Ένα νέο μοντέλο τεχνητής νοημοσύνης επιχειρεί να προβλέψει ποιες ασθένειες είναι πιο πιθανό να έχουμε τις επόμενες δύο δεκαετίες. Τα ευρήματα δίνουν μια εικόνα για το μέλλον της υγείας και τις προκλήσεις που θα αντιμετωπίσουμε.
Νέο μοντέλο τεχνητής νοημοσύνης προβλέπει τις ασθένειες που θα έχουμε στο μέλλον
Η τεχνητή νοημοσύνη (ΤΝ) έχει τη δυναμική να μεταμορφώσει το χώρο της υγείας, βελτιώνοντας την ακρίβεια των διαγνώσεων, παρέχοντας εξατομικευμένες θεραπευτικές προσεγγίσεις και ενισχύοντας την επιχειρησιακή αποτελεσματικότητα των συστημάτων υγείας.
Σύμφωνα με πρόσφατη ανασκόπηση από το Health Science Reports, εφαρμογές ΤΝ όπως η μηχανική μάθηση και η επεξεργασία φυσικής γλώσσας χρησιμοποιούνται ολοένα και περισσότερο στη διαγνωστική ιατρική, την προληπτική παρακολούθηση ασθενών και την ανάλυση μεγάλου όγκου ιατρικών δεδομένων. Αυτές οι τεχνολογίες συμβάλλουν στη λήψη ταχύτερων και ακριβέστερων ιατρικών αποφάσεων, στη βελτιστοποίηση των θεραπευτικών σχεδίων και στη μείωση των αναγκαστικών νοσηλειών, ενώ ενισχύουν τη διαχείριση χρόνιων νοσημάτων και μειώνουν το λειτουργικό κόστος.
Ωστόσο, σημειώνεται πως είναι απαραίτητη η υπεύθυνη και δεοντολογική ενσωμάτωση της ΤΝ στην ιατρική πρακτική, συνοδευόμενη από συνεχή έρευνα και διατομεακή συνεργασία για να διασφαλιστεί η μέγιστη αξιοποίηση των οφελών και η ελαχιστοποίηση των κινδύνων της.
Ένα τροποποιημένο μοντέλο τεχνητής νοημοσύνης (LLM) με το όνομα Delphi-2M αναλύει τα ιατρικά αρχεία και τον τρόπο ζωής ενός ατόμου για να παρέχει εκτιμήσεις κινδύνου για περισσότερες από 1.000 ασθένειες.
Ένα σύστημα τεχνητής νοημοσύνης (AI) που εκπαιδεύτηκε με δεδομένα από 400.000 άτομα στο Ηνωμένο Βασίλειο μπορεί να υπολογίσει την πιθανότητα ένα άτομο να αναπτύξει καρκίνο και πολλές άλλες ασθένειες μέσα σε διάστημα 20 ετών.
Ένα νέο εργαλείο τεχνητής νοημοσύνης (AI) μπορεί να προβλέψει τον κίνδυνο ενός ατόμου να αναπτύξει περισσότερες από 1.000 ασθένειες, σε ορισμένες περιπτώσεις παρέχοντας πρόβλεψη δεκαετίες πριν.
Το μοντέλο, με το όνομα Delphi-2M, χρησιμοποιεί ιατρικά αρχεία και παράγοντες που σχετίζονται με τον τρόπο ζωής για να εκτιμήσει την πιθανότητα να εμφανίσει κάποιος ασθένειες όπως καρκίνο, δερματικές παθήσεις και ανοσολογικές διαταραχές, έως και 20 χρόνια πριν την εκδήλωσή τους.
Αν και το Delphi-2M εκπαιδεύτηκε μόνο σε ένα σύνολο δεδομένων από το Ηνωμένο Βασίλειο, η δυνατότητα του να μοντελοποιεί πολλές ασθένειες ταυτόχρονα θα μπορούσε κάποια μέρα να βοηθήσει τους γιατρούς να εντοπίζουν άτομα υψηλού κινδύνου, επιτρέποντας την έγκαιