কিভাবে Shaip টিমকে স্বাস্থ্যসেবা AI সমাধান তৈরি করতে সাহায্য করে

পরের বার ডাক্তারের কাছে গেলে কোনো রোবট চিকিৎসকের দ্বারা চিকিৎসা পাবেন, এমনটা আশা করবেন না। কম্পিউটার এবং অ্যালগরিদম হয়তো আমাদের বলে দেবে কী দেখতে হবে, কী কিনতে হবে এবং কাকে আমাদের সামাজিক যোগাযোগ মাধ্যমে যুক্ত করতে হবে, কিন্তু গবেষণা বলছে যে স্বাস্থ্যসেবায় কৃত্রিম বুদ্ধিমত্তা (AI) শিগগিরই মানব সেবকদের প্রতিস্থাপন করবে না ।

তবে, এটি বিভ্রান্তিকর কাগজপত্র, বর্ধিত অপেক্ষার সময়, ভুল রোগ নির্ণয় এবং স্বাস্থ্যসেবার অভিজ্ঞতার অন্যান্য অবাঞ্ছিত উপাদানগুলিকে আরও অনুকূলের সাথে প্রতিস্থাপন করতে সহায়তা করতে পারে। এআই মানব চিকিত্সকদের আরও রোগীদের চিকিত্সা করার জন্য তাদের অনুশীলনগুলিকে স্কেল করতে এবং পৃথক রোগীদের আরও ব্যক্তিগতকৃত, কার্যকর যত্ন প্রদানের জন্য তাদের ক্ষমতায়ন করতে সহায়তা করতে পারে।

হ্যাঁ, এমনকি ২০২১ সালেও, স্বাস্থ্যসেবায় এআই এবং অটোমেশন নিয়ে আলোচনাগুলো সাধারণত এর সম্ভাবনা, প্রতিশ্রুতি এবং সম্ভাবনার উপরই বেশি আলোকপাত করে। সর্বোপরি, এই ক্ষেত্রে এআই-চালিত অ্যাপ্লিকেশনগুলোর বেশিরভাগ সুযোগ এখনও সামনেই রয়েছে — মূলত কারণ এই ক্ষেত্রে এর ব্যাপক গ্রহণযোগ্যতার পথ সুগম করার জন্য এখনও বড় বড় বাধা অতিক্রম করতে হবে। যতক্ষণ না তা ঘটছে, এই রূপান্তরকারী প্রযুক্তিটি নিয়ে আলোচনা চলতেই থাকবে ‘কী হতে পারে ’ সেই পরিপ্রেক্ষিতে (‘কী আছে’ সেই পরিপ্রেক্ষিতে নয়)।

শাইপ-এ আমরা এআই ডেভেলপমেন্ট টিমগুলোকে এই বাধাগুলো অতিক্রম করতে সাহায্য করার মাধ্যমে আলোচনার মোড় ঘুরিয়ে দিতে চাই। স্বাস্থ্যসেবা এআই-এর ভবিষ্যৎ কেমন হতে পারে , তা নিয়ে কথা বলতে আমরা ভালোবাসি , কিন্তু সেই ভবিষ্যৎ তৈরি করতে আমরা আরও বেশি ভালোবাসি। তবে, আমরা কীভাবে তা করি, সেই আলোচনায় যাওয়ার আগে, আসুন বর্তমানের দিকে একটু মনোযোগ দেওয়া যাক।

AI শুধুমাত্র চিরতরে স্বাস্থ্যসেবা পরিবর্তন করতে প্রস্তুত নয়; এটা ইতিমধ্যে আছে. যদিও এখনও তুলনামূলকভাবে নতুন, প্রযুক্তিটি আধুনিক দিনের স্বাস্থ্যসেবা ব্যবস্থার প্রায় প্রতিটি ক্ষেত্রেই প্রবেশ করেছে:

