16 अप्रैल को लंदन में WIRED Health में, सर्जन Ara Darzi — Imperial College London में Institute of Global Health Innovation के निदेशक — ने जिसे "antibiotic-resistance संकट में पहला वास्तविक inflection point" कहा, उसका वर्णन किया। Drug-resistant infections से हर साल वैश्विक स्तर पर एक मिलियन से अधिक मौतें होती हैं और लगभग 5 मिलियन और प्रभावित होते हैं, Wired की कवरेज द्वारा उद्धृत आंकड़ों के अनुसार। 2024 की The Lancet रिपोर्ट ने अनुमान लगाया कि drug-resistant infections 2050 तक 40 मिलियन मौतों का कारण बन सकती हैं। पारंपरिक diagnostics — कौन सा antibiotic काम करेगा यह तय करने के लिए नमूने से bacteria का culture करना — दो से तीन दिन लेते हैं, जो sepsis रोगियों के पास नहीं है: इलाज में देरी के हर घंटे, मृत्यु का जोखिम 4-9% बढ़ता है। इंतज़ार के दौरान, doctors अनुमान लगाकर antibiotics लिखते हैं।
AI तीन दिशाओं में इस गणित को बदलती है। पहला, diagnostics। Darzi ने AI-आधारित systems का उल्लेख किया जो बिना अतिरिक्त laboratory infrastructure के 99% से ऊपर accuracy हासिल करते हैं — "बिना अतिरिक्त lab infrastructure" वाला वाक्यांश low-resource settings में deployment के लिए मायने रखता है, जहां WHO का अनुमान है कि southeast Asia और eastern Mediterranean में रिपोर्ट किए गए तीन में से एक infection पहले से resistant है, और Africa में पांच में से एक। दूसरा, drug discovery। UK NHS Google DeepMind के साथ एक AI system पर काम कर रहा है जिसने एक प्रदर्शन में 48 घंटे में पहले से अज्ञात resistance mechanisms पहचाने, एक रहस्य सुलझाते हुए जिसे Imperial College London के शोधकर्ता एक दशक से सुलझाने की कोशिश कर रहे थे। तीसरा, बड़े पैमाने पर experimentation: एक स्वचालित laboratory के साथ जुड़कर, deep learning models 24/7 सैकड़ों समानांतर experiments चला सकते हैं और दिनों में अरबों molecular structures स्क्रीन कर सकते हैं, जबकि generative AI candidate-drug design में उपयोग की जा रही है।
आर्थिक कहानी ज़्यादा कठिन है। Pipeline में नए antibiotics कम होने का कारण यह है कि market उत्पाद के एकमात्र सफल संस्करण को दंडित करता है: एक नया antibiotic जो काम करता है, उसे जितना संभव हो उतना कम इस्तेमाल किया जाना चाहिए ताकि resistance में देरी हो, जिसका मतलब है कम बिक्री volume, जिसका मतलब है pharma के लिए कम ROI, जिसका मतलब है R&D में कम निवेश। Darzi की framing — "प्रोत्साहनों की कमी का मतलब है कि innovation शायद रोगियों तक न पहुंचे" — यह कहने का विनम्र तरीक़ा है कि problem का discovery वाला आधा हिस्सा AI द्वारा deployment-economics वाले आधे हिस्से से तेज़ी से हल हो रहा है। AI candidate molecules ढूंढ सकता है; AI इस तथ्य को ठीक नहीं कर सकता कि pharmaceutical companies शायद ही कभी निर्धारित antibiotics से पैसा नहीं कमातीं, कि अस्पताल rapid-diagnostic kits के लिए उनके development को amortize करने के लिए पर्याप्त भुगतान नहीं करते, या कि सबसे अधिक resistance दर वाले low-income देश उस lab equipment को नहीं खरीद सकते जिस पर AI निर्भर है।
Builders के लिए, तीन ठोस बातें। पहला, "बिना अतिरिक्त lab infrastructure के AI diagnostics" का वादा देखने योग्य deployment सीमांत है। अगर आप medical AI में बनाते हैं, जो products रोगियों तक पहुंचेंगे वे होंगे जो मौजूदा hardware (smartphones, basic microscopy, point-of-care kits) पर काम करते हैं — वे नहीं जो प्रति clinic $200,000 का sequencer मांगते हैं। दूसरा, DeepMind/NHS की "48 घंटे बनाम 10 साल" तुलना टिकाऊ framing है। AI कुछ शोध timelines को magnitude के orders से compress करती है, लेकिन केवल उन समस्याओं पर जहां bottleneck experimental validation के बजाय exhaustive search था। Validation अभी भी धीमा, महंगा और मानव-सीमित है; उसी अनुसार अपने AI-संचालित research projects का बजट बनाएं। तीसरा, incentive critique व्यापक रूप से लागू होती है: कोई भी AI tool जिसका मूल्य तब सबसे अधिक हो जब वह सबसे कम उपयोग किया जाए (दुर्लभ रोग diagnostics, security-incident response, infrastructure monitoring) उसी misaligned-payment समस्या का सामना करता है। उस बातचीत को पहले दिन से अपने व्यापार मॉडल में बनाएं — सरकारी ख़रीद, subscription-license, outcomes-आधारित pricing — क्योंकि tool की प्रभावशीलता अकेले बजट नहीं खोलेगी।