AI Facial Expression Evaluation ဖြင့် စိတ်ကျန်းမာရေးချို့ယွင်းချက်များကို ရှာဖွေဖော်ထုတ်ခြင်း။

ဂျာမနီနိုင်ငံမှ သုတေသီများသည် ကွန်ပြူတာအမြင်ဖြင့် အဓိပ္ပာယ်ပြန်ဆိုထားသော မျက်နှာအမူအရာများကို အခြေခံ၍ စိတ်ပိုင်းဆိုင်ရာ ချို့ယွင်းမှုများကို ဖော်ထုတ်ရန် နည်းလမ်းတစ်ခုကို တီထွင်ခဲ့သည်။

ချဉ်းကပ်မှုအသစ်သည် ထိခိုက်မှုမရှိသောအကြောင်းအရာများနှင့် ထိခိုက်မှုမရှိသောအကြောင်းအရာများကြားကို ပိုင်းခြားနိုင်ရုံသာမကဘဲ စိတ်ကျရောဂါနှင့် စိတ်ဓာတ်ကျခြင်းတို့ကိုလည်း မှန်ကန်စွာ ပိုင်းခြားနိုင်သည့်အပြင် လူနာ၏လက်ရှိရောဂါခံစားနေရသည့်အတိုင်းအတာအထိလည်း မှန်ကန်စွာခွဲခြားနိုင်ပါသည်။

သုတေသီများသည် ၎င်းတို့၏ စမ်းသပ်မှုများအတွက် ထိန်းချုပ်မှုအဖွဲ့ကို ကိုယ်စားပြုသည့် ပေါင်းစပ်ပုံ (အောက်ပုံတွင် ဘယ်ဘက်တွင်) နှင့် စိတ်ပိုင်းဆိုင်ရာ ချို့ယွင်းနေသော လူနာများ (ညာဘက်) ကို ပံ့ပိုးပေးထားသည်။ လူအများအပြား၏ အထောက်အထားများကို ကိုယ်စားပြုမှုများတွင် ရောနှောထားပြီး ရုပ်ပုံနှစ်ခုလုံးသည် တစ်ဦးချင်းစီကို ပုံဖော်ထားခြင်း မရှိပါ။

အရင်းအမြစ်- https://arxiv.org/pdf/2208.01369.pdf

စိတ်ကျရောဂါရှိသူများတွင် မျက်ခုံးမွှေးများ၊ အကြည့်များလာခြင်း၊ ရောင်ရမ်းနေသော မျက်နှာများနှင့် ခေါင်းငိုက်စိုက်ချ နှုတ်အမူအရာများ ဖြစ်တတ်သည်။ လူနာ၏ကိုယ်ရေးကိုယ်တာကာကွယ်ရန်၊ ဤပေါင်းစပ်ပုံများသည် အလုပ်အသစ်အတွက် ပံ့ပိုးပေးထားသည့်တစ်ခုတည်းသောပုံများဖြစ်သည်။

ယခုအချိန်အထိ မျက်နှာထိခိုက်မှုကို အသိအမှတ်ပြုခြင်းအား အခြေခံရောဂါရှာဖွေခြင်းအတွက် ဖြစ်နိုင်ခြေရှိသောကိရိယာတစ်ခုအဖြစ် အဓိကအသုံးပြုထားပါသည်။ ယင်းအစား ချဉ်းကပ်မှုအသစ်သည် ကုသမှုတစ်လျှောက် လူနာတိုးတက်မှုကို အကဲဖြတ်ရန် ဖြစ်နိုင်သည့်နည်းလမ်းတစ်ခု သို့မဟုတ် ပြင်ပလူနာစောင့်ကြည့်မှုအတွက် ၎င်းတို့၏ပြည်တွင်းပတ်ဝန်းကျင်တွင် (ဖြစ်နိုင်ချေရှိသော်လည်း၊ စာတမ်းက အကြံပြုထားခြင်းမဟုတ်သော်လည်း)။

