ડિમેન્શિયા ભાગ્યે જ કોઈ એક નાટકીય ઘટના સાથે પોતાની જાતને જાહેર કરે છે. તે ધીમે ધીમે પ્રવેશ કરે છે. અહીં કોઈ એપોઇન્ટમેન્ટ ચૂકી જવી, ત્યાં કોઈ પ્રશ્ન વારંવાર પૂછવો. જ્યારે પરિવારના સભ્યો નિષ્ણાતની મુલાકાત લેવા માટે પૂરતું ધ્યાન આપે, ત્યાં સુધીમાં વર્ષોનું સૂક્ષ્મ ઘટાડો પહેલેથી જ થઈ ગયો હોઈ શકે છે. રોગને વહેલી તકે પકડવો એ ન્યુરોલોજીમાં સૌથી મુશ્કેલ પડકારોમાંનો એક છે કારણ કે તેના પ્રારંભિક લક્ષણો સામાન્ય વર્તણૂકની અંદર છુપાયેલા હોય છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) આગળ વધવા માટે એક વ્યવહારુ માર્ગ પ્રદાન કરે છે. Altoida જેવા સાધનો દર્શાવે છે કે મશીન લર્નિંગ પ્રમાણભૂત ક્લિનિકલ ઇન્ટરવ્યુ દ્વારા ચેતવણી આપતા ઘણા સમય પહેલા જ જ્ઞાનાત્મક ઘટાડાના (cognitive decline) ઝાંખા નિશાન શોધી શકે છે. જોકે, આ પ્રકારના સાધનો બનાવવા માટે માત્ર ઓપન-સોર્સ મોડેલ ડાઉનલોડ કરવા અને કેમેરા જોડવા કરતાં વધુની જરૂર છે. તમારે ક્લિનિકલ ચોકસાઈ, સાવચેત એન્જિનિયરિંગ અને દર્દીની આસપાસ બનેલા આર્કિટેક્ચરની જરૂર છે.

કોઈપણ કોડ લખતા પહેલા તમારે શું જોઈએ

કોઈપણ ઉપયોગી પ્લેટફોર્મના પાયામાં ત્રણ તત્વો રહેલા છે.

પ્રથમ, વાસ્તવિક હેલ્થકેર નિષ્ણાતતા. એન્જિનિયરોએ શૂન્યાવકાશમાં જ્ઞાનાત્મક પરીક્ષણો (cognitive tests) ડિઝાઇન કરવા જોઈએ નહીં. સામાન્યતા શું છે અને કયા કાર્યો ખરેખર યોગ્ય માનસિક સર્કિટ પર દબાણ લાવે છે તે વ્યાખ્યાયિત કરવા માટે તમારે ન્યુરોસાયકોલોજિસ્ટ્સ, જેરિયાટ્રિશિયન્સ અને સ્પીચ પેથોલોજિસ્ટ્સની જરૂર પડશે. આ ઇનપુટ વિના, તમે તબીબી રીતે માન્ય સંકેતોના બદલે માત્ર દેખાડા માટેના મેટ્રિક્સ (vanity metrics) એકત્ર કરતા એક મોંઘા રમત જેવું સાધન બનાવવાનું જોખમ ઉઠાવો છો.

બીજું, સ્માર્ટ ઓટોમેશન. સિસ્ટમે સતત મેન્યુઅલ રિવ્યુની માંગ કર્યા વિના મૂલ્યાંકન કરવા, સંકેતો પ્રોસેસ કરવા અને આંતરદૃષ્ટિ (insights) પ્રદાન કરવા જોઈએ. નિર્ણય લેવાના તબક્કે ક્લિનિશિયનના દેખરેખને જાળવી રાખીને, આર્ટિફિશિયલ ઇન્ટેલિજન્સ પેટર્ન ઓળખવાનું ભારે કામ સંભાળવું જોઈએ.

ત્રીજું, સુરક્ષિત સોફ્ટવેર. તમે અત્યંત વ્યક્તિગત સ્વાસ્થ્ય ડેટા સાથે કામ કરી રહ્યા છો. ડેટા સ્ટોરેજ અને ટ્રાન્સમિટ કરતી વખતે એન્ક્રિપ્શન, કડક એક્સેસ કંટ્રોલ અને HIPAA અથવા GDPR જેવા ફ્રેમવર્કનું પાલન એ માત્ર ચેક-બોક્સ ફીચર્સ નથી. તે દર્દીનો વિશ્વાસ અને કાયદેસરના સંચાલન માટે પૂર્વશરતો છે.

