আগেই জানলে বাঁচানো যায় জীবন: মার্কিন স্বাস্থ্যব্যবস্থায় প্রেডিক্টিভ অ্যানালিটিকস

একজন রোগীকে আইসিইউতে নেওয়া হবে কি হবে না—এই সিদ্ধান্তটি অনেক সময় কয়েক মিনিটের মধ্যেই নিতে হয়। কল্পনা করুন, যুক্তরাষ্ট্রের একটি বড় হাসপাতালে রাতের ডিউটিতে থাকা চিকিৎসক কম্পিউটার মনিটরের দিকে তাকিয়ে দেখছেন, একটি অ্যালগরিদম সতর্ক সংকেত দিয়েছে: এই রোগীটি আগামী কয়েক ঘণ্টার মধ্যে হঠাৎ করেই শারীরিকভাবে ভেঙে পড়তে পারেন। রোগীর হার্টবিট, অক্সিজেন লেভেল, রক্তচাপ, ল্যাব রিপোর্ট ও অতীতের ডেটা একসাথে বিশ্লেষণ করে কম্পিউটার আগে থেকেই ভবিষ্যদ্বাণী করছে, কে কতটা ঝুঁকিতে আছে। এই আগাম সতর্কবার্তার ভিত্তিতে চিকিৎসক দল দ্রুত সিদ্ধান্ত নিচ্ছেন—কাকে আগে আইসিইউতে নেওয়া হবে, কার চিকিৎসা পরিকল্পনা বদলানো হবে। এই পুরো প্রক্রিয়ার পেছনে কাজ করছে একটি নতুন প্রযুক্তি: প্রেডিক্টিভ অ্যানালিটিকস (predictive analytics)।

সরল ভাষায় প্রেডিক্টিভ অ্যানালিটিকস মানে হলো অতীতের ডেটা থেকে ভবিষ্যতের ঝুঁকি বা ফলাফল সম্পর্কে হিসাব করে ‘সম্ভাব্য ভবিষ্যদ্বাণী’ করা। চিকিৎসাবিজ্ঞানে এটি এখন কৃত্রিম বুদ্ধিমত্তা ও মেশিন লার্নিংয়ের অন্যতম শক্তিশালী ব্যবহার। যুক্তরাষ্ট্রের হাসপাতালগুলোতে রোগীর ইলেকট্রনিক হেলথ রেকর্ড, ল্যাব রিপোর্ট, ওষুধের ইতিহাস, সামাজিক ও অর্থনৈতিক অবস্থা—এ সব কিছু একত্র করে মডেলগুলো শিখে নিচ্ছে, কোন ধরনের রোগী কখন বেশি ঝুঁকির মুখে পড়ে, কোন ওষুধ কার ক্ষেত্রে ভালো কাজ করবে, আর কে দ্রুত অবনতি হওয়ার আশঙ্কায় আছে।

চিকিৎসা সিদ্ধান্ত নেওয়ার ক্ষেত্রে এই প্রযুক্তির সবচেয়ে নাটকীয় উদাহরণ দেখা যায় ক্যানসার চিকিৎসায়। মিশিগান বিশ্ববিদ্যালয়ের গবেষকরা এইচপিভি–পজিটিভ গলার ক্যানসারের রোগীদের জন্য এমন এক ধরনের রক্ত পরীক্ষা তৈরির চেষ্টা করছেন, যা কয়েক মাস অপেক্ষা না করেই বলতে পারবে—বর্তমান চিকিৎসাটা আদৌ কাজ করছে কি না। সাধারণত ডাক্তাররা কয়েক মাস পরপর স্ক্যান করে দেখেন টিউমার ছোট হচ্ছে কি না। কিন্তু অনেক ক্যানসারে দেখা যায় সফল চিকিৎসার শুরুর দিকে টিউমার উল্টো কিছুটা বড় দেখায়, যাকে বলা হয় ছদ্মপ্রগতি বা পসিউডোপ্রগ্রেশন। ফলে শুধুই স্ক্যানের ভরসায় থাকা সবসময় নির্ভরযোগ্য হয় না। নতুন এই রক্ত পরীক্ষায় ক্যানসার কোষ থেকে আসা ডিএনএ–এর পরিমাণ ডেটা আকারে বিশ্লেষণ করে প্রেডিক্টিভ অ্যানালিটিকস মডেল বোঝার চেষ্টা করে—প্রথম এক–দু’টি চিকিৎসা চক্রের পরই পথটা ঠিক আছে কি না। ফলাফল খারাপ হলে দ্রুত চিকিৎসা পদ্ধতি বদলে ফেলার সুযোগ তৈরি হয়, রোগীর অপ্রয়োজনীয় কষ্ট ও খরচ দুটোই কমে।

