ডায়াবেটিস হল সবচেয়ে সাধারণ দীর্ঘস্থায়ী রোগগুলির মধ্যে একটি, যা ইউরোপে প্রায় 66 মিলিয়ন প্রাপ্তবয়স্কদের প্রভাবিত করে – 2050 সালের মধ্যে এই সংখ্যা 72 মিলিয়নেরও বেশি হবে বলে আশা করা হচ্ছে৷ টাইপ 1 ডায়াবেটিসযুক্ত লোকেদের জন্য, গ্লুকোজের মাত্রা একটি নিরাপদ পরিসরে রাখতে অবিরাম পর্যবেক্ষণ এবং যত্নশীল ইনসুলিন ব্যবস্থাপনা প্রয়োজন৷ যাইহোক, এমনকি অভিজ্ঞতা এবং যত্নশীল চিকিত্সার সাথেও, অপ্রত্যাশিত ওঠানামা ঘটতে পারে, যা হাইপোগ্লাইসেমিয়া বা হাইপারগ্লাইসেমিয়া হতে পারে।
খাদ্য এবং ইনসুলিনের চেয়ে গ্লুকোজের মাত্রা অনেক বেশি প্রভাবিত হয়। ব্যায়াম, চাপ, হরমোনের পরিবর্তন, ঘুমের গুণমান, সার্কাডিয়ান ছন্দ এবং বিপাকের স্বতন্ত্র পার্থক্য ভূমিকা পালন করতে পারে। ওঠানামার পূর্বাভাস তাই ঝুঁকি মূল্যায়নে সহায়তা করতে পারে এবং ডায়াবেটিস ব্যবস্থাপনা সম্পর্কে আরও সচেতন সিদ্ধান্তকে সমর্থন করতে পারে।
ক্রমাগত গ্লুকোজ মনিটরিং সিস্টেমগুলি ইতিমধ্যেই প্রতি কয়েক মিনিটে গ্লুকোজের মাত্রা রেকর্ড করে, প্রচুর পরিমাণে ডেটা তৈরি করে। কুবান ইউনিভার্সিটি অফ টেকনোলজির (কেটিইউ) গবেষকরা এখন কৃত্রিম বুদ্ধিমত্তা (এআই) এই ডেটার মধ্যে নিদর্শনগুলি উন্মোচন করতে পারে কিনা তা তদন্ত করছেন। তাদের পদ্ধতি ইনসুলিন ডেলিভারি, কার্বোহাইড্রেট গ্রহণ এবং শারীরিক কার্যকলাপ সম্পর্কে তথ্য সহ গ্লুকোজ রিডিং একত্রিত করে।
AI সবচেয়ে গুরুত্বপূর্ণ বিষয়গুলি সনাক্ত করে৷
তাদের সর্বশেষ গবেষণায়, KTU গবেষকরা একটি মডেল তৈরি করেছেন যা গ্লুকোজের পরিবর্তনের পূর্বাভাস দেয় এবং 30 এবং 60 মিনিট আগে হাইপোগ্লাইসেমিয়ার ঝুঁকি অনুমান করে। ব্যক্তিগতকৃত ইনসুলিন সমন্বয়গুলিকে পূর্ববর্তীভাবে মূল্যায়ন করতে কীভাবে AI ব্যবহার করা যেতে পারে তাও তারা অন্বেষণ করেছে।
এটি অর্জনের জন্য, গবেষকরা একটি একক কাঠামোর মধ্যে বেশ কয়েকটি এআই পদ্ধতি একত্রিত করেছেন। যদিও অন্তর্নিহিত প্রযুক্তি জটিল বলে মনে হতে পারে, কেটিইউর অধ্যাপক রাইটিস মাসকেলিয়ানাস বলেছেন মৌলিক ধারণাটি অনেক সহজ।
প্রচলিত পূর্বাভাস মডেলগুলি ডেটাকে একটি কালানুক্রমিক ক্রম হিসাবে বিবেচনা করে, যখন নতুন পদ্ধতিটি একটি গ্রাফ নেটওয়ার্কে একটি নোড হিসাবে সময়ের প্রতিটি বিন্দুকে উপস্থাপন করে এবং এটিকে অতীতের অনুরূপ বিন্দুগুলির সাথে সংযুক্ত করে।