સ્ટ્રક્ચર્ડ એસેસમેન્ટ વર્કફ્લો બનાવો

તમારી એપ્લિકેશને વપરાશકર્તાઓને મેમરી, ધ્યાન અને એક્ઝિક્યુટિવ ફંક્શન માપતા પ્રમાણિત કાર્યો દ્વારા માર્ગદર્શન આપવાની જરૂર છે. ડિજિટ સ્પેન ચેલેન્જિસ, ડિલેડ રિકોલ એક્સરસાઇઝ અથવા ટચસ્ક્રીન માટે ફરીથી ડિઝાઇન કરાયેલ ટ્રેલ-મેકિંગ એડેપ્ટેશન વિશે વિચારો. મુખ્ય બાબત સુસંગતતા છે. દરેક દર્દીએ સમાન સૂચનાઓ, સમાન સમયગાળો અને સમાન સ્કોરિંગ રૂબ્રિકનો અનુભવ કરવો જોઈએ.

આ સુસંગતતા તમારા મશીન લર્નિંગ મોડેલને અસંગત પ્રોટોકોલના ફેરફારો દ્વારા પેદા થતા 'નોઈઝ' (noise) ને બદલે એક સ્પષ્ટ સિગ્નલ આપે છે. રિએક્શન ટાઇમ, ટેપ પેટર્ન અને એરર રેટ સહિતનો કાચો બિહેવિયરલ ડેટા ઘણીવાર અંતિમ સ્કોર કરતા વધુ મૂલ્યવાન સાબિત થાય છે કારણ કે AI એવા સૂક્ષ્મ ફેરફારો શોધી શકે છે જે માનવ ગ્રેડર ક્યારેય નોંધશે નહીં. પ્રમાણભૂત વર્કફ્લો લોન્ગીટ્યુડિનલ તુલનાત્મકતા (longitudinal comparability) પણ બનાવે છે. જો દર મહિને ફોર્મેટ બદલાતું રહે, તો તમે કહી શકશો નહીં કે ઓછો સ્કોર મગજમાં ફેરફારને કારણે છે કે મૂંઝવણભર્યા નવા ઇન્ટરફેસને કારણે.

સૂક્ષ્મ ફેરફારોને પકડવા માટે નેચરલ લેંગ્વેજ પ્રોસેસિંગનો ઉપયોગ કરો

ડિમેન્શિયા લોકો શું કહેવા માંગે છે તેમાં ફેરફાર કરતા પહેલા તેઓ કેવી રીતે વાત કરે છે તેમાં ફેરફાર કરે છે. શબ્દભંડોળ મર્યાદિત બને છે. વાક્યો સરળ બને છે. શબ્દો શોધવાનું મુશ્કેલ થતા વિરામ (pauses) લાંબા થાય છે. નેચરલ લેંગ્વેજ પ્રોસેસિંગ (NLP) તમને આ ફેરફારોને ચોકસાઈથી માપવા દે છે.

એક અસરકારક સાધન ટૂંકા સ્પીચ સેમ્પલ, કદાચ ચિત્રનું વર્ણન અથવા ખુલ્લા પ્રશ્નોના જવાબો રેકોર્ડ કરે છે અને લેક્સિકલ ડાયવર્સિટી, સિન્ટેક્ટિક કોમ્પ્લેક્સિટી અને પોઝ ફ્રીક્વન્સી જેવા ફીચર્સ કાઢે છે. તમે માત્ર એક અજીબ વાતચીત પરથી નિદાન કરવાનો પ્રયાસ નથી કરી રહ્યા. તમે મહિનાઓના નિયમિત સંપર્ક દરમિયાન ભાષાકીય ફેરફાર (linguistic drift) માપી રહ્યા છો. એક સામાન્ય સેશનનો કોઈ અર્થ નથી. સેમેન્ટિક કોમ્પ્લેક્સિટીમાં સતત ઘટાડો અને લાંબો રિસ્પોન્સ લેટન્સી એ કંઈક એવું છે જેની નોંધ લેવી જોઈએ. NLP લેયર પૃષ્ઠભૂમિમાં શાંતિથી કામ કરવું જોઈએ, ઓડિયોને સ્ટ્રક્ચર્ડ ફીચર્સમાં રૂપાંતરિત કરવું જોઈએ જેને સિસ્ટમ બાકીના જ્ઞાનાત્મક પરીક્ષા સ્કોર્સની સાથે ટ્રેક કરી શકે.

ક્લિનિકલ રિપોર્ટ્સ ઓટોમેટ કરો જે ડોક્ટરો ખરેખર વાંચે

દરેક મૂલ્યાંકન પછી, પ્લેટફોર્મે ડોમેન મુજબ વિભાજિત જ્ઞાનાત્મક પ્રદર્શન, ચોક્કસ જોખમના સૂચકો અને દર્દીના પોતાના બેઝલાઇન સામેની સરખામણી દર્શાવતો સ્પષ્ટ સારાંશ તૈયાર કરવો જોઈએ. વ્યસ્ત ન્યુરોલોજિસ્ટ પાસે કાચા JSON લોગ્સ વાંચવાનો સમય હોતો નથી. ત્રણ મહિના દરમિયાન ઘટતા જતા મેમરી સ્કોર બતાવો. એક્ઝિક્યુટિવ ફંક્શન સ્થિર રહે છે તે હાઇલાઇટ કરો. જ્યારે સ્પીચ માર્કર્સ પૂર્વનિર્ધારિત મર્યાદા ઓળંગે ત્યારે તેની નોંધ લો.

