All of Us Fitbit, নথি, জরিপ ও জিনোমিক্সকে যুক্ত করা বড় পরিধেয় স্বাস্থ্য ডেটাসেট প্রকাশ করেছে

স্কেল এবং সংযোগই প্রধান সুবিধা

শুধু বড় সংখ্যা কোনো ডেটাসেটকে রূপান্তরমূলক করে তোলে না। এই প্রকাশনাকে উঁচুতে তোলে এর সংযোগ। পেপার বলছে, Fitbit ডেটা থাকা অংশগ্রহণকারীদের 46% ইলেকট্রনিক স্বাস্থ্য রেকর্ড, শারীরিক পরিমাপ, জিনোমিক্স এবং জরিপ ডেটাও দিয়েছেন। এর মানে গবেষকরা কেবল কার্যকলাপ বা ঘুমের ধরণ ব্যক্তিভেদে ভিন্ন কি না তা নয়, বরং সেই ধরণগুলো নির্ণয়, চিকিৎসার ইতিহাস, ল্যাব মান, রিপোর্ট করা অভিজ্ঞতা, এবং জেনেটিক তথ্যের সঙ্গে মেলে কি না তাও অধ্যয়ন করতে পারবেন।

ব্যবহারিকভাবে, এটি কয়েকটি গবেষণার পথ খুলে দেয়। বিজ্ঞানীরা ডিজিটাল মেট্রিকগুলো রোগের শুরু, অগ্রগতি, বা পুনরুদ্ধারের সঙ্গে কীভাবে সম্পর্কিত তা পরীক্ষা করতে পারেন। তারা দেখতে পারেন, ঝুঁকি পূর্বাভাসের জন্য গুরুত্বপূর্ণ জনসংখ্যাগত গোষ্ঠীগুলোর মধ্যে আচরণগত ধরণ কীভাবে আলাদা হয়। তারা এটিও মূল্যায়ন করতে পারেন যে wearable-ভিত্তিক সংকেতগুলো বিভিন্ন জনগোষ্ঠীতে ধারাবাহিকভাবে কাজ করে কি না, যা digital biomarkers যদি precision health-কে সমর্থন করতে চায়, তবে অত্যন্ত জরুরি।

পেপার ডেটাসেটটিকে এমনভাবে বর্ণনা করেছে যে এটি ডিজিটাল স্বাস্থ্য মেট্রিক ও ক্লিনিকাল ফলাফলের মধ্যে সম্পর্ক নিয়ে গবেষণা সম্ভব করে, পাশাপাশি আকার, প্রতিনিধিত্ব, এবং বহুমাত্রিক সংযোগের মাধ্যমে ডিজিটাল স্বাস্থ্য পদ্ধতিকে এগিয়ে নিয়ে যায়। এটি সতর্কভাবে বলার একটি উপায় যে এই সম্পদ রোগ অধ্যয়নের পাশাপাশি digital health-এর পদ্ধতিগত ভিত্তি যাচাই করতেও উপকারী।

ধারাবাহিক ডেটা থেকে গবেষকরা কী শিখতে পারেন

পদক্ষেপের সংখ্যা ও ঘুমের রেকর্ড সহজ শোনাতে পারে, কিন্তু দীর্ঘ সময় ধরে এগুলো বড় আকারে সংগ্রহ করা হলে বিশ্লেষণগতভাবে শক্তিশালী হয়ে ওঠে। কার্যকলাপের ধরণ কার্ডিওভাসকুলার ঝুঁকি, মেটাবলিক রোগ, পুনরুদ্ধারের ধারা, বার্ধক্য, এবং মানসিক স্বাস্থ্যের সঙ্গে যুক্ত হতে পারে। ঘুমের ডেটা circadian disruption, দীর্ঘস্থায়ী অসুস্থতার ভার, এবং বিশ্রামের ধরণ ও পরবর্তী চিকিৎসা ফলাফলের মধ্যে সম্পর্ক নিয়ে গবেষণায় সাহায্য করতে পারে।

যেহেতু ডেটাসেটটি বহু বছর জুড়ে বিস্তৃত, এটি শুধু অবস্থা নয়, পরিবর্তনও অধ্যয়নে সাহায্য করতে পারে। longitudinal data দেখাতে পারে, কমে যাওয়া কার্যকলাপ diagnosis-এর আগে আসে কি না, ঘুমের ব্যাঘাত চিকিৎসার সঙ্গে আসে কি না, অথবা হস্তক্ষেপের প্রভাব প্রচলিত ফলাফলে ওঠার আগে দৈনন্দিন জীবনে দেখা যায় কি না। এই ধরনের সময়গত সূক্ষ্মতাই ডিজিটাল স্বাস্থ্য ডেটা এত মনোযোগ পাওয়ার একটি কারণ।

তবু পেপারের অবদান কোনো একক মেট্রিক একটি নির্দিষ্ট রোগের পূর্বাভাস দেয় এমন ক্লিনিকাল দাবি নয়। এটি অবকাঠামোর প্রকাশ: এত বড় এবং এত বৈচিত্র্যময় একটি ডেটাসেট, যা অনেক গোষ্ঠীকে এই ধরনের প্রশ্ন কঠোরভাবে পরীক্ষা করতে দেয়।

