AI-आधारित दृष्टिकोनाने एका टेक फाउंडरला दुर्मिळ कर्करोगावर मात करण्यास कशी मदत केली

जेव्हा आरोग्य-सक्षम उद्योजक कॉनो क्रिस्टू (Conno Christou) यांना नॉन-हॉजकिन लिम्फोमाच्या (non-Hodgkin’s lymphoma) आक्रमक प्रकाराचे निदान झाले, तेव्हा त्यांनी आपले जगणे केवळ नशिबावर सोडण्यास नकार दिला. आपल्या वैद्यकीय लढाईकडे एका उच्च-धोक्याच्या स्टार्टअपप्रमाणे (high-stakes startup) बघून, त्यांनी गुंतागुंतीच्या आरोग्य सेवा क्षेत्रात मार्गक्रमण करण्यासाठी वेअरेबल डेटा (wearable data) आणि LLMs चा वापर केला.

दुर्मिळ आजाराच्या काळात डेटा-आधारित जगण्याची जिद्द

क्रिस्टू यांचे निदान हे एक सांख्यिकीय विलक्षणता (statistical anomaly) होते: त्यांच्या स्टर्नमच्या (sternum) मागे एका यादृच्छिक जनुकीय उत्परिवर्तनामुळे (genetic mutation) ११-बाय-११-बाय-८ सेंटीमीटरचा एक गोळा तयार झाला होता. ४,२०,००० पैकी केवळ एका व्यक्तीला प्रभावित करणाऱ्या या स्थितीसाठी, त्यांना आवश्यक असलेल्या अचूकतेसाठी मानक वैद्यकीय प्रोटोकॉल अनेकदा अपुरे पडत होते. दोन तज्ज्ञांकडून पूर्णपणे विरुद्ध उपचार शिफारसी मिळाल्यानंतर—ज्यामध्ये एक ६०% यशाचा दर असलेला उपचार सुचवत होता आणि दुसरा ८५% यशाचा दर असलेला आक्रमक मार्ग सुचवत होता—क्रिस्टू यांनी डेटा एकत्र करण्याकडे (data aggregation) वळण्याचा निर्णय घेतला.

ते केवळ दुसऱ्या मतावर (second opinion) समाधान मानून थांबले नाहीत; त्यांनी १२ मते गोळा केली. त्यांच्या प्रकृती सुधारण्याच्या प्रक्रियेला "मॅरेथॉन ऑफ स्प्रिंट्स" (marathon of sprints) मानून, त्यांनी रोगप्रतिकारक शक्ती कमी होण्याचा अंदाज घेण्यासाठी त्यांच्या Whoop वेअरेबलचा वापर केला आणि व्हॉइस ट्रान्सक्रिप्शनद्वारे लक्षपूर्वक लक्षणांची नोंद (symptom journal) ठेवली. या सूक्ष्म डेटा संकलनामुळे त्यांना त्यांची कंपनी वाढवण्यासाठी ज्या शिस्तीचा वापर करावा लागतो, त्याच शिस्तीने झोप, पोषण आणि मानसिक लवचिकता (psychological resilience) यांचे निरीक्षण करणे शक्य झाले.

वैद्यकीय ज्ञानातील तफावत भरून काढण्यासाठी LLMs चा वापर

क्रिस्टू यांच्या प्रवासातील सर्वात महत्त्वाचा वळण म्हणजे Anthropic ने विकसित केलेले LLM, Claude चा त्यांनी केलेला वापर. मॅस जनरल ब्रिघमच्या डॅनिएल बिटर्मन यांसारखे वैद्यकीय तज्ज्ञ असा इशारा देतात की, सामान्य वापराचे चॅटबॉट्स वैयक्तिक निदानासाठी अद्याप प्रमाणित (validated) नाहीत, तरीही क्रिस्टू यांना त्याचा वेगळ्या प्रकारे उपयोग सापडला: अधिक चांगले प्रश्न विचारण्यासाठी AI चा वापर करणे.

