ആരോഗ്യത്തിൽ മാറ്റങ്ങൾ വരുത്താനുള്ള എല്ലാ കഴിവുകളും ഉണ്ടായിരുന്നിട്ടും, ധരിക്കാവുന്നവ വൈദ്യശാസ്ത്രത്തിൽ ചുവടുറപ്പിക്കാൻ പാടുപെടുന്നു. ഗർഭകാലത്തെ നാടകീയ മാറ്റങ്ങൾ അവയുടെ സാധ്യതകൾ പരീക്ഷിക്കുന്നതിനുള്ള ഫലഭൂയിഷ്ഠമായ സ്ഥലമാണ് – ധരിക്കാവുന്ന ഉപകരണങ്ങളിൽ നിന്നുള്ള ഡാറ്റയുടെ സ്ട്രീമുകളിൽ മെഷീൻ ലേണിംഗ് രീതികൾ പ്രയോഗിക്കുന്നത് അകാല ജനനത്തിന്റെ രഹസ്യം മനസിലാക്കാൻ എങ്ങനെ ഉപയോഗിക്കാമെന്ന് പുതിയ ഗവേഷണം കാണിക്കുന്നു.

സ്റ്റാൻഫോർഡ് സർവകലാശാലയിലെ മെഷീൻ ലേണിംഗ് ഗവേഷകർ ഗർഭിണികളായ പങ്കാളികളിൽ നിന്ന് ധരിക്കാവുന്ന പ്രവർത്തനവും ഉറക്ക ഡാറ്റയും വിശകലനം ചെയ്യാൻ ആഴത്തിലുള്ള പഠന മോഡൽ ഉപയോഗിച്ചു. അതിശയിക്കാനില്ല: ഗർഭാവസ്ഥയിൽ അവരുടെ ഉറക്കം സാധാരണയായി മോശമാവുകയും അവരുടെ പ്രവർത്തനം മന്ദഗതിയിലാവുകയും ചെയ്തു. എന്നാൽ ചില പങ്കാളികൾക്ക് അവരുടെ ഗർഭധാരണ ഘട്ടവുമായി പൊരുത്തപ്പെടാത്ത ഡാറ്റാ പ്രൊഫൈലുകൾ ഉണ്ടായിരുന്നു – ആ ഗർഭധാരണങ്ങളാണ് മാസം തികയാതെയുള്ള ജനനത്തിന് കാരണമാകാൻ കൂടുതൽ സാധ്യതയുള്ളതെന്ന് ഗവേഷകർ കണ്ടെത്തി.

ലോകമെമ്പാടുമുള്ള അഞ്ച് വയസ്സിന് താഴെയുള്ള കുട്ടികളിലെ മരണത്തിന്റെ പ്രധാന കാരണം മാസം തികയാതെയുള്ള ജനനമാണ്, യുണൈറ്റഡ് സ്റ്റേറ്റ്സിൽ, എല്ലാ ജീവനുള്ള ജനനങ്ങളിലും 11% ഗർഭാവസ്ഥയുടെ 37 ആഴ്ചകൾക്ക് മുമ്പാണ് സംഭവിക്കുന്നത് – ഈ സംഖ്യ കഴിഞ്ഞ ദശകത്തിൽ ക്രമാനുഗതമായി വർദ്ധിച്ചുകൊണ്ടിരിക്കുകയാണ്. കറുത്ത സ്ത്രീകൾക്ക് പ്രത്യേകിച്ചും അപകടസാധ്യതയുണ്ട്, വെളുത്ത സ്ത്രീകളേക്കാൾ 1.5 മടങ്ങ് അകാലത്തിൽ പ്രസവിക്കാനുള്ള സാധ്യതയുണ്ട്.

എൻപിജെ ഡിജിറ്റൽ മെഡിസിനിൽ വ്യാഴാഴ്ച പ്രസിദ്ധീകരിച്ച പുതിയ ഗവേഷണം, പങ്കാളി ഗ്രൂപ്പിന്റെ വലുപ്പവും വൈവിധ്യവും കാരണം ധരിക്കാവുന്ന ഡാറ്റയുടെ പഠനങ്ങൾക്കിടയിൽ വേറിട്ടുനിൽക്കുന്നു. സെന്റ് ലൂയിസ് പ്രദേശത്തെ ആയിരത്തിലധികം സ്ത്രീകളെ, അവരിൽ പകുതിയിലധികം കറുത്തവർ, സെന്റ് ലൂയിസിലെ വാഷിംഗ്ടൺ സർവകലാശാലയിലെ ഗവേഷകർ അവരുടെ ഗർഭധാരണത്തിലൂടെ പിന്തുടർന്നു.