• ক্লিনিকাল সেটিংসে, চিকিত্সকরা সিটি স্ক্যান, এমআরআই এবং অন্যান্য ধরণের ভিজ্যুয়াল বিশ্লেষণের ফলাফলগুলি পরীক্ষা করার জন্য উন্নত প্যাটার্ন-স্বীকৃতির ক্ষমতা সহ AI-সহায়তা ইমেজিং সরঞ্জামগুলি ব্যবহার করছেন, যাতে তারা আরও দ্রুত এবং সঠিকভাবে রোগ সনাক্ত করতে এবং আঘাত নির্ণয় করতে পারে।
• শ্রেণীকক্ষে, মেশিন লার্নিং টুলগুলি শিক্ষার্থীদের মানবদেহ সম্পর্কে আগের যে কোন সময়ের চেয়ে গভীর অন্তর্দৃষ্টি সংগ্রহ করতে সাহায্য করছে এবং তাদের শক্তি দিচ্ছে নতুন সমাধান তৈরি করুন বাস্তব বিশ্বের অ্যাপ্লিকেশন সহ।
• ল্যাবে, গবেষকরা এমন ওষুধের সাথে নতুন ওষুধের সূত্রগুলিকে ক্রস-রেফারেন্স করার জন্য অত্যাধুনিক প্রোগ্রামগুলি ব্যবহার করছেন যা ইতিমধ্যে নিরাপদ বলে পরিচিত। তারপরে তারা রেকর্ড সময়ের মধ্যে প্রতিষেধক এবং ভ্যাকসিন বিকাশের জন্য এগুলির প্রতিলিপি এবং পুনরাবৃত্তি করতে পারে।
• অ্যাডমিনিস্ট্রেটর এবং এক্সিকিউটিভরা আরও স্বজ্ঞাত, দক্ষ রোগীর অভিজ্ঞতা তৈরি করতে AI অ্যাপ্লিকেশনগুলি ব্যবহার করছেন যা একই সাথে প্রদানকারীদের জন্য রাজস্ব চালনা করে এবং রোগীদের জন্য উচ্চ-মানের যত্ন নিশ্চিত করে। তালিকা এবং উপর যায়।

যেহেতু আপনি এটি পড়ছেন, আপনি সম্ভবত ইতিমধ্যেই বুঝতে পেরেছেন যে আমাদের স্বাস্থ্যসেবা ব্যবস্থার উপর এআই-এর প্রভাব ব্যাপক — এবং এটি কেবল আরও বাড়তেই থাকবে। এই খাতটি যে অগণিত বৈচিত্র্যময় অংশীদারদের নিয়ে গঠিত, তা বিবেচনা করলে এআই সমাধানগুলো সম্ভাব্যভাবে যে চ্যালেঞ্জগুলোর মোকাবিলা করতে পারে, তার সংখ্যাও আপাতদৃষ্টিতে অসীম।

এই সমাধানগুলিকে জীবনে আনতে সাহায্য করার জন্য Shaip এখানে রয়েছে। আমাদের পরিষেবাগুলি ব্যবসা এবং উদ্যোক্তাদের রূপান্তরমূলক স্বাস্থ্যসেবা AI প্রযুক্তি তৈরি করতে সক্ষম করে যা তাদের পথে সবচেয়ে বড় বাধাগুলি দূর করে বাস্তব-বিশ্বের সমস্যাগুলিকে স্কেলে সমাধান করতে পারে। এবং স্বাস্থ্যসেবা স্পেসে কাজ করা দলগুলির জন্য, প্রচুর পরিমাণে রয়েছে।

রোডব্লক এবং লাল পতাকা

যদিও স্বাস্থ্যসেবাতে AI-এর প্রতিশ্রুতি কখনোই বেশি ছিল না, সত্যিকার অর্থে একচেটিয়া স্বাস্থ্যসেবা ব্যবস্থায় প্রযুক্তিকে একীভূত করা বাধা দিয়ে ভরা একটি প্রক্রিয়া হবে। নিয়ন্ত্রক বাধাগুলির চেয়ে সম্ভবত অন্য কোনটিই বেশি তাৎপর্যপূর্ণ নয় যা ওষুধকে অন্যান্য শিল্প থেকে আলাদা করে যেখানে দত্তক গ্রহণ দ্রুত হয়েছে।

