ഒരു AI അധിഷ്ഠിത സമീപനം എങ്ങനെ ഒരു ടെക് സ്ഥാപകനെ അപൂർവമായ ക്യാൻസറിനെ തോൽപ്പിക്കാൻ സഹായിച്ചു

ആരോഗ്യകാര്യങ്ങളിൽ അതീവ ശ്രദ്ധാലുവായ സംരംഭകനായ കോണോ ക്രിസ്റ്റുവിന് (Conno Christou) അഗ്രസീവ് ആയ നോൺ-ഹോട്ജ്കിൻസ് ലിംഫോമ (non-Hodgkin’s lymphoma) ബാധിച്ചതായി കണ്ടെത്തിയപ്പോൾ, തന്റെ അതിജീവനം വെറുമൊരു ഭാഗ്യത്തിന് വിട്ടുകൊടുക്കാൻ അദ്ദേഹം തയ്യാറല്ലായിരുന്നു. തന്റെ വൈദ്യശാസ്ത്രപരമായ പോരാട്ടത്തെ വലിയൊരു സ്റ്റാർട്ടപ്പ് പോലെ പരിഗണിച്ചുകൊണ്ട്, സങ്കീർണ്ണമായ ആരോഗ്യപരിചരണ മേഖലയിലൂടെ മുന്നേറാൻ അദ്ദേഹം വെയറബിൾ ഡാറ്റയും (wearable data) LLM-കളും പ്രയോജനപ്പെടുത്തി.

അപൂർവ രോഗങ്ങൾക്കിടയിലെ ഡാറ്റാ അധിഷ്ഠിത അതിജീവനം

ക്രിസ്റ്റുവിന്റെ രോഗനിർണ്ണയം ഒരു സ്ഥിതിവിവരക്കണക്ക് വിസ്മയമായിരുന്നു: ഒരു അപ്രതീക്ഷിത ജനിതക വ്യതിയാനം (genetic mutation) കാരണം അദ്ദേഹത്തിന്റെ സ്റ്റേർനം (sternum) എന്ന നെഞ്ചെല്ലിന് പിന്നിൽ 11x11x8 സെന്റീമീറ്റർ വലിപ്പമുള്ള ഒരു മുഴ രൂപപ്പെട്ടിരുന്നു. 4,20,000 പേരിൽ ഒരാൾക്ക് മാത്രം സംഭവിക്കുന്ന ഈ അവസ്ഥയിൽ, അദ്ദേഹത്തിന് ആവശ്യമായ കൃത്യത നൽകാൻ സാധാരണ വൈദ്യശാസ്ത്ര രീതികൾ പലപ്പോഴും പര്യാപ്തമായിരുന്നില്ല. രണ്ട് വിദഗ്ധരിൽ നിന്ന് തികച്ചും വിപരീതമായ ചികിത്സാ നിർദ്ദേശങ്ങൾ ലഭിച്ചതിന് ശേഷം—ഒരാൾ 60% വിജയസാധ്യതയുള്ള ചികിത്സാ രീതിയും മറ്റൊരാൾ 85% വിജയസാധ്യതയുള്ള അഗ്രസീവ് രീതിയും നിർദ്ദേശിച്ചു—ക്രിസ്റ്റു ഡാറ്റാ അഗ്രഗേഷന്റെ (data aggregation) സഹായം തേടി.

അദ്ദേഹം വെറുമൊരു സെക്കൻഡ് ഒപിനിയനിൽ (second opinion) ഒതുങ്ങിനിൽക്കുകയല്ല ചെയ്തത്; പകരം 12 ഓളം അഭിപ്രായങ്ങൾ അദ്ദേഹം ശേഖരിച്ചു. തന്റെ രോഗമുക്തിയെ ഒരു "മാരത്തൺ ഓഫ് സ്പ്രിന്റുകൾ" (marathon of sprints) ആയി പരിഗണിച്ചുകൊണ്ട്, പ്രതിരോധ സംവിധാനത്തിലുണ്ടാകുന്ന തകർച്ചകൾ മുൻകൂട്ടി അറിയാൻ അദ്ദേഹം തന്റെ Whoop വെയറബിൾ ഉപയോഗിച്ചു, കൂടാതെ വോയിസ് ട്രാൻസ്ക്രിപ്ഷൻ വഴി ലക്ഷണങ്ങൾ കൃത്യമായി രേഖപ്പെടുത്തി. തന്റെ കമ്പനികൾ വളർത്താൻ ഉപയോഗിച്ച അതേ കൃത്യതയോടെ ഉറക്കം, പോഷകാഹാരം, മാനസികമായ കരുത്ത് എന്നിവ നിരീക്ഷിക്കാൻ ഈ സൂക്ഷ്മമായ ഡാറ്റാ ശേഖരണം അദ്ദേഹത്തെ സഹായിച്ചു.