“ഗർഭാവസ്ഥയിലുടനീളം ഇത് ചെയ്യാനുള്ള ഈ പൈശാചിക ശ്രമം അവർ ശരിക്കും ഏറ്റെടുത്തു,” സ്റ്റാൻഫോർഡിലെ മെഷീൻ ലേണിംഗ് ഗവേഷകയും പ്രബന്ധത്തിന്റെ മുതിർന്ന രചയിതാവുമായ നിമ അഗൈപൂർ പറഞ്ഞു. ഒരു സ്ത്രീ ഗർഭിണിയായ ശേഷം എത്രയും വേഗം ഡാറ്റ ശേഖരിക്കാൻ സംഘം ശ്രമിച്ചു, ഓരോ ത്രിമാസത്തിലും കുറഞ്ഞത് ഒരാഴ്ചയെങ്കിലും ചലന, ലൈറ്റ് സെൻസിംഗ് വാച്ച് ധരിക്കാൻ ആവശ്യപ്പെട്ടു. ചിലർ ഗർഭാവസ്ഥയുടെ ഒൻപത് മാസം മുഴുവൻ ഇത് ധരിച്ചു.

അഗൈപ്പറും സഹപ്രവർത്തകരും ആ അസംസ്കൃതവും തുടർച്ചയായതുമായ ഡാറ്റ ഒരു ആഴത്തിലുള്ള പഠന പൈപ്പ് ലൈനിലേക്ക് നൽകുകയും രോഗികളുടെ മെഡിക്കൽ റെക്കോർഡുകൾക്കൊപ്പം വിശകലനം ചെയ്യുകയും ചെയ്തു – അവരുടെ ഗർഭാവസ്ഥയിൽ അവർ എത്ര ദൂരം ഉണ്ടായിരുന്നു എന്നതുൾപ്പെടെ. “ധരിക്കാവുന്ന ഉപകരണം പരിശോധിച്ച് ഒരാൾ എത്രമാത്രം ഗർഭിണിയാണെന്ന് പറയാൻ കഴിയും, കുറച്ച് ആഴ്ചകൾ നൽകുകയോ എടുക്കുകയോ ചെയ്യാം,” ശാരീരിക പ്രവർത്തനങ്ങളുടെയും ഉറക്കത്തിന്റെയും സാധാരണ പാറ്റേണുകളെ അടിസ്ഥാനമാക്കി അഗൈപൂർ പറഞ്ഞു.

പങ്കെടുക്കുന്നവരുടെ മെഡിക്കൽ രേഖകൾ ജനനം വരെ അവരെ പിന്തുടർന്നു – ആരാണ് നേരത്തെ പ്രസവിച്ചതെന്നും ആരുടെ ഗർഭധാരണം കാലാവധിയിലെത്തിയെന്നും കാണാൻ ഗവേഷകരെ അനുവദിച്ചു.

“കാര്യങ്ങൾ ആവേശകരമാകുന്ന സ്ഥലം, വളരെ ഗർഭിണികളല്ലാത്ത ഈ സ്ത്രീകളുണ്ട് – അവരുടെ ഗർഭധാരണ പ്രായം കുറവാണ് – പക്ഷേ ആഴത്തിലുള്ള പഠന അൽഗോരിതത്തിന് അവർ വളരെ ഗർഭിണികളായി കാണപ്പെടുന്നു.” ഗർഭാവസ്ഥയുടെ സമാന ഘട്ടങ്ങളിൽ സ്ത്രീകളെ അപേക്ഷിച്ച് അവരുടെ പ്രവർത്തന രീതികളും ഉറക്കവും കൂടുതൽ അസ്വസ്ഥമായിരുന്നു. മാസം തികയാതെ പ്രസവിക്കാനുള്ള സാധ്യത 44 ശതമാനം കൂടുതലാണെന്ന് ഗവേഷകര് കണ്ടെത്തി.