ডিজিটাল স্বাস্থ্যে অন্তর্ভুক্তির চ্যালেঞ্জ

লেখকরা উল্লেখ করেছেন, ডিজিটাল স্বাস্থ্য গবেষণা প্রায়ই জনসংখ্যাগত পক্ষপাত দ্বারা সীমাবদ্ধ হয়েছে। এই চ্যালেঞ্জ ন্যায়বিচারের বাইরেও প্রভাব ফেলে। যদি wearable data সংকীর্ণ জনগোষ্ঠী থেকে অতিরিক্ত আসে, তবে তার ওপর তৈরি মডেলগুলো সাধারণীকরণে দুর্বল হতে পারে। একটি ডিজিটাল বায়োমার্কার এক গোষ্ঠীতে শক্তিশালী মনে হলেও অন্য গোষ্ঠীতে কম কাজ করতে পারে। একটি পূর্বাভাস টুল নির্ভুল দেখালেও তাতে লুকোনো blind spot থাকতে পারে।

ডিভাইসভিত্তিক তথ্য সংগ্রহের জনসংখ্যাগত পরিসর বাড়িয়ে, All of Us এই প্রাথমিক অবস্থান বদলাতে চাইছে। এই ডেটাসেট নিজে থেকেই গবেষণাচর্চা বা model development-এ bias দূর করবে না। তবে এটি representation-কে একটি পদ্ধতিগত বিষয় হিসেবে উপেক্ষা করা কঠিন করে তুলতে পারে। সেই অর্থে, এই প্রকাশনা বৈজ্ঞানিক ও প্রাতিষ্ঠানিক উভয় দিক থেকেই গুরুত্বপূর্ণ: এটি গবেষকদের ওপর আরও দায়িত্ব দেয় যে তাদের মডেল কার জন্য কাজ করছে তা তারা পরীক্ষা করেন।

এরপর কী

এই ডেটাসেটের প্রকৃত প্রভাব নির্ভর করবে এটি কীভাবে ব্যবহৃত হয় তার ওপর। রিসোর্স পেপারগুলো প্রায়ই একটি গল্পের শুরু নির্দেশ করে, শেষ নয়। পরবর্তী ধাপ নির্ধারিত হবে সেই গবেষণাগুলো দ্বারা যেগুলো এই রেকর্ডগুলো ব্যবহার করবে, এবং গবেষকরা missingness, device variation, behavioral confounding, এবং consumer-grade পরিমাপের সীমাবদ্ধতার মতো বিষয়গুলো কতটা সতর্কতার সঙ্গে সামলান তার মাধ্যমে।

তবু এই প্রকাশনা ডিজিটাল স্বাস্থ্য গবেষণার পরিণত পর্যায়ের ইঙ্গিত দেয়। ছোট, proprietary ডেটাসেট বা সংকীর্ণভাবে নিয়োগকৃত cohort-এর ওপর নির্ভর না করে, বিজ্ঞানীরা এখন বড়, সংযুক্ত, এবং আরও প্রতিনিধিত্বশীল বাস্তব-জগতের ডেটা উৎসের অ্যাক্সেস পাচ্ছেন। এর ফলে কোন ধরনের প্রশ্ন বিশ্বস্ততার সঙ্গে তোলা যায়, সেটাই বদলে যায়।

ব্যাপক precision-health agenda-র জন্য এটাই মূল বিষয়। wearables প্রায়ই ব্যক্তিগত wellness টুল হিসেবে বাজারজাত হয়, কিন্তু তাদের বড় বৈজ্ঞানিক মূল্য হলো, শক্তিশালী ক্লিনিকাল প্রেক্ষাপটের সঙ্গে যুক্ত হলে, সময়ের সঙ্গে জনসংখ্যার মধ্যে তারা কী প্রকাশ করতে পারে তা। All of Us-এর এই প্রকাশনা সেই সম্ভাবনাকে নিয়মিত গবেষণা ব্যবহারের আরও কাছে নিয়ে এসেছে।

শিরোনাম ফল নয়, ভিত্তি সম্পদ

এই পেপারের সঙ্গে কোনো একক বড় চিকিৎসাবিষয়ক আবিষ্কার যুক্ত নেই, আর সেটাই এর গুরুত্বের কারণ। ভিত্তিগত ডেটাসেট সাধারণত সবচেয়ে নাটকীয় তাৎক্ষণিক শিরোনাম তৈরি করে না, কিন্তু এগুলো পরবর্তী আবিষ্কারের ঢেউকে রূপ দেয়। বিস্তৃত জনসংখ্যাগত পরিসর এবং অন্যান্য স্বাস্থ্য ডেটার সঙ্গে যথেষ্ট সংযোগসহ বড় wearable ডেটাসেট নথিভুক্ত করে All of Us Research Program এমন একটি সম্পদ তৈরি করেছে, যা ডিজিটাল চিকিৎসাবিজ্ঞান, epidemiology, এবং precision health-কে বছরের পর বছর প্রভাবিত করতে পারে।

এর মূল্য শেষ পর্যন্ত ডিভাইস রেকর্ডের সংখ্যায় নয়, বরং সেই রেকর্ডগুলো কি আরও ভালো, আরও অন্তর্ভুক্তিমূলক বিজ্ঞান তৈরি করতে সাহায্য করে কি না, সেটি দিয়ে মাপা হবে। এই প্রকাশনা গবেষকদের চেষ্টা করার জন্য কাঁচামাল দেয়।

এই নিবন্ধটি Nature Medicine-এর প্রতিবেদনের ভিত্তিতে লেখা। মূল নিবন্ধটি পড়ুন.