کیا ہوا؟
Google ریسرچ نے GlucoFM کو بیان کیا، ایک ہلکا پھلکا خود نگرانی شدہ فاؤنڈیشن ماڈل جو گلوکوز کی مسلسل نگرانی کرنے والے ڈیٹا سے دوبارہ قابل استعمال نمونوں کو سیکھنے کے لیے ڈیزائن کیا گیا ہے۔ یہ ماڈل گلوکوز کے سست رجحانات کو قلیل مدتی انحراف سے الگ کرتا ہے، وقت اور گمشدگی کی معلومات کو محفوظ رکھتا ہے، اور میٹابولک پیشن گوئی اور کھانے کے بعد گلوکوز کی پیشن گوئی کے کاموں پر اس کا جائزہ لیا گیا۔
Google ریسرچ نے ماڈل کو چار گروپوں میں جانچا — CGMacros, Stanford, Hall, اور ShanghaiT2DM — اور سات طبی پیشین گوئی کے کام: ذیابیطس کا خطرہ، انسولین مزاحمت، بیٹا سیل کی خرابی، ہائپرلیپیڈیمیا، ہائپوگلیسیمیا، موٹاپا، اور گلیکوپیڈیمیا۔ 14 کوہورٹ ٹاسک ایویلیویشنز کے دوران، ماخذ GlucoFM کے لیے اوسطاً PR-AUC 58.8 کی رپورٹ کرتا ہے جبکہ اسی ڈیٹا پر دوبارہ تربیت یافتہ مضبوط CGM مخصوص بیس لائن کے لیے 54.7 کے مقابلے میں۔ یہ رپورٹ شدہ نتائج کے لیے استعمال ہونے والے مخصوص تشخیصی ڈھانچے کو قائم کرتا ہے، جس میں نامزد گروہ، کام، میٹرک، اور موازنہ ماڈل شامل ہیں۔
کوہورٹ اور ٹاسک کا جائزہ رپورٹ شدہ موازنہ کو ایک متعین دائرہ کار فراہم کرتا ہے۔ اس میں نامزد گروہوں اور درج شدہ میٹابولک پیشین گوئی کے کاموں کا احاطہ کیا گیا ہے، اسی ڈیٹا پر دوبارہ تربیت یافتہ مضبوط ترین CGM مخصوص بیس لائن سے موازنہ کیا گیا ہے۔ لہذا نتیجہ ان رپورٹ شدہ تشخیصات اور حالات کے اندر کارکردگی کو بیان کرتا ہے۔ یہ بذات خود موازنہ کو ماخذ کے ذریعہ بیان کردہ گروہوں، کاموں، یا بیس لائن سے آگے نہیں بڑھاتا ہے۔ یہ حد اہم ہے کیونکہ نتیجہ تحقیقی وضاحت میں پیش کردہ تشخیصی ڈیزائن سے منسلک ہے۔
یہ ڈیکس کام اور لیبر ڈیوائسز استعمال کرنے والے 34 شرکاء کے 874 جوڑے کھانے کے واقعات پر مشتمل پوسٹ پرانڈیل پیشن گوئی کی تشخیص کی بھی اطلاع دیتا ہے۔ یہ تشخیص کھانے کے بعد گلوکوز کے ردعمل پر مرکوز ایک الگ ترتیب کا اضافہ کرتی ہے، جبکہ ذریعہ کے بیان کردہ شریک اور آلہ کے دائرہ کار کو برقرار رکھتی ہے۔ لہٰذا نتیجہ کو رپورٹ شدہ تحقیقی تشخیص کے حصے کے طور پر کوہورٹ ٹاسک کے نتائج کے ساتھ پڑھنا چاہیے، نہ کہ گلوکوز کی نگرانی کی ہر ممکنہ صورت حال کا احاطہ کرنے والے ثبوت کے طور پر۔ دو تشخیصی ترتیبات ماخذ کے ذریعہ بیان کردہ دائرہ کار کے اندر متعلقہ لیکن الگ الگ سوالات کا پتہ دیتی ہیں۔
ماخذ کی تفصیلات: research.google ↗
یہ کیوں اہمیت رکھتا ہے۔
