কীভাবে একটি AI-চালিত পদ্ধতি একজন টেক ফাউন্ডারকে বিরল ক্যান্সার জয় করতে সাহায্য করেছিল

যখন স্বাস্থ্য-সচেতন উদ্যোক্তা কনো ক্রিস্টু (Conno Christou) নন-হজকিনস লিম্ফোমার (non-Hodgkin’s lymphoma) একটি আক্রমণাত্মক রূপে আক্রান্ত হন, তখন তিনি তার বেঁচে থাকাকে ভাগ্যের ওপর ছেড়ে দিতে অস্বীকার করেন। তার এই চিকিৎসা লড়াইকে একটি উচ্চ-ঝুঁকিপূর্ণ স্টার্টআপের মতো বিবেচনা করে, তিনি একটি জটিল স্বাস্থ্যসেবা ব্যবস্থা মোকাবিলা করতে ওয়্যারেবল ডেটা (wearable data) এবং LLM-এর সাহায্য নেন।

বিরল রোগের মোকাবিলায় ডেটা-চালিত বেঁচে থাকা

ক্রিস্টুর রোগ নির্ণয় ছিল একটি পরিসংখ্যানগত ব্যতিক্রম: তার স্টার্নামের (sternum) পেছনে একটি ১১-বাই-১১-বাই-৮ সেন্টিমিটারের টিউমার বা ভর, যা একটি আকস্মিক জেনেটিক মিউটেশনের কারণে হয়েছিল। ৪,২০,০০০ মানুষের মধ্যে মাত্র একজনের ক্ষেত্রে দেখা দেওয়া এই অবস্থার জন্য, প্রচলিত চিকিৎসা পদ্ধতি তার প্রয়োজনীয় সূক্ষ্মতার জন্য প্রায়শই অপর্যাপ্ত ছিল। দুইজন বিশেষজ্ঞের কাছ থেকে সম্পূর্ণ বিপরীতধর্মী চিকিৎসার পরামর্শ পাওয়ার পর—একজন ৬০% সাফল্যের হার সম্পন্ন রেজিমেন এবং অন্যজন ৮৫% সাফল্যের হার সম্পন্ন একটি আক্রমণাত্মক পথের পরামর্শ দিয়েছিলেন—ক্রিস্টু ডেটা সংগ্রহের (data aggregation) দিকে মনোনিবেশ করেন।

তিনি কেবল একটি দ্বিতীয় মতের (second opinion) ওপর নির্ভর করেই থেমে থাকেননি; তিনি ১২টি মত সংগ্রহ করেছিলেন। তার সুস্থতাকে একটি "marathon of sprints" হিসেবে বিবেচনা করে, তিনি তার রোগ প্রতিরোধ ক্ষমতা কমে যাওয়ার পূর্বাভাস পেতে Whoop ওয়্যারেবল ব্যবহার করেন এবং ভয়েস ট্রান্সক্রিপশনের মাধ্যমে একটি সূক্ষ্ম লক্ষণ ডায়েরি (symptom journal) বজায় রাখেন। এই বিস্তারিত ডেটা সংগ্রহ তাকে তার কোম্পানিগুলোকে বড় করার ক্ষেত্রে যে কঠোরতা ব্যবহার করতেন, ঠিক সেই একই কঠোরতার সাথে ঘুম, পুষ্টি এবং মানসিক স্থিতিস্থাপকতা পর্যবেক্ষণ করতে সাহায্য করেছিল।

চিকিৎসা জ্ঞানের ঘাটতি পূরণে LLM-এর ব্যবহার

ক্রিস্টুর যাত্রার সবচেয়ে গুরুত্বপূর্ণ মোড় ছিল Anthropic দ্বারা তৈরি একটি LLM, Claude-এর ব্যবহার। যদিও Mass General Brigham-এর ড্যানিয়েল বিটারম্যানের মতো চিকিৎসা বিশেষজ্ঞরা সতর্ক করেছেন যে সাধারণ উদ্দেশ্যে ব্যবহৃত চ্যাটবটগুলো ব্যক্তিগত রোগ নির্ণয়ের জন্য এখনও যাচাই করা হয়নি, ক্রিস্টু ভিন্নভাবে এর উপযোগিতা খুঁজে পেয়েছেন: আরও ভালো প্রশ্ন করার জন্য AI ব্যবহার করা।

একটি বিরল লিম্ফোমার ক্ষেত্রে, একজন মানব অনকোলজিস্ট (oncologist) হয়তো বছরে মাত্র একবার এমন কোনো নির্দিষ্ট লক্ষণ দেখতে পারেন। বিপরীতে, একটি LLM বিশ্বব্যাপী চিকিৎসা সাহিত্যের বিশাল ভাণ্ডার "শুষে নিয়েছে" বা আয়ত্ত করেছে। ক্রিস্টু তার রক্ত পরীক্ষার ফলাফল, স্ক্যান ডেটা, ওয়্যারেবল আউটপুট এবং ডায়েরির তথ্যগুলো মডেলে ইনপুট দেন, যা কাঁচা ডেটাকে কার্যকর অন্তর্দৃষ্টিতে (actionable insights) রূপান্তরিত করে এবং তাকে বিশ্বমানের বিশেষজ্ঞদের সাথে আলোচনার ক্ষেত্রে সাহায্য করে।

AI প্যাটার্ন রিকগনিশনের মাধ্যমে অপ্রয়োজনীয় চিকিৎসা এড়ানো

AI-এর প্রকৃত ক্ষমতা ক্রিস্টুর শেষ PET স্ক্যানের সময় স্পষ্ট হয়ে ওঠে, যার ফলাফল ছিল অস্পষ্ট। তার অনকোলজিস্ট দ্বিতীয় পর্যায়ের থেরাপিতে যাওয়ার পরামর্শ দেন, যার মধ্যে তার হৃদপিণ্ড এবং ফুসফুসের কাছে সম্ভাব্য বিপজ্জনক রেডিওথেরাপি অন্তর্ভুক্ত ছিল।

তবে, ক্রিস্টু একটি গুরুত্বপূর্ণ পরিসংখ্যান চিহ্নিত করেন: তার নির্দিষ্ট অবস্থার ক্ষেত্রে চিকিৎসার শেষে PET স্ক্যানের 'false-positive' হার ৬০% পর্যন্ত হতে পারে। তিনি তার PET স্ক্যান এবং MRI ডেটা Claude-এ ইনপুট দেন, যা একটি নির্দিষ্ট ক্লিনিক্যাল ঘটনা চিহ্নিত করে: "thymus rebound"। মডেলটি পরামর্শ দেয় যে ৪০ বছরের কম বয়সী রোগীদের ক্ষেত্রে, একটি পুনর্সক্রিয় থাইমাস গ্রন্থি ইমেজিংয়ে সক্রিয় রোগের মতো লক্ষণ দেখাতে পারে। AI এই ব্যাখ্যার সম্ভাবনা প্রায় ৯০% হিসেবে নির্ধারণ করে। আরও বিশেষজ্ঞ যাচাইয়ের পরে, রোগটি নিশ্চিত করা হয়—তিনি ক্যান্সারমুক্ত ছিলেন এবং অপ্রয়োজনীয় রেডিওথেরাপি এড়ানো সম্ভব হয়েছিল।

ব্যক্তিগতকৃত পেশেন্ট অ্যাডভোকেসির ভবিষ্যৎ

ক্রিস্টুর গল্পটি "patient-led AI advocacy"-এর একটি ক্রমবর্ধমান প্রবণতাকে তুলে ধরে। LLM-গুলো যত উন্নত হচ্ছে, ক্লিনিক্যাল দক্ষতা এবং রোগী-চালিত ডেটা বিশ্লেষণের মধ্যে সীমানাটি অস্পষ্ট হয়ে আসছে। ডেভেলপার এবং ফাউন্ডারদের জন্য, এটি MedTech এবং Generative AI-এর সংযোগস্থলে একটি বিশাল সুযোগ তৈরি করছে: এমন টুল তৈরি করা যা ডাক্তারদের প্রতিস্থাপন করবে না, বরং রোগীদের চিকিৎসা ব্যবস্থার সীমাবদ্ধতাগুলো মোকাবিলা করতে সক্ষম করে তুলবে।

মূল শিক্ষা বা সারসংক্ষেপ

• ডেটা-ভিত্তিক সিদ্ধান্ত গ্রহণ: ক্রিস্টু তার চিকিৎসা যাত্রাকে একটি ডেটা সায়েন্স সমস্যা হিসেবে বিবেচনা করেছিলেন, যেখানে তার শারীরিক ও মানসিক অবস্থা ব্যবস্থাপনার জন্য তিনি ওয়্যারেবল এবং সূক্ষ্ম লগিং ব্যবহার করেছিলেন।
• রিজনিং লেয়ার হিসেবে AI: সরাসরি রোগ নির্ণয়ের জন্য LLM ব্যবহার করার পরিবর্তে, তিনি জটিল ডেটা সংশ্লেষণ করতে এবং তার মেডিকেল টিমের জন্য উচ্চ-স্তরের প্রশ্ন তৈরি করতে Claude ব্যবহার করেছিলেন।
• চিকিৎসা সংক্রান্ত ভুল কমানো: AI একটি "thymus rebound" ঘটনা চিহ্নিত করতে সাহায্য করেছিল যা অপ্রয়োজনীয় এবং আক্রমণাত্মক রেডিওথেরাপি প্রতিরোধ করেছিল, যা অবহেলিত ক্লিনিক্যাল প্যাটার্ন শনাক্তকরণে AI-এর গুরুত্ব প্রমাণ করে।