શું આપણે રોગ વિનાની દુનિયા બનાવી શકીએ?

શું રોગ મુક્ત વિશ્વ શક્ય છે? રોગ એ એક શબ્દ છે જે મોટાભાગના લોકો (જો બધા નહીં) હોય ત્યારે તેઓ અથવા તેઓ જાણતા હોય તેવા કોઈને સાંભળવામાં અસ્વસ્થતા અનુભવાય છે. સદનસીબે, મેક્સ વેલિંગ, એમ્સ્ટરડેમ યુનિવર્સિટીમાં મશીન લર્નિંગના પ્રોફેસર અને કેનેડિયન ઇન્સ્ટિટ્યૂટ ઑફ એડવાન્સ્ડ રિસર્ચના સભ્ય અને તેમની સાહસિકોની ટીમે દર્દીઓ માટે રોગોના નિદાન માટે ડેટા વિશ્લેષણ સિસ્ટમ બનાવી છે. મજાની હકીકત: તે AMLAB (Amsterdam Machine Learning LAB) ને ડાયરેક્ટ કરે છે અને QUVA Lab (Qualcomm-UvA લેબ)નું સહ-નિર્દેશક કરે છે. અહીં આપણે જોઈશું કે કેવી રીતે આ અદ્ભુત માણસ અને તેની સાહસિકોની ટીમ (સિન્થિયા ડવર્ક, જ્યોફ્રી હિન્ટન અને જુડિયા પર્લ) એ રોગની દુનિયાને મુક્ત કરવા માટે કેટલીક અવિશ્વસનીય સફળતાઓ કરી.

મેક્સ વેલિંગની ચિંતા

વેલિંગે તેની TEDx ટોક દરમિયાન જે હકીકતો દર્શાવી છે તે હકીકતો એ હકીકત તરફ ધ્યાન દોરે છે કે એવા સમયે હોય છે જ્યારે ડૉક્ટર દર્દીના નિદાન દરમિયાન કંઈક ચૂકી જાય છે. દાખલા તરીકે, તે કહે છે કે "અડધી તબીબી પ્રક્રિયાઓ પાસે કોઈ વૈજ્ઞાાનિક પુરાવા નથી." તે નિદાન મુખ્યત્વે તેમના પોતાના અભ્યાસ અને શાળામાં મેળવેલા જ્ઞાન દ્વારા કરવામાં આવે છે, જ્યારે મેક્સ કહે છે કે અન્ય સંભવિત રોગો માટે વિશ્લેષણાત્મક પૂર્વસૂચનનું કોઈ સ્વરૂપ હોવું જોઈએ. તે સમજાવે છે કે કેટલાક દર્દીઓનું ખોટું નિદાન થઈ શકે છે અને તેઓ હોસ્પિટલમાં પાછા આવી શકે છે, જેમાં તે સ્પષ્ટ કરે છે કે તેમના મૃત્યુની શક્યતા 8 ગણી વધારે છે. સૌથી રસપ્રદ બાબત એ છે કે આ એક એવો મુદ્દો છે જે હંમેશા અસ્તિત્વમાં છે. કારણ એટલું જ સરળ છે કે ભૂલો થવી જ જોઈએ જે કમનસીબે કોઈને અથવા ઘણા લોકોને તેમના જીવન માટે ખર્ચ કરી શકે છે. એટલું જ નહીં, વેલિંગ કહે છે તેમ, દર વર્ષે અડધા ટ્રિલિયન ડૉલરના ખર્ચની 230 મિલિયન તબીબી પ્રક્રિયાઓ થાય છે. અન્યને મદદ કરવા માટે સેવા પૂરી પાડવાનો પ્રયાસ કરતી કોઈપણ ઉદ્યોગની જેમ, તેમાં પૈસા ખર્ચ થાય છે; વધુમાં, તેનો અર્થ એ છે કે હોસ્પિટલો અને તબીબી કેન્દ્રોને ભંડોળ પૂરું પાડવાનો હવાલો સંભાળનારાઓએ ઉદ્યોગને વધુ સારી દિશામાં આગળ વધારવાનો પ્રયાસ કરી રહેલા સંશોધકોને સાંભળવાની જરૂર છે. તેમ છતાં, કરકસર રાખવી હંમેશા ફાયદાકારક છે.

ગોપનીયતા સાચવી રહ્યું છે

વેલિંગે જણાવ્યું કે તેણે અને તેની ટીમે 3 સફળતા મેળવી છે. જેમાંથી એક કમ્પ્યુટર છે જે હોસ્પિટલની અંદર ગોપનીયતા જાળવી શકે છે; વધુમાં, કોમ્પ્યુટરો જે દર્દીઓ તદ્દન બીમાર છે તેમના નિદાનમાં વધુ સુધારો કરવા માટે ડેટાની પુષ્કળતાનું વિશ્લેષણ પણ કરી શકે છે. આ સોફ્ટવેર નામ આપવામાં આવ્યું છે મશીન લર્નર. આવશ્યકપણે, કોમ્પ્યુટર હોસ્પિટલના ડેટાબેઝને ક્વેરી મોકલે છે, જે ક્વેરીનો જવાબ આપે છે પછી મશીન લર્નર "તેમાં થોડો અવાજ ઉમેરીને" જવાબ બદલી નાખશે. વધુ વિગતો માટે કૃપા કરીને અહીં ક્લિક કરો (મેક્સ વેલિંગ તેને 5:20 - 6:06 મિનિટની વચ્ચે વધુ નજીકથી સમજાવે છે). બીજા શબ્દોમાં કહીએ તો, મેક્સ તેને સમજાવે છે તેમ, કોમ્પ્યુટર નિદાન દ્વારા "પોતાને વધુ સારી રીતે" બનાવવા માંગે છે અને "ડેટાનું વધુ સારું મોડેલ બનાવવા" માંગે છે. આ બધાનો આભાર છે સિન્થિયા ડ્કવર, જેઓ માઇક્રોસોફ્ટ રિસર્ચના પ્રતિષ્ઠિત વૈજ્ઞાનિક છે. તેણી ગાણિતિક પાયાના આધારે ગોપનીયતા જાળવવા પર ધ્યાન કેન્દ્રિત કરે છે. તેણી અને તેણીએ શું કર્યું તેના વિશે વધુ માટે, અહીં ક્લિક કરો. ટૂંકમાં, આ પ્રથમ સફળતા માત્ર એ જ દર્શાવે છે કે મેક્સ દર્દીઓની અંગત માહિતીનો આદર કરવા માંગે છે પણ તે હોસ્પિટલોને નિદાન માટે વધુ નક્કર પાયો પૂરો પાડવા માંગે છે.

ડીપ લર્નિંગ

દ્વારા બીજી સફળતા પ્રકાશમાં આવી હતી જoffફ્રી હિંટન. યાન લેક્યુન, યોશુઆ બેંગિયો અને જ્યોફ્રી સમજાવ્યું છે કે: "ડીપ લર્નિંગ બેકપ્રોપેગેશન એલ્ગોરિધમનો ઉપયોગ કરીને મોટા ડેટા સેટમાં જટિલ માળખું શોધે છે જે દર્શાવે છે કે મશીને તેના આંતરિક પરિમાણોને કેવી રીતે બદલવું જોઈએ જેનો ઉપયોગ અગાઉના સ્તરના પ્રતિનિધિત્વમાંથી દરેક સ્તરમાં રજૂઆતની ગણતરી કરવા માટે થાય છે." સામાન્ય માણસની દ્રષ્ટિએ, તે મશીનને તેના જટિલ સ્તરો દ્વારા તેના સૌથી ઊંડા પરિમાણો દ્વારા પોતાને વધુ સારી રીતે સમજવામાં મદદ કરે છે (વધુ વિગતો માટે કૃપા કરીને ત્રણ સજ્જનોએ લખેલી બાકીની સમીક્ષા વાંચો).

કાર્યકારણ વિ સહસંબંધ

ત્રીજી અને અંતિમ સફળતા એ સહસંબંધથી કાર્યકારણને વધુ અલગ કરવા માટે એક સહયોગી વિચાર છે. મેક્સને લાગે છે કે જુડિયા પર્લના સાધનો આ બે ખ્યાલોને અલગ પાડવામાં મદદ કરી શકે છે અને સંગઠિત થાઓ. અનિવાર્યપણે જુડિયાની ભૂમિકા ડેટાને વધુ માળખું આપવામાં મદદ કરવાની છે જે દર્દીની ફાઇલોને ડેટાબેઝમાં ડિજિટલી ટ્રાન્સફર કરવામાં આવે તો કરી શકાય છે. પર્લનું કાર્ય ખૂબ જટિલ છે તેથી જો તમે તેના "ટૂલ્સ" શું છે તે વધુ સમજવા માંગતા હો અહીં ક્લિક કરો.

મેક્સની ઇચ્છા

વેલિંગે તેના અંતમાં સારાંશ આપ્યો TEDX ટોક કે તે મશીન લર્નર દ્વારા ગોપનીયતા જાળવવા માંગે છે. બીજું, પૈસા અને જીવન બચાવવા માટે નિદાનમાં વધુ સુધારો કરવા માટે ડેટા સગીરો અને વૈજ્ઞાનિકોને જોડવા. છેલ્લે, તે ટેક્નોલોજી દ્વારા હોસ્પિટલો, ડોકટરો અને દર્દીઓને વધુ સારી સેવા આપીને આરોગ્ય સંભાળમાં ક્રાંતિ લાવવા માંગે છે જે હોસ્પિટલની મુલાકાતો ઓછી કરવામાં અને નાણાંનો વધુ કાર્યક્ષમ ઉપયોગ કરવામાં મદદ કરી શકે. આરોગ્ય સંભાળ પર આ એક સુંદર વિઝન છે કારણ કે તે માત્ર તબીબી ઉદ્યોગનો આદર કરવા માંગતો નથી, તે હોસ્પિટલો અને તબીબી કેન્દ્રોના બજેટનો વિચાર કરતી વખતે જીવન બચાવવામાં પણ મદદ કરવા માંગે છે.