کام صحت AI میں ایک عملی حد کو دور کرتا ہے: کلینیکل لیبل مہنگے اور اکثر نایاب ہوتے ہیں، جبکہ مسلسل گلوکوز مانیٹر بغیر لیبل والے ڈیٹا کی بڑی مقدار پیدا کرتے ہیں۔ اگر رپورٹ شدہ نتائج کو عام کیا جاتا ہے، دوبارہ قابل استعمال نمائندگی محققین کو کم لیبل والے شرکاء کے ساتھ پیشین گوئی کے نظام کی تعمیر میں مدد کر سکتی ہے۔ ماخذ یہ قائم نہیں کرتا ہے کہ GlucoFM تشخیص، علاج کے فیصلے، یا طبی تعیناتی کے لیے تیار ہے۔
یہ نتائج ایک تحقیقی گروپ کی تشخیص کے ثبوت ہیں، طبی تاثیر کا ثبوت نہیں۔ PR-AUC اور مطلب مطلق غلطی کی پیمائش مخصوص ٹیسٹ کی شرائط کے تحت پیشن گوئی کی کارکردگی؛ وہ یہ ثابت نہیں کرتے کہ ماڈل صحت کے نتائج کو بہتر بناتا ہے یا معالجین کو اس کی پیشین گوئیوں پر عمل کرنا چاہیے۔ ذریعہ ممکنہ مریض کی دیکھ بھال، ریگولیٹری اجازت، علاج کے فیصلوں، یا آزاد نقل کی اطلاع نہیں دیتا ہے۔ یہ عمر، نسل، بیماری کی شدت، ادویات کے استعمال، یا دیگر طبی لحاظ سے اہم عوامل میں ذیلی گروپ کی کارکردگی کا جائزہ لینے کے لیے یہاں کافی تفصیل بھی فراہم نہیں کرتا ہے۔ یہ حدود اس بات کی وضاحت کرتی ہیں کہ رپورٹ شدہ پیمائش سے معقول طور پر کیا اندازہ لگایا جا سکتا ہے اور تشریح کو بیان کردہ تحقیقی تشخیص پر مرکوز رکھا جاتا ہے۔
پیشن گوئی میٹرکس اور طبی تاثیر کے درمیان فرق نتیجہ کی تشریح میں مرکزی حیثیت رکھتا ہے۔ رپورٹ کردہ PR-AUC یا مطلب مطلق غلطی یہ بیان کر سکتی ہے کہ بیان کردہ تشخیص میں ماڈل نے کیسا کارکردگی کا مظاہرہ کیا، لیکن اکیلے میٹرک اس بات کا تعین نہیں کرتا ہے کہ آیا پیشین گوئی مریض کے لیے مفید ہے یا کلینشین کے فیصلے کے لیے موزوں ہے۔ رپورٹ کردہ موازنہ نتیجہ میں ٹیسٹ کے حالات میں ماڈل کی کارکردگی کے بارے میں تحقیق کی حمایت کرتا ہے، جبکہ عملی طبی قدر کو حل نہیں کیا جاتا ہے۔ یہ بھی کھلا چھوڑ دیتا ہے کہ جب مختلف تقاضوں اور نتائج کے ساتھ ترتیبات میں پیشین گوئیاں استعمال کی جائیں تو کارکردگی کا اندازہ کیسے لگایا جائے گا۔
مسلسل گلوکوز کی نگرانی کرنے والے ڈیٹا سے سیکھنے کی وسیع تر اہمیت پر بھی یہی حدود لاگو ہوتی ہیں۔ یہ کام بعد میں پیشین گوئی کے نظام کو سپورٹ کرنے کے لیے بغیر لیبل والے سینسر ڈیٹا کے استعمال کے امکان پر بات کرتا ہے، لیکن ماخذ تشخیص، علاج کی رہنمائی، صحت کے نتائج میں بہتری، یا کلینیکل تعیناتی قائم نہیں کرتا ہے۔ اوپر بیان کیے گئے ممکنہ، ریگولیٹری، اور آزاد ثبوت کے بغیر، نتائج کو تصدیق شدہ طبی صلاحیت کے بجائے مزید مطالعہ کی بنیاد کے طور پر سمجھا جانا چاہیے۔ اس لیے اہمیت کو ایک رپورٹ شدہ تکنیکی نتیجہ کے طور پر بہتر طور پر سمجھا جاتا ہے جس کے حتمی عملی معنی کو جانچنا باقی ہے۔
انٹرایکٹو میکانزم: یہ اصل میں کیسے کام کرتا ہے۔
اس ترقی کے پیچھے بنیادی ٹیکنالوجی کو انٹرایکٹو طریقے سے دریافت کریں۔
Which component of an AI application is the machine-learning model itself?