এটি মডেলটিকে শুধুমাত্র ঘটনার সরাসরি ক্রম থেকে নয়, বিভিন্ন শারীরবৃত্তীয় অবস্থার মধ্যে জটিল সম্পর্ক থেকেও শিখতে দেয়।”
Rytis Maskeliūnas, KTU অধ্যাপক
মডেলের একটি গুরুত্বপূর্ণ উপাদান তথাকথিত মনোযোগ প্রক্রিয়া। এটি অ্যালগরিদমকে সনাক্ত করতে দেয় যে কোন পূর্ববর্তী ডেটা পয়েন্টগুলি ফলাফলের সাথে সবচেয়ে প্রাসঙ্গিক।
“এটি একজন রোগীর অবস্থার মূল্যায়ন করার জন্য একজন অভিজ্ঞ ডাক্তারের অনুরূপ: যান্ত্রিকভাবে সমস্ত উপলব্ধ ডেটা পর্যালোচনা করার পরিবর্তে, তারা সেই নির্দিষ্ট অবস্থার সবচেয়ে গুরুত্বপূর্ণ কারণগুলি চিহ্নিত করে,” ম্যাকক্লেইন্স ব্যাখ্যা করেন।
এই নীতিটি ওষুধে কৃত্রিম বুদ্ধিমত্তার ব্যবহারকে ঘিরে আরেকটি গুরুত্বপূর্ণ চ্যালেঞ্জকেও নির্দেশ করে: ব্যাখ্যা করার ক্ষমতা। এমনকি একটি অত্যন্ত নির্ভুল অ্যালগরিদমের স্বাস্থ্যসেবার সীমিত মূল্য রয়েছে যদি ডাক্তাররা বুঝতে না পারেন যে এটি কীভাবে একটি নির্দিষ্ট ফলাফলে পৌঁছেছে। গবেষকদের দৃষ্টিভঙ্গি তাই মডেলের আউটপুটে কোন বৈশিষ্ট্য এবং পূর্ববর্তী সময় পয়েন্টগুলি সবচেয়ে বেশি প্রভাব ফেলেছিল তা সনাক্ত করা সম্ভব করে তোলে।
মডেলটি ক্লিনিকাল সিদ্ধান্ত গ্রহণকে সমর্থন করতে পারে
মডেলটি টাইপ 1 ডায়াবেটিসের আন্তর্জাতিক ডেটাসেট ব্যবহার করে পরীক্ষা করা হয়েছিল এবং গ্লুকোজ পূর্বাভাস এবং হাইপোগ্লাইসেমিয়া ঝুঁকি মূল্যায়ন উভয় ক্ষেত্রেই উচ্চ নির্ভুলতা দেখায়। গবেষকরা আরও দেখেছেন যে কর্মক্ষমতা উন্নত হয়েছে যখন অ্যালগরিদমকে পৃথকভাবে না করে একই সাথে উভয় কাজ সম্পাদন করার জন্য প্রশিক্ষণ দেওয়া হয়েছিল।
“ফলাফলগুলি দেখায় যে নতুন মডেলগুলি খুব উচ্চ ভবিষ্যদ্বাণীমূলক নির্ভুলতা অর্জন করে এবং এমন রোগীদের সাথেও ভাল পারফরম্যান্স করে যাদের অ্যালগরিদম আগে কখনও সম্মুখীন হয়নি,” কেটিইউ ডক্টরেট ছাত্র মুহাম্মদ আবদুল্লাহ সারওয়ার বলেছেন, যিনি মডেলটির উন্নয়নে অবদান রেখেছেন৷
গবেষণায় মূল্যায়ন করা ব্যক্তিগতকৃত ইনসুলিন সমন্বয় রোগীদের স্বাধীনভাবে তাদের চিকিত্সা পরিবর্তন করার অনুমতি দেওয়ার উদ্দেশ্যে নয়। পরিবর্তে, তারা ক্লিনিকাল বিশ্লেষণের জন্য একটি সম্ভাব্য সিদ্ধান্ত সমর্থন টুল হিসাবে অধ্যয়ন করা হয়েছে।