কংগ্রেস কর্তৃক স্বাস্থ্য বীমা বহনযোগ্যতা ও জবাবদিহিতা আইন (HIPAA) প্রণয়নের পর প্রায় এক চতুর্থাংশ শতাব্দী কেটে গেছে, কিন্তু ২০২১ সালেও সেই একই আইন পরিষেবা প্রদানকারীরা রোগীর তথ্য কীভাবে পরিচালনা করবে তা নিয়ন্ত্রণ করে। দুর্ভাগ্যবশত, এটি ডাক্তার, রোগী এবং নতুন চিকিৎসা প্রযুক্তি তৈরিতে আগ্রহী উদ্যোক্তাদের জন্য উত্তরের চেয়ে ক্রমশই বেশি প্রশ্ন তৈরি করছে। অধিকন্তু, HIPAA-এর নির্দেশাবলী এখন ব্যক্তিগতভাবে শনাক্তযোগ্য তথ্য (PII) সম্পর্কিত আরও সাম্প্রতিক প্রবিধানগুলির সাথে মিলে যাচ্ছে, যেমন ইউরোপীয় ইউনিয়নের জেনারেল ডেটা প্রোটেকশন রেগুলেশন (GDPR), সিঙ্গাপুরের পার্সোনাল ডেটা প্রোটেকশন অ্যাক্ট (PDPA), এবং ক্যালিফোর্নিয়া কনজিউমার প্রাইভেসি অ্যাক্ট (CCPA), যা মার্কিন যুক্তরাষ্ট্রে ডেটা ব্যবহার নিয়ন্ত্রণকারী প্রথম পূর্ণাঙ্গ আইন।

কোভিড-১৯ মহামারীর সাথে সাথে টেলিহেলথের প্রয়োজনীয়তা বৃদ্ধি পাওয়ায় নিয়ন্ত্রক জটিলতা আরও বেড়েছে । প্রথমত, অনেক রোগী এমন প্ল্যাটফর্মের মাধ্যমে দূরবর্তী চিকিৎসা গ্রহণ করেন যা HIPAA মান পূরণ করে না, যা তাদের গোপনীয়তার ঝুঁকির মুখে ফেলতে পারে। এমনকি যে প্ল্যাটফর্মগুলো মান মেনে চলে, সেগুলোও ঝুঁকি তৈরি করে, কারণ তারা লাভের জন্য রোগীর সংবেদনশীল তথ্য প্রকাশ করে দিতে পারে। ভার্চুয়াল সেবার চাহিদা বৃদ্ধির ফলে এমন অনেক ডিজিটাল পরিষেবার উদ্ভব হয়েছে যা HIPAA-এর মূল পরিধির বাইরে পড়ে, এবং এটি ফেসবুক, অ্যালফাবেট, অ্যামাজন এবং মাইক্রোসফটের মতো বড় প্রযুক্তি সংস্থাগুলোকে এই বাজারে প্রবেশ করতে বাধ্য করেছে , যা নতুন উদ্ভাবনের পাশাপাশি অতিরিক্ত তদারকির প্রয়োজনীয়তাও নিয়ে এসেছে।

নিয়ন্ত্রকদের জন্য, ম্যান্ডেটের এই জটিল সিস্টেমের মধ্যে সম্মতি কার্যকর করা ক্রমবর্ধমান কঠিন, কারণ ডেটা নতুন উপায়ে এবং ক্রমবর্ধমান সংখ্যক অভিনেতাদের দ্বারা ব্যবহার করা হচ্ছে। একইভাবে, স্বাস্থ্যসেবা স্পেসে এআই-চালিত প্রযুক্তিগুলি তৈরি এবং স্থাপন করার আশা করা দলগুলির জন্য, এই সরঞ্জামগুলি বিদ্যমান মানগুলি পূরণ করে তা নিশ্চিত করার জন্য নিয়ন্ত্রক দক্ষতার প্রয়োজন যা খুঁজে পাওয়া বেশ কঠিন।

খুঁজে পাওয়াও কঠিন? উচ্চ মানের চিকিৎসা তথ্য। রেগুলেশন কিছু নতুন প্রযুক্তিকে ব্যাপকভাবে গ্রহণ করা থেকে বিরত রাখতে পারে, কিন্তু মানসম্পন্ন ডেটা ছাড়া, এআই-চালিত সরঞ্জামগুলি এটিকে উন্নয়নের পর্যায় অতিক্রম করবে না।

