બાળકોને અસર કરતા દુર્લભ આનુવંશિક રોગોના નિદાનમાં ચિકિત્સકોને મદદ માટે AIનો ઉપયોગ

જિનોમિક સિક્વેન્સિંગ હોવા છતાં, દુર્લભ રોગ ધરાવતા ઘણા લોકોને ક્યારેય સ્પષ્ટ આનુવંશિક નિદાન મળતું નથી. વિસ્તૃત પરીક્ષણ અને નિષ્ણાત સમીક્ષા પછી પણ અંદાજે અડધા લોકોનું નિદાન થતું નથી. તેમના તબીબી ડેટામાં સંકેતો હોઈ શકે છે, પરંતુ તેમને શોધવા માટે હજારોથી લાખો સંભવિત આનુવંશિક વેરિઅન્ટ, ખંડિત ક્લિનિકલ રેકોર્ડ અને ઝડપથી બદલાતા વૈજ્ઞાનિક સાહિત્યમાંથી શોધખોળ કરવી પડી શકે છે.

નવા જિન-રોગ સંબંધો, કેસ રિપોર્ટ અને વર્ગીકરણના પુરાવા વધતા જાય તેમ, ઉકેલાયા ન હોય તેવા કેસોને નવી રીતે સમજાવી શકાય છે.

Boston Children’s Hospitalના Manton Center for Orphan Disease Research, Harvard University અને OpenAIના સંશોધકોએ OpenAI o3 ડીપ રિસર્ચ રિઝનિંગ મોડલનો ઉપયોગ કરીને અગાઉ વિશ્લેષિત પરંતુ ઉકેલાયા ન હોય એવા 376 કેસની ઓળખ દૂર કરેલી ક્લિનિકલ અને જિનોમિક માહિતીનું વિશ્લેષણ કર્યું. મોડલે સંશોધકો અને ક્લિનિશિયનની સમીક્ષા માટે પુરાવા-સંકળાયેલા સંભવિત સ્પષ્ટીકરણો રજૂ કર્યા. નિષ્ણાત સમીક્ષા, વધારાના પરીક્ષણ અને ક્લિનિકલ પુષ્ટિ પછી, ચિકિત્સકોએ 18 કેસમાં નિદાન સ્થાપિત કર્યા—નિષ્ણાતોના અગાઉના વિશ્લેષણ પછી 4.8%નો વધારાનો નિદાન દર. આ અભ્યાસ 18 જૂન, 2026ના રોજ NEJM AIમાં પ્રકાશિત થયો હતો અને બતાવે છે કે સૌથી મુશ્કેલ કેટલાક કેસની ફરી મુલાકાત લેતી વખતે AI-સહાયિત સંશોધન વર્કફ્લો નિષ્ણાતોને સંકેતો શોધવામાં કેવી રીતે મદદ કરી શકે છે.

આમાંથી ઘણા કેસ વર્ષોની નિષ્ણાત સમીક્ષા છતાં ઉકેલાયા નહોતા. આ અભ્યાસમાં, OpenAI o3 ડીપ રિસર્ચે સંશોધકોને એવા સંકેતો ઓળખવામાં મદદ કરી, જેમનું પછી સ્થાપિત ક્લિનિકલ પ્રક્રિયાઓ દ્વારા મૂલ્યાંકન થયું, જે સૂચવે છે કે જ્ઞાન વિકસે તેમ નિષ્ણાત-નેતૃત્વ હેઠળનું સમયાંતરે પુનર્વિશ્લેષણ વધુ સ્કેલેબલ બની શકે છે. મોડલે કોઈ દર્દીનું નિદાન કર્યું નહોતું કે કોઈ ક્લિનિકલ નિર્ણય લીધો નહોતો. તે નિષ્ણાતોની સમીક્ષા માટે પુરાવા-સંકળાયેલી ધારણાઓ બનાવતું હતું અને જ્યાં યોગ્ય હોય ત્યાં વધારાના પરીક્ષણથી તપાસી ક્લિનિકલ પ્રયોગશાળામાં પુષ્ટિ કરવાની ભલામણ કરતું હતું.

