[ad_1]
మానవతా అవసరాలు రికార్డు స్థాయికి చేరుకోవడంతో గ్లోబల్ హెల్త్ ఈక్విటీ సాధన రోజురోజుకు మరింత ముఖ్యమైనది. గత సంవత్సరం, ప్రపంచ ఆరోగ్య సంస్థ కనుగొన్నారు ప్రపంచ జనాభాలో సగం మందికి అవసరమైన ఆరోగ్య సేవలు అందుబాటులో లేవు మరియు 2 బిలియన్ల మంది ప్రజలు జేబులో లేని ఆర్థిక ఇబ్బందులను ఎదుర్కొంటున్నారు.
ఈ అసమానతలు కొత్తవి కావు, కానీ అవి విస్తృతమవుతున్నాయి, ముఖ్యంగా మహమ్మారి మరియు వాతావరణ మార్పు వంటి ప్రధాన అడ్డంకులు వాటిని పరిష్కరించడం మరింత సవాలుగా మారినప్పుడు. సాంకేతికతలో పురోగతులు ఆరోగ్య ఫలితాలను మెరుగుపరుస్తాయని మరియు యాక్సెస్ను పెంచుతాయని వాగ్దానం చేస్తాయి, అయితే మనం అక్కడికి ఎలా చేరుకోవచ్చు?
జీవశాస్త్రం మరియు బయోటెక్నాలజీ ప్రొఫెసర్ కరెన్ ఓట్స్ కొత్త చిత్రానికి కూడా దర్శకుడు.గ్లోబల్ హెల్త్ డిగ్రీ ప్రోగ్రామ్ వోర్సెస్టర్ పాలిటెక్నిక్ ఇన్స్టిట్యూట్ నుండి గ్రాడ్యుయేషన్ తర్వాత GBH లో చేరారు ప్రతిదీ పరిగణనలోకి తీసుకుంటుంది అరుణ్ రాత్ ద్వారా మోడరేట్ చేయబడింది, కొత్త సాంకేతికతను సమర్థవంతంగా మరియు నైతికంగా ఉపయోగించడాన్ని ఎలా నిర్ధారించుకోవాలో మేము చర్చిస్తాము. వారి సంభాషణ యొక్క తేలికగా సవరించిన ట్రాన్స్క్రిప్ట్ క్రిందిది.
అరుణ్ రాత్: పెద్ద-చిత్రం ప్రశ్నతో ప్రారంభించి, గ్లోబల్ హెల్త్ ఈక్విటీ ప్రస్తుతం ఎలా ఉంది మరియు గత దశాబ్దంలో అది ఎలా మారిపోయింది అనే దాని గురించి మీరు మాకు చెప్పగలరా?
కరెన్ ఓట్స్: కోర్సు యొక్క. ప్రజారోగ్యం మరియు ప్రపంచ ఆరోగ్యం మధ్య వ్యత్యాసాన్ని అర్థం చేసుకోవడం చాలా ముఖ్యం అని నేను భావిస్తున్నాను. గ్లోబల్ హెల్త్ నిజంగా అనేక దేశాలకు మించిన ఆరోగ్య సమస్యలకు సంబంధించినది – పెద్ద సమస్యలు.
ప్రజారోగ్యం భౌగోళికంగా నిర్దిష్ట అంశాలలో ఉన్నప్పటికీ, గ్లోబల్ హెల్త్ వాస్తవానికి ఈ పెద్ద, విస్తృత, ఇంటర్ డిసిప్లినరీ ప్రశ్నలను పరిశీలిస్తుంది మరియు ఎవరు ప్రభావితమయ్యారు మరియు ఎందుకు అని అడుగుతుంది.ఎవరు ప్రభావితమయ్యారు మరియు ఈ ఆరోగ్య సమస్యలలో కొన్నింటిని తగ్గించడానికి మనం ఏమి చేయగలమో అర్థం చేసుకోవడం. ప్రపంచవ్యాప్తంగా అసమానత.
రస్: కాబట్టి మహమ్మారి మరియు వాతావరణ మార్పు వంటి సమస్యలు నిజంగా ప్రపంచ సమస్యలేనా?
ఓట్స్: ఇది ఖచ్చితంగా యునైటెడ్ స్టేట్స్లో మనం ఆలోచించాల్సిన విషయం, మొత్తం గ్రహం యొక్క ఆరోగ్యాన్ని ప్రభావితం చేసే నీరు మరియు పోషకాహారం వంటి విషయాలు కూడా.
