કેવી રીતે AI-આધારિત અભિગમે એક ટેક ફાઉન્ડરને દુર્લભ કેન્સર સામે જીતવામાં મદદ કરી

જ્યારે હેલ્થ-ઓપ્ટિમાઇઝ્ડ ઉદ્યોગસાહસિક કોનો ક્રિસ્ટુને (Conno Christou) નોન-હોજકિન લિમ્ફોમાના (non-Hodgkin’s lymphoma) આક્રમક પ્રકારનું નિદાન થયું, ત્યારે તેમણે પોતાનું જીવન નસીબ પર છોડવાનો ઇનકાર કર્યો. તેમની તબીબી લડાઈને એક ઉચ્ચ-જોખમવાળા સ્ટાર્ટઅપની જેમ ગણીને, તેમણે જટિલ હેલ્થકેર લેન્ડસ્કેપમાં આગળ વધવા માટે વેરવેબલ ડેટા અને LLMs નો ઉપયોગ કર્યો.

દુર્લભ રોગ સામે ડેટા-આધારિત અસ્તિત્વ

ક્રિસ્ટુનું નિદાન એક આંકડાકીય વિસંગતતા હતી: તેમના સ્ટર્નમ (sternum) પાછળ 11-બાય-11-બાય-8 સેન્ટિમીટરનો એક જથ્થો, જે રેન્ડમ જિનેટિક મ્યુટેશનને કારણે થયો હતો. 4,20,000 માંથી માત્ર એક વ્યક્તિને અસર કરતી સ્થિતિ માટે, તેમને જરૂરી ચોકસાઈના સ્તર માટે પ્રમાણભૂત તબીબી પ્રોટોકોલ ઘણીવાર અપૂરતો હતો. બે નિષ્ણાતો પાસેથી વિરોધાભાસી સારવારની ભલામણો મળ્યા પછી—એક 60% સફળતા દર ધરાવતો રેજીમેન સૂચવી રહ્યો હતો અને બીજો 85% સફળતા દર ધરાવતો આક્રમક માર્ગ સૂચવી રહ્યો હતો—ક્રિસ્ટુએ ડેટા એગ્રીગેશન તરફ વળવાનું નક્કી કર્યું.

તેઓ માત્ર બીજી સલાહ (second opinion) પર સંતુષ્ટ ન થયા; તેમણે 12 સલાહો એકઠી કરી. તેમની રિકવરીને "મેરેથોન ઓફ સ્પ્રિન્ટ્સ" તરીકે ગણીને, તેમણે ઇમ્યુન સિસ્ટમમાં આવતા ઘટાડાની આગાહી કરવા માટે તેમના Whoop વેરવેબલનો ઉપયોગ કર્યો અને વોઇસ ટ્રાન્સક્રિપ્શન દ્વારા એક વિગતવાર લક્ષણ જર્નલ જાળવી રાખી. આ વિગતવાર ડેટા કલેક્શન તેમને તેમની કંપનીઓને સ્કેલ કરવા માટે જે કડકતાનો ઉપયોગ કરતા હતા તે જ રીતે ઊંઘ, પોષણ અને મનોવૈજ્ઞાનિક સ્થિતિસ્થાપકતાનું નિરીક્ષણ કરવાની મંજૂરી આપતું હતું.

તબીબી જ્ઞાનના અંતરને પૂરવા માટે LLMs નો ઉપયોગ

ક્રિસ્ટુની સફરમાં સૌથી મહત્વપૂર્ણ વળાંક Anthropic દ્વારા વિકસિત LLM, Claude નો તેમનો ઉપયોગ હતો. Mass General Brigham ના ડેનિયલ બિટરમેન જેવા તબીબી નિષ્ણાતો ચેતવણી આપે છે કે સામાન્ય હેતુના ચેટબોટ્સ હજુ સુધી વ્યક્તિગત નિદાન માટે પ્રમાણિત નથી, તેમ છતાં ક્રિસ્ટુએ તેને અલગ રીતે ઉપયોગી બનાવ્યું: વધુ સારા પ્રશ્નો પૂછવા માટે AI નો ઉપયોગ કરવો.

દુર્લભ લિમ્ફોમા માટે, એક માનવ ઓન્કોલોજિસ્ટ વર્ષમાં કદાચ એક જ વાર ચોક્કસ લક્ષણોનો સામનો કરી શકે છે. તેનાથી વિપરીત, એક LLM એ વૈશ્વિક તબીબી સાહિત્યના વિશાળ જથ્થાને "શોષી" લીધો છે. ક્રિસ્ટુએ તેમના બ્લડ રિઝલ્ટ, સ્કેન ડેટા, વેરવેબલ આઉટપુટ અને જર્નલ એન્ટ્રીઝ મોડેલમાં નાખી, જેનાથી કાચા ડેટાનું એવા ઉપયોગી તારણોમાં રૂપાંતર થયું જેણે તેમને વિશ્વસ્તરીય નિષ્ણાતો સાથેની વાતચીતમાં મદદ કરી.

