26 আগস্ট 2026 সালে Nature Computational Science জার্নাল কাং ঝাং-এর নেতৃত্বে একটি দলের কাজ প্রকাশ করেছে, যা PULSE (Patient Unified Longitudinal Signal Engine / রোগীর ইউনিফাইড অনুদৈর্ঘ্য সংকেত ইঞ্জিন) ফ্রেমওয়ার্ক উপস্থাপন করেছে।
এটি একটি স্ব-শিক্ষণ (তত্ত্বাবধানহীন শিক্ষা) সহ অনুদৈর্ঘ্য পদ্ধতি, যা রোগীর অতীত অবস্থার ব্যক্তিগতকৃত ডেটা স্পষ্টভাবে এনকোড করে পরবর্তী অসম্পূর্ণ পরিমাপের ভিত্তিতে সম্পূর্ণ চিকিৎসা প্রোফাইল পুনর্গঠনের জন্য।
স্থির বা স্বাধীন ডেটা প্রকারের উপর দৃষ্টি নিবদ্ধ ঐতিহ্যবাহী মডেলগুলির বিপরীতে, PULSE জৈবিক আন্তঃসম্পর্ক এবং সূচকগুলির অস্থায়ী সহপরিবর্তন বিবেচনা করে। এটি বর্তমান পরিদর্শনে ধারাবাহিকতা উন্নত করতে এবং তথ্য তৈরি করতে ঐতিহাসিক জোড়া ডেটা ব্যবহার করে, যা বাস্তব ক্লিনিকাল অনুশীলনে খণ্ডিত (মোজাইক) অনুদৈর্ঘ্য পরিমাপের জন্য বিশেষভাবে গুরুত্বপূর্ণ।
UK Biobank-এর ডেটাতে মডেলটির প্রয়োগ দেখিয়েছে যে PULSE রুটিন রক্ত পরীক্ষার ভিত্তিতে মেটাবোলোম এবং প্রোটিওম প্রোফাইল সঠিকভাবে তৈরি করে। রেফারেন্স ডেটার (251 বায়োমার্কার) সাথে তুলনা করে, তৈরি প্রোফাইলগুলি সমস্ত বেসলাইন রেফারেন্স মডেলকে ছাড়িয়ে গেছে, এবং এই সিন্থেটিক ডেটাতে প্রশিক্ষিত অ্যালগরিদমগুলি ছয়টি সাধারণ রোগের জন্য AUC (ROC বক্ররেখার অধীনে এলাকা) সূচক 0,72–0,83 অর্জন করেছে। এই নির্ভুলতা প্রকৃত প্রোটিওম ডেটা ব্যবহারের সাথে তুলনীয়।
PULSE পদ্ধতিটি মৌলিক নীতির উপর নির্ভর করে যে বিভিন্ন ক্লিনিকাল মোডালিটি ব্যক্তির বিবর্তনশীল শারীরবৃত্তীয় অবস্থার জৈবিকভাবে সম্পর্কিত, অস্থায়ীভাবে সহপরিবর্তনশীল সূচক। এটি মডেলটিকে অসম্পূর্ণ পর্যবেক্ষণের সাথে কার্যকরভাবে কাজ করতে দেয়, যা বাস্তব ওষুধে সাধারণ, যেখানে রোগীরা একই সময়ে সমস্ত পরীক্ষা করে না।
জীববিজ্ঞান এবং ওষুধে কৃত্রিম বুদ্ধিমত্তার প্রেক্ষাপটে, PULSE অন্যান্য পদ্ধতির মধ্যে আলাদা, যেমন AlphaFold বা একক-কোষ (single-cell) ডেটা বিশ্লেষণের মডেল। এটি বিশেষভাবে অস্থায়ী গতিশীলতা এবং ইলেকট্রনিক মেডিকেল রেকর্ড (EMR), রেটিনা চিত্র এবং ল্যাবরেটরি মার্কারগুলির মাল্টিমোডাল ইন্টিগ্রেশনের উপর দৃষ্টি নিবদ্ধ করে, যা এটিকে স্থির মৌলিক AI মডেল থেকে আলাদা করে।
এই অর্জন রুটিন ডেটার ভিত্তিতে আরও সঠিক রোগ পূর্বাভাস এবং ব্যক্তিগতকৃত চিকিৎসার সুযোগ উন্মুক্ত করে, ব্যয়বহুল বিশেষায়িত পরীক্ষার প্রয়োজনীয়তা হ্রাস করে। তবে, UK Biobank-এ উপস্থাপিত নয় এমন অন্যান্য জনসংখ্যা এবং ডেটা প্রকারে মডেলটির সাধারণীকরণের ক্ষমতা সম্পর্কে প্রশ্ন রয়ে গেছে।
নতুন কোহর্টে স্বাধীন যাচাইকরণ এবং বিকল্প স্ব-শিক্ষণ পদ্ধতির সাথে তুলনা দেখাবে যে বাস্তব ক্লিনিকাল পরিস্থিতিতে PULSE-এর সুবিধাগুলি কতটা টেকসই।
এই ধরনের ফ্রেমওয়ার্কের বিকাশ জোর দেয় যে চিকিৎসা কৃত্রিম বুদ্ধিমত্তার ক্ষেত্রে অগ্রগতির চাবিকাঠি অস্থায়ী গতিশীলতা এবং ডেটার অসম্পূর্ণতার সঠিক বিবেচনায় নিহিত, কেবল মডেলের আকার বৃদ্ধিতে নয়।