రస్: నేను ఇంతకు ముందే చెప్పినట్లుగా, వోర్సెస్టర్ పాలిటెక్నిక్ ఇన్స్టిట్యూట్ త్వరలో మీరు నాయకత్వం వహించే ప్రపంచ ప్రజారోగ్యంపై దృష్టి సారించే మాస్టర్స్ ప్రోగ్రామ్ను ప్రారంభించనుంది. ప్రోగ్రామ్ యొక్క పాఠ్యాంశాలు సాంకేతికత, సైన్స్ మరియు మానవత్వం యొక్క ఖండన వద్ద ప్రపంచ ఆరోగ్యం యొక్క భవిష్యత్తు ఎలా ఉంటుందనే దానిపై దృష్టి పెడుతుందని మీరు పేర్కొన్నారు. మీరు దాని గురించి మాట్లాడగలరా?
ఓట్స్: ఆరోగ్య అసమానతలను అర్థం చేసుకోవడం మరియు వాటిని ఎలా తగ్గించడం అనే విషయంలో మనం నిజంగా అభివృద్ధి చెందుతున్నామని నేను భావిస్తున్నాను. కృత్రిమ మేధస్సు, మెషిన్ లెర్నింగ్, ఎపిడెమియాలజీ మరియు పెద్ద డేటాబేస్లు ప్రపంచవ్యాప్తంగా ఉన్న శాస్త్రవేత్తల చేతివేళ్ల వద్ద ఉన్నందున మేము దీన్ని ప్రాథమికంగా చేయగలుగుతున్నాము.
అసమానతకు వివిధ కారణాలైన నమూనాలను కనెక్ట్ చేయడం మరియు వాటి మధ్య ఉన్న నమూనాలను, కనెక్షన్లను కనుగొనడమే మేము చేయడానికి ప్రయత్నిస్తున్నాము. ఇది వివిధ రకాల సమస్యలను త్రికోణీకరించడం లాంటిది, ఇది వ్యక్తిగత పరిశోధకులకు మూల కారణాన్ని గుర్తించడం చాలా కష్టతరం చేస్తుంది. ఇది చాలా సంవత్సరాలు పడుతుంది, కానీ మెషిన్ లెర్నింగ్ మరియు ఆర్టిఫిషియల్ ఇంటెలిజెన్స్కు ధన్యవాదాలు, వాస్తవానికి ప్రపంచంలోని కొన్ని అతిపెద్ద సమస్యలను పరిష్కరించడానికి ప్రయత్నిస్తున్నప్పుడు అది ఉపయోగించిన సమయానికి కొంత సమయం పడుతుంది.
రస్: మీరు త్రిభుజం గురించి పలు దృక్కోణాల నుండి సంప్రదించడం ద్వారా సమస్యను పరిష్కరించే విధంగానే మాట్లాడతారు. అలా జరగడానికి AI మరియు మెషిన్ ఇంటెలిజెన్స్ ఎలా సహాయపడతాయి?
ఓట్స్: మేము చేస్తున్నది హెవీ మెటల్ ద్వారా ప్రభావితమైన నిర్దిష్ట జనాభాను చూసే డేటాబేస్ను సృష్టించడం. భౌగోళికంగా వివిధ కర్మాగారాలు ఎక్కడ ఉన్నాయో మీరు చూడవచ్చు. ఆ విధంగా, మీరు ఆ ప్రాంతంలో నీటి ప్రవాహాన్ని మరియు బావి నీటిని తనిఖీ చేయవచ్చు. మనం అసెంబ్లింగ్ చేయడం ప్రారంభించగల అనేక పారామీటర్లా? కారణం ఏమిటి? కారణం ఎక్కడ నుండి వస్తుంది? మరియు అంతిమంగా, దీని గురించి మనం ఏమి చేయవచ్చు?ఇవన్నీ AI ద్వారా ఆధారితం. అటువంటి సమస్యలను పరిష్కరించడానికి మేము ఈ పెద్ద డేటాబేస్లను కంపైల్ చేస్తున్నాము.
రస్: తరచుగా అసమానంగా ప్రభావితమయ్యే మరియు సంభాషణల నుండి మినహాయించబడిన తక్కువ మరియు తక్కువ వనరులు లేని సంఘాల గురించి మాట్లాడేటప్పుడు డేటాలోని అంతరాలు కూడా పక్షపాతాన్ని ప్రతిబింబిస్తాయి మరియు కృత్రిమ మేధస్సు ఇది డేటా ఆందోళన అని నేను అర్థం చేసుకున్నాను. ప్రతిదీ పరిగణించబడుతుందని నిర్ధారించుకోవడానికి మీరు ఈ సాంకేతికతను ఎలా అమలు చేయవచ్చు?
ఓట్స్: ఇది అనేక స్థాయిలలో ముఖ్యమైన ప్రశ్న. ఒకటి, డేటా ఎవరిది? డేటా ఎక్కడ నుండి వస్తుంది? డేటాను ఇన్పుట్ చేసే పరిశోధకుల పక్షపాతం ఏమిటి? కానీ నిజంగా, మీరు ఆ డేటాను పొందినప్పుడు, అది పారదర్శకంగా ఉండటం చాలా ముఖ్యమైనది. అది నిజమని నేను భావిస్తున్నాను.
