کس طرح AI پر مبنی نقطہ نظر نے ایک ٹیک فاؤنڈر کو نایاب کینسر پر قابو پانے میں مدد دی

جب کونو کرسٹو (Conno Christou)، جو کہ صحت کے حوالے سے انتہائی باشعور ایک کاروباری شخصیت ہیں، کو نان ہاجمکن لیمفوما (non-Hodgkin’s lymphoma) کی ایک جارحانہ قسم ہونے کی تشخیص ہوئی، تو انہوں نے اپنی بقا کو محض اتفاق پر چھوڑنے سے انکار کر دیا۔ اپنی طبی جنگ کو ایک ہائی اسٹیکس اسٹارٹ اپ کی طرح لیتے ہوئے، انہوں نے پیچیدہ طبی منظر نامے میں راستہ تلاش کرنے کے لیے ویئریبل ڈیٹا (wearable data) اور LLMs کا سہارا لیا۔

نایاب بیماری کے مقابلے میں ڈیٹا پر مبنی بقا

کرسٹو کی تشخیص ایک شماریاتی انفرادیت تھی: ان کے سینے کی ہڈی (sternum) کے پیچھے 11x11x8 سینٹی میٹر کا ایک ماس (mass) تھا، جو کہ ایک بے ترتیب جینیاتی تبدیلی (genetic mutation) کی وجہ سے ہوا تھا۔ ایسی حالت جو 420,000 میں سے صرف ایک شخص کو متاثر کرتی ہے، اس کے لیے معیاری طبی طریقہ کار اکثر اس درستگی کے معیار پر پورا نہیں اترتا تھا جس کی انہیں ضرورت تھی۔ دو ماہرین سے بالکل متضاد علاج کے مشورے ملنے کے بعد—ایک نے 60 فیصد کامیابی کی شرح والا طریقہ کار تجویز کیا اور دوسرے نے 85 فیصد کامیابی کی شرح والا جارحانہ راستہ—کرسٹو نے ڈیٹا کے مجموعی استعمال (data aggregation) کا رخ کیا۔

وہ صرف دوسری رائے پر اکتفا کرنے والے نہیں تھے؛ انہوں نے 12 مختلف آراء جمع کیں۔ اپنی صحت یابی کو "سپرنٹس کا میراتھن" (marathon of sprints) سمجھتے ہوئے، انہوں نے اپنے مدافعتی نظام کی خرابیوں کی پیش گوئی کے لیے Whoop ویئریبل کا استعمال کیا اور وائس ٹرانسکرپشن کے ذریعے علامات کا ایک نہایت تفصیلی ریکارڈ رکھا۔ ڈیٹا کے اس باریک بینی سے جمع کرنے نے انہیں نیند، غذائیت اور نفسیاتی لچک کی نگرانی اسی سختی سے کرنے کی اجازت دی جس طرح وہ اپنی کمپنیوں کو وسعت دینے کے لیے کرتے تھے۔

طبی معلومات کے خلا کو پُر کرنے کے لیے LLMs کا استعمال

کرسٹو کے سفر کا سب سے اہم موڑ Claude کا استعمال تھا، جو کہ Anthropic کا تیار کردہ ایک LLM ہے۔ اگرچہ Mass General Brigham کی ڈینیئل بٹرمین جیسے طبی ماہرین خبردار کرتے ہیں کہ عام مقصد کے لیے بنائے گئے چیٹ بوٹس ابھی تک ذاتی تشخیص کے لیے تصدیق شدہ نہیں ہیں، کرسٹو نے اس کا فائدہ ایک مختلف طریقے سے ڈھونڈا: بہتر سوالات پوچھنے کے لیے AI کا استعمال کرنا۔

ایک نایاب لیمفوما کے لیے، ایک انسانی آنکولوجسٹ (oncologist) کو شاید سال میں صرف ایک بار اس طرح کی مخصوص صورتحال کا سامنا کرنا پڑے۔ اس کے برعکس، ایک LLM نے عالمی طبی لٹریچر کے وسیع ذخیرے کو "جذب" کر لیا ہے۔ کرسٹو نے اپنے خون کے نتائج، اسکین ڈیٹا، ویئریبل کے نتائج اور جرنل کے اندراجات کو ماڈل میں ڈالا، جس سے خام ڈیٹا ایسے مفید معلومات (actionable insights) میں بدل گیا جس نے انہیں عالمی معیار کے ماہرین کے ساتھ گفتگو کرنے میں مدد دی۔

