AI ਹੈਲਥਕੇਅਰ ਸੈਕਟਰ ਵਿੱਚ ਕ੍ਰਾਂਤੀ ਲਿਆ ਸਕਦੀ ਹੈ, ਪਰ ਕੰਪਨੀਆਂ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਦਵਾਈਆਂ ਬਣਾਉਣ ਦਾ ਰਾਹ ਡਾਟਾ ਅਤੇ ਰੈਗੂਲੇਟਰੀ ਚੁਣੌਤੀਆਂ ਨਾਲ ਭਰਿਆ ਹੋਇਆ ਹੈ। ਨਿਵੇਸ਼ਕਾਂ ਲਈ ਇਹ ਜਾਣਨਾ ਜ਼ਰੂਰੀ ਹੈ ਕਿ AI-ਡਰੱਗ ਡਿਸਕਵਰੀ ਫਿਲਹਾਲ ਪਰੰਪਰਿਕ ਤਰੀਕਿਆਂ ਦਾ ਸਿਰਫ ਸਹਾਇਕ ਹੈ, ਬਦਲ ਨਹੀਂ।
AI (Artificial Intelligence) ਨੂੰ ਹੈਲਥਕੇਅਰ ਸੈਕਟਰ ਵਿੱਚ ਇੱਕ ਵੱਡੀ ਤਾਕਤ ਮੰਨਿਆ ਜਾ ਰਿਹਾ ਹੈ। ਕਈ ਵੱਡੀਆਂ ਟੈਕ ਕੰਪਨੀਆਂ ਦੇ ਅਧਿਕਾਰੀਆਂ ਦਾ ਮੰਨਣਾ ਹੈ ਕਿ ਆਉਣ ਵਾਲੇ 5 ਤੋਂ 10 ਸਾਲਾਂ ਵਿੱਚ AI, ਗੰਭੀਰ ਬੀਮਾਰੀਆਂ ਦੇ ਇਲਾਜ ਦੀ ਖੋਜ ਨੂੰ ਕਾਫੀ ਤੇਜ਼ ਕਰ ਸਕਦੀ ਹੈ। ਇਸ ਨਾਲ ਡਰੱਗ ਡਿਵੈਲਪਮੈਂਟ ਅਤੇ ਮੈਡੀਕਲ ਰਿਸਰਚ ਦੇ ਭਵਿੱਖ 'ਤੇ ਵੱਡਾ ਅਸਰ ਪੈ ਸਕਦਾ ਹੈ।
ਭਵਿੱਖਬਾਣੀਆਂ ਅਤੇ ਅਸਲੀਅਤ ਵਿੱਚ ਫਰਕ
ਨਿਵੇਸ਼ਕਾਂ (Investors) ਲਈ ਇਹ ਸਮਝਣਾ ਬਹੁਤ ਜ਼ਰੂਰੀ ਹੈ ਕਿ AI ਕਿੰਨੀ ਤੇਜ਼ੀ ਨਾਲ ਰਿਸਰਚ ਨੂੰ ਅੱਗੇ ਵਧਾ ਸਕਦੀ ਹੈ ਅਤੇ ਇਸ ਨੂੰ ਬਾਜ਼ਾਰ ਵਿੱਚ ਲਿਆਉਣ ਦੀ ਅਸਲੀਅਤ ਕੀ ਹੈ। AI ਇਸ ਸਮੇਂ ਨਵੇਂ ਡਰੱਗ ਟਾਰਗੇਟਸ ਨੂੰ ਪਛਾਨਣ ਅਤੇ ਮੋਲੀਕਿਊਲਰ ਇੰਟਰੈਕਸ਼ਨਜ਼ ਨੂੰ ਸਿਮੂਲੇਟ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਰਹੀ ਹੈ, ਜਿਸ ਨਾਲ ਰਿਸਰਚ ਦੇ ਸ਼ੁਰੂਆਤੀ ਪੜਾਅ ਵਿੱਚ ਲੱਗਣ ਵਾਲਾ ਸਮਾਂ ਘੱਟ ਹੋ ਸਕਦਾ ਹੈ।
ਪਰ, ਇਹ ਟੂਲਸ ਕਲੀਨਿਕਲ ਟਰਾਇਲ (Clinical Trials) ਦੀ ਲੰਬੀ ਅਤੇ ਮਹਿੰਗੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਘੱਟ ਨਹੀਂ ਕਰਦੇ, ਅਤੇ ਨਾ ਹੀ ਹੈਲਥ ਰੈਗੂਲੇਟਰਾਂ (Health Regulators) ਦੁਆਰਾ ਲੋੜੀਂਦੀਆਂ ਸਮੀਖਿਆਵਾਂ (Review Periods) ਨੂੰ। ਕਿਸੇ ਵੀ ਮੈਡੀਕਲ ਸਫਲਤਾ ਨੂੰ FDA ਅਤੇ European Medicines Agency ਵਰਗੀਆਂ ਏਜੰਸੀਆਂ ਦੁਆਰਾ ਤੈਅ ਕੀਤੇ ਗਏ ਸਖਤ ਸੁਰੱਖਿਆ ਅਤੇ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਦੇ ਮਾਪਦੰਡਾਂ 'ਤੇ ਖਰਾ ਉਤਰਨਾ ਪੈਂਦਾ ਹੈ।