പ്രവർത്തനത്തിന്റെയോ ഉറക്കത്തിന്റെയോ അഭാവം കൂടുതൽ മാസം തികയാതെയുള്ള ജനനത്തിന് കാരണമാകുന്നുവെന്ന് ആ ഫലം അർത്ഥമാക്കുന്നില്ല. “നിങ്ങളുടെ ഫിറ്റ്ബിറ്റ് ഡാറ്റയെ അടിസ്ഥാനമാക്കി നിങ്ങളുടെ കുഞ്ഞ് എപ്പോൾ ജനിക്കുമെന്ന് ഞങ്ങൾക്ക് കണക്കാക്കാൻ കഴിയുമെന്ന് ഞങ്ങൾ പറയുന്നില്ല,” സെന്റ് ലൂയിസിലെ വാഷിംഗ്ടൺ സർവകലാശാലയിലെ സിർക്കാഡിയൻ ബയോളജിസ്റ്റും പ്രബന്ധത്തിന്റെ സഹ-രചയിതാവുമായ എറിക് ഹെർസോഗ് പറഞ്ഞു. എന്നാൽ അകാല ജനനത്തിൽ പ്രവർത്തനത്തിന്റെയും ഉറക്കത്തിന്റെയും പങ്കിനെക്കുറിച്ചുള്ള ഒരു സിദ്ധാന്തം ഇത് നിർദ്ദേശിക്കുന്നു, അത് ഭാവി ഗവേഷണത്തിൽ പരീക്ഷിക്കാൻ കഴിയും.

“അടുത്ത തവണ, ഒരു കൂട്ടം സ്ത്രീകൾ ഈ വസ്തുക്കൾ ധരിച്ച് ഡാറ്റ സൃഷ്ടിക്കുമ്പോൾ, ഈ വ്യക്തി ആഴ്ച 40 നോട് അടുക്കുന്നതായി തോന്നുന്നില്ല, മറിച്ച് അവർ പ്രസവത്തോട് അടുക്കുന്നതുപോലെ തോന്നുന്നു,” കാലിഫോർണിയ സാൻ ഡീഗോ സർവകലാശാലയിലെ പ്രൊഫസർ ബെഞ്ചമിൻ സ്മാർ പറഞ്ഞു. “അങ്ങനെയാണോ നമ്മള് അത് കൃത്യമായി ഊഹിക്കുന്നത്? നമ്മള് നേരത്തെ ഇടപെട്ടാല് അവരില് ചിലരെ പിടിക്കാന് പറ്റുമോ?”

ഇത്തരത്തിലുള്ള ഭാവി വിശകലനം മാസം തികയാതെയുള്ള ജനനത്തിലെ വംശീയ അസമത്വങ്ങളുടെ വിശദീകരണങ്ങൾ കണ്ടെത്താൻ സഹായിക്കും. കറുത്ത സ്ത്രീകൾക്ക് മോശം ഫലങ്ങൾ ഉണ്ടാക്കുന്ന പാരിസ്ഥിതികവും സാമൂഹികവുമായ ഘടകങ്ങൾ തിരിച്ചറിയാൻ ഗവേഷകർ പാടുപെടുകയാണ്. “ഈ സങ്കീർണതകൾ എവിടെ നിന്ന് വരുന്നു? കാരണം ഇത് വിദ്യാഭ്യാസത്തിലേക്കുള്ള പ്രവേശനം മാത്രമല്ല, ഇത് സാമൂഹിക സാമ്പത്തിക നില മാത്രമല്ല, “സ്മാർ പറഞ്ഞു.

ഇത്തരത്തിലുള്ള ഗവേഷണത്തിന് ഗർഭധാരണം സവിശേഷമായി അനുയോജ്യമാണെന്ന് സ്ത്രീകളുടെ ആരോഗ്യത്തിൽ ധരിക്കാവുന്നവയുടെ പ്രയോഗങ്ങളെക്കുറിച്ച് ഗവേഷണം നടത്തുന്ന നോർത്ത് വെസ്റ്റേണിലെ പ്രത്യുത്പാദന എൻഡോക്രൈനോളജിസ്റ്റ് ജെസീക്ക വാൾട്ടർ പറഞ്ഞു. “ഗർഭാവസ്ഥയിൽ ഫിസിയോളജി മാറുന്ന വളരെ ചലനാത്മകമായ കാലയളവിൽ, അവരുടെ ആരോഗ്യം മനസിലാക്കാനും സ്വയം പരിപാലിക്കാനും ആഗ്രഹിക്കുന്ന വളരെ പ്രചോദിതരായ വ്യക്തികളുണ്ട്,” അവർ പറഞ്ഞു.