“জনগণের মধ্যে ক্লিনিকাল সিদ্ধান্তগুলিকে সমর্থন করার জন্য সরঞ্জামগুলি বিকাশ করার সময় এটি বিশেষভাবে গুরুত্বপূর্ণ, কারণ এই ধরনের সিস্টেমগুলিকে বিভিন্ন হাসপাতাল এবং দেশে এবং বিভিন্ন রোগীর জনসংখ্যার সাথে নির্ভরযোগ্যভাবে কাজ করতে হবে,” সারওয়ার জোর দেন।
যাইহোক, উচ্চ নির্ভুলতার অর্থ এই নয় যে এই ধরনের অ্যালগরিদম রোগীদের দৈনন্দিন জীবনের অংশ হয়ে উঠতে প্রস্তুত। “ক্লিনিকাল অনুশীলনে প্রযুক্তিটি ব্যাপকভাবে গৃহীত হওয়ার আগে আরও ক্লিনিকাল অধ্যয়নের প্রয়োজন। মডেলগুলিকে ঐতিহাসিক রোগীর ডেটা ব্যবহার করে মূল্যায়ন করা হয়েছিল, তাই এটি প্রমাণ করা অপরিহার্য যে তারা বাস্তব-বিশ্বের ক্লিনিকাল অবস্থার মতোই নির্ভুল থাকে। আমাদের চিকিৎসা অংশীদাররা পরবর্তী পদক্ষেপের জন্য দায়ী হবে,” বলেছেন মাসকেলিউনাস।
ক্লিনিকাল পরীক্ষার পাশাপাশি, তথ্য সুরক্ষা, রোগীর গোপনীয়তা এবং ডাক্তারদের দৈনন্দিন কাজে অ্যালগরিদমগুলির মসৃণ সংহতকরণ সম্পর্কিত প্রশ্নগুলি থেকে যায়। গবেষকরা কৃত্রিম বুদ্ধিমত্তাকে এমন একটি প্রযুক্তি হিসেবে দেখেন না যা ডাক্তারদের প্রতিস্থাপন করতে পারে, তবে রোগীদের দ্বারা উত্পন্ন বিপুল পরিমাণ ডেটার আরও ভাল ব্যবহার করার উপায় হিসাবে এবং ভবিষ্যতে আরও ব্যক্তিগতকৃত সহায়তা প্রদান করে।
“উন্নত ব্যাখ্যাযোগ্য AI মডেলগুলি কেবল আমাদের আরও সঠিকভাবে গ্লুকোজ পরিবর্তনের ভবিষ্যদ্বাণী করতে দেয় না, তবে নিরাপদ, আরও ব্যক্তিগতকৃত এবং আরও দক্ষ সিদ্ধান্ত সমর্থন ব্যবস্থা গড়ে তোলার জন্য একটি ভিত্তি প্রদান করবে যা ক্লিনিশিয়ানদের মুখোমুখি ভারী বোঝা কমাতে সাহায্য করতে পারে,” বলেছেন KTU অধ্যাপক৷
উৎস:
কভনা ইউনিভার্সিটি অফ টেকনোলজি (কেটিইউ)
ডায়েরির রেফারেন্স:
সারোয়ার, এমএ, ইত্যাদি. (2026)। GAT-BiGRU: গ্লুকোজ পূর্বাভাস, হাইপোগ্লাইসেমিয়া ঝুঁকি, এবং ইনসুলিন কাউন্টার-সামঞ্জস্যের জন্য মাল্টিটাস্কিং ব্যাখ্যাযোগ্য টেম্পোরাল গ্রাফ লার্নিং। আমেরিকান মেডিকেল ইনফরমেটিক্স অ্যাসোসিয়েশনের জার্নাল. DOI: 10.1093/jamia/ocag104. https://academic.oup.com/jamia/advance-article-abstract/doi/10.1093/jamia/ocag104/8711207