ਸਰਕਾਰ ਏਜੰਸੀਆਂ ਨੂੰ ਇਹ ਸਾਬਤ ਕਰਨਾ ਹੁੰਦਾ ਹੈ ਕਿ AI ਦੁਆਰਾ ਖੋਜੇ ਗਏ ਇਲਾਜ, ਪਰੰਪਰਿਕ ਤਰੀਕਿਆਂ ਨਾਲ ਬਣਾਏ ਗਏ ਇਲਾਜਾਂ ਵਾਂਗ ਹੀ ਸੁਰੱਖਿਅਤ ਅਤੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹਨ। ਇਸ ਲਈ, ਭਾਵੇਂ AI ਸਿਸਟਮ ਕਿੰਨੇ ਵੀ ਕੁਸ਼ਲ ਕਿਉਂ ਨਾ ਹੋ ਜਾਣ, ਨਵੀਆਂ ਦਵਾਈਆਂ ਨੂੰ ਮਾਰਕੀਟ ਵਿੱਚ ਲਿਆਉਣ ਦਾ ਸਮਾਂ ਕੰਪਿਊਟਿੰਗ ਸਪੀਡ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਬਾਇਓਲੌਜੀਕਲ ਜਟਿਲਤਾਵਾਂ ਅਤੇ ਸੁਰੱਖਿਆ ਨਿਯਮਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।
ਡਾਟਾ ਅਤੇ ਰੈਗੂਲੇਟਰੀ ਰੁਕਾਵਟਾਂ
ਕਲੀਨਿਕਲ ਵੈਲੀਡੇਸ਼ਨ ਤੋਂ ਇਲਾਵਾ, ਦਵਾਈਆਂ ਵਿੱਚ AI ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਬਾਇਓਲੌਜੀਕਲ ਡਾਟਾ ਦੀ ਗੁਣਵੱਤਾ ਅਤੇ ਮਾਤਰਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਬਾਇਓਟੈਕਨਾਲੋਜੀ ਸੈਕਟਰ ਦੇ ਅਧਿਕਾਰੀਆਂ ਨੇ ਦੱਸਿਆ ਹੈ ਕਿ AI ਮਾਡਲ ਕਿੰਨੇ ਵੀ ਸ਼ਕਤੀਸ਼ਾਲੀ ਕਿਉਂ ਨਾ ਹੋਣ, ਉਹ ਸਿਰਫ ਉਸ ਡਾਟਾ 'ਤੇ ਹੀ ਚੰਗੇ ਨਤੀਜੇ ਦੇ ਸਕਦੇ ਹਨ ਜਿਸ 'ਤੇ ਉਹਨਾਂ ਨੂੰ ਟ੍ਰੇਨ ਕੀਤਾ ਗਿਆ ਹੋਵੇ। ਕਈ ਗੰਭੀਰ ਬੀਮਾਰੀਆਂ ਲਈ ਲੋੜੀਂਦਾ ਵਿਆਪਕ ਖੋਜ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਅਤੇ ਇਤਿਹਾਸਕ ਕਲੀਨਿਕਲ ਡਾਟਾ ਅਜੇ ਵੀ ਵਿਕਾਸ ਅਧੀਨ ਹੈ।
