प्रकार जिसमें प्रोग्राम हाथ में काम के लिए विशेष रूप से प्रोग्राम किए जाने के बजाय बड़ी मात्रा में डेटा से सीखते हैं। नैदानिक ​​​​परीक्षणों में रोगियों के डिजिटल जुड़वाँ पिछले नैदानिक ​​​​परीक्षणों और व्यक्तिगत रोगी रिकॉर्ड से रोगी डेटा पर मशीन-लर्निंग मॉडल को प्रशिक्षित करके बनाए जाते हैं। मॉडल भविष्यवाणी करता है कि परीक्षण के दौरान रोगी के स्वास्थ्य की प्रगति कैसे होगी यदि उन्हें एक प्लेसबो दिया गया था, अनिवार्य रूप से किसी विशेष रोगी के लिए एक नकली नियंत्रण समूह बनाना। तो यह है कि यह कैसे काम करेगा: एक व्यक्ति, चलो उसे सैली कहते हैं, उस समूह को सौंपा जाता है जिसे सक्रिय दवा मिलती है। सैली का डिजिटल ट्विन (कंप्यूटर मॉडल) नियंत्रण समूह में है। यह भविष्यवाणी करता है कि अगर सैली को इलाज नहीं मिला तो क्या होगा। सैली की दवा के प्रति प्रतिक्रिया और सैली की प्रतिक्रिया की मॉडल की भविष्यवाणी के बीच का अंतर अगर उसने इसके बजाय प्लेसीबो लिया तो यह अनुमान होगा कि सैली के लिए उपचार कितना प्रभावी होगा। नियंत्रण समूह में रोगियों के लिए डिजिटल जुड़वाँ भी बनाए जाते हैं। डिजिटल जुड़वाँ को प्लेसबो प्राप्त करने वाले मनुष्यों के साथ क्या होगा, इसकी भविष्यवाणियों की तुलना करके, शोधकर्ता मॉडल में किसी भी समस्या को खोज सकते हैं और इसे और अधिक सटीक बना सकते हैं। डिजिटल जुड़वाँ के साथ नियंत्रण समूहों को बदलने या बढ़ाने से रोगी स्वयंसेवकों को मदद मिल सकती है साथ ही शोधकर्ताओं। परीक्षण में शामिल होने वाले अधिकांश लोग एक नई दवा प्राप्त करने की उम्मीद में ऐसा करते हैं जो पहले से स्वीकृत दवाओं के विफल होने पर उनकी मदद कर सकती है। लेकिन 50/50 संभावना है कि उन्हें नियंत्रण समूह में रखा जाएगा और उन्हें प्रायोगिक उपचार नहीं मिलेगा। नियंत्रण समूहों को डिजिटल जुड़वाँ के साथ बदलने का मतलब यह हो सकता है कि अधिक लोगों की प्रयोगात्मक दवाओं तक पहुंच हो। अप्रत्याशित तकनीक आशाजनक हो सकती है, लेकिन यह अभी तक व्यापक उपयोग में नहीं है – शायद अच्छे कारण के लिए। डेनियल नील, पीएचडी, न्यूयॉर्क विश्वविद्यालय में मशीन लर्निंग के विशेषज्ञ हैं, जिसमें स्वास्थ्य देखभाल में इसके अनुप्रयोग शामिल हैं। वह बताते हैं कि मशीन लर्निंग मॉडल बहुत सारे डेटा होने पर निर्भर करते हैं, और व्यक्तियों पर उच्च गुणवत्ता वाला डेटा प्राप्त करना मुश्किल हो सकता है। आहार और व्यायाम जैसी चीज़ों के बारे में जानकारी अक्सर स्वयं रिपोर्ट की जाती है, और लोग हमेशा ईमानदार नहीं होते हैं। वे कहते हैं कि वे व्यायाम की मात्रा को कम आंकते हैं और जंक फूड की मात्रा को कम आंकते हैं, वे कहते हैं। दुर्लभ प्रतिकूल घटनाओं को ध्यान में रखते हुए भी एक समस्या हो सकती है, वे कहते हैं। “सबसे अधिक संभावना है, वे चीजें हैं जिनके लिए आपने अपने नियंत्रण समूह में मॉडलिंग नहीं की है।” उदाहरण के लिए, किसी को किसी दवा के प्रति अप्रत्याशित नकारात्मक प्रतिक्रिया हो सकती है। लेकिन नील की सबसे बड़ी चिंता यह है कि भविष्य कहनेवाला मॉडल वह दर्शाता है जिसे वह “हमेशा की तरह व्यवसाय” कहते हैं। एक बड़ी अप्रत्याशित घटना कहें – उदाहरण के लिए, COVID-19 महामारी जैसी कोई चीज़ – हर किसी के व्यवहार पैटर्न को बदल देती है, और लोग बीमार हो जाते हैं। “ऐसा कुछ है जो इन नियंत्रण मॉडल को ध्यान में नहीं रखेगा, ” वे कहते हैं। उन अप्रत्याशित घटनाओं, जिन्हें नियंत्रण समूह में शामिल नहीं किया जा रहा है, परीक्षण के परिणाम को तिरछा कर सकते हैं। स्क्रिप्स रिसर्च ट्रांसलेशनल इंस्टीट्यूट के संस्थापक और निदेशक और स्वास्थ्य देखभाल में डिजिटल तकनीकों का उपयोग करने वाले विशेषज्ञ एरिक टोपोल को लगता है कि यह