दुर्मिळ लिम्फोमासाठी, मानवी ऑन्कोलॉजिस्टला (oncologist) कदाचित वर्षातून एकदाच अशा विशिष्ट स्थितीचा सामना करावा लागला असेल. याउलट, LLM ने जागतिक वैद्यकीय साहित्याचा अफाट साठा "शोषून" घेतला आहे. क्रिस्टू यांनी त्यांचे रक्त तपासणीचे निकाल, स्कॅन डेटा, वेअरेबल आउटपुट आणि दैनंदिन नोंदी या मॉडेलमध्ये टाकल्या, ज्यामुळे कच्च्या डेटाचे (raw data) रूपांतर उपयुक्त माहितीमध्ये झाले, ज्याने त्यांना जागतिक दर्जाच्या तज्ज्ञांशी संवाद साधण्यास मदत केली.

AI पॅटर्न रिकग्निशनद्वारे अनावश्यक उपचार टाळणे

क्रिस्टू यांच्या अंतिम PET स्कॅन दरम्यान AI ची खरी ताकद दिसून आली, ज्याचे निकाल संदिग्ध (ambiguous) होते. त्यांच्या ऑन्कोलॉजिस्टने दुसऱ्या टप्प्यातील उपचारांचा (second line of therapy) सल्ला दिला, ज्यामध्ये हृदय आणि फुफ्फुसांजवळ संभाव्य धोकादायक रेडिओथेरपीचा समावेश होता.

तथापि, क्रिस्टू यांनी एक महत्त्वाचे सांख्यिकीय तथ्य ओळखले: त्यांच्या विशिष्ट परिस्थितीत उपचारांच्या शेवटी होणाऱ्या PET स्कॅनमध्ये 'फॉल्स-पॉझिटिव्ह' (false-positive) दर ६०% पर्यंत असू शकतो. त्यांनी त्यांचे PET स्कॅन आणि MRI डेटा Claude मध्ये टाकले, ज्याने एक विशिष्ट क्लिनिकल घटना हायलाइट केली: "थायमस रिबाउंड" (thymus rebound). मॉडेलने सुचवले की ४० वर्षांखालील रुग्णांमध्ये, पुनर्सक्रियेत आलेली थायमस ग्रंथी इमेजिंगमध्ये सक्रिय आजारासारखी दिसू शकते. AI ने या स्पष्टतेची शक्यता अंदाजे ९०% वर्तवली. तज्ज्ञांकडून अधिक पडताळणी केल्यानंतर, निदान निश्चित झाले—ते कर्करोगमुक्त होते आणि अनावश्यक रेडिओथेरपी टाळता आली.

वैयक्तिक रुग्ण वकिलीचे (Patient Advocacy) भविष्य

क्रिस्टू यांची कथा "रुग्णाद्वारे संचालित AI वकिली" (patient-led AI advocacy) या वाढत्या कलवर प्रकाश टाकते. जसे LLMs अधिक प्रगत होत आहेत, तसे क्लिनिकल तज्ज्ञता आणि रुग्ण-चलित डेटा विश्लेषण यांमधील सीमा धूसर होत आहेत. डेव्हलपर्स आणि फाउंडर्ससाठी, हे MedTech आणि Generative AI च्या संगमस्थानी एक मोठी संधी आहे: अशी साधने तयार करणे जी डॉक्टरांची जागा घेणार नाहीत, तर रुग्णांना वैद्यकीय प्रणालीच्या मर्यादांमध्ये मार्गक्रमण करण्यास सक्षम करतील.

मुख्य निष्कर्ष

• डेटा-आधारित निर्णय प्रक्रिया: क्रिस्टू यांनी त्यांच्या वैद्यकीय प्रवासाकडे डेटा सायन्सच्या समस्येप्रमाणे पाहिले आणि त्यांची शारीरिक आणि मानसिक स्थिती व्यवस्थापित करण्यासाठी वेअरेबल्स आणि सूक्ष्म नोंदींचा वापर केला.
• तर्कसंगत थराप्रमाणे (Reasoning Layer) AI चा वापर: थेट निदानासाठी LLMs वापरण्याऐवजी, त्यांनी गुंतागुंतीचा डेटा एकत्रित करण्यासाठी आणि त्यांच्या वैद्यकीय टीमसाठी उच्च-स्तरीय प्रश्न तयार करण्यासाठी Claude चा वापर केला.
• वैद्यकीय चुका कमी करणे: AI ने "थायमस रिबाउंड" ही घटना ओळखण्यास मदत केली, ज्यामुळे अनावश्यक आणि आक्रमक रेडिओथेरपी टाळता आली. यातून दुर्लक्षित क्लिनिकल पॅटर्न शोधण्यात AI चे मूल्य सिद्ध झाले.