ਇਸ ਨਾਲ ਇੱਕ ਅੰਤਰ ਪੈਦਾ ਹੁੰਦਾ ਹੈ: ਜਿੱਥੇ AI ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਲੈ ਕੇ ਉਤਸ਼ਾਹ ਹੈ, ਉੱਥੇ ਹੀ ਇਸ ਸਿਸਟਮ ਨੂੰ ਸਹੀ ਬਣਾਉਣ ਲਈ ਜ਼ਰੂਰੀ ਅੰਡਰਲਾਈੰਗ ਬਾਇਓਲੌਜੀਕਲ ਡਾਟਾ ਅਜੇ ਵੀ ਵਿਕਸਿਤ ਹੋ ਰਿਹਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਫਾਰਮਾਸਿਊਟੀਕਲ ਪਾਈਪਲਾਈਨਾਂ ਵਿੱਚ AI ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਲਈ ਪਾਰਦਰਸ਼ਤਾ (Transparency) ਅਤੇ ਪ੍ਰਜਨਨਯੋਗਤਾ (Reproducibility) ਦੀ ਲੋੜ ਹੈ, ਜਿਸ ਵਿੱਚ ਰੈਗੂਲੇਟਰੀ ਫਰੇਮਵਰਕ ਅਜੇ ਵੀ ਵਿਕਾਸ ਅਧੀਨ ਹਨ।
ਜਿਹੜੀਆਂ ਕੰਪਨੀਆਂ ਡਰੱਗ ਡਿਸਕਵਰੀ ਵਿੱਚ AI ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੀਆਂ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਰਵਾਇਤੀ ਫਾਰਮਾਸਿਊਟੀਕਲ ਜੋਖਮਾਂ ਦੇ ਨਾਲ-ਨਾਲ, ਜਿਵੇਂ ਕਿ ਬੌਧਿਕ ਸੰਪਤੀ ਵਿਵਾਦ, ਉੱਚ ਪੂੰਜੀਗਤ ਲਾਗਤਾਂ, ਅਤੇ ਪ੍ਰਯੋਗਾਤਮਕ ਦਵਾਈਆਂ ਦੀ ਉੱਚ ਅਸਫਲਤਾ ਦਰ, ਇਹਨਾਂ ਅਨਿਸ਼ਚਿਤਤਾਵਾਂ ਨਾਲ ਵੀ ਨਜਿੱਠਣਾ ਪੈਂਦਾ ਹੈ।
ਟੈਕਨਾਲੋਜੀ ਅਤੇ ਹੈਲਥਕੇਅਰ ਦੇ ਮਿਲਾਨ 'ਤੇ ਨਜ਼ਰ ਰੱਖਣ ਵਾਲਿਆਂ ਲਈ, ਮੁੱਖ ਫੋਕਸ ਇਹ ਹੋਵੇਗਾ ਕਿ ਇਹਨਾਂ ਸਿਸਟਮਾਂ ਦਾ ਅਸਲ ਆਊਟਪੁੱਟ ਕੀ ਹੈ। ਸਿਰਫ ਗੱਲਾਂ ਜਾਂ ਉਦਯੋਗ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਦੀ ਬਜਾਏ, ਨਿਵੇਸ਼ਕ ਆਮ ਤੌਰ 'ਤੇ ਉਨ੍ਹਾਂ ਕੰਪਨੀਆਂ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ ਜੋ ਐਡਵਾਂਸ ਕਲੀਨਿਕਲ ਟਰਾਇਲ ਪੜਾਵਾਂ ਤੱਕ ਪਹੁੰਚਣ, ਰੈਗੂਲੇਟਰੀ ਮਨਜ਼ੂਰੀਆਂ ਪ੍ਰਾਪਤ ਕਰਨ ਅਤੇ ਉਤਪਾਦਾਂ ਨੂੰ ਵਪਾਰਕ ਬਾਜ਼ਾਰ ਵਿੱਚ ਲਿਆਉਣ ਵਿੱਚ ਅਸਲ ਸਫਲਤਾ ਦਿਖਾ ਸਕਦੀਆਂ ਹਨ। ਸਿਧਾਂਤਕ ਖੋਜ ਤੋਂ ਪ੍ਰਮਾਣਿਤ, ਜੀਵਨ ਬਚਾਉਣ ਵਾਲੇ ਮੈਡੀਕਲ ਉਤਪਾਦਾਂ ਤੱਕ ਦਾ ਇਹ ਸਫਰ ਉਦਯੋਗ ਲਈ ਮੁੱਖ ਪ੍ਰੀਖਿਆ ਬਣਿਆ ਹੋਇਆ ਹੈ।