ਕਿਵੇਂ ਇੱਕ AI-ਅਧਾਰਿਤ ਪਹੁੰਚ ਨੇ ਇੱਕ ਟੈਕ ਸੰਸਥਾਪਕ ਨੂੰ ਦੁਰਲੱਭ ਕੈਂਸਰ ਨੂੰ ਹਰਾਉਣ ਵਿੱਚ ਮਦਦ ਕੀਤੀ

ਜਦੋਂ ਕਨੋ ਕ੍ਰਿਸਟੂ (Conno Christou), ਇੱਕ ਸਿਹਤ-ਸੰਚਾਲਿਤ ਉੱਦਮੀ, ਨੂੰ non-Hodgkin’s lymphoma ਦੇ ਇੱਕ ਹਮਲਾਵਰ ਰੂਪ ਦਾ ਪਤਾ ਲੱਗਾ, ਤਾਂ ਉਸਨੇ ਆਪਣੀ ਜੀਵਨ ਦੀ ਜੰਗ ਨੂੰ ਕਿਸਮਤ ਦੇ ਭਰੋਸੇ ਛੱਡਣ ਤੋਂ ਇਨਕਾਰ ਕਰ ਦਿੱਤਾ। ਆਪਣੀ ਡਾਕਟਰੀ ਲੜਾਈ ਨੂੰ ਇੱਕ ਉੱਚ-ਜੋਖਮ ਵਾਲੇ ਸਟਾਰਟਅੱਪ ਵਾਂਗ ਲੈਂਦੇ ਹੋਏ, ਉਸਨੇ ਇੱਕ ਗੁੰਝਲਦਾਰ ਸਿਹਤ ਸੰਭਾਲ ਦੇ ਖੇਤਰ ਵਿੱਚ ਰਾਹ ਲੱਭਣ ਲਈ wearable ਡੇਟਾ ਅਤੇ LLMs ਦੀ ਵਰਤੋਂ ਕੀਤੀ।

ਦੁਰਲੱਭ ਬਿਮਾਰੀ ਦੇ ਸਾਹਮਣੇ ਡੇਟਾ-ਅਧਾਰਿਤ ਜੀਵਨ ਦੀ ਜੰਗ

ਕ੍ਰਿਸਟੂ ਦਾ ਡਾਇਗਨੋਸਿਸ ਇੱਕ ਅੰਕੜਾ ਵਿਗਿਆਨਕ ਅਨੋਮਲੀ (anomaly) ਸੀ: ਉਸਦੇ ਸਟਰਨਮ (sternum) ਦੇ ਪਿੱਛੇ 11-x-11-x-8 ਸੈਂਟੀਮੀਟਰ ਦਾ ਇੱਕ ਗੰਢ, ਜੋ ਕਿ ਇੱਕ ਅਚਾਨਕ ਜੈਨੇਟਿਕ ਮਿਊਟੇਸ਼ਨ ਕਾਰਨ ਹੋਈ ਸੀ। ਅਜਿਹੀ ਸਥਿਤੀ ਜੋ ਸਿਰਫ਼ 4,20,000 ਵਿੱਚੋਂ ਇੱਕ ਵਿਅਕਤੀ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ, ਉਸ ਲਈ ਮਿਆਰੀ ਡਾਕਟਰੀ ਪ੍ਰੋਟੋਕੋਲ ਅਕਸਰ ਉਸ ਲੋੜੀਂਦੀ ਸ਼ੁੱਧਤਾ ਲਈ ਕਾਫ਼ੀ ਨਹੀਂ ਸੀ। ਦੋ ਮਾਹਰਾਂ ਤੋਂ ਬਿਲਕੁਲ ਉਲਟ ਇਲਾਜ ਦੀਆਂ ਸਿਫ਼ਾਰਸ਼ਾਂ ਪ੍ਰਾਪਤ ਕਰਨ ਤੋਂ ਬਾਅਦ—ਇੱਕ 60% ਸਫਲਤਾ ਦਰ ਵਾਲਾ ਰੈਜੀਮੈਨ (regimen) ਸੁਝਾ ਰਿਹਾ ਸੀ ਅਤੇ ਦੂਜਾ 85% ਸਫਲਤਾ ਦਰ ਵਾਲਾ ਹਮਲਾਵਰ ਰਸਤਾ—ਕ੍ਰਿਸਟੂ ਨੇ ਡੇਟਾ ਇਕੱਠਾ ਕਰਨ (data aggregation) ਦਾ ਰਾਹ ਚੁਣਿਆ।