AI પેટર્ન રેકગ્નિશન દ્વારા બિનજરૂરી સારવાર ટાળવી

AI ની સાચી શક્તિ ક્રિસ્ટુના અંતિમ PET સ્કેન દરમિયાન સ્પષ્ટ થઈ, જેના પરિણામો અસ્પષ્ટ આવ્યા હતા. તેમના ઓન્કોલોજિસ્ટે હૃદય અને ફેફસાંની નજીક સંભવિત જોખમી રેડિયોથેરાપી સહિત બીજી લાઇન ઓફ થેરાપી પર જવા સૂચવ્યું હતું.

જોકે, ક્રિસ્ટુએ એક મહત્વપૂર્ણ આંકડો ઓળખ્યો: તેમની ચોક્કસ સ્થિતિમાં સારવારના અંતિમ PET સ્કેન માટે 'ફોલ્સ-પોઝિટિવ' (false-positive) દર 60% જેટલો ઊંચો હોઈ શકે છે. તેમણે તેમના PET સ્કેન અને MRI ડેટા Claude માં નાખ્યા, જેણે એક ચોક્કસ ક્લિનિકલ ઘટનાને ઓળખી: "thymus rebound". મોડેલે સૂચવ્યું કે 40 વર્ષથી ઓછી ઉંમરના દર્દીઓમાં, ફરી સક્રિય થયેલી થાયમસ ગ્રંથિ (thymus gland) ઇમેજિંગમાં સક્રિય રોગ જેવું દેખાઈ શકે છે. AI એ આ સમજૂતીની સંભાવના અંદાજે 90% ગણાવી હતી. વધુ નિષ્ણાત વેરિફિકેશન મેળવ્યા પછી, નિદાનની પુષ્ટિ થઈ—તેઓ કેન્સરમુક્ત હતા, અને બિનજરૂરી રેડિયોથેરાપી ટાળી શકાય આવી હતી.

પર્સનલાઇઝ્ડ પેશન્ટ એડવોકેસીનું ભવિષ્ય

ક્રિસ્ટુની વાર્તા "પેશન્ટ-લેડ AI એડવોકેસી" ના વધતા વલણને પ્રકાશિત કરે છે. જેમ જેમ LLMs વધુ અત્યાધુનિક બનતા જાય છે, તેમ તેમ ક્લિનિકલ નિષ્ણાતતા અને દર્દી દ્વારા સંચાલિત ડેટા વિશ્લેષણ વચ્ચેની સીમાઓ ધૂંધળી થઈ રહી છે. ડેવલપર્સ અને ફાઉન્ડર્સ માટે, આ MedTech અને Generative AI ના સંગમમાં એક મોટું અવસર દર્શાવે છે: એવા સાધનો બનાવવું જે ડોક્ટરોનું સ્થાન ન લે, પરંતુ દર્દીઓને તબીબી પ્રણાલીની મર્યાદાઓને સમજવામાં સક્ષમ બનાવે.

મુખ્ય બાબતો

• ડેટા-આધારિત નિર્ણય લેવાની પ્રક્રિયા: ક્રિસ્ટુએ તેમની તબીબી સફરને ડેટા સાયન્સ સમસ્યા તરીકે ગણી, તેમની શારીરિક અને માનસિક સ્થિતિનું સંચાલન કરવા માટે વેરવેબલ્સ અને વિગતવાર લોગિંગનો ઉપયોગ કર્યો.
• તર્ક સ્તર (Reasoning Layer) તરીકે AI: સીધા નિદાન માટે LLMs નો ઉપયોગ કરવાને બદલે, તેમણે જટિલ ડેટાનું સંશ્લેષણ કરવા અને તેમની તબીબી ટીમ માટે ઉચ્ચ સ્તરીય પ્રશ્નો તૈયાર કરવા માટે Claude નો ઉપયોગ કર્યો.
• તબીબી ભૂલો ઘટાડવી: AI એ "thymus rebound" ઘટનાને ઓળખવામાં મદદ કરી જેણે બિનજરૂરી અને આક્રમક રેડિયોથેરાપીને રોકી, જે અવગણવામાં આવેલી ક્લિનિકલ પેટર્નને શોધવામાં AI ના મૂલ્યને સાબિત કરે છે.