અનિર્ણાયક આનુવંશિક પરીક્ષણ હંમેશા કાયમી નિષ્કર્ષ નથી. દર્દીના ફિનોટાઇપ વર્ણનો, પરીક્ષણ પરિણામો અને પરિવાર ઇતિહાસ એવા ડેટાબેસમાં વહેંચાયેલા હોઈ શકે છે, જે જુદા ઓળખકર્તા, ફોર્મેટ અને શબ્દભંડોળ વાપરે છે. આ રેકોર્ડને જોડવા મુશ્કેલ છે, તેથી નિષ્ણાતો પણ નિદાન ચૂકી શકે છે. સંબંધિત જિન અથવા તેના વેરિઅન્ટને રોગ સાથે જોડવામાં આવ્યા પહેલાં પણ નિષ્ણાતો બાળકના જિનોમનું સિક્વેન્સિંગ કરી શકે છે. વૈજ્ઞાનિક જ્ઞાન આગળ વધે તેમ, એ જ ડેટા અગાઉ શોધી ન શકાય એવા જવાબો બતાવી શકે છે.

દુર્લભ રોગનું પુનર્વિશ્લેષણ વૈજ્ઞાનિક પણ છે અને જાળવણીનો પ્રશ્ન પણ છે. દર્દીનો જિનોમ એ જ રહી શકે, પરંતુ તેની આસપાસના પુરાવા સતત બદલાતા રહે છે: સંશોધકો નવા જીનો અને વેરિઅન્ટને રોગ સાથે જોડે છે, લેબ્સ જૂના વેરિઅન્ટને ફરી વર્ગીકૃત કરે છે, અને કેસ ડેટાબેસ તથા પેપરમાં નવા અવલોકનો ઉમેરાય છે. દરેક અપડેટ જૂના અનિર્ણાયક કેસને ફરી તપાસવા યોગ્ય બનાવી શકે છે, તેથી ઘણી સંસ્થાઓ પાસે એવા જિનોમનો વધતો બેકલોગ રહે છે, જેને બદલાતા જ્ઞાન આધાર સાથે સુસંગત રાખવો પડે છે.

આ અભ્યાસમાં, સંશોધકોએ વર્કફ્લો એવું રચ્યું કે મોડલ હાલની જિનોમિક પાઇપલાઇન્સ પર સ્પષ્ટીકરણ-પ્રથમ રિઝનિંગ સ્તર તરીકે કાર્ય કરે. માત્ર ક્રમબદ્ધ જિન પરત કરવાના બદલે, તેને ક્લિનિકલ લક્ષણો, વારસાગત પેટર્ન, વેરિઅન્ટ પુરાવા અને વૈજ્ઞાનિક સાહિત્યને એવા તર્ક સાથે જોડવાનું કહેવામાં આવ્યું, જેને માનવ સમીક્ષક તપાસી શકે. 

દરેક કેસ માટે, ટીમે દર્દીની ક્લિનિકલ રજૂઆત વર્ણવવા માટે પ્રમાણભૂત Human Phenotype Ontology શબ્દો, ક્યારેક ક્લિનિશિયન નોંધો અને કોઈ વર્ણનાત્મક ક્લિનિકલ નિદાન, ઉંમર અને લિંગ જેવા મેટાડેટા અને ફિલ્ટર કરેલું વેરિઅન્ટ કોષ્ટક ધરાવતું ઓળખ દૂર કરેલું પેકેટ તૈયાર કર્યું. કોષ્ટકે દરેક વેરિઅન્ટની દુર્લભતા, એન્કોડેડ પ્રોટીન પર તેની અનુમાનિત અસર, ClinVar વર્ગીકરણ અને ઉપલબ્ધ પરિવાર સભ્યોમાં સંકેતની ગુણવત્તા નોંધ્યાં. મોટાભાગના કેસમાં બાળક અને બંને જૈવિક માતા-પિતાનો ડેટા સામેલ હતો.

ટીમે મોડલને સૌથી સંભવિત અણુસ્તરીય સ્પષ્ટીકરણ સૂચવવા અને પોતાનો તર્ક બતાવવા કહ્યું. પછી સંશોધકોએ ક્લિનિકલ લેબ્સ જેનો ઉપયોગ આનુવંશિક વેરિઅન્ટ વર્ગીકૃત કરવા કરે છે તે જ ACMG/AMP ફ્રેમવર્કથી આઉટપુટની સમીક્ષા કરી. દરેક ઉમેદવારની ઓછામાં ઓછા બે ટીમ સભ્યોએ સમીક્ષા કરી, મતભેદો સહમતિથી ઉકેલાયા, અને મોડલના આઉટપુટને ક્યારેય નિદાન માનવામાં આવ્યું નહીં. નિષ્કર્ષને નિદાન તરીકે ત્યારે જ ગણવામાં આવ્યો જ્યારે પાત્ર નિષ્ણાતોએ પુરાવાની સમીક્ષા કરી, વેરિઅન્ટને રોગકારક અથવા સંભવિત રોગકારક તરીકે વર્ગીકૃત કરાયો, CLIA-પ્રમાણિત પ્રયોગશાળાએ તેની પુષ્ટિ કરી, અને ક્લિનિકલ ટીમે પરિણામ પરિવારને આપ્યું.