ਉਹ ਸਿਰਫ਼ ਦੂਜੀ ਰਾਏ (second opinion) 'ਤੇ ਹੀ ਨਹੀਂ ਰੁਕਿਆ; ਉਸਨੇ 12 ਰਾਏਆਂ ਇਕੱਠੀਆਂ ਕੀਤੀਆਂ। ਆਪਣੀ ਰਿਕਵਰੀ ਨੂੰ "ਮੈਰਾਥਨ ਆਫ ਸਪ੍ਰਿੰਟਸ" (marathon of sprints) ਵਜੋਂ ਲੈਂਦੇ ਹੋਏ, ਉਸਨੇ ਇਮਿਊਨ ਸਿਸਟਮ ਦੇ ਡਿੱਗਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਆਪਣੇ Whoop wearable ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਅਤੇ ਵੌਇਸ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਰਾਹੀਂ ਇੱਕ ਬਾਰੀਕ ਲੱਛਣ ਜਰਨਲ (symptom journal) ਬਣਾਈ ਰੱਖੀ। ਇਸ ਵਿਸਤ੍ਰਿਤ ਡੇਟਾ ਇਕੱਠੇ ਕਰਨ ਨੇ ਉਸਨੂੰ ਨੀਂਦ, ਪੋਸ਼ਣ ਅਤੇ ਮਨੋਵਿਗਿਆਨਕ ਲਚਕੀਲੇਪਣ ਦੀ ਨਿਗਰਾਨੀ ਉਸੇ ਸਖ਼ਤੀ ਨਾਲ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੱਤੀ ਜਿਸ ਨਾਲ ਉਹ ਆਪਣੀਆਂ ਕੰਪਨੀਆਂ ਨੂੰ ਵਧਾਉਂਦਾ ਸੀ।

ਡਾਕਟਰੀ ਗਿਆਨ ਦੇ ਪਾੜੇ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ LLMs ਦੀ ਵਰਤੋਂ

ਕ੍ਰਿਸਟੂ ਦੇ ਸਫ਼ਰ ਵਿੱਚ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਮੋੜ Claude ਦੀ ਵਰਤੋਂ ਸੀ, ਜੋ Anthropic ਦੁਆਰਾ ਵਿਕਸਤ ਕੀਤਾ ਗਿਆ ਇੱਕ LLM ਹੈ। ਹਾਲਾਂਕਿ Mass General Brigham ਦੀ ਡੈਨੀਅਲ ਬਿਟਰਮੈਨ ਵਰਗੇ ਡਾਕਟਰੀ ਮਾਹਰ ਚੇਤਾਵਨੀ ਦਿੰਦੇ ਹਨ ਕਿ ਆਮ ਉਦੇਸ਼ਾਂ ਵਾਲੇ ਚੈਟਬੋਟ ਅਜੇ ਤੱਕ ਵਿਅਕਤੀਗਤ ਡਾਇਗਨੋਸਿਸ ਲਈ ਪ੍ਰਮਾਣਿਤ ਨਹੀਂ ਹਨ, ਕ੍ਰਿਸਟੂ ਨੇ ਇਸਦੀ ਵਰਤੋਂ ਇੱਕ ਵੱਖਰੇ ਤਰੀਕੇ ਨਾਲ ਕੀਤੀ: ਬਿਹਤਰ ਸਵਾਲ ਪੁੱਛਣ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰਨਾ।