آگے کیا دیکھنا ہے۔
مزید شواہد سے یہ ظاہر ہونا چاہیے کہ آیا GlucoFM بڑی اور زیادہ متنوع آبادیوں، مختلف سینسر ڈیوائسز، اور حقیقی دنیا کے کلینیکل ورک فلو میں قابل اعتماد کارکردگی کا مظاہرہ کرتا ہے۔ Google ریسرچ یہ بھی کہتی ہے کہ موجودہ نظام 24-گھنٹے کی کھڑکیوں پر عمل کرتا ہے بجائے اس کے کہ مقامی کثیر دن کی ترتیب، طویل مدتی میٹابولک رجحانات اور حقیقی وقت کی تبدیلیوں کو حل نہ کیا جائے۔
محققین اور معالجین کو تعیناتی پر غور کرنے سے پہلے ممکنہ توثیق، طبی لحاظ سے بامعنی فیصلہ کی حد، انشانکن اور غیر یقینی صورتحال کی رپورٹنگ، اور ذیلی گروپ کے تجزیوں کو تلاش کرنا چاہیے۔ یہ بھی معلوم نہیں ہے کہ ماڈل کو دیکھ بھال میں کس طرح ضم کیا جائے گا، اس کی پیشین گوئیوں کا جائزہ لینے کے لیے کون ذمہ دار ہوگا، جھوٹے مثبت اور غلط منفی کو کس طرح منظم کیا جائے گا، اور کیا بنیادی خطوط پر بہتری مریض کے بہتر نتائج میں ترجمہ کرے گی۔ ماخذ تحقیقی نتیجہ اور تجویز کردہ سمت قائم کرتا ہے، نہ کہ تیار شدہ طبی مصنوعات۔ ان سوالات کو حل کرنے کے لیے ماڈل کے رویے اور اس ترتیب دونوں کو حل کرنے کے لیے ثبوت کی ضرورت ہوگی جس میں اس کے نتائج استعمال کیے جا سکتے ہیں۔
اگلے شواہد کو یہ واضح کرنا چاہئے کہ آیا رپورٹ شدہ کارکردگی برقرار رہتی ہے جب ماڈل کا ممکنہ طور پر تجربہ کیا جاتا ہے اور جب اس کی پیشین گوئیوں کا اندازہ فیصلہ کی حدوں کا استعمال کرتے ہوئے کیا جاتا ہے جن کا طبی معنی ہوتا ہے۔ انشانکن اور غیر یقینی صورتحال کی رپورٹنگ سے یہ ظاہر کرنے میں مدد ملے گی کہ پیشین گوئیوں کی کتنی اعتماد کے ساتھ تشریح کی جانی چاہیے، جبکہ ذیلی گروپ کے تجزیے اس بات پر توجہ دیں گے کہ آیا ماخذ میں مکمل طور پر جانچے جانے والے طبی لحاظ سے اہم گروپوں میں کارکردگی یکساں ہے یا نہیں۔ یہ چیک پہلے سے رپورٹ شدہ نتائج کے دائرہ کار کو تبدیل کیے بغیر موجودہ تشخیص میں سیاق و سباق کا اضافہ کریں گے۔
آپریشنل سوالات بھی اتنے ہی اہم ہیں۔ ماخذ غیر حل شدہ چھوڑ دیتا ہے کہ پیشین گوئیاں حقیقی دنیا کے کلینیکل ورک فلو میں کیسے داخل ہوں گی، کون ان کا جائزہ لے گا، اور غلط پیشین گوئیوں کو کس طرح سنبھالا جائے گا۔ یہ بھی کھلا چھوڑ دیتا ہے کہ آیا بنیادی خطوط پر اطلاع دی گئی بہتری مریضوں کے بہتر نتائج پیدا کرے گی۔ وہ جواب نہ ملنے والے سوالات موجودہ نتائج کو تحقیقی شواہد کے دائرہ کار میں رکھتے ہیں اور مجوزہ سمت کو مزید توثیق کے ذریعے قائم کرنے کے لیے چھوڑ دیتے ہیں۔ وہ تشخیص میں کارکردگی کا مظاہرہ کرنے اور یہ ظاہر کرنے کے درمیان فرق کو بھی نشان زد کرتے ہیں کہ نظام عملی طور پر فیصلوں کی حمایت کر سکتا ہے۔