മുൻ ആപ്പിൾ ഹെൽത്ത് ഗവേഷകനും ഇപ്പോൾ ഓക്സ്ഫോർഡിലെ വിസിറ്റിംഗ് സൈക്യാട്രി പ്രൊഫസറുമായ സ്റ്റീഫൻ ഫ്രണ്ട് സ്ഥാപിച്ച ലാഭേച്ഛയില്ലാതെ പ്രവർത്തിക്കുന്ന 4 യുവാൻഡ് മിയുടെ നേതൃത്വത്തിലുള്ള ഒരു പഠനം ഉൾപ്പെടെ ധരിക്കാവുന്ന ഉപകരണങ്ങൾ ഉപയോഗിച്ച് ഗർഭധാരണത്തെക്കുറിച്ചുള്ള സിഗ്നലുകൾ കണ്ടെത്താൻ മറ്റ് ഗവേഷണ ഗ്രൂപ്പുകളെ ഇത് നയിച്ചു. വാണിജ്യ ഉപകരണങ്ങൾ ഉപയോഗിച്ച് ഏകദേശം 1,000 ഗർഭിണികളിൽ നിന്ന് നൂറുകണക്കിന് വേരിയബിളുകൾ ശേഖരിക്കുന്നതിനുള്ള സാധ്യത പരിശോധിക്കുന്നതിനും അവയുടെ മൂല്യങ്ങളിലെ വ്യതിയാനം വിവരിക്കുന്നതിനും ബെറ്റർ അണ്ടർസ്റ്റാൻഡിംഗ് ദി മെറ്റമോർഫോസിസ് ഓഫ് പ്രെഗ്നൻസി പഠനം – ബംപ്, ചുരുക്കത്തിൽ- ആരംഭിച്ചു.

ധരിക്കാവുന്ന ഉപകരണങ്ങളിൽ നിന്നുള്ള തുടർച്ചയായ ഡാറ്റ ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്നതിനുള്ള നിർണായക വെല്ലുവിളിയാണ് ഈ ഗവേഷണ ശ്രമങ്ങൾ നേരിടുന്നത്. അവരുടെ ഔട്ട്പുട്ട് വളരെ വ്യതിയാനമുള്ളതാണ് – വ്യക്തികൾക്കിടയിലും ഒരു വ്യക്തിയുടെ ദൈനംദിന ഏറ്റക്കുറച്ചിലുകളിലുടനീളം – ശരാശരി പ്രവർത്തനം അല്ലെങ്കിൽ ദൈനംദിന ഉറക്ക ദൈർഘ്യം പോലുള്ള ലളിതമായ അളവുകളിൽ നിന്ന് പ്രവർത്തനക്ഷമമായ വിവരങ്ങൾ പുറത്തെടുക്കാൻ പ്രയാസമാണ്. “[മെഷീൻ ലേണിംഗ്] വളരെ സാന്ദ്രവും വലിയതുമായ ഡാറ്റാസെറ്റുകൾ കൈകാര്യം ചെയ്യാൻ ഞങ്ങളെ സഹായിക്കാൻ കഴിയുന്ന ഒരു ഉപകരണമാണ്,” വാൾട്ടർ പറഞ്ഞു, ആരോഗ്യത്തെക്കുറിച്ച് അർത്ഥവത്തായ സിഗ്നലുകൾ വഹിക്കുന്ന അത്ര വ്യക്തമല്ലാത്ത പാറ്റേണുകൾ കണ്ടെത്തി.

