အစပြုရာ

သုတေသနလောကသို့ စတင်ဝင်ရောက်လာခြင်းမှာ ဓာတ်ခွဲခန်းတစ်ခုအတွင်းမှ မဟုတ်ဘဲ ရန်ကုန်မြို့ရှိ လူထုကွင်းဆင်းလေ့လာရေး ခရီးစဉ်တစ်ခုမှ ဖြစ်ပါသည်။ အလုပ်သင်သွားဆရာဝန် (House officer) တစ်ဦးအနေဖြင့် လူနာတစ်ဦးချင်းစီ၏ သွား ၂၈ ချောင်းလုံးရှိ တစ်ချောင်းချင်းစီ၏ သွားဖုံးအိတ်နက်ရှိုင်းမှု (Pocket depths) များကို နေရာ ၆ နေရာစီ လိုက်လံတိုင်းတာရင်း ခံတွင်းကျန်းမာရေး စစ်တမ်းများအတွက် အချိန်များစွာ ပေးခဲ့ရပါသည်။ ထိုသို့ အပင်ပန်းခံ ဆောင်ရွက်သော်လည်း သတ်မှတ်ထားသည့် လူနာအရေအတွက် ပြည့်မီရန် ခဲယဉ်းလှပါသည်။ ထိုအတွေ့အကြုံမှတစ်ဆင့် လူနာများကို ဦးစားပေးရွေးချယ်နိုင်မည့် ပိုမိုကောင်းမွန်သော နည်းလမ်းများ ရှိနိုင်ကြောင်း သိမြင်ခဲ့သော်လည်း ထိုစဉ်က ကျွန်ုပ်တို့တွင် လိုအပ်သော နည်းပညာကိရိယာများ မရှိခဲ့ပါ။ ထိုအချိန်က မြန်မာနိုင်ငံရှိ သုတေသနအသိုက်အဝန်းမှာ သေးငယ်ပြီး အရင်းအမြစ် နည်းပါးလှပါသည်။ သုတေသန နည်းနာဗေဒ (Methodologies) များမှာ သင်ရိုးညွှန်းတမ်းတွင် အဓိကမပါဝင်ဘဲ ဒေသတွင်း ပညာရှင်များ၏ သင်တန်းများမှသာ လေ့လာသင်ယူခဲ့ရပါသည်။ ဘွဲ့ရပြီးချိန်တွင် ပါမောက္ခတစ်ဦး၏ အကြံပြုချက်အရ ထိုင်းနိုင်ငံသို့ ပြောင်းရွှေ့ကာ ပိုမိုဆင့်ပွားသော ပညာရပ်များကို လေ့လာသင်ယူခဲ့ပါသည်။

လေ့လာသင်ယူမှု လမ်းခရီး

မဟီဒေါလ်တက္ကသိုလ်ရှိ ပထမဆုံးပညာသင်နှစ်မှာ မျှော်လင့်မထားသော စိန်ခေါ်မှုများနှင့် စတင်ခဲ့ပါသည်။ အတူတက်ရောက်သည့် ကျောင်းသားအများစုမှာ သုတေသနအတွေ့အကြုံ ကြွယ်ဝကြသော်လည်း မိမိမှာမူ စာရင်းအင်းဗေဒနှင့် အလှမ်းဝေးခဲ့သူ ဖြစ်ပါသည်။ သင်ရိုးညွှန်းတမ်းမှာ သင်္ချာနှင့် စာရင်းအင်းပိုင်း အထူးအားကောင်းလှသဖြင့် ပထမလများတွင် အခြားသူများကို မှီနိုင်ရန် အဆမတန် ကြိုးစားခဲ့ရပါသည်။ ChatGPT မပေါ်မီကာလ ဖြစ်သောကြောင့် Stack Exchange နှင့် အွန်လိုင်းဖိုရမ်များကိုသာ အဓိကအားကိုးခဲ့ရပါသည်။ ထိုသို့ ခက်ခဲစွာ လေ့လာခဲ့ရခြင်းက မိမိမသိသောအရာများကို အာရုံစိုက်နေမည့်အစား အမှားများကို ရှာဖွေပြင်ဆင်ခြင်း (Debugging) နှင့် ပြဿနာ၏ အရင်းအမြစ်ကို ခြေရာခံခြင်း (Tracing failures) က ပိုမိုထိရောက်ကြောင်း သင်ခန်းစာရရှိခဲ့ပါသည်။ ထိုအတွေ့အကြုံမှာ မည်သည့်သင်ခန်းစာထက်မဆို ပိုမိုတန်ဖိုးရှိသည့် “မသေချာမှုများအပေါ် သည်းခံနိုင်စွမ်း” (Tolerance for uncertainty) ကို ရရှိစေခဲ့ပါသည်။