কোভিড–১৯ মহামারির সময় প্রেডিক্টিভ অ্যানালিটিকস আরও স্পষ্টভাবে সামনে চলে আসে। একই ভাইরাসে আক্রান্ত হলেও কারও সামান্য জ্বর–কাশি হয়, আর কারও শ্বাসকষ্ট নিয়ে আইসিইউ পর্যন্ত গড়ায়। যুক্তরাষ্ট্রের বিভিন্ন গবেষণা দল রোগীদের বয়স, লিঙ্গ, ডায়াবেটিস, হৃদরোগ, স্থূলতা, কিডনি রোগের ইতিহাস, এমনকি রক্তের কিছু সূচক একত্র করে মেশিন লার্নিং মডেল তৈরি করেছে, যা অনুমান করতে পারে—কোন রোগীর ক্ষেত্রে রোগটা গুরুতর হওয়ার আশঙ্কা বেশি। কেউ কেউ আবার বিশেষ ধরনের স্পেকট্রোস্কপি ব্যবহার করে রক্তের ভেতরের অণুগঠনের সূক্ষ্ম পার্থক্য বিশ্লেষণ করে দেখেছেন, ডায়াবেটিসের উপস্থিতি থাকলে গুরুতর কোভিড হওয়ার ঝুঁকি কীভাবে দ্রুত বেড়ে যায়। এসব মডেল আগেই সতর্ক করে দিতে পারলে চিকিৎসকরা আগে থেকে আইসিইউ বেড, অক্সিজেন, ওষুধ এবং চিকিৎসক–নার্সের সময় সঠিকভাবে পরিকল্পনা করতে পারেন।

তবে শুধু শারীরিক ডেটা দেখলে হবে না—এটাও এখন বেশ পরিষ্কার হচ্ছে। নিউইয়র্ক বিশ্ববিদ্যালয়ের একদল গবেষক দেখিয়েছেন, হৃদ্‌রোগ বা অন্যান্য দীর্ঘমেয়াদি রোগের ঝুঁকি বিশ্লেষণে যদি কেবল ল্যাব রিপোর্ট, প্রেসার, সুগার, ওষুধের তথ্যই ব্যবহার করা হয়, তবে অনেক গুরুত্বপূর্ণ বিষয় বাদ পড়ে যায়। রোগীর আয়, শিক্ষার মাত্রা, কাজের ধরন, বাসস্থান, দূষণ, খাদ্যাভ্যাস—এসব সামাজিক নির্ধারক (social determinants of health) স্বাস্থ্যের ওপর গভীর প্রভাব ফেলে। তাই তাদের প্রস্তাব, প্রেডিক্টিভ অ্যানালিটিকসের মডেলে এসব তথ্যও যোগ করতে হবে, না হলে একই অ্যালগরিদম ধনী মানুষকে ভালো চিকিৎসা সাজিয়ে দেবে, গরিব মানুষকে ভুল পথে চালিত করবে। যুক্তরাষ্ট্রের মতো দেশে যেখানে স্বাস্থ্য বৈষম্য বড় সমস্যা, সেখানে অ্যালগরিদমিক পক্ষপাত কমানো এখন বড় গবেষণার বিষয়।

রোগীর অবস্থা হঠাৎ খারাপ হয়ে যাওয়ার আগে আগেই তা ধরে ফেলতে পারলে জীবন বাঁচানোর সুযোগ অনেক বাড়ে। মিশিগান মেডিসিনের গবেষক দল “পিকচার” (PICTURE) নামের একটি অ্যালগরিদম তৈরি করেছে, যা জেনারেল ওয়ার্ডে ভর্তি রোগী কিংবা কোভিড রোগীদের নানা ডেটা বিশ্লেষণ করে আগাম সতর্কবার্তা দেয়। অনেক হাসপাতালই আগে থেকে এপিক ডিটারিওরেশন ইনডেক্স নামে একটি বাণিজ্যিক স্কোর ব্যবহার করত; গবেষণায় দেখা গেছে, পিকচার নামের নতুন মডেলটি দুই ক্ষেত্রেই—সাধারণ রোগী ও কোভিড রোগী—এই পুরোনো টুলের চেয়ে বেশি নির্ভুলভাবে অনুমান করতে পারছে, কারা আইসিইউ–তে নেওয়ার মতো ঝুঁকিতে আছে। এর মানে, ডাক্তারদের হাতে কয়েক ঘণ্টা বাড়তি সময় চলে আসছে, যা হয়তো পরের দিন একটি মৃত্যুকে এড়াতে পারে।

