மறதி நோய் (Dementia) என்பது அரிதாகவே ஒரு பெரிய நிகழ்வாகத் தன்னை வெளிப்படுத்துகிறது. இது மெதுவாகத் தடம் பதிக்கிறது. ஒரு சந்திப்பைத் தவறவிடுவது, மீண்டும் மீண்டும் ஒரு கேள்வியைக் கேட்பது என இது தொடங்கும். குடும்ப உறுப்பினர்கள் ஒரு நிபுணரைச் சந்திக்கத் தூண்டும் அளவுக்கு மாற்றங்களைக் கவனிக்கும் போது, பல ஆண்டுகால நுட்பமான வீழ்ச்சி ஏற்கனவே நிகழ்ந்திருக்கலாம். ஆரம்பகால அறிகுறிகள் சாதாரண நடத்தைகளுக்குள் மறைந்து இருப்பதால், நோயை ஆரம்பத்திலேயே கண்டறிவது நரம்பியல் துறையில் உள்ள கடினமான சவால்களில் ஒன்றாகும். செயற்கை நுண்ணறிவு (Artificial intelligence) இதற்கு ஒரு நடைமுறை வழியை வழங்குகிறது. Altoida போன்ற கருவிகள், ஒரு சாதாரண மருத்துவ நேர்காணல் எச்சரிக்கை விடுக்கவிருந்த காலத்திற்கு முன்பே, அறிவாற்றல் வீழ்ச்சியின் நுட்பமான தடயங்களைக் கண்டறிய இயந்திர கற்றல் (machine learning) எவ்வாறு உதவும் என்பதை நிரூபிக்கின்றன. இருப்பினும், இத்தகைய கருவிகளில் ஒன்றை உருவாக்குவதற்கு, ஒரு திறந்த மூல மாதிரியை (open-source model) பதிவிறக்கம் செய்து ஒரு கேமராவை இணைப்பது மட்டும் போதாது. உங்களுக்கு மருத்துவத் துல்லியம், கவனமான பொறியியல் மற்றும் நோயாளியை மையமாகக் கொண்ட ஒரு கட்டமைப்பு தேவை.
எந்தக் குறியீட்டையும் (code) எழுதுவதற்கு முன் உங்களுக்குத் தேவையானவை
எந்தவொரு பயனுள்ள தளத்திற்கும் மூன்று கூறுகள் அடிப்படையாக அமைகின்றன.
முதலாவதாக, உண்மையான மருத்துவ நிபுணத்துவம். பொறியாளர்கள் வெறும் கற்பனையில் அறிவாற்றல் சோதனைகளை வடிவமைக்கக் கூடாது. எது இயல்பானது என்பதையும், எந்தப் பணிகள் சரியான மனச் சுற்றுகளைச் சோதிக்கின்றன என்பதையும் வரையறுக்க நரம்பியல் உளவியலாளர்கள் (neuropsychologists), முதியோர் நல மருத்துவர்கள் (geriatricians) மற்றும் பேச்சுத் திறன் நிபுணர்கள் (speech pathologists) தேவை. இவர்களின் பங்களிப்பு இல்லையெனில், மருத்துவ ரீதியாகச் செல்லுபடியாகும் சமிக்ஞைகளுக்குப் பதிலாக, வெறும் பகட்டான புள்ளிவிவரங்களைச் சேகரிக்கும் ஒரு விலையுயர்ந்த விளையாட்டை நீங்கள் உருவாக்கும் அபாயம் உள்ளது.
இரண்டாவதாக, புத்திசாலித்தனமான தானியங்கி முறை (smart automation). இந்த அமைப்புத் தொடர்ச்சியான மனிதத் தலையீடு இன்றி மதிப்பீடுகளைச் செய்யவும், சமிக்ஞைகளைச் செயலாக்கவும் மற்றும் நுண்ணறிவுகளை வெளிப்படுத்தவும் இயங்க வேண்டும். முடிவெடுக்கும் நிலைகளில் மருத்துவ நிபுணரின் மேற்பார்வையைத் தக்கவைத்துக் கொள்ளும் அதே வேளையில், வடிவ அங்கீகாரத்தின் (pattern recognition) கடினமான பணிகளை நுண்ணறிவுத் தொழில்நுட்பம் கையாள வேண்டும்.
