மருத்துவத் துறையில் AI (செயற்கை நுண்ணறிவு) அடுத்த 10 ஆண்டுகளில் மிகப்பெரிய மாற்றங்களை ஏற்படுத்தும் என executives கூறுகிறார்கள். ஆனால், புதிய மருந்துகளை உருவாக்குவதற்கும், நோய்களை குணப்படுத்துவதற்கும் தேவையான தரவுகள் (Data) மற்றும் ஒழுங்குமுறை (Regulatory) சிக்கல்கள் இன்னும் ஏராளமாக உள்ளன. AI மூலம் மருந்துகள் கண்டுபிடிப்பது என்பது, தற்போதுள்ள மருத்துவ சோதனை முறைகளுக்கு ஒரு துணைதானே தவிர, முழுமையான மாற்றல்ல என்பதை முதலீட்டாளர்கள் கவனத்தில் கொள்ள வேண்டும்.
AI-யின் எதிர்காலம்: நம்பிக்கைக்கும் யதார்த்தத்திற்கும் உள்ள இடைவெளி
சமீபத்திய தொழில்துறை விவாதங்களில், மருத்துவத் துறையில் செயற்கை நுண்ணறிவின் (AI) சாத்தியக்கூறுகள் மீண்டும் கவனத்தை ஈர்த்துள்ளன. தொழில்நுட்ப நிறுவனங்களின் நிர்வாகிகள், அடுத்த 5 முதல் 10 ஆண்டுகளுக்குள் பெரிய நோய்களுக்கான சிகிச்சைகளைக் கண்டறிவதில் AI கணிசமாக வேகமெடுக்கும் என்று தெரிவித்துள்ளனர். இதனால், மருந்து மேம்பாடு மற்றும் மருத்துவ ஆராய்ச்சியில் கணினிகளின் பங்கு எப்படி இருக்கும் என்பதில் ஆர்வம் அதிகரித்துள்ளது.
முதலீட்டாளர்கள் மற்றும் சந்தை ஆய்வாளர்கள், AI-ஆல் ஆராய்ச்சியை வேகப்படுத்தும் திறனுக்கும், புதிய மருந்துகளை சந்தைக்கு கொண்டு வருவதன் யதார்த்தத்திற்கும் இடையே உள்ள வித்தியாசத்தை புரிந்து கொள்ள வேண்டியது அவசியம். தற்போது, AI சாத்தியமான மருந்து இலக்குகளை அடையாளம் காணவும், மூலக்கூறு இடைவினைகளை உருவகப்படுத்தவும் பயன்படுத்தப்படுகிறது. இது ஆராய்ச்சியின் ஆரம்பகட்ட ஆய்வகப் பணிகளில் செலவிடும் நேரத்தைக் குறைக்கிறது.
ஆனால், இந்தக் கருவிகள் நீண்ட மற்றும் செலவுமிக்க மருத்துவ பரிசோதனைகள் (Clinical Trials) அல்லது சுகாதார ஒழுங்குமுறை அமைப்புகளால் (Health Regulators) தேவைப்படும் கட்டாய மறுஆய்வுக் காலங்களைத் (Review Periods) தவிர்ப்பதில்லை. FDA மற்றும் European Medicines Agency போன்ற அமைப்புகளால் நிர்ணயிக்கப்பட்ட கடுமையான பாதுகாப்பு மற்றும் செயல்திறன் தரங்களை மருத்துவ முன்னேற்றங்கள் பூர்த்தி செய்ய வேண்டும்.
எந்தவொரு புதிய சிகிச்சையும், அது எப்படி கண்டுபிடிக்கப்பட்டிருந்தாலும், விரிவான மனித சோதனைகளுக்கு உட்படுத்தப்பட வேண்டும் என்று இந்த ஒழுங்குமுறை அமைப்புகள் கோருகின்றன. AI-உருவாக்கிய கண்டுபிடிப்புகள் பாரம்பரிய முறைகளைப் போலவே பாதுகாப்பானவை மற்றும் பயனுள்ளவை என்பதை நிரூபிப்பதில் இந்தத் துறை ஒரு பெரிய சவாலை எதிர்கொள்கிறது. இதன் விளைவாக, AI அமைப்புகள் மிகவும் திறமையாக மாறினாலும், புதிய மருந்துகளை வணிகமயமாக்குவதற்கான காலக்கெடு, கணினி வேகத்தை விட உயிரியல் சிக்கல்கள் மற்றும் பாதுகாப்பு நெறிமுறைகளால் பெரும்பாலும் தீர்மானிக்கப்படுகிறது.