প্রেডিক্টিভ অ্যানালিটিকস শুধু জরুরি সেবা নয়, দীর্ঘমেয়াদি রোগ ব্যবস্থাপনাতেও গুরুত্বপূর্ণ ভূমিকা রাখছে। যুক্তরাষ্ট্রে ডায়াবেটিস বা হৃদ্‌রোগ থাকা বয়স্কদের ডেটা ব্যবহার করে তৈরি মডেল এখন অনুমান করতে পারে—আগামী পাঁচ থেকে দশ বছরে কোন রোগীর মৃত্যুঝুঁকি কতটা। ফলে ডাক্তার ও রোগী মিলে সিদ্ধান্ত নিতে পারেন, সুগার কন্ট্রোল বা ব্লাড প্রেসার কমানোর ক্ষেত্রে কতটা কড়া লক্ষ্য ঠিক করবেন, কোন ওষুধের পার্শ্বপ্রতিক্রিয়ার ঝুঁকি নেওয়া যুক্তিযুক্ত, আবার কোথায় কিছুটা শিথিল হওয়া যায়। অপর দিকে অপরিণত শিশুর জন্য নবজাতক আইসিইউতে “মর্টালিটি স্কোর” হিসাব করে ডাক্তাররা আগেভাগেই প্রস্তুতি নিতে পারছেন—কাকে কতটা নজরদারিতে রাখতে হবে।

এই পুরো ব্যবস্থায় আরেকটি গুরুত্বপূর্ণ দিক হলো চিকিৎসকদের “ডেটা ক্লান্তি” কমানো। গবেষণায় দেখা গেছে, যুক্তরাষ্ট্রে অনেক চিকিৎসক প্রতি রোগীর জন্য যে মোট সময় ব্যয় করেন, তার প্রায় দুই–তৃতীয়াংশ চলে যায় ইলেকট্রনিক হেলথ রেকর্ড ঘেঁটে দেখার কাজে। এত হাজার হাজার ল্যাব রিপোর্ট, প্রেসক্রিপশন, নোটের মধ্যে থেকে প্রয়োজনীয় তথ্য খুঁজে বের করা নিছকই এক ধরনের মানসিক চাপ। কিছু হাসপাতাল পরীক্ষামূলকভাবে এআই–চালিত ইএইচআর ইন্টারফেস ব্যবহার করে দেখেছে, যেখানে অ্যালগরিদম নিজেই গুরুত্বপূর্ণ তথ্যগুলো সাজিয়ে এনে, ঝুঁকির স্কোর হিসাব করে, সম্ভাব্য চিকিৎসা বিকল্পের একটি তালিকা দেখিয়ে দেয়। গ্যাস্ট্রোএন্টারোলজি বিভাগের এক গবেষণায় দেখা গেছে, বারো জন চিকিৎসকের মধ্যে এগারো জনই বলেছেন—এই এআই–সহায়ক পদ্ধতি আগের চেয়ে অনেক আরামদায়ক ও কার্যকর।

দীর্ঘমেয়াদি মানসিক অবক্ষয় রোগ যেমন আলঝেইমারের ক্ষেত্রেও যুক্তরাষ্ট্রের গবেষকরা প্রেডিক্টিভ অ্যানালিটিকস ব্যবহার করে নতুন ধরণের সমাধানের চেষ্টা করছেন। মিশিগান স্টেট ইউনিভার্সিটির একটি দল এমন এক মোবাইল অ্যাপ তৈরি করছে, যা ব্যবহারকারীর কথাবার্তার ধরণ, শব্দচয়ন, বাক্যের গতি ইত্যাদি বিশ্লেষণ করে অনুমান করতে পারে—তিনি কি আলঝেইমারের প্রাথমিক পর্যায়ের ঝুঁকিতে আছেন? অ্যাপটি নিজে কোনো রোগ নির্ণয় করে না, বরং একটি ঝুঁকিস্কোর দেখায়। যদি সেই স্কোর বেশি হয়, ব্যবহারকারীকে আগেই বোঝায়—সময় নষ্ট না করে একবার বিশেষজ্ঞ চিকিৎসকের কাছে যাওয়া উচিত। এতে করে “বহু দেরিতে ধরা পড়া” রোগের ক্ষেত্রে অন্তত কিছুটা আগাম প্রস্তুতির সুযোগ তৈরি হয়।