மூன்றாவதாக, பாதுகாப்பான மென்பொருள். நீங்கள் மிகவும் தனிப்பட்ட சுகாதாரத் தரங்களைக் கையாளுகிறீர்கள். தரவுகளைச் சேமித்து வைப்பதிலும் (at rest) மற்றும் பரிமாறும்போதும் (in transit) குறியாக்கம் (Encryption) செய்தல், கடுமையான அணுகல் கட்டுப்பாடுகள் மற்றும் HIPAA அல்லது GDPR போன்ற கட்டமைப்புகளுக்கு இணங்குதல் ஆகியவை வெறும் சரிபார்ப்புப் பட்டியலுக்கான அம்சங்கள் அல்ல. அவை நோயாளியின் நம்பிக்கை மற்றும் சட்டப்பூர்வமான செயல்பாட்டிற்குத் தேவையான முன்நிபந்தனைகள் ஆகும்.
கட்டமைக்கப்பட்ட மதிப்பீட்டுப் பணிப்பாய்வுகளை உருவாக்குங்கள்
உங்கள் பயன்பாடு (application), நினைவாற்றல், கவனம் மற்றும் நிர்வாகச் செயல்பாட்டை (executive function) அளவிடும் தரப்படுத்தப்பட்ட பணிகளின் மூலம் பயனர்களை வழிநடத்த வேண்டும். எண் வரிசைத் திறன் சவால்கள் (digit span challenges), தாமதமான நினைவூட்டல் பயிற்சிகள் (delayed recall exercises) அல்லது தொடுதிரைகளுக்காக மறுவடிவமைக்கப்பட்ட trail-making பயிற்சிகள் போன்றவற்றை நீங்கள் கருத்தில் கொள்ளலாம். இதில் முக்கியமானது நிலைத்தன்மை (consistency). ஒவ்வொரு நோயாளியும் ஒரே மாதிரியான அறிவுறுத்தல்கள், ஒரே மாதிரியான கால அளவு மற்றும் ஒரே மாதிரியான மதிப்பெண் முறையைப் பெற வேண்டும்.
இந்த நிலைத்தன்மை, முறையற்ற நடைமுறை மாற்றங்களால் உருவாகும் இரைச்சலுக்குப் பதிலாக, உங்கள் இயந்திர கற்றல் மாதிரிக்குத் தெளிவான சமிக்ஞையை வழங்குகிறது. வினைபுரியும் நேரம், தொடுமுறை முறைகள் மற்றும் பிழை விகிதங்கள் உள்ளிட்ட மூல நடத்தைத் தரவுகள், இறுதி மதிப்பெண்ணை விட பெரும்பாலும் அதிக மதிப்புமிக்கதாக இருக்கும்; ஏனெனில் ஒரு மனித மதிப்பீட்டாளரால் கவனிக்க முடியாத நுட்பமான மாற்றங்களைக் கூட AI கண்டறிய முடியும். தரப்படுத்தப்பட்ட பணிப்பாய்வுகள் நீண்டகால ஒப்பீட்டுத் தன்மையையும் (longitudinal comparability) உருவாக்குகின்றன. ஒவ்வொரு மாதமும் வடிவம் மாறினால், குறைந்த மதிப்பெண் என்பது மூளையில் ஏற்பட்ட மாற்றத்தினால் வந்ததா அல்லது குழப்பமான புதிய இடைமுகத்தினால் (interface) வந்ததா என்பதை உங்களால் கூற முடியாது.
நுட்பமான மாற்றங்களைக் கண்டறிய இயற்கை மொழி செயலாக்கத்தைப் (NLP) பயன்படுத்துங்கள்
மறதி நோய் ஒருவரது பேச்சில் மாற்றத்தை ஏற்படுத்துவதற்கு முன்பே, அவர் என்ன சொல்ல விரும்புகிறார் என்பதில் மாற்றத்தை ஏற்படுத்துகிறது. சொற்களஞ்சியம் குறைகிறது. வாக்கியங்கள் எளிமையாக்கப்படுகின்றன. வார்த்தைகளைக் கண்டறிவது கடினமாகும்போது இடைவெளிகள் நீள்கின்றன. இயற்கை மொழி செயலாக்கம் (Natural Language Processing) இந்த மாற்றங்களை மிகத் துல்லியமாக அளவிட உதவுகிறது.