စာတမ်းတွင်ဖော်ပြထားသည် *

'စိတ်အားထက်သန်သော ကွန်ပြူတာတွင် စိတ်ကျရောဂါ၏ စက်ဖြင့် ရောဂါရှာဖွေခြင်းထက် ကျော်လွန်သွားခြင်း၊ လွန်ခဲ့သော လေ့လာမှုတွေကွန်ပြူတာအမြင်ဖြင့် ခန့်မှန်းနိုင်သော တိုင်းတာနိုင်သော အကျိုးသက်ရောက်နိုင်သော အခြေအနေတွင် စစ်မှန်သော အမျိုးအစားခွဲခြားခြင်းထက် များစွာပိုသော အချက်အလက်များ ပါဝင်ကြောင်း ကျွန်ုပ်တို့ပြသပါသည်။'

သုတေသီများက ဤနည်းပညာကို ခေါ်ဆိုခဲ့ကြသည်။ Opto Electronic Encephalography (OEG)၊ အာရုံခံအာရုံခံကိရိယာများ သို့မဟုတ် ဓာတ်ရောင်ခြည်အခြေခံ ဆေးဘက်ဆိုင်ရာ ပုံရိပ်ဖော်နည်းပညာများအစား မျက်နှာပုံသဏ္ဍာန်ခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် စိတ်အခြေအနေကို လုံးလုံးလျားလျား ကောက်ချက်ချသည့် နည်းလမ်းဖြစ်သည်။

OEG သည် ရောဂါရှာဖွေခြင်းနှင့် ကုသခြင်းအတွက် အလယ်တန်းလက်ထောက်တစ်ဦးမျှသာမဟုတ်သော်လည်း၊ ရေရှည်တွင်၊ ကုသမှုပိုက်လိုင်း၏အချို့သောအကဲဖြတ်သည့်အစိတ်အပိုင်းများအတွက် အစားထိုးနိုင်သည့်အလားအလာနှင့် လူနာအတွက်လိုအပ်သောအချိန်ကို လျှော့ချနိုင်သည့်အရာတစ်ခု ဖြစ်နိုင်သည်ဟု စာရေးသူများက သုံးသပ်ကြသည်။ စောင့်ကြည့်ခြင်းနှင့် ကနဦးရောဂါရှာဖွေခြင်း။ သူတို့မှတ်သားသည်-

'ယေဘုယျအားဖြင့်၊ စက်ဖြင့်ခန့်မှန်းထားသောရလဒ်များသည် သန့်စင်သောလက်တွေ့လေ့လာသူအဆင့်သတ်မှတ်ခြင်းအခြေခံမေးခွန်းပုံစံများနှင့် နှိုင်းယှဉ်ပါက ပိုမိုကောင်းမွန်သောဆက်စပ်မှုများကိုပြသပြီး ရည်ရွယ်ချက်လည်းရှိပါသည်။ ကွန်ပြူတာအမြင်ချဉ်းကပ်မှုများအတွက် မိနစ်အနည်းငယ်၏ တိုင်းတာမှုကာလသည် မှတ်သားဖွယ်ဖြစ်ပြီး၊ တစ်ခါတစ်ရံတွင် လက်တွေ့အင်တာဗျူးများအတွက် နာရီများလိုအပ်ပါသည်။'

သို့သော်လည်း ဤနယ်ပယ်တွင် လူနာပြုစုစောင့်ရှောက်မှုသည် ဘက်စုံလိုက်စားမှုတစ်ခုဖြစ်ကြောင်း စာရေးသူက စိတ်အားထက်သန်စွာ အလေးပေးဖော်ပြလိုသည်မှာ လူနာ၏မျက်နှာအမူအရာသက်သက်ထက် အခြားလူနာအခြေအနေ၏ အညွှန်းကိန်းများစွာပါရှိပြီး ထိုကဲ့သို့သောစနစ်ကို ထည့်သွင်းစဉ်းစားရန်မှာ စောလွန်းသေးကြောင်း စာရေးသူက အလေးပေးပြောကြားလိုပါသည်။ စိတ်ပိုင်းဆိုင်ရာချို့ယွင်းမှုများအတွက် သမားရိုးကျနည်းလမ်းများကို လုံး၀ အစားထိုးပါ။ မည်သို့ပင်ဆိုစေကာမူ၊ အထူးသဖြင့် လူနာ၏သတ်မှတ်ထားသောစနစ်တွင် ဆေးဝါးကုသမှု၏အကျိုးသက်ရောက်မှုများကို အဆင့်သတ်မှတ်ရန် နည်းလမ်းတစ်ခုအနေဖြင့် OEG အား အလားအလာရှိသော နောက်ဆက်တွဲနည်းပညာတစ်ခုအဖြစ် မှတ်ယူကြသည်။