ਇੱਕ ਦੁਰਲੱਭ ਲਿੰਫੋਮਾ (lymphoma) ਲਈ, ਇੱਕ ਮਨੁੱਖੀ ਆਨਕੋਲੋਜਿਸਟ (oncologist) ਨੂੰ ਸ਼ਾਇਦ ਸਾਲ ਵਿੱਚ ਇੱਕ ਵਾਰ ਹੀ ਅਜਿਹਾ ਮਾਮਲਾ ਦੇਖਣ ਨੂੰ ਮਿਲੇ। ਇਸਦੇ ਉਲਟ, ਇੱਕ LLM ਨੇ ਵਿਸ਼ਵਵਿਆਪੀ ਡਾਕਟਰੀ ਸਾਹਿਤ ਦੇ ਵਿਸ਼ਾਲ ਭੰਡਾਰ ਨੂੰ "ਸੋਖ" ਲਿਆ ਹੈ। ਕ੍ਰਿਸਟੂ ਨੇ ਆਪਣੇ ਖੂਨ ਦੇ ਨਤੀਜੇ, ਸਕੈਨ ਡੇਟਾ, wearable ਆਉਟਪੁੱਟ ਅਤੇ ਜਰਨਲ ਐਂਟਰੀਆਂ ਨੂੰ ਮਾਡਲ ਵਿੱਚ ਪਾਇਆ, ਜਿਸ ਨਾਲ ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਅਜਿਹੇ ਕਾਰਜਸ਼ੀਲ ਗਿਆਨ (actionable insights) ਵਿੱਚ ਬਦਲ ਦਿੱਤਾ ਜੋ ਉਸਨੂੰ ਵਿਸ਼ਵ ਪੱਧਰੀ ਮਾਹਰਾਂ ਨਾਲ ਗੱਲਬਾਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਸੀ।

AI ਪੈਟਰਨ ਰਿਕੋਗਨੀਸ਼ਨ ਰਾਹੀਂ ਬੇਲੋੜੇ ਇਲਾਜ ਤੋਂ ਬਚਣਾ

AI ਦੀ ਅਸਲ ਤਾਕਤ ਕ੍ਰਿਸਟੂ ਦੇ ਆਖਰੀ PET ਸਕੈਨ ਦੌਰਾਨ ਸਪੱਸ਼ਟ ਹੋਈ, ਜਿਸਦੇ ਨਤੀਜੇ ਅਸਪਸ਼ਟ ਸਨ। ਉਸਦੇ ਆਨਕੋਲੋਜਿਸਟ ਨੇ ਦੂਜੀ ਲਾਈਨ ਦੀ ਥੈਰੇਪੀ ਸ਼ੁਰੂ ਕਰਨ ਦਾ ਸੁਝਾਅ ਦਿੱਤਾ, ਜਿਸ ਵਿੱਚ ਉਸਦੇ ਦਿਲ ਅਤੇ ਫੇਫੜਿਆਂ ਦੇ ਨੇੜੇ ਸੰਭਾਵੀ ਖ਼ਤਰਨਾਕ ਰੇਡੀਓਥੈਰੇਪੀ ਸ਼ਾਮਲ ਸੀ।

ਹਾਲਾਂਕਿ, ਕ੍ਰਿਸਟੂ ਨੇ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਅੰਕੜਾ ਪਛਾਣਿਆ: ਉਸਦੀ ਖਾਸ ਸਥਿਤੀ ਵਿੱਚ ਇਲਾਜ ਦੇ ਅੰਤ ਵਿੱਚ ਕੀਤੇ ਜਾਣ ਵਾਲੇ PET ਸਕੈਨਾਂ ਲਈ ਫਾਲਸ-ਪੋਜ਼ੀਟਿਵ (false-positive) ਦਰ 60% ਤੱਕ ਹੋ ਸਕਦੀ ਹੈ। ਉਸਨੇ ਆਪਣੇ PET ਸਕੈਨ ਅਤੇ MRI ਡੇਟਾ Claude ਵਿੱਚ ਪਾਏ, ਜਿਸਨੇ ਇੱਕ ਖਾਸ ਕਲੀਨਿਕਲ ਵਰਤਾਰੇ ਨੂੰ ਫਲੈਗ ਕੀਤਾ: "thymus rebound"। ਮਾਡਲ ਨੇ ਸੁਝਾਅ ਦਿੱਤਾ ਕਿ 40 ਸਾਲ ਤੋਂ ਘੱਟ ਉਮਰ ਦੇ ਮਰੀਜ਼ਾਂ ਵਿੱਚ, ਇੱਕ ਮੁੜ-ਸਰਗਰਮ ਹੋਇਆ thymus ਗ੍ਰੰਥੀ ਇਮੇਜਿੰਗ 'ਤੇ ਸਰਗਰਮ ਬਿਮਾਰੀ ਵਾਂਗ ਦਿਖਾਈ ਦੇ ਸਕਦੀ ਹੈ। AI ਨੇ ਇਸ ਵਿਆਖਿਆ ਦੀ ਸੰਭਾਵਨਾ ਲਗਭਗ 90% ਦੱਸੀ। ਹੋਰ ਮਾਹਰਾਂ ਤੋਂ ਤਸਦੀਕ ਕਰਵਾਉਣ ਤੋਂ ਬਾਅਦ, ਡਾਇਗਨੋਸਿਸ ਦੀ ਪੁਸ਼ਟੀ ਹੋ ਗਈ—ਉਹ ਕੈਂਸਰ ਮੁਕਤ ਸੀ, ਅਤੇ ਬੇਲੋੜੀ ਰੇਡੀਓਥੈਰੇਪੀ ਤੋਂ ਬਚਾਅ ਹੋ ਗਿਆ।