ஒரு பயனுள்ள கருவி, ஒரு படத்தின் விவரிப்பு அல்லது திறந்தநிலை வினாக்களுக்கான பதில்கள் போன்ற குறுகிய பேச்சு மாதிரிகளைப் பதிவு செய்து, சொற்களஞ்சியப் பன்முகத்தன்மை (lexical diversity), வாக்கிய அமைப்பு சிக்கல்தன்மை (syntactic complexity) மற்றும் இடைவெளிகளின் அதிர்வெண் (pause frequency) போன்ற அம்சங்களைச் சேகரிக்கிறது. நீங்கள் ஒரு ஒற்றை உரையாடலைக் கொண்டு நோயறிதல் செய்ய முயலவில்லை. மாறாக, மாதக்கணக்கிலான வழக்கமான தொடர்புகளின் மூலம் ஏற்படும் மொழிசார் மாற்றத்தை (linguistic drift) நீங்கள் அளவிடுகிறீர்கள். ஒரு முறை மட்டும் சாதாரணமாகப் பேசுவது எதையும் உணர்த்தாது. ஆனால், பொருள்சார் சிக்கல்தன்மை (semantic complexity) குறைந்து கொண்டே வருவதும், பதிலளிப்பதில் தாமதம் (response latency) அதிகரிப்பதும் ஒரு எச்சரிக்கையாகக் கருதப்பட வேண்டிய முக்கியமான மாற்றமாகும். NLP அடுக்கு பின்னணியில் அமைதியாகச் செயல்பட்டு, ஆடியோவை ஒரு கட்டமைக்கப்பட்ட அம்சங்களாக மாற்ற வேண்டும்; இவற்றை மற்ற அமைப்பானது அறிவாற்றல் சோதனை மதிப்பெண்களுடன் இணைந்து கண்காணிக்க முடியும்.
மருத்துவர்கள் உண்மையில் வாசிக்கும் மருத்துவ அறிக்கைகளைத் தானியக்கமாக்குங்கள்
ஒவ்வொரு மதிப்பீட்டிற்குப் பிறகும், இந்தத் தளம் அறிவாற்றல் செயல்பாட்டைப் பல்வேறு துறைகளாகப் பிரித்து, குறிப்பிட்ட அபாயக் குறிகாட்டிகள் மற்றும் நோயாளியின் சொந்த அடிப்படை நிலையுடன் (baseline) ஒப்பிட்டு ஒரு தெளிவான சுருக்கத்தை உருவாக்க வேண்டும். ஒரு பரபரப்பான நரம்பியல் நிபுணருக்கு (neurologist) மூல JSON பதிவுகளை (JSON logs) ஆய்வு செய்ய நேரமிருக்காது. மூன்று மாதங்களாக நினைவாற்றல் மதிப்பெண்கள் குறைந்து வருவதைக் காட்டுங்கள். நிர்வாகச் செயல்பாடு நிலையாக இருப்பதை முன்னிலைப்படுத்துங்கள். பேச்சுச் சமிக்ஞைகள் முன்கூட்டியே தீர்மானிக்கப்பட்ட வரம்புகளைத் தாண்டும்போது அதைக் குறித்துக் குறிப்பிடுங்கள்.
சரியாகச் செய்யப்பட்டால், இந்தத் தானியங்கி முறை மருத்துவ நிபுணரைச் செயல்முறையிலிருந்து விலக்கிவிடாமல், பல மணிநேர ஆய்வை சில நிமிடங்களாகக் குறைக்கிறது. அறிக்கைகள் எளிய மொழியையும் காட்சிப் போக்குகளையும் கொண்டிருக்க வேண்டும், அதே சமயம் மருத்துவர்கள் ஒரு முடிவு அவர்களை ஆச்சரியப்படுத்தும்போது, அதை ஆழமாக ஆராயத் தேவையான அடிப்படைத் தரவுப் புள்ளிகளையும் அவை கொண்டிருக்க வேண்டும். மருத்துவர்களின் நேரத்தைச் சேமிப்பது பதிவுகளின் தரத்தை மேம்படுத்துவதோடு, இந்தத் கருவியை ஒரு கூடுதல் சுமையாகக் கருதாமல், அவர்கள் விருப்பத்துடன் பயன்படுத்தும் ஒன்றாக மாற்றுகிறது.