အဆိုပါ စက္ကူ ခေါင်းစဉ်ဖြစ်ပါတယ် သက်ရောက်မှုရောဂါများရဲ့မျက်နှာ၎င်းသည် ပုဂ္ဂလိကနှင့် အစိုးရဆေးဘက်ဆိုင်ရာ သုတေသနကဏ္ဍမှ ကျယ်ပြန့်သော အဖွဲ့အစည်းပေါင်းစုံမှ သုတေသီရှစ်ဦးမှ လာပါသည်။

ဒေတာများ

(စာတမ်းအသစ်သည် လူနာများ၏ စိတ်ရောဂါရှာဖွေရေးတွင် လက်ရှိရေပန်းစားနေသော အမျိုးမျိုးသော သီအိုရီများနှင့် နည်းလမ်းများနှင့် အများစုကို ပေးဆောင်ထားပြီး၊ စမ်းသပ်မှုများနှင့် စမ်းသပ်မှုအမျိုးမျိုးတွင် အသုံးပြုသည့် လက်တွေ့နည်းပညာများနှင့် လုပ်ငန်းစဉ်များကို ပုံမှန်ထက် အာရုံစိုက်မှုနည်းသည်)

Aachen ရှိ University Hospital တွင် ကျား၊မ ညီညွတ်သော လူနာ ၁၀၀ နှင့် ထိခိုက်မှုမရှိသော လူ ၅၀ ကို ထိန်းချုပ်သည့်အဖွဲ့ဖြင့် ဒေတာစုဆောင်းခြင်းကို ပြုလုပ်ခဲ့သည်။ အဆိုပါလူနာများတွင် schizophrenia ဝေဒနာသည် 100 နှင့် 50 စိတ်ဓာတ်ကျရောဂါခံစားရသူများပါဝင်သည်။

စစ်ဆေးမှုအဖွဲ့၏ လူနာအပိုင်းအတွက် ပထမအကြိမ် ဆေးရုံတက်စဉ်တွင် ကနဦးတိုင်းတာမှုများ ပြုလုပ်ခဲ့ပြီး ဆေးရုံမှဆင်းမလာမီ ဒုတိယတစ်ကြိမ်၊ ပျမ်းမျှ 12 ပတ်ကြားကာလကို တိုင်းတာသည်။ ထိန်းချုပ်မှုအဖွဲ့တွင် ပါဝင်သူများကို ၎င်းတို့၏ကိုယ်ပိုင် လှုံ့ဆော်မှုနှင့် အမှန်တကယ်လူနာများကို ထင်ဟပ်စေသည့် 'ခွဲထုတ်ခြင်း' ဖြင့် ဒေသခံလူထုထံမှ နိုင်ထက်စီးနင်း စုဆောင်းခဲ့သည်။

အမှန်တကယ်အားဖြင့်၊ ဤစမ်းသပ်မှုတစ်ခုအတွက် အရေးကြီးဆုံး 'အခြေခံအမှန်တရား' သည် အတည်ပြုပြီး စံနည်းလမ်းများဖြင့် ရရှိသော ရောဂါရှာဖွေမှုများဖြစ်ရမည် ဖြစ်ပြီး ၎င်းသည် OEG စမ်းသပ်မှုများအတွက် ဖြစ်ရပ်မှန်ဖြစ်သည်။