ఈ ప్రోగ్రామ్ యొక్క గొప్ప విషయం ఏమిటంటే, ఇది ఫీల్డ్ వర్క్ అని మరియు ఇందులో పాల్గొన్న వ్యక్తులు ప్రోగ్రామ్ను ప్రభావితం చేసే వ్యక్తులు అని మేము చాలా శ్రద్ధ వహిస్తాము. ప్రథమ. WPI నిజంగా అదృష్టమే. మేము 40 సంవత్సరాలుగా ప్రపంచవ్యాప్తంగా అందమైన ప్రాజెక్ట్ కేంద్రాలను కలిగి ఉన్నాము మరియు మేము చేపట్టే ఏదైనా పరిశోధనలో పాల్గొనడానికి ప్రాంతం నుండి వ్యక్తులను తీసుకురావడం ద్వారా దాని ప్రయోజనాన్ని పొందాలని మేము భావిస్తున్నాము.
రస్: డేటా సేకరణ భాగం చాలా పెద్ద-స్థాయి మానవ పనిగా కనిపిస్తోంది. మేము దానిని ఎలా స్కేల్ చేస్తాము?
ఓట్స్: ఫీల్డ్లో మరియు ఫీల్డ్లో ఉన్న వ్యక్తుల సహాయంతో మనం అక్కడకు వెళ్లి డేటాను సేకరించగలగాలి. సమస్యల పరిష్కారంలో వారిని భాగస్వాములను చేయాలన్నారు. “ఇది మీ సమస్య” అని మేము చెప్పదలచుకోలేదు. వారు పాల్గొనాలని మేము కోరుకుంటున్నాము మరియు అలా చేయడం ద్వారా మేము చేసే ప్రతి పనిలో భాగస్వాములు కావాలని మేము కోరుతున్నాము.
రస్: చాలా ప్రాథమిక మానవ డేటా సేకరణ మరియు చాలా అధునాతన యంత్ర మేధస్సు యొక్క ఈ కలయిక ఎలా సాధించబడుతుందో వినడానికి ఆశ్చర్యంగా ఉంది.
ఓట్స్: సరిగ్గా. ప్రపంచ ఆరోగ్య పరిణామం మనకు చెబుతున్న ఒక విషయం ఏమిటంటే, AI మరియు మెషిన్ లెర్నింగ్ అన్నీ కొత్త స్థాయిలో ఉన్నాయి. నీటి వడపోత వ్యవస్థ వంటి సరళమైనదాన్ని కూడా ఇప్పుడు సైట్లో రూపొందించవచ్చు. ఒక దేశంలో లభించే మెటీరియల్స్ మరియు అక్కడి ప్రజల ప్రతిభను ఉపయోగించి మనం డిజైన్ చేయవచ్చు.
రస్: మీరు ఈ రకమైన పరిష్కారాన్ని అమలు చేయాలనుకుంటున్న మొత్తం డేటా నుండి మేము ఇప్పుడు ఎంత దూరంలో ఉన్నాము?
ఓట్స్: ఇది చాలా సందర్భోచితంగా ఉందని నేను భావిస్తున్నాను. ఉదాహరణకు, నీటి వనరులను గుర్తించడానికి మేము భౌగోళిక సమాచార వ్యవస్థలను ఉపయోగించడం చాలా దగ్గరగా ఉన్నామని నేను భావిస్తున్నాను. మీరు లోహ విషప్రయోగం మరియు పిల్లలపై దాని ప్రభావాలను పరిశీలిస్తే, మీరు దాని గురించి చాలా మంచి డేటాబేస్ను రూపొందించవచ్చు.
మేము ఇప్పటికీ డేటాను సేకరించే దశలోనే ఉన్నాము, కానీ ఇది చాలా త్వరగా అభివృద్ధి చెందుతోంది. గ్లోబల్ హెల్త్ యొక్క భవిష్యత్తు వాస్తవానికి సరైన డేటా మూలాలను గుర్తించడం, ఫీల్డ్లో బయటకు వెళ్లడం, డేటాబేస్లో ఉన్నవాటిని సృష్టించడం మరియు ధృవీకరించడం మరియు కనెక్షన్లను చేయడం ప్రారంభించడం.
పెద్ద డేటా మెషిన్ లెర్నింగ్ విషయానికి వస్తే మేము నిజంగా ప్రారంభ దశలో ఉన్నాము. WPI నుండి ఈ ప్రోగ్రామ్ ప్యాటర్న్లను కనెక్ట్ చేయడానికి మరియు కనుగొనడానికి AIని ఉపయోగిస్తుంది. పెద్ద డేటా మరియు కృత్రిమ మేధస్సును ఉపయోగించకుండా ఇది చాలా కష్టం. గ్లోబల్ సమస్యలను నిర్వచించడంలో మరియు అర్థం చేసుకోవడంలో మేము ఆ డేటాను ఉపయోగిస్తాము.
[ad_2]
Source link