AI پیٹرن ریکگنیشن کے ذریعے غیر ضروری علاج سے بچنا

AI کی اصل طاقت کرسٹو کے آخری PET اسکین کے دوران واضح ہوئی، جس کے نتائج مبہم تھے۔ ان کے آنکولوجسٹ نے علاج کے دوسرے مرحلے (second line of therapy) کی تجویز دی، جس میں ان کے دل اور پھیپھڑوں کے قریب ممکنہ طور پر خطرناک ریڈیوتھراپی بھی شامل تھی۔

تاہم، کرسٹو نے ایک اہم شماریاتی حقیقت کی نشاندہی کی: ان کی مخصوص حالت میں علاج کے اختتام پر ہونے والے PET اسکینز کے لیے 'فالس پازیٹو' (false-positive) کی شرح 60 فیصد تک ہو سکتی ہے۔ انہوں نے اپنے PET اسکین اور MRI ڈیٹا کو Claude میں ڈالا، جس نے ایک مخصوص طبی رجحان کی نشاندہی کی: "thymus rebound"۔ ماڈل نے مشورہ دیا کہ 40 سال سے کم عمر کے مریضوں میں، دوبارہ فعال ہونے والا تھائمس غدود (thymus gland) امیجنگ میں فعال بیماری کی طرح نظر آ سکتا ہے۔ AI نے اس وضاحت کا امکان تقریباً 90 فیصد قرار دیا۔ مزید ماہرانہ تصدیق کے بعد، تشخیص کی تصدیق ہو گئی—وہ کینسر سے پاک تھے، اور غیر ضروری ریڈیوتھراپی سے بچا جا سکا۔

ذاتی نوعیت کی مریضوں کی وکالت کا مستقبل

کرسٹو کی کہانی "مریضوں کی قیادت میں AI وکالت" (patient-led AI advocacy) کے ایک ابھرتے ہوئے رجحان کو اجاگر کرتی ہے۔ جیسے جیسے LLMs مزید جدید ہوتے جا رہے ہیں، طبی مہارت اور مریض کے زیرِ قیادت ڈیٹا کے تجزیے کے درمیان فرق دھندلا رہا ہے۔ ڈویلپرز اور فاؤنڈرز کے لیے، یہ MedTech اور Generative AI کے ملاپ میں ایک بہت بڑا موقع ہے: ایسے ٹولز بنانا جو ڈاکٹروں کی جگہ نہ لیں، بلکہ مریضوں کو طبی نظام کی حدود کے اندر بہتر طریقے سے راستہ تلاش کرنے کے قابل بنائیں۔

اہم نکات

  • ڈیٹا پر مبنی فیصلہ سازی: کرسٹو نے اپنے طبی سفر کو ڈیٹا سائنس کے مسئلے کے طور پر لیا، اور اپنی جسمانی اور ذہنی حالت کو سنبھالنے کے لیے ویئریبلز اور نہایت تفصیلی لاگنگ کا استعمال کیا۔
  • استدلال کی تہہ کے طور پر AI: براہ راست تشخیص کے لیے LLMs کے استعمال کے بجائے، انہوں نے پیچیدہ ڈیٹا کو یکجا کرنے اور اپنی طبی ٹیم کے لیے اعلیٰ سطح کے سوالات تیار کرنے کے لیے Claude کا استعمال کیا۔
  • طبی غلطیوں میں کمی: AI نے "thymus rebound" کے رجحان کی نشاندہی کرنے میں مدد کی جس نے غیر ضروری اور تکلیف دہ ریڈیوتھراپی کو روکا، جو نظر انداز کیے گئے طبی پیٹرنز کو دریافت کرنے میں AI کی اہمیت کو ثابت کرتا ہے۔