ਵਿਅਕਤੀਗਤ ਮਰੀਜ਼ ਵਕਾਲਤ (Patient Advocacy) ਦਾ ਭਵਿੱਖ

ਕ੍ਰਿਸਟੂ ਦੀ ਕਹਾਣੀ "ਮਰੀਜ਼-ਅਗਵਾਈ ਵਾਲੀ AI ਵਕਾਲਤ" (patient-led AI advocacy) ਵਿੱਚ ਇੱਕ ਵਧਦੇ ਰੁਝਾਨ ਨੂੰ ਉਜਾਗਰ ਕਰਦੀ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ LLMs ਵਧੇਰੇ ਉੱਨਤ ਹੋ ਰਹੇ ਹਨ, ਕਲੀਨਿਕਲ ਮੁਹਾਰਤ ਅਤੇ ਮਰੀਜ਼-ਅਧਾਰਿਤ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿਚਕਾਰ ਦੀ ਸੀਮਾ ਧੁੰਦਲੀ ਹੋ ਰਹੀ ਹੈ। ਡਿਵੈਲਪਰਾਂ ਅਤੇ ਸੰਸਥਾਪਕਾਂ ਲਈ, ਇਹ MedTech ਅਤੇ Generative AI ਦੇ ਸੁਮੇਲ ਵਿੱਚ ਇੱਕ ਵੱਡਾ ਮੌਕਾ ਹੈ: ਅਜਿਹੇ ਟੂਲ ਬਣਾਉਣਾ ਜੋ ਡਾਕਟਰਾਂ ਦੀ ਜਗ੍ਹਾ ਨਹੀਂ ਲੈਂਦੇ, ਸਗੋਂ ਮਰੀਜ਼ਾਂ ਨੂੰ ਮੈਡੀਕਲ ਪ੍ਰਣਾਲੀ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਸਮਝਣ ਅਤੇ ਰਾਹ ਲੱਭਣ ਦੇ ਸਮਰੱਥ ਬਣਾਉਂਦੇ ਹਨ।

ਮੁੱਖ ਗੱਲਾਂ

• ਡੇਟਾ-ਅਧਾਰਿਤ ਫੈਸਲੇ ਲੈਣਾ: ਕ੍ਰਿਸਟੂ ਨੇ ਆਪਣੀ ਡਾਕਟਰੀ ਯਾਤਰਾ ਨੂੰ ਡੇਟਾ ਸਾਇੰਸ ਦੀ ਸਮੱਸਿਆ ਵਜੋਂ ਲਿਆ, ਆਪਣੀ ਸਰੀਰਕ ਅਤੇ ਮਾਨਸਿਕ ਸਥਿਤੀ ਨੂੰ ਸੰਭਾਲਣ ਲਈ wearables ਅਤੇ ਬਾਰੀਕ ਲੌਗਿੰਗ ਦੀ ਵਰਤੋਂ ਕੀਤੀ।
• ਤਰਕ ਦੀ ਪਰਤ ਵਜੋਂ AI: ਸਿੱਧੇ ਡਾਇਗਨੋਸਿਸ ਲਈ LLMs ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਬਜਾਏ, ਉਸਨੇ ਗੁੰਝਲਦਾਰ ਡੇਟਾ ਨੂੰ ਜੋੜਨ ਅਤੇ ਆਪਣੀ ਮੈਡੀਕਲ ਟੀਮ ਲਈ ਉੱਚ-ਪੱਧਰੀ ਸਵਾਲ ਤਿਆਰ ਕਰਨ ਲਈ Claude ਦੀ ਵਰਤੋਂ ਕੀਤੀ।
• ਡਾਕਟਰੀ ਗਲਤੀਆਂ ਨੂੰ ਘਟਾਉਣਾ: AI ਨੇ "thymus rebound" ਵਰਤਾਰੇ ਦੀ ਪਛਾਣ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕੀਤੀ ਜਿਸ ਨੇ ਬੇਲੋੜੀ ਅਤੇ