অবশ্যই মনে রাখতে হবে, কোনো অ্যালগরিদমই সর্বজ্ঞ নয়, আর ভুলভাবে তৈরি হলে তা বৈষম্য আরও বাড়াতে পারে। শিকাগো বুথের সেন্টার ফর অ্যাপ্লাইড এআই একটি “প্লেবুক” প্রকাশ করে দেখিয়েছে, কীভাবে অনেক কোম্পানি ভুল টার্গেট নির্বাচন করে, বা শুধুই একরকম জনগোষ্ঠীর ডেটা দিয়ে মডেল ট্রেন করে, ফলে বাস্তবে তা বড় অংশের মানুষের জন্য ভুল ফলাফল দিতে থাকে। তাদের প্রস্তাব, অ্যালগরিদম বানানোর আগে লক্ষ্য পরিষ্কার করতে হবে, নির্দিষ্ট করে ঠিক করতে হবে কোন ফলাফলকে “ভালো” ধরে মডেলকে শেখানো হবে, নিয়মিত অ্যালগরিদমিক অডিট করতে হবে, আর প্রয়োজন হলে পুরনো মডেল ফেলে দিয়ে নতুনভাবে শুরু করার সাহসও রাখতে হবে।

এত কিছুর পরও প্রশ্ন থাকে—এসব যেন–তেন ভবিষ্যদ্বাণী নয়, সত্যিই কি কাজ করছে? যুক্তরাষ্ট্রের বিভিন্ন গবেষণায় দেখা যাচ্ছে, অনেক ক্ষেত্রে প্রেডিক্টিভ অ্যানালিটিকস সত্যিই চিকিৎসকদের হাতে “অতিরিক্ত সময়” এনে দিচ্ছে, অপ্রয়োজনীয় পরীক্ষা কমাচ্ছে, ব্যয় সাশ্রয় করছে। স্ট্রোকের ঝুঁকি বেশি এমন মাইগ্রেন রোগীদের আগে থেকে চিহ্নিত করা, ক্রোনস ডিজিজের মতো দীর্ঘমেয়াদি অন্ত্রের রোগ কোন এলাকায় বাড়বে তার পূর্বাভাস দেওয়া, কিংবা অতিরিক্ত মদ্যপানের কারণে লিভার ডিজিজের ভবিষ্যৎ চিত্র এঁকে আইনপ্রণেতাদের সতর্ক করা—এসব কাজও এখন ডেটা–নির্ভরভাবে করা যাচ্ছে।

বাংলাদেশের একজন কিশোর–কিশোরী পাঠকের জন্য হয়তো এসব গল্প প্রথমে অনেক দূরের বাস্তবতা মনে হতে পারে। কিন্তু যুক্তরাষ্ট্রের উদাহরণগুলো আমাদের একটা গুরুত্বপূর্ণ দিক দেখায়—স্বাস্থ্যব্যবস্থায় ডেটা সংগ্রহ, সংরক্ষণ ও বিশ্লেষণ ঠিকভাবে করতে পারলে আমরা শুধু অসুস্থ হওয়ার পর চিকিৎসা করা নয়, অসুস্থ হওয়ার আগেই ঝুঁকি চিহ্নিত করে অনেক জীবন বাঁচাতে পারি। আমাদের দেশের হাসপাতালগুলোতে এখনো ইলেকট্রনিক রেকর্ড, ডেটা শেয়ারিং, গবেষণাভিত্তিক নীতি তৈরির সংস্কৃতি খুব বেশি গড়ে ওঠেনি। ভবিষ্যতের তরুণ বিজ্ঞানী, প্রকৌশলী ও চিকিৎসকরা যদি আজ থেকেই প্রেডিক্টিভ অ্যানালিটিকসের ধারণা বুঝে রাখতে পারেন, তাহলে হয়তো একদিন আমরাও বলতে পারব—রক্তচাপের ডেটা, সুগার লেভেল, জীবনযাত্রার তথ্য দেখে আগেই জানিয়ে দিতে পারছি, কে স্ট্রোকের ঝুঁকিতে, কার ডায়ালাইসিস লাগার আগে জীবনযাত্রা বদলালে তা এড়ানো যায়।

প্রেডিক্টিভ অ্যানালিটিকস শেষ পর্যন্ত কোনো যাদু নয়; এটি ভালো ডেটা, সঠিক গণিত, দায়িত্বশীল নকশা এবং মানবিক দৃষ্টিভঙ্গির সমন্বয়। যুক্তরাষ্ট্রের হাসপাতালগুলোতে তার যে ব্যবহার আমরা দেখতে পাচ্ছি, তা কেবল প্রযুক্তিগত অগ্রগতি নয়, স্বাস্থ্যব্যবস্থাকে আরও ন্যায়ভিত্তিক, কার্যকর ও মানবিক করার একটি সম্ভাবনাময় পথও বটে। এখন প্রশ্ন শুধু একটাই—আমরা, বিশেষ করে বাংলাদেশের তরুণ প্রজন্ম, এই পথে হাঁটার জন্য নিজেদের কতটা প্রস্তুত করছি।