জার্নাল অফ দ্য আমেরিকান মেডিকেল অ্যাসোসিয়েশন-এ প্রকাশিত একটি সাম্প্রতিক গবেষণায় দেখা গেছে যে, যেসব রোগীর ডেটা মেশিন লার্নিং অ্যালগরিদমকে প্রশিক্ষণ দিতে ব্যবহৃত হয়, তাদের ভৌগোলিক বণ্টন মূলত কয়েকটি রাজ্যেই সীমাবদ্ধ—বিশেষ করে ক্যালিফোর্নিয়া, নিউইয়র্ক এবং ম্যাসাচুসেটস। যেহেতু এই রোগীদের মধ্যে অর্থনৈতিক, সামাজিক, আচরণগত এবং অন্যান্য এমন কিছু বৈশিষ্ট্য থাকতে পারে যা দেশের বাকি অংশের সাথে মেলে না, তাই এই ডেটার উপর প্রশিক্ষিত অ্যালগরিদমগুলো সাধারণীকরণে দুর্বল হতে পারে। আরও বৈচিত্র্যময় ডেটা সেট দিয়ে এই সমস্যার সমাধান করা যেতে পারে, কিন্তু আবারও, ডেটা সংগ্রহ করা কঠিন। একবার সংগ্রহ করা হয়ে গেলে, তা সংগঠিত করাও কঠিন, যা মেশিন-লার্নিং প্রযুক্তির ডেভেলপারদের জন্য আরেকটি গুরুত্বপূর্ণ পদক্ষেপ।

অনেক কোম্পানি তাদের অ্যালগরিদমের জন্য ডেটা খুঁজে বের করতে বা তৈরি করতে উল্লেখযোগ্য বিনিয়োগ করে এবং তারপর সেটিকে লেবেল করার জন্য অ্যানোটেটরদের পারিশ্রমিক দিতে আরও বেশি খরচ করে। অতিরিক্ত সমজাতীয় ডেটা সেটের মতোই, যে ডেটা সঠিকভাবে লেবেল ও কিউরেট করা হয় না, তা এআই প্রোগ্রামগুলোকে পক্ষপাতদুষ্ট এবং ভুল ফলাফল তৈরি করতে প্রশিক্ষণ দেয়, যা এমন সব সমস্যার জন্ম দেয় যা সহজে সমাধান করা যায় না। দুর্ভাগ্যবশত, স্বাস্থ্যসেবা এআই প্রযুক্তিতে কর্মরত দলগুলোর জন্য এই সমস্যাগুলো সাধারণ ঘটনা হয়েই থাকবে। গার্টনারের গবেষণা থেকে জানা যায় যে, ২০২২ সাল নাগাদ ডেটা-ব্যবস্থাপনার পক্ষপাতিত্বের ফলে ৮৫ % পর্যন্ত এআই প্রকল্প ভুল ফলাফল দেবে ।

আবার, স্বাস্থ্যসেবার জন্য AI অ্যাপ্লিকেশন তৈরি করার জন্য প্রচুর অন্যান্য চ্যালেঞ্জ রয়েছে, পরিচিত এবং অজানা উভয়ই। যেহেতু আরও বিকাশকারীরা স্থানটিতে প্রবেশ করে এবং আরও প্রদানকারীরা রোগীদের চিকিত্সার জন্য তাদের কৌশলগুলিতে AI-চালিত সমাধানগুলি যুক্ত করবেন কিনা সে বিষয়ে সিদ্ধান্তের মুখোমুখি হন, এই চ্যালেঞ্জগুলি বড় আকার ধারণ করে। আপনি যখন নতুন প্রযুক্তি ব্যবহার করে দরকারী, রূপান্তরকারী সরঞ্জামগুলি তৈরি করার চেষ্টা করছেন তখন বাধাগুলি অনিবার্য হলেও, Shaip টিমগুলিকে মহাকাশের বিকাশকারীরা বর্তমানে সম্মুখীন হওয়া অনেক বড় বাধা অতিক্রম করতে সহায়তা করে।