വൈദ്യശാസ്ത്രപരമായ അറിവിന്റെ വിടവ് നികത്താൻ LLM-കൾ ഉപയോഗിക്കുന്നു

ക്രിസ്റ്റുവിന്റെ യാത്രയിലെ ഏറ്റവും പ്രധാനപ്പെട്ട വഴിത്തിരിവ് Anthropic വികസിപ്പിച്ചെടുത്ത Claude എന്ന LLM ഉപയോഗിച്ചതായിരുന്നു. വ്യക്തിഗത രോഗനിർണ്ണയത്തിനായി പൊതുവായ ചാറ്റ്ബോട്ടുകൾ (chatbots) ഇനിയും അംഗീകരിക്കപ്പെട്ടിട്ടില്ലെന്ന് മാസ് ജനറൽ ബ്രിഗാം (Mass General Brigham) ലെ ഡാനിയേൽ ബിറ്റർമാനെപ്പോലുള്ള വൈദ്യശാസ്ത്ര വിദഗ്ധർ മുന്നറിയിപ്പ് നൽകുന്നുണ്ടെങ്കിലും, മികച്ച ചോദ്യങ്ങൾ ചോദിക്കാൻ AI ഉപയോഗിക്കുക എന്ന രീതിയിലൂടെ ക്രിസ്റ്റു ഇതിന്റെ പ്രയോജനം കണ്ടെത്തി.

അപൂർവമായ ഒരു ലിംഫോമയുടെ കാര്യത്തിൽ, ഒരു ഓങ്കോളജിസ്റ്റ് (oncologist) ഒരു വർഷത്തിൽ ഒരിക്കൽ മാത്രമായിരിക്കും അത്തരമൊരു രോഗാവസ്ഥ കാണുന്നത്. എന്നാൽ, ഒരു LLM ആഗോള വൈദ്യശാസ്ത്ര സാഹിത്യത്തിലെ വിപുലമായ വിവരങ്ങൾ "ആഗിരണം" ചെയ്തിട്ടുണ്ട്. ക്രിസ്റ്റു തന്റെ രക്തപരിശോധനാ ഫലങ്ങൾ, സ്കാൻ ഡാറ്റ, വെയറബിൾ ഔട്ട്പുട്ടുകൾ, ഡയറി കുറിപ്പുകൾ എന്നിവ ഈ മോഡലിലേക്ക് നൽകി. ഇത് അസംസ്കൃത ഡാറ്റയെ (raw data) ലോകോത്തര വിദഗ്ധരുമായി സംസാരിക്കാൻ സഹായിക്കുന്ന പ്രായോഗികമായ ഉൾക്കാഴ്ചകളാക്കി മാറ്റി.

AI പാറ്റേൺ റെക്കഗ്നിഷനിലൂടെ അനാവശ്യ ചികിത്സ ഒഴിവാക്കുന്നു

ക്രിസ്റ്റുവിന്റെ അവസാനത്തെ PET സ്കാൻ അവ്യക്തമായ ഫലങ്ങൾ കാണിച്ചപ്പോഴാണ് AI-യുടെ യഥാർത്ഥ ശക്തി വെളിപ്പെട്ടത്. അദ്ദേഹത്തിന്റെ ഹൃദയത്തിനും ശ്വാസകോശത്തിനും സമീപം അപകടകരമായേക്കാവുന്ന റേഡിയോതെറാപ്പി ഉൾപ്പെടെയുള്ള രണ്ടാമത്തെ ഘട്ട ചികിത്സയിലേക്ക് മാറാൻ അദ്ദേഹത്തിന്റെ ഓങ്കോളജിസ്റ്റ് നിർദ്ദേശിച്ചു.

എന്നാൽ, ക്രിസ്റ്റു ഒരു നിർണ്ണായകമായ കണക്ക് കണ്ടെത്തി: അദ്ദേഹത്തിന്റെ പ്രത്യേക അവസ്ഥയിൽ ചികിത്സയുടെ അവസാന ഘട്ടത്തിലുള്ള PET സ്കാനുകളിൽ തെറ്റായ പോസിറ്റീവ് (false-positive) ഫലങ്ങൾ വരാനുള്ള സാധ്യത 60% വരെയാകാം. അദ്ദേഹം തന്റെ PET സ്കാനുകളും MRI ഡാറ്റയും Claude-ലേക്ക് നൽകി. ഇത് "thymus rebound" എന്ന ഒരു പ്രത്യേക ക്ലിനിക്കൽ പ്രതിഭാസത്തെ ചൂണ്ടിക്കാണിച്ചു. 40 വയസ്സിൽ താഴെയുള്ള രോഗികളിൽ, പുനരുജ്ജീവിപ്പിക്കപ്പെട്ട തൈമസ് ഗ്രന്ഥി (thymus gland) ഇമേജിംഗിൽ സജീവമായ രോഗാവസ്ഥയെപ്പോലെ തോന്നിക്കാമെന്ന് മോഡൽ നിർദ്ദേശിച്ചു. ഈ വിശദീകരണത്തിനുള്ള സാധ്യത ഏകദേശം 90% ആണെന്ന് AI കണക്കാക്കി. വിദഗ്ധരുടെ കൂടുതൽ പരിശോധനയ്ക്ക് ശേഷം രോഗനിർണ്ണയം സ്ഥിരീകരിക്കപ്പെട്ടു—അദ്ദേഹത്തിന് ക്യാൻസർ ഉണ്ടായിരുന്നില്ല, അങ്ങനെ അനാവശ്യമായ റേഡിയോതെറാപ്പി ഒഴിവാക്കപ്പെട്ടു.

വ്യക്തിഗത രോഗി വാദമുഖങ്ങളുടെ (Patient Advocacy) ഭാവി

"രോഗി നയിക്കുന്ന AI വാദമുഖങ്ങൾ" (patient-led AI advocacy) എന്ന വളർന്നുവരുന്ന പ്രവണതയെ ക്രിസ്റ്റുവിന്റെ കഥ എടുത്തുകാണിക്കുന്നു. LLM-കൾ കൂടുതൽ പരിഷ്കൃതമാകുമ്പോൾ, ക്ലിനിക്കൽ വൈദഗ്ധ്യവും രോഗി നയിക്കുന്ന ഡാറ്റാ വിശകലനവും തമ്മിലുള്ള അതിർവരമ്പുകൾ മാഞ്ഞുപോകുന്നു. ഡെവലപ്പർമാർക്കും സ്ഥാപകർക്കും MedTech-ഉം ജനറേറ്റീവ് AI-യും (Generative AI) തമ്മിലുള്ള സംഗമസ്ഥാനത്ത് ഇത് വലിയൊരു അവസരമാണ് നൽകുന്നത്: ഡോക്ടർമാരെ മാറ്റിസ്ഥാപിക്കുന്നതിന് പകരം, വൈദ്യശാസ്ത്ര സംവിധാനത്തിന്റെ പരിമിതികളെ മറികടക്കാൻ രോഗികളെ പ്രാപ്തരാക്കുന്ന ഉപകരണങ്ങൾ നിർമ്മിക്കുക എന്നതാണ് ഇതിന്റെ ലക്ഷ്യം.

പ്രധാന കാര്യങ്ങൾ

• ഡാറ്റാ അധിഷ്ഠിത തീരുമാനങ്ങൾ: ക്രിസ്റ്റു തന്റെ വൈദ്യശാസ്ത്രപരമായ യാത്രയെ ഒരു ഡാറ്റാ സയൻസ് പ്രശ്നമായി പരിഗണിച്ചു, തന്റെ ശാരീരികവും മാനസികവുമായ അവസ്ഥ നിയന്ത്രിക്കുന്നതിന് വെയറബിളുകളും കൃത്യമായ രേഖപ്പെടുത്തലുകളും അദ്ദേഹം ഉപയോഗിച്ചു.
• ഒരു റീസണിംഗ് ലെയർ (Reasoning Layer) എന്ന നിലയിൽ AI: നേരിട്ടുള്ള രോഗനിർണ്ണയത്തിനായി LLM-കൾ ഉപയോഗിക്കുന്നതിന് പകരം, സങ്കീർണ്ണമായ ഡാറ്റ സംയോജിപ്പിക്കാനും തന്റെ മെഡിക്കൽ ടീമിനോട് ഉയർന്ന നിലവാരമുള്ള ചോദ്യങ്ങൾ ചോദിക്കാനും അദ്ദേഹം Claude ഉപയോഗിച്ചു.
• വൈദ്യശാസ്ത്രപരമായ പിശകുകൾ കുറയ്ക്കുന്നു: അനാവശ്യവും ശരീരത്തിന് ആഘാതമുണ്ടാക്കുന്നതുമായ റേഡിയോതെറാപ്പി ഒഴിവാക്കാൻ സഹായിച്ച "thymus rebound" എന്ന പ്രതിഭാസം തിരിച്ചറിയാൻ AI സഹായിച്ചു. ശ്രദ്ധിക്കപ്പെടാതെ പോയ ക്ലിനിക്കൽ പാറ്റേണുകൾ കണ്ടെത്തുന്നതിൽ AI-യുടെ മൂല്യം ഇത് തെളിയിക്കുന്നു.