ઉકેલાયા ન હોય તેવા કેસનું વિશ્લેષણ કરતાં પહેલાં, ટીમે સ્થાપિત નિદાન ધરાવતા કેસ પર વર્કફ્લોને સુધાર્યો. વિવિધ દુર્લભ સ્થિતિઓ ધરાવતા 51માંથી 48 કેસમાં તેણે ડુપ્લિકેટ રનમાં સાચા જિન અને વેરિઅન્ટ શોધી કાઢ્યા. 57 ન્યુરોમસ્ક્યુલર કેસના સમૂહમાં, વર્કફ્લોએ 45 કેસ માટે ડુપ્લિકેટ રનમાં સાચું નિદાન આપ્યું. 15 કેસના લાંબા-રીડ જિનોમ સમૂહમાં, તેણે દરેક કેસમાં સાચા જિનનું નામ આપ્યું અને 12 કેસમાં બંને રોગકારક એલિલ ઓળખ્યાં. આ મૂલ્યાંકનોએ પ્રોમ્પ્ટ વિકાસમાં મદદ કરી અને બતાવ્યું કે નિષ્ણાત સમીક્ષા ક્યાં હજી જરૂરી રહી.

આ અગાઉ ઉકેલાયેલા કેસમાં મોડલના સ્વ-અહેવાલિત વિશ્વાસ સ્કોર સાચા નિદાન સાથે સંકળાયેલા હતા: સતત સાચા કોલ્સ માટે સરેરાશ ન્યૂનતમ સ્કોર 85.6 હતો અને ખોટા અથવા અજાણ્યા કોલ્સ માટે 42.1. સ્કોર કેલિબ્રેટેડ સંભાવનાઓ નહોતા, અને ટીમે તેમને પુરાવા અથવા ક્લિનિકલ નિર્ણયના વિકલ્પ તરીકે ઉપયોગ કર્યા નહોતા. પરંતુ સૌથી આશાસ્પદ ઉમેદવાર નિદાન પર ધ્યાન કેન્દ્રિત કરવા માટે નિષ્ણાત સમીક્ષકોને માર્ગદર્શન આપવામાં તેઓ મદદરૂપ થયા. 

પછી ટીમે વર્કફ્લો અગાઉ ઉકેલાયા ન હોય તેવા ચાર જૂથો પર લાગુ કર્યો: ન્યુરોડેવલપમેન્ટલ સ્થિતિ ધરાવતા બાળકો, દુર્લભ ન્યુરોમસ્ક્યુલર રોગ ધરાવતા લોકો, પ્રારંભિક સાયકોસિસ ધરાવતા બાળકો અને કિશોરો, અને બાળરોગમાં અચાનક અનપેક્ષિત મૃત્યુના કેસ. આ પ્રથમ સમીક્ષાની રાહ જોતા નવા કેસ નહોતા. ઘણા કેસની પહેલેથી જ અનેક વ્યાપારી અથવા સંસ્થાકીય પાઇપલાઇન્સ દ્વારા તપાસ થઈ હતી અને બહુવિષયક ટીમોએ ચર્ચા કરી હતી.

મોડલે ઉમેદવારો રજૂ કર્યા અને નિષ્ણાતોએ સમીક્ષા તથા ક્લિનિકલ પુષ્ટિ પૂર્ણ કર્યા પછી, ચિકિત્સકોએ 4.8% કેસમાં નિદાન સ્થાપિત કર્યા. આ દર નાનો છે, પરંતુ આ વસ્તીમાં અર્થપૂર્ણ છે, કારણ કે અગાઉની નિષ્ણાત સમીક્ષાઓએ કેસ ઉકેલ્યા નહોતા. સમાન પુનર્વિશ્લેષણ અભ્યાસો ભારે સમીક્ષા થયેલા કેસમાં એક અંકના લાભ દર્શાવે છે; ઊંચા દર સામાન્ય રીતે નવા કેસ અથવા આનુવંશિક પુષ્ટિની રાહ જોતા જાણીતા વિકારો ધરાવતા અભ્યાસોમાંથી મળે છે.