நோயின் நீண்ட காலப் போக்கிற்கான வடிவமைப்பு
டிமென்ஷியா (Dementia) என்பது நாட்களில் அல்ல, ஆண்டுகளில் வெளிப்படும் ஒரு நிலை. உங்கள் தரவுத்தளக் கட்டமைப்பு (database architecture) வரிசைப்படுத்தப்பட்ட முடிவுகளைப் பாதுகாப்பாகச் சேமிக்க வேண்டும் மற்றும் நீண்ட கால இடைவெளிகளில் அவற்றைச் சிறப்பாகத் தேடிக் கண்டறியும் வசதியைக் கொண்டிருக்க வேண்டும். எச்சரிக்கை செய்யும் தர்க்கம் (alerting logic) கூடுதல் கவனம் தேவைப்படுகிறது. ஒரு நோயாளி மக்கள் தொகை சராசரிக்கும் கீழே குறையும்போது மட்டும் அல்லாமல், அவரது தனிப்பட்ட அடிப்படை நிலையிலிருந்து (personal baseline) கணிசமாக விலகும்போது மருத்துவர்களுக்கு எச்சரிக்கை செய்ய வேண்டும். வாழ்நாள் முழுவதும் சிறந்த பேச்சுத் திறன் கொண்ட ஒருவருக்கு, புள்ளிவிவர சராசரியை விட அதிக மதிப்பெண் கிடைத்தாலும், அவருக்குப் பாதிப்பு இருக்கலாம்.
குழப்பமூட்டும் காரணிகளுக்கான (confounders) பாதுகாப்பு வழிமுறைகளை உருவாக்கவும். ஒரு இரவு தூக்கமின்மை, புதிய மருந்து அல்லது மனச்சோர்வு போன்றவை ஒரு குறிப்பிட்ட அமர்வின் முடிவுகளைத் தவறாக மாற்றக்கூடும். இந்த அமைப்பு விதிவிலக்கான நாட்களைக் (outlier days) கண்டறிந்து, ஒற்றை நிகழ்வுகளை விடத் தொடர்ச்சியான போக்குகளுக்கு (sustained trends) அதிக முக்கியத்துவம் அளிக்க வேண்டும். நோயாளிகள் ஒரு பாதுகாப்பான போர்டல் மூலம் தங்களின் நீண்ட காலப் போக்கு வரைபடங்களைப் (longitudinal charts) பார்க்க முடிவிருக்க வேண்டும்; இது செயல்முறையைத் தெளிவுபடுத்துவதன் மூலம் சிகிச்சையைப் பின்பற்றுவதை ஊக்குவிப்பதோடு பதற்றத்தையும் குறைக்கிறது.
உண்மையான இலக்கு
ஒரு AI டிமென்ஷியா கண்டறியும் கருவியை உருவாக்குவது கடினமானது, செலவு மிகுந்தது மற்றும் மெதுவானது. இதற்கு மருத்துவர்கள் மற்றும் பொறியாளர்களுக்கு இடையே, ஒரு துறையின் பங்களிப்பை மற்றொரு துறை மதிக்கும் வகையிலான ஒத்துழைப்பு தேவைப்படுகிறது. சரியாகச் செய்யப்பட்டால், இது ஒரு மருத்துவரின் புரிதலைக் காலத்தையும் முறைகளையும் கடந்து விரிவுபடுத்துகிறது, மேலும் பாரம்பரிய சிகிச்சையில் கவனிக்கத் தவறும் மாற்றங்களைக் கூடக் கண்டறிய உதவுகிறது. இந்தத் தொழில்நுட்பம் மனிதத் தீர்ப்பிற்கு மாற்றாகாது. இது மனிதத் தீர்ப்பு சிறப்பாகச் செயல்படுவதற்குத் தேவையான சிறந்த தரவுகளை மட்டுமே வழங்குகிறது.
Source: https://dev.to/ideausherr/how-to-develop-an-ai-dementia-detection-tool-like-altoida