विचार बहुत अच्छा है, लेकिन अभी तक प्राइम टाइम के लिए तैयार नहीं है। “मुझे नहीं लगता कि क्लिनिकल परीक्षण निकट अवधि में बदलने जा रहे हैं, क्योंकि इसके लिए स्वास्थ्य रिकॉर्ड से परे डेटा की कई परतों की आवश्यकता होती है, जैसे कि जीनोम अनुक्रम, आंत माइक्रोबायोम, पर्यावरण डेटा, और इसी तरह।” वह भविष्यवाणी करता है कि एआई का उपयोग करके बड़े पैमाने पर परीक्षण करने में सक्षम होने में वर्षों लगेंगे, विशेष रूप से एक से अधिक बीमारियों के लिए। (टॉपोल, वेबएमडी की सहयोगी वेबसाइट, मेडस्केप के प्रधान संपादक भी हैं।) पर्याप्त गुणवत्ता डेटा एकत्र करना एक चुनौती है, चार्ल्स फिशर, पीएचडी, Unlearn.AI के संस्थापक और सीईओ, नैदानिक ​​परीक्षणों के लिए एक स्टार्ट-अप अग्रणी डिजिटल जुड़वां कहते हैं। . लेकिन, वे कहते हैं, इस तरह की समस्या को संबोधित करना कंपनी के दीर्घकालिक लक्ष्यों का हिस्सा है। फिशर कहते हैं, मशीन लर्निंग मॉडल के बारे में सबसे अधिक उद्धृत चिंताओं में से दो – गोपनीयता और पूर्वाग्रह – पहले से ही जिम्मेदार हैं। “गोपनीयता आसान है। हम केवल उस डेटा के साथ काम करते हैं जिसे पहले ही गुमनाम कर दिया गया है।” जब पूर्वाग्रह की बात आती है, तो समस्या हल नहीं होती है, लेकिन यह अप्रासंगिक है – कम से कम परीक्षण के परिणाम के लिए, फिशर के अनुसार। मशीन लर्निंग टूल्स के साथ एक अच्छी तरह से प्रलेखित समस्या यह है कि उन्हें पक्षपाती डेटा सेट पर प्रशिक्षित किया जा सकता है – उदाहरण के लिए, जो किसी विशेष समूह को कम प्रतिनिधित्व करते हैं। लेकिन, फिशर कहते हैं, क्योंकि परीक्षण यादृच्छिक हैं, परिणाम डेटा में पूर्वाग्रह के प्रति असंवेदनशील हैं। परीक्षण मापता है कि परीक्षण की जा रही दवा नियंत्रण के साथ तुलना के आधार पर परीक्षण में लोगों को कैसे प्रभावित करती है, और मॉडल को वास्तविक नियंत्रणों से अधिक निकटता से समायोजित करती है। इसलिए, फिशर के अनुसार, भले ही परीक्षण के लिए विषयों की पसंद पक्षपाती हो, और मूल डेटासेट पक्षपाती हो, “हम परीक्षणों को डिजाइन करने में सक्षम हैं ताकि वे उस पूर्वाग्रह के प्रति असंवेदनशील हों।” नील को यह आश्वस्त करने वाला नहीं लगता। आप अध्ययन आबादी के लिए उपचार प्रभाव का सही अनुमान लगाने के लिए अपने मॉडल को समायोजित करके एक यादृच्छिक परीक्षण में पूर्वाग्रह को एक संकीर्ण अर्थ में हटा सकते हैं, लेकिन जब आप अध्ययन से परे सामान्यीकरण करने का प्रयास करेंगे तो आप उन पूर्वाग्रहों को फिर से प्रस्तुत करेंगे। Unlearn.AI “इलाज किए गए व्यक्तियों की तुलना नियंत्रण से नहीं कर रहा है,” नील कहते हैं। “यह इलाज किए गए व्यक्तियों की तुलना मॉडल-आधारित अनुमानों से कर रहा है कि यदि वे नियंत्रण समूह में होते तो व्यक्ति का परिणाम क्या होता। उन मॉडलों या किसी भी घटना में कोई त्रुटि जो वे अनुमान लगाने में विफल रहते हैं, वे व्यवस्थित पूर्वाग्रह पैदा कर सकते हैं – यानी, अधिक- या उपचार के प्रभाव का कम अनुमान। ”लेकिन unlearn.AI आगे ​​बढ़ रहा है। यह पहले से ही दवा कंपनियों के साथ काम कर रहा है ताकि अल्जाइमर, पार्किंसंस और मल्टीपल स्केलेरोसिस जैसे न्यूरोलॉजिकल रोगों के लिए परीक्षण तैयार किया जा सके। इन बीमारियों पर पहले की तुलना में अधिक डेटा है कई अन्य, इसलिए वे शुरू करने के लिए एक अच्छी जगह थे। फिशर का कहना है कि दृष्टिकोण को अंततः हर बीमारी पर लागू किया जा सकता है, नई दवाओं को बाजार में लाने में लगने वाले समय को काफी हद तक कम कर देता है। यदि यह तकनीक उपयोगी साबित होती है, तो ये अदृश्य भाई-बहन रोगियों को लाभान्वित कर सकते हैं और एक जैसे शोधकर्ता ..



Source link

Leave a Reply

Your email address will not be published.