தரவு மற்றும் ஒழுங்குமுறை தடைகள்
மருத்துவ பரிசோதனைகளுக்கு அப்பாற்பட்டு, மருத்துவத்தில் AI-யின் செயல்திறன் பெரும்பாலும் உயிரியல் தரவுகளின் தரம் மற்றும் அளவைப் பொறுத்தது. பயோடெக்னாலஜி துறையில் உள்ள நிர்வாகிகள், AI மாதிரிகள் சக்திவாய்ந்தவை என்றாலும், அவை பயிற்சி பெற்ற தரவுகளின் அளவுக்கு மட்டுமே சிறந்தவை என்று குறிப்பிட்டுள்ளனர். சிக்கலான நாள்பட்ட நோய்களுக்கு, AI அமைப்புகளை திறம்பட பயிற்றுவிக்கத் தேவையான விரிவான ஆராய்ச்சி உள்கட்டமைப்பு மற்றும் வரலாற்று மருத்துவத் தரவுகள் பெரும்பாலும் இல்லை.
இது ஒரு பொருத்தமின்மையை உருவாக்குகிறது: AI-யின் சாத்தியக்கூறுகள் குறித்து பெரும் உற்சாகம் இருந்தாலும், இந்த அமைப்புகளை தொடர்ந்து துல்லியமாக்கத் தேவையான அடிப்படை உயிரியல் தரவுகள் இன்னும் உருவாக்கப்பட்டு வருகின்றன. மேலும், மருந்து கண்டுபிடிப்பு செயல்முறைகளில் AI-ஐ ஒருங்கிணைக்க வெளிப்படைத்தன்மை (Transparency) மற்றும் மறுஉருவாக்கம் (Reproducibility) தேவைப்படுகிறது. இந்த இரண்டு பகுதிகளிலும் ஒழுங்குமுறை கட்டமைப்புகள் இன்னும் வளர்ந்து வருகின்றன.
AI-ஐ மருந்து கண்டுபிடிப்பு செயல்முறைகளில் ஒருங்கிணைப்பதில் கவனம் செலுத்தும் நிறுவனங்கள், அறிவுசார் சொத்துரிமை தகராறுகள், அதிக மூலதன செலவுகள் மற்றும் பரிசோதனை மருந்துகளின் அதிக தோல்வி விகிதம் போன்ற பாரம்பரிய மருந்து அபாயங்களுடன் இந்த நிச்சயமற்ற தன்மைகளையும் சமாளிக்க வேண்டும்.
தொழில்நுட்பம் மற்றும் சுகாதாரப் பாதுகாப்பு சந்திக்கும் புள்ளிகளைக் கண்காணிப்பவர்களுக்கு, இந்த அமைப்புகளின் உறுதியான வெளியீட்டைக் காண்பது முக்கியமானது. சந்தை உணர்வுகள் அல்லது தொழில் கணிப்புகளுக்குப் பதிலாக, முதலீட்டாளர்கள் பொதுவாக மேம்பட்ட மருத்துவ பரிசோதனை நிலைகளை அடைவதிலும், ஒழுங்குமுறை ஒப்புதல்களைப் பெறுவதிலும், வணிகச் சந்தையில் தயாரிப்புகளை நகர்த்துவதிலும் உண்மையான வெற்றியை நிரூபிக்கக்கூடிய நிறுவனங்களைத் தேடுகிறார்கள். கோட்பாட்டு ஆராய்ச்சியில் இருந்து சரிபார்க்கப்பட்ட, உயிர் காக்கும் மருத்துவப் பொருட்களாக மாறும் பயணம் இந்தத் துறைக்கான முதன்மை சோதனையாக உள்ளது.