“ഇവിടെയാണ് രസം തുടങ്ങുന്നത്. പേപ്പറിന്റെ പത്ത് ശതമാനം ഡാറ്റാ സ്ട്രീമുകളിലാണ്, 90% ഡാറ്റ മനസിലാക്കാനും വൃത്തിയാക്കാനും നിങ്ങളെ അനുവദിക്കുന്ന രീതികൾ എങ്ങനെ സജ്ജമാക്കാം എന്നതിനെക്കുറിച്ചാണ്, “സുഹൃത്ത് പറഞ്ഞു. “ഇക്കൂട്ടര് ആ തോക്ക് താഴേക്ക് വലിച്ചെറിഞ്ഞു.”

“ഇത് ശരിക്കും പക്ഷപാതരഹിതമായ രീതിയിൽ ഡാറ്റയിലേക്ക് പോകുന്നു,” ഹെർസോഗ് പറഞ്ഞു. “ഈ മെഷീൻ ലേണിംഗ് സമീപനം പറഞ്ഞു, ഈ ഡാറ്റ ഈ ഗർഭകാല പ്രായവുമായി ബന്ധപ്പെട്ടിരിക്കുന്നുവെന്ന് ഞങ്ങൾ മോഡലിനെ പഠിപ്പിക്കാൻ പോകുന്നു, കൂടാതെ ഗർഭകാല പ്രായം നന്നായി കണക്കാക്കാൻ അനുവദിച്ച ഡാറ്റയിലെ സവിശേഷതകൾ ഇത് പഠിച്ചു.”

തീർച്ചയായും യന്ത്രം കാര്യങ്ങൾ ശരിയാക്കുന്നുവെന്ന് വിശ്വസിച്ചാൽ മാത്രം പോരാ. “ആഴത്തിലുള്ള പഠന മോഡൽ ഒരു ബ്ലാക്ക് ബോക്സ് പോലെ തുടരുന്നു, ഇത് എല്ലായ്പ്പോഴും ആരോഗ്യത്തിൽ ഒരു ചെറിയ വെല്ലുവിളിയാണ്,” സ്മാർ പറഞ്ഞു. മാസം തികയാതെയുള്ള ജനന സാധ്യതയുള്ള രോഗികളെ പിടിക്കാൻ ധരിക്കാവുന്ന ഉപകരണങ്ങൾ തീർച്ചയായും ഉപയോഗിക്കാൻ കഴിയുമെങ്കിൽ, ആ രീതികൾ ഇപ്പോഴും യഥാർത്ഥ ലോകത്ത് ശ്രദ്ധാപൂർവ്വം പരീക്ഷിക്കേണ്ടതുണ്ട്. “നിങ്ങൾ വ്യക്തിയെ സമ്മർദ്ദത്തിലാക്കുന്നുണ്ടോ, ആശുപത്രി വിഭവങ്ങൾ നിങ്ങൾ ചെലവഴിക്കുന്നുണ്ടോ? ആത്യന്തികമായി ഈ കച്ചവടങ്ങളുണ്ട്.”

“ഇത് ധരിക്കാവുന്നവയുടെയും സിഗ്നലുകളെ പെരുമാറ്റങ്ങളിലേക്ക് സമന്വയിപ്പിക്കുന്നതിന് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് / എംഎൽ ഉപയോഗിക്കുന്നതിന്റെയും ആദ്യ ദിവസങ്ങളാണ്,” ധരിക്കാവുന്നവയ്ക്ക് വ്യക്തികളുടെ ആരോഗ്യ അവസ്ഥകൾ അർത്ഥവത്തായ രീതിയിൽ പ്രവചിക്കാൻ കഴിയുന്നതിനുമുമ്പ് കുറഞ്ഞത് അഞ്ച് വർഷമെങ്കിലും സമഗ്രമായ ഗവേഷണം ആവശ്യമാണെന്ന് സുഹൃത്ത് നിർദ്ദേശിച്ചു. “എന്നാൽ അമ്മമാരോട് പറയാൻ ഞങ്ങൾക്ക് ഒരു വഴിയുണ്ടെങ്കിൽ അവർ ഒരാഴ്ചയ്ക്കുള്ളിൽ പ്രസവിക്കാൻ 90% സാധ്യതയുണ്ടെന്ന് സങ്കൽപ്പിക്കുക. ആളുകൾ പുറത്തുപോയി ആ ഉപകരണങ്ങൾ എടുക്കില്ലെന്ന് എന്നോട് പറയുക.”