18 નિદાનમાંથી 7 ફરી શોધાયેલા હતા: નિદાનો સ્થાનિક સંશોધન વર્કફ્લો બહાર સ્થાપિત થયેલા, પરંતુ ટીમે સમીક્ષા કરેલા રેકોર્ડમાં ગેરહાજર હતા. કેટલાક કેસમાં, વેરિઅન્ટ જાહેર ડેટાબેસમાં પહેલેથી જ રોગકારક અથવા સંભવિત રોગકારક તરીકે સૂચિબદ્ધ હતા, જે ડેટા સ્રોતો વચ્ચેની માહિતી સંકલિત કરવાની કાર્યકારી મુશ્કેલી દર્શાવે છે.

પ્રારંભિક સાયકોસિસના એક કેસમાં, મોડલે જિનોમમાં એવી રચનાત્મક ઘટના અનુમાની જે ઇનપુટ ડેટામાં સૂચિબદ્ધ નહોતી. તેણે ક્રોમોઝોમ 22 પર નીચી ગુણવત્તાવાળા કોલ્સની શ્રેણીને બાળકના હૃદય, રોગપ્રતિકારક, ન્યુરોડેવલપમેન્ટલ અને માનસિક લક્ષણો સાથે જોડ્યું, અને પછી DiGeorge સિન્ડ્રોમ સાથે સંકળાયેલી 22q11.2 ડિલીશનની ધારણા મૂકી. આ અનુમાનિત વેરિઅન્ટ ફોલો-અપ જિનોમ સિક્વેન્સિંગથી પુષ્ટિ પામ્યું.

પ્રોમ્પ્ટે એક મોનોજેનિક કારણ માંગ્યું હતું, છતાં મોડલે ક્યારેક બે જીનો દર્શાવ્યા, જે જટિલ રજૂઆતને વધુ સારી રીતે સમજાવતા હતા. એક કેસમાં LAMA2 અને FOXP1ના વેરિઅન્ટે મળીને પેશી અને ન્યુરોડેવલપમેન્ટલ લક્ષણો સમજાવવામાં મદદ કરી; બીજા કેસમાં TTN અને SRPK3 સંકળાવતું અગાઉ અજાણ્યું ડાઇજેનિક સ્પષ્ટીકરણ હતું.

નિદાન ઉપરાંત, મોડલે વિટિલિગો કહેવાતી સ્થિતિ માટે સંભવિત નવી યાંત્રિક સમજૂતી પણ ઓળખી. એક ન્યુરોડેવલપમેન્ટલ કેસમાં, મોડલે વિટિલિગો ધરાવતા વ્યક્તિમાં S1PR1માં 11-એમિનો-ઍસિડ ડિલીશન દર્શાવ્યું. S1PR1 સિગ્નલિંગ, રોગપ્રતિકારક કોષોની ગતિ અને ઊતક જીવવિજ્ઞાનમાં સામેલ કોષ-સપાટી રિસેપ્ટર કોડ કરે છે. મોડલે એવા પુરાવા સંકલિત કર્યા જે સૂચવે છે કે આ ડિલીશન રિસેપ્ટરની રચના અને સિગ્નલિંગને એવી રીતે બદલી શકે છે કે પિગમેન્ટ ઉત્પાદન ઘટે અને રોગપ્રતિકારક કોષોને ત્વચામાં ટકી રહેવામાં મદદ મળે.

સૂચવાયેલ S1PR1-વિટિલિગો સંબંધને વધારાની પ્રયોગાત્મક પુષ્ટિ જોઈએ, પરંતુ તે રચનાત્મક જીવવિજ્ઞાન, ઇમ્યુનોલોજી અને ક્લિનિકલ જનિટિક્સના વિખરાયેલા નિષ્કર્ષોને ચોક્કસ, પરીક્ષણયોગ્ય ધારણાઓમાં ફેરવવામાં AIની શક્તિશાળી ભૂમિકા દર્શાવે છે.