သို့သော်၊ ဒေတာစုဆောင်းခြင်းအဆင့်သည် စက်၏အဓိပ္ပာယ်ဖွင့်ဆိုချက်အတွက် ပိုမိုသင့်လျော်သည့်နောက်ထပ်ဒေတာကို ရရှိခဲ့သည်- ပျမ်းမျှ မိနစ် 90 ရှိသော အင်တာဗျူးများကို 270fps ဖြင့် Logitech c25 သုံးစွဲသူ webcam ဖြင့် အဆင့်သုံးဆင့်ဖြင့် ဖမ်းယူခဲ့သည်။

ပထမအစည်းအဝေးတွင် စံတစ်ခုဖြင့် ဖွဲ့စည်းထားသည်။ Hamilton အင်တာဗျူး (သုတေသနကိုအခြေခံသည်။ ရှိကြတယ်လို့ 1960 ဝန်းကျင်) ကဲ့သို့သော ပုံမှန်အားဖြင့် ဝင်ခွင့်ပေးသည်။ ဒုတိယအဆင့်တွင် ပုံမှန်အားဖြင့်၊ လူနာများ (နှင့် ထိန်းချုပ်မှုအုပ်စုရှိ ၎င်းတို့၏လုပ်ဖော်ကိုင်ဖက်များ) ကို ပြသခဲ့သည်။ ဗီဒီယိုများ မျက်နှာအမူအရာအစီအရီနှင့် စိတ်ခံစားမှုအခြေအနေနှင့် ပြင်းထန်မှုအပါအဝင် ထိုအချိန်က ၎င်းတို့၏စိတ်အခြေအနေဆိုင်ရာ ၎င်းတို့၏ကိုယ်ပိုင်ခန့်မှန်းချက်ကို ဖော်ပြရင်း ၎င်းတို့တစ်ခုစီကို အတုယူရန် တောင်းဆိုခဲ့သည်။ ဤအဆင့်သည် ဆယ်မိနစ်ခန့်ကြာမြင့်သည်။

တတိယအဆင့်နှင့် နောက်ဆုံးအဆင့်တွင် ပါဝင်သူများသည် ဆယ်စက္ကန့်ကျော်သာကြာသည့် သရုပ်ဆောင်များ၏ ဗီဒီယို ၉၆ ခုကို ပြသခဲ့ပြီး ပြင်းထန်သော စိတ်ခံစားမှုဆိုင်ရာ အတွေ့အကြုံများကို ပြန်လည်ရေတွက်ပုံရသည်။ ထို့နောက် ပါဝင်သူများအား ဗီဒီယိုများတွင် ဖော်ပြထားသည့် စိတ်ခံစားမှုနှင့် ပြင်းထန်မှုအပြင် ၎င်းတို့၏ သက်ဆိုင်သည့် ခံစားချက်များကို အကဲဖြတ်ရန် တောင်းဆိုခဲ့သည်။ ဤအဆင့်သည် 96 မိနစ်ခန့်ကြာမြင့်သည်။

နည်းလမ်း

ဖမ်းယူထားသော မျက်နှာများ၏ ပျမ်းမျှပျမ်းမျှရောက်ရှိရန် (ပထမပုံကိုကြည့်ပါ၊ အထက်တွင်ကြည့်ပါ)၊ စိတ်ခံစားမှုဆိုင်ရာ အထင်ကရနေရာများကို ဖမ်းယူထားသည်။ EmoNet မူဘောင်။ ထို့နောက် မျက်နှာပုံသဏ္ဍာန်နှင့် ပျမ်းမျှ (ပျမ်းမျှ) မျက်နှာပုံသဏ္ဍာန်ကြား စာပေးစာယူကို ဆုံးဖြတ်ခဲ့သည်။ piecewise affine အသွင်ပြောင်းခြင်း။.

အဘက်ဘက်မှ စိတ်ခံစားမှုကို အသိအမှတ်ပြုခြင်း။ နှင့် မျက်လုံးအကြည့် ခန့်မှန်းချက် ယခင်အဆင့်တွင် သတ်မှတ်ထားသော အထင်ကရအပိုင်းတစ်ခုစီတွင် ဆောင်ရွက်ခဲ့ပါသည်။

ဤအချိန်တွင်၊ အသံအခြေခံ ခံစားချက်အနုအရင့်က လူနာ၏ စိတ်အခြေအနေသို့ သင်ကြားနိုင်သော အခိုက်အတန့်တစ်ခုရောက်ရှိလာကြောင်း ညွှန်ပြပြီး အလုပ်မှာ သက်ဆိုင်ရာ မျက်နှာရုပ်ပုံအား ဖမ်းယူကာ ၎င်းတို့၏ အကျိုးသက်ရောက်မှုအခြေအနေ၏ ထိုအတိုင်းအတာနှင့် နယ်ပယ်ကို မြှင့်တင်ရန်ဖြစ်သည်။

(အထက်ပါဗီဒီယိုတွင်၊ အလုပ်သစ်အတွက် သုတေသီများအသုံးပြုသည့် အတိုင်းအတာ စိတ်ခံစားမှုဆိုင်ရာ မှတ်သားမှုနည်းပညာများ ရေးသားသူများမှ တီထွင်ထားသည့်အလုပ်ကို ကျွန်ုပ်တို့တွေ့မြင်ရသည်)။

ပစ္စည်း၏ ပုံသဏ္ဍာန် geodesic ကို data ၏ frame တစ်ခုစီအတွက် တွက်ချက်ထားပြီး Singular Value Decomposition (SVD) လျော့ချပေးခြင်း။ ထွက်ပေါ်လာသော အချိန်စီးရီးဒေတာကို နောက်ဆုံးတွင် ပုံစံတစ်ခုအဖြစ် ပြောင်းလဲခဲ့သည်။ var လုပ်ငန်းစဉ်မတိုင်မီ SVD မှတစ်ဆင့် ထပ်မံလျှော့ချပါ။ မြေပုံကို လိုက်လျောညီထွေဖြစ်အောင်.

geodesic လျှော့ချရေးလုပ်ငန်းစဉ်အတွက် အလုပ်အသွားအလာ။

EmoNet ကွန်ရက်ရှိ valence နှင့် arousal တန်ဖိုးများကို VAR မော်ဒယ်လ်နှင့် sequence kernel တွက်ချက်မှုတို့ဖြင့် အလားတူ လုပ်ဆောင်ခဲ့သည်။

စမ်းသပ်မှု

အစောပိုင်းတွင် ရှင်းပြထားသည့်အတိုင်း အလုပ်သစ်သည် စံကွန်ပြူတာအမြင်တင်ပြခြင်းထက် အဓိကအားဖြင့် ဆေးသုတေသနစာတမ်းဖြစ်ပြီး၊ သုတေသီများလုပ်ဆောင်သည့် မတူညီကွဲပြားသော OEG စမ်းသပ်မှုများကို နက်နက်ရှိုင်းရှိုင်း လွှမ်းခြုံနိုင်စေရန် စာဖတ်သူကို စာရွက်ကိုယ်တိုင် ရည်ညွှန်းပါသည်။

မည်သို့ပင်ဆိုစေကာမူ၊ ၎င်းတို့ထဲမှ ရွေးချယ်မှုကို အကျဉ်းချုပ်ရန်-

Affective Disorder Cues များ

ဤနေရာတွင် ပါဝင်သူ 40 (ထိန်းချုပ်မှု သို့မဟုတ် လူနာအဖွဲ့မှမဟုတ်) ဒေတာ၏အကြောင်းအရာကို အသိပေးခြင်းမရှိဘဲ မေးခွန်းများစွာအတွက် အကဲဖြတ်ထားသော ပျမ်းမျှမျက်နှာများ (အထက်တွင်ကြည့်ပါ) အဆင့်သတ်မှတ်ရန် တောင်းဆိုခဲ့သည်။ မေးခွန်းများမှာ-

မျက်နှာနှစ်ခုရဲ့ လိင်ကဘာလဲ။
မျက်နှာတွေက ဆွဲဆောင်မှုရှိတဲ့ အသွင်အပြင်ရှိလား။
ဒီမျက်နှာတွေက ယုံကြည်ထိုက်သူတွေလား။
ဒီလူတွေရဲ့ စွမ်းဆောင်နိုင်မှုကို ဘယ်လိုအကဲဖြတ်မလဲ။
မျက်နှာနှစ်ခုရဲ့ ခံစားချက်က ဘယ်လိုလဲ။
မျက်နှာနှစ်ခုရဲ့ အသားအရေက ဘယ်လိုလဲ။
အကြည့်ရဲ့ ခံစားချက်က ဘာလဲ။
မျက်နှာနှစ်ခုမှာ ပါးစပ်ထောင့်စွန်းများ ရှိပါသလား။
မျက်နှာနှစ်ခုက မျက်ကွင်းညိုနေသလား။
ဒီလူတွေဟာ ဆေးခန်းပြတဲ့ လူနာတွေလား။

ဤမျက်မမြင် အကဲဖြတ်ချက်များသည် စီမံဆောင်ရွက်ထားသော အချက်အလက်၏ စာရင်းသွင်းအခြေအနေနှင့် ဆက်စပ်နေကြောင်း သုတေသီများက တွေ့ရှိခဲ့သည်-

'ပျမ်းမျှမျက်နှာ' စစ်တမ်းအတွက် အကွက်ရလဒ်များ။

လက်တွေ့အကဲဖြတ်ခြင်း။

ကနဦးအကဲဖြတ်မှုတွင် OEG ၏ အသုံးဝင်မှုကို တိုင်းတာရန်၊ သုတေသီများသည် စံနမူနာပြ ဆေးခန်းအကဲဖြတ်မှု မည်မျှထိရောက်ကြောင်း အကဲဖြတ်ကြသည်ကို ဦးစွာပထမ အကဲဖြတ်ကာ နိဒါန်းနှင့် ဒုတိယအဆင့်အကြား တိုးတက်မှုအဆင့်များကို တိုင်းတာခြင်း (ထိုအချိန်၌ လူနာသည် ပုံမှန်အားဖြင့် ဆေးအခြေခံကုသမှုများကို ခံယူနေရပါသည်။

ဤနည်းလမ်းဖြင့် အခြေအနေနှင့် ရောဂါလက္ခဏာ ပြင်းထန်မှုကို ကောင်းစွာ အကဲဖြတ်နိုင်ပြီး ဆက်စပ်မှု 0.82 ဖြစ်သည်ဟု သုတေသီများက ကောက်ချက်ချခဲ့သည်။ သို့သော်၊ ဤအစောပိုင်းအဆင့်တွင် စံနည်းလမ်းသည် -0.03 ရမှတ်ဖြင့်သာ schizophrenia သို့မဟုတ် စိတ်ကျရောဂါကို တိကျသောရောဂါရှာဖွေတွေ့ရှိမှုတွင် ပိုမိုစိန်ခေါ်မှုဖြစ်ကြောင်း သက်သေပြခဲ့သည်။

စာရေးသူမှတ်ချက်။

'အနှစ်သာရအားဖြင့်၊ ပုံမှန်မေးခွန်းပုံစံများကို အသုံးပြု၍ လူနာ၏အခြေအနေကို ကောင်းစွာဆုံးဖြတ်နိုင်သည်။ သို့သော် ၎င်းသည် အခြေခံအားဖြင့် ၎င်းမှ နိဂုံးချုပ်နိုင်သည်။ တစ်စုံတစ်ယောက်သည် စိတ်ဓာတ်ကျခြင်း သို့မဟုတ် စိတ်ကြွရောဂါဖြစ်ခြင်းရှိမရှိကို မဖော်ပြပါ။ ကုသမှုတုံ့ပြန်မှုတွင်လည်း အလားတူပင်ဖြစ်သည်။'

စက်လုပ်ငန်းစဉ်မှ ရလဒ်များသည် ဤပြဿနာဧရိယာတွင် ပိုမိုမြင့်မားသောရမှတ်များနှင့် ကနဦးလူနာအကဲဖြတ်ခြင်းအပိုင်းအတွက် နှိုင်းယှဉ်နိုင်သောရမှတ်များ ရရှိနိုင်သည်-

နံပါတ်မြင့်တာက ပိုကောင်းပါတယ်။ ဘယ်ဘက်တွင်၊ စံအင်တာဗျုးအခြေခံ အကဲဖြတ်မှု တိကျမှန်ကန်မှု ရလဒ်များသည် စမ်းသပ်မှုတည်ဆောက်ပုံ၏ အဆင့်လေးဆင့်၊ ညာဘက်တွင်၊ စက်အခြေခံရလဒ်များ။

Disorder Diagnosis

အငြိမ်မျက်နှာပုံများမှတစ်ဆင့် စိတ်ကျရောဂါနှင့် စိတ်ကျရောဂါကို ခွဲခြားသိမြင်ခြင်းသည် အသေးအဖွဲကိစ္စမဟုတ်ပါ။ အပြန်အလှန်စစ်ဆေးအတည်ပြုထားသော၊ စက်လုပ်ငန်းစဉ်သည် အစမ်းသုံးအဆင့်များတစ်လျှောက် မြင့်မားသောတိကျမှုရမှတ်များကို ရယူနိုင်သည်-

အခြားစမ်းသပ်မှုများတွင်၊ သုတေသီများသည် OEG သည် ဆေးဝါးဗေဒဆိုင်ရာကုသမှုနှင့် ရောဂါ၏အထွေထွေကုသမှုတို့မှတစ်ဆင့် လူနာတိုးတက်မှုကို ရိပ်မိနိုင်ကြောင်း သက်သေပြနိုင်သည်-

'ဒေတာစုဆောင်းခြင်း၏ empirical pre knowledge ၏ အကြောင်းရင်း ကောက်ချက်ချမှုသည် မျက်နှာ၏ ဇီဝကမ္မဆိုင်ရာ ထိန်းညှိမှုသို့ ပြန်သွားခြင်းကို သတိပြုမိစေရန်အတွက် ဆေးဝါးဗေဒဆိုင်ရာ ကုသမှုကို ပြုပြင်ပြောင်းလဲခဲ့သည်။ ဆေးခန်းညွန်ကြားချက်အတွင်း ထိုသို့သောပြန်အလာကို သတိပြု၍မရပါ။

'ယခုအချိန်တွင် အဆိုပါစက်ကို အခြေခံထားသော အကြံပြုချက်သည် ကုထုံး၏ သိသိသာသာ ပိုမိုကောင်းမွန်သော အောင်မြင်မှုကို အမှန်တကယ် ရရှိစေမည်ဆိုသည်ကို ရှင်းရှင်းလင်းလင်း မသိရသေးပေ။ အထူးသဖြင့် ဆေးဝါးများသည် အချိန်ကြာမြင့်စွာ အကျိုးသက်ရောက်မှုရှိနိုင်သည်ကို သိရှိသောကြောင့်ဖြစ်သည်။

'သို့သော်လည်း၊ လူနာ-အံဝင်ခွင်ကျ ချဉ်းကပ်နည်းများသည် နေ့စဉ်လူနေမှုဘဝတွင် ကြီးကြီးမားမားအသုံးပြုနေဆဲဖြစ်သော ဘုံအမျိုးအစားခွဲခြားမှုပုံစံ၏ အတားအဆီးများကို ချိုးဖျက်နိုင်မည်ဖြစ်သည်။'

* ကျွန်ုပ်၏ စာရေးဆရာများ၏ အတွင်းလိုင်းကိုးကားချက်များကို ဟိုက်ပါလင့်ခ်များအဖြစ်သို့ ပြောင်းလဲခြင်း။

၂၀၂၂ ခုနှစ် သြဂုတ်လ ၃ ရက်နေ့တွင် ပထမဆုံး ထုတ်ဝေခဲ့သည်။