အမြင်သစ်ရရှိခြင်း

ဘွဲ့လွန်စာတမ်းမှတစ်ဆင့် လက်တွင်းရှိစုဆောင်းပြီး ဒေတာများ (Secondary data) ကို အသုံးပြု၍ သုတေသနပြုခြင်းနှင့် စတင်ထိတွေ့ခဲ့ပါသည်။ အဓိကရည်ရွယ်ချက်မှာ အရင်းအမြစ်များစွာ သုံးရမည့် လက်တွေ့စစ်ဆေးမှုများ အသစ်ပြုလုပ်မည့်အစား ရှိပြီးသား ဆေးကုသမှုမှတ်တမ်းများမှတစ်ဆင့် သွားဖုံးရောဂါ ဖြစ်နိုင်ခြေကို ခန့်မှန်းရန်ဖြစ်ပါသည်။ ထိုမှတစ်ဆင့် ရရှိခဲ့သည့် အမြင်မှာ — စနစ်တကျ စုဆောင်းထားသော ဆေးဘက်ဆိုင်ရာမှတ်တမ်းများကို ဂရုတစိုက် ကိုင်တွယ်တတ်ပါက အရင်းအမြစ် အမြောက်အမြား အကုန်အကျခံရမည့် သုတေသနမေးခွန်းများကို အလွယ်တကူ ဖြေရှင်းနိုင်ကြောင်း ဖြစ်ပါသည်။ ထိုအတွေးအခေါ်သည် ယနေ့တိုင် မိမိ၏ လုပ်ငန်းစဉ်များကို ပုံဖော်ပေးခဲ့ပါသည်။ ဘွဲ့ရပြီးနောက်ပိုင်း နှစ်များတွင် ကွန်ပျူတာစနစ်သုံး ဆေးကုသမှုမှတ်တမ်း (Electronic Medical Records) များမှတစ်ဆင့် ကြီးမားသော ရေရှည်ဒေတာစုများ (Longitudinal cohorts) ကို တည်ဆောက်ခြင်း၊ အကြမ်းထည်ဒေတာများကို သုတေသနအတွက် အသင့်ဖြစ်စေရန် (Analysis-ready) ပြင်ဆင်ခြင်းနှင့် လက်တွေ့နယ်ပယ်မှ ရရှိသောဒေတာများ (Real-world data) ၏ ယုံကြည်စိတ်ချရမှုအပေါ် စနစ်တကျ လေ့လာခြင်းတို့ကို ဆောင်ရွက်ခဲ့ပါသည်။

ဆုံမှတ်

ထူးခြားသည့် အမှတ်တရတစ်ခုမှာ Thailand Health AI Datathon တွင် အကြံပေးပညာရှင် (Mentor) အဖြစ် ဆောင်ရွက်ခဲ့ခြင်း ဖြစ်ပါသည်။ သုတေသနမေးခွန်းများ ရှိသော်လည်း ဆန်းစစ်မှုအပိုင်းတွင် လိုအပ်ချက်ရှိသော ဆေးဘက်ဆိုင်ရာ ပညာရှင်များနှင့် နည်းပညာပိုင်း ကျွမ်းကျင်သော်လည်း ဆေးဘက်ဆိုင်ရာ ယုတ္တိဗေဒကို နားလည်ရန် လိုအပ်နေသော ဒေတာပညာရှင်များအကြား ပေါင်းကူးပေးခဲ့ရပါသည်။ မိမိ၏ နောက်ခံသမိုင်းကြောင်းမှာ ထိုဆုံမှတ်တွင် တည့်တည့်ကျနေပါသည်။ မိမိ ပြုစုပြင်ဆင်ထားသော သွေးတိုးရောဂါ ဒေတာစုကို အသုံးပြုသည့် အသင်းများမှာ ပထမဆုနှင့် ဒုတိယဆုများကို အသီးသီး ဆွတ်ခူးသွားခဲ့ကြပါသည်။ ၎င်းမှာ နယ်ပယ်တစ်ခုတွင် အလွန်အမင်း ကျွမ်းကျင်နေခြင်းထက် မတူညီသော ပညာရပ်နှစ်ခုအကြား ချိတ်ဆက်ပေးနိုင်ခြင်းက မည်မျှအရေးကြီးကြောင်း သက်သေပြလိုက်ခြင်း ဖြစ်ပါသည်။

အဘယ်ကြောင့်နည်း

လက်တွေ့နယ်ပယ်မှ ဒေတာများကို ပိုမိုနက်ရှိုင်းစွာ လေ့လာလေလေ ပိုမိုစဉ်းစားစရာများ တွေ့ရှိလာရလေ ဖြစ်ပါသည်။ ဆေးဘက်ဆိုင်ရာ မှတ်တမ်းများသည် စနစ်အတွင်း မြင်တွေ့ရသည့် အစိတ်အပိုင်းကိုသာ မှတ်တမ်းတင်ထားခြင်း ဖြစ်ပါသည်။ အခြားဆေးရုံများသို့ သွားရောက်ခြင်း၊ လွှဲပြောင်းကုသမှုများ သို့မဟုတ် လူနာ၏ နေရပ်ပြောင်းရွှေ့မှုများကြောင့် ဖြစ်ပေါ်လာသော “ဒေတာကွက်လပ်များ” မှာ ရောဂါဖြစ်ပွားမှုနှင့် ရလဒ်ကြား ဆက်နွှယ်မှုကို လွဲမှားစေနိုင်ပါသည်။ မိမိ၏ လက်ရှိသုတေသနမှာ ထိုသို့သော ဒေတာကွက်လပ်များကို ဖော်ထုတ်ပြင်ဆင်ရန်နှင့် မပြည့်စုံသော ဒေတာပတ်ဝန်းကျင်တွင်ပင် မှန်ကန်သော ရလဒ်များ ထွက်ပေါ်လာစေမည့် နည်းလမ်းများကို ဖော်ထုတ်ရန် အာရုံစိုက်ထားပါသည်။ ၎င်း၏ အဓိက တွန်းအားမှာ — မိမိ၏ နေရပ်ကဲ့သို့သော ဒေတာများ ပြန့်ကျဲနေပြီး စနစ်တစ်ခုနှင့်တစ်ခု ချိတ်ဆက်မှု အားနည်းသည့် နေရာမျိုးတွင်ပင် လက်တွေ့နယ်ပယ်မှ ရရှိသော သက်သေအထောက်အထားများ (Real-world evidence) ဖော်ထုတ်နိုင်ရန် ဖြစ်ပါသည်။