ટીમે ન્યુરોમસ્ક્યુલર કોહોર્ટમાં સંભવિત ફિનોટાઇપ વિસ્તરણ પણ જોયું. HSPB8 અને CDK13માં નુકસાનકારક વેરિઅન્ટ જીનોના સૌથી જાણીતા વિકારો સાથે સંપૂર્ણ મેળ ખાતા નહોતા, જે વધુ વ્યાપક ક્લિનિકલ સ્પેક્ટ્રમ સૂચવે છે, જેને વધુ કેસ અને પ્રયોગશાળાના કામથી પરીક્ષણ કરવાની જરૂર પડશે.

આ અભ્યાસ બતાવે છે કે સામાન્ય-હેતુનું રિઝનિંગ મોડલ ફિનોટાઇપ, વારસાગતતા, વેરિઅન્ટ એનોટેશન, ડેટા-ગુણવત્તા પેટર્ન અને વૈજ્ઞાનિક સાહિત્યને સમીક્ષાયોગ્ય ધારણાઓમાં જોડીને ભૂતકાળના જિનોમિક પુનર્વિશ્લેષણમાં ફાળો આપી શકે છે. તે એ પણ બતાવે છે કે સમયાંતરે પુનર્વિશ્લેષણ કેમ મહત્વનું છે: કેટલાક જવાબો જ્ઞાન આગળ વધ્યા પછી અથવા ખંડિત રેકોર્ડ જોડાયા પછી જ સામે આવે છે.

આ સંશોધન એવો પુરાવો નથી કે દર્દીઓ, ક્લિનિશિયન અથવા ગ્રાહકોએ રોગનું નિદાન કરવા અથવા તબીબી નિર્ણયો લેવા OpenAI મોડલનો ઉપયોગ કરવો જોઈએ. તે નિદાન માટે OpenAI o3 ડીપ રિસર્ચ, ChatGPT અથવા OpenAIના અન્ય કોઈ ઉત્પાદનના ઈરાદાપૂર્વકના ગ્રાહક ઉપયોગનું વર્ણન કે સમર્થન કરતું નથી. મોડલે કોઈ ભાગીદારનું નિદાન કર્યું નહોતું; ચિકિત્સકો અને અન્ય પાત્ર ક્લિનિકલ નિષ્ણાતોએ સ્થાપિત સમીક્ષા, પરીક્ષણ અને ક્લિનિકલ-પુષ્ટિ પ્રક્રિયાઓ દ્વારા દરેક નિદાન કર્યું.

અભ્યાસ ભૂતકાળ આધારિત હતો, કોહોર્ટ વિવિધ હતા, અને સમીક્ષકો મોડલના વિશ્વાસથી અજાણ રાખવામાં આવ્યા નહોતા. સંશોધકોએ બચેલો સમય, ખર્ચ, ક્લિનિશિયન પ્રયત્ન, ખોટા-પોઝિટિવ કામનો ભાર અથવા સંભાળમાં ફેરફાર માપ્યા નહોતા. તેમણે રચનાત્મક વેરિઅન્ટ, રીપીટ એક્સપાન્શન, ડીપ-ઇન્ટ્રોનિક ફેરફાર અથવા મોઝેઇસિઝમ જેવી આનુવંશિક ભિન્નતાના અન્ય સ્વરૂપોનું વ્યવસ્થિત મૂલ્યાંકન પણ કર્યું નહોતું.

લાર્જ લેંગ્વેજ મોડલો સંદર્ભને ખોટો વાંચી શકે છે અથવા એવા વિશ્વાસ કરવા જેવા લાગતા સ્પષ્ટીકરણો બનાવી શકે છે, જેને નજીકથી તપાસ કરતા ખોટા સાબિત થાય છે. તેથી, દરેક પરિણામ માનવ નિર્ણય અને ક્લિનિકલ પુષ્ટિમાંથી પસાર થયું. મોડલે શોધનો વ્યાપ વધાર્યો અને પછીના માનવ-નેતૃત્વ હેઠળના વિશ્લેષણને કેન્દ્રિત કર્યું; પરિવારને કઈ માહિતી અથવા નિદાન આપવું તે તેણે નક્કી કર્યું નહોતું.

આ અભ્યાસે ઓળખ દૂર કરેલી માહિતીનો ઉપયોગ કર્યો, અને મંજૂર પરિસરોની બહાર કોઈ સુરક્ષિત હેલ્થ સંબંધિત માહિતીનો ઉપયોગ કે પ્રસાર થયો નહોતો. વધુ વ્યાપક ક્લિનિકલ અમલીકરણ માટે ગોપનીયતા, સુરક્ષા, ઓડિટક્ષમતા અને સ્થાનિક નિયમન પર એટલું જ ધ્યાન આપવું પડશે જેટલું તમામ તબીબી સંભાળમાં લાગુ પડે છે. મોડલની ઍક્સેસ સિક્વેન્સિંગ ઇન્ફ્રાસ્ટ્રક્ચર, જનિટિક કાઉન્સેલિંગ, પુષ્ટિકારક પરીક્ષણ અથવા નિષ્ણાતના નિર્ણયનું સ્થાન લેતી નથી.

ભાવિ, બહુ-કેન્દ્ર અભ્યાસોએ નિદાન દર, ઉમેદવાર સુધીનો સમય, ક્લિનિશિયન પ્રયત્ન, ખોટા-પોઝિટિવનો ભાર, ખર્ચ અને સંભાળ પરની અસરો બાબતે LLM-સહાયિત પુનર્વિશ્લેષણની માનક પ્રથાઓ સાથે તુલના કરવી જોઈએ. પુનરુત્પાદકતા અને સલામતી માટે વર્ઝનવાળા પ્રોમ્પ્ટ, સંદર્ભ તપાસ, ઓડિટ લોગ અને કેલિબ્રેટેડ અનિશ્ચિતતા મહત્વપૂર્ણ રહેશે. આવા અભ્યાસોમાં હજુ પણ પુરાવાનું મૂલ્યાંકન કરવા, યોગ્ય પરીક્ષણો મંગાવવા અને કોઈપણ નિદાન અથવા સારવારનો નિર્ણય લેવા પાત્ર ક્લિનિશિયન જરૂરી રહેશે.

આ અભ્યાસે OpenAI o3 ડીપ રિસર્ચનો ઉપયોગ કર્યો. નવા સામાન્ય-હેતુના મોડલ વધુ વૈજ્ઞાનિક સામગ્રી શોધી અને સંશ્લેષિત કરી શકે છે, જ્યારે GPT‑Rosalind જેવી વિશેષ બનાવેલી સિસ્ટમો પ્રોટીનની રચના અને કાર્ય પર વેરિઅન્ટની અસરો સહિત જીવનવિજ્ઞાનના વધુ ઊંડા કામ માટે રચાયેલી છે. આ ક્ષમતાઓ અહીં પરીક્ષણમાં લેવાઈ નહોતી અને તેમના પોતાના મૂલ્યાંકન તથા ઍક્સેસ નિયંત્રણોની જરૂર પડશે.

OpenAIએ આ પ્રારંભિક સંશોધન અભ્યાસને સહાય કરી હતી, પરંતુ Manton Center કામના આગામી તબક્કાનું નેતૃત્વ OpenAI Foundationની ગ્રાન્ટ દ્વારા કરશે. આ ગ્રાન્ટ સેન્ટરના વિશાળ પ્રયત્નને ટેકો આપશે, જે પ્લેટફોર્મ-નિરપેક્ષ, ઓછી કિંમતનો જનિટિક્સ AI કોપાઇલટ વિકસાવવા માટે છે, જે ક્લિનિકલ ટીમોને દુર્લભ રોગના કેસ વધુ ઝડપથી અને સુસંગત રીતે વિશ્લેષિત કરવામાં મદદ કરે.

દીર્ઘગાળાની સંશોધન તક એ તપાસવાની છે કે નિષ્ણાત-નેતૃત્વ હેઠળનું AI-સહાયિત પુનર્વિશ્લેષણ વૈજ્ઞાનિક સમજને શોધની ગતિ સાથે ચાલવામાં મદદ કરી શકે છે કે નહીં. વચન એ નથી કે AI ડૉક્ટરના નિદાનનું સ્થાન લે છે, પરંતુ કાળજીપૂર્વક મૂલ્યાંકિત સંશોધન સાધનો નિષ્ણાતોને તપાસવા લાયક પુરાવા ઓળખવામાં મદદ કરી શકે છે. હજારો પરિવારો માટે, આજના અનઉત્તરિત પ્રશ્નો સદાકાળ અનઉત્તરિત રહેવા જરૂરી નથી.