જો યોગ્ય રીતે કરવામાં આવે તો, આ ઓટોમેશન ક્લિનિશિયનને પ્રક્રિયામાંથી બહાર કાઢ્યા વિના કલાકોના રિવ્યુને મિનિટોમાં સંકુચિત કરી શકે છે. રિપોર્ટ્સમાં સરળ ભાષા અને વિઝ્યુઅલ ટ્રેન્ડ્સનો ઉપયોગ કરવો જોઈએ, પરંતુ તેમાં મૂળભૂત ડેટા પોઈન્ટ્સનો પણ સમાવેશ થવો જોઈએ જેથી જ્યારે કોઈ પરિણામ આશ્ચર્યજનક હોય ત્યારે ડોકટરો ઊંડાણપૂર્વક તપાસ કરી શકે. તબીબોનો સમય બચાવવાથી રેકોર્ડની ગુણવત્તા સુધરે છે અને આ ટૂલ તેમના માટે ઇનબોક્સના અન્ય બોજને બદલે સ્વેચ્છાએ ઉપયોગમાં લેવા યોગ્ય બને છે.

રોગના લાંબા ગાળાના પ્રવાહ માટે ડિઝાઇન

ડિમેન્શિયા વર્ષોમાં વ્યાપે છે, દિવસોમાં નહીં. તમારા ડેટાબેઝ આર્કિટેક્ચરમાં સીરીયલાઈઝ્ડ પરિણામો સુરક્ષિત રીતે સંગ્રહિત કરવા જોઈએ અને લાંબા ગાળાના સમયગાળા દરમિયાન તેને કાર્યક્ષમ રીતે ક્વેરી કરી શકાય તેવું હોવું જોઈએ. એલર્ટિંગ લોજિક પર વિશેષ ધ્યાન આપવું જરૂરી છે. જ્યારે દર્દી તેમના વ્યક્તિગત બેઝલાઇનથી નોંધપાત્ર રીતે વિચલિત થાય ત્યારે જ ડોકટરોને એલર્ટ કરો, માત્ર ત્યારે જ નહીં જ્યારે તેઓ વસ્તી સરેરાશથી નીચે જાય. કોઈ વ્યક્તિ જેનો આજીવન મૌખિક પ્રવાહ (verbal fluency) ઊંચો રહ્યો હોય, તે આંકડાકીય સરેરાશથી ઉપર સ્કોર કરતી હોવા છતાં પણ ક્ષીણ હોઈ શકે છે.

કન્ફાઉન્ડર્સ (confounders) માટે ગાર્ડરેલ્સ બનાવો. ઊંઘનો અભાવ, નવી દવા અથવા ડિપ્રેશનનો કિસ્સો એક સત્રના પરિણામને ખોટી રીતે અસર કરી શકે છે. સિસ્ટમે આઉટલિયર દિવસોને ઓળખવા જોઈએ અને સિંગલ અનોમલીઝ (એકલ વિસંગતતાઓ) કરતા સતત રહેતા ટ્રેન્ડ્સને વધુ મહત્વ આપવું જોઈએ. દર્દીઓ સુરક્ષિત પોર્ટલ દ્વારા તેમના પોતાના લોન્ગીટ્યુડિનલ ચાર્ટ્સ જોઈ શકવા જોઈએ, જે પ્રક્રિયાને વધુ સ્પષ્ટ બનાવીને સારવાર પ્રત્યે વળગણ વધારે છે અને ચિંતા ઘટાડે છે.

વાસ્તવિક ધ્યેય

AI ડિમેન્શિયા ડિટેક્શન ટૂલ બનાવવું મુશ્કેલ, ખર્ચાળ અને ધીમું છે. તે ક્લિનિશિયન અને એન્જિનિયરો વચ્ચે એવા સહયોગની માંગ કરે છે જેઓ એકબીજાના વિષયના યોગદાનનો આદર કરે છે. જો યોગ્ય રીતે કરવામાં આવે તો, તે ડોક્ટરની સમજણનો સમય અને વિવિધ પદ્ધતિઓ દ્વારા વિસ્તાર કરે છે, અને પરંપરાગત સારવારમાં રહી જતા ફેરફારોને પકડી લે છે. આ ટેકનોલોજી માનવીય નિર્ણયશક્તિનું સ્થાન લેતી નથી. તે ફક્ત નિર્ણય લેવા માટે વધુ સારું મટીરીયલ પૂરું પાડે છે.

સ્ત્રોત: https://dev.to/ideausherr/how-to-develop-an-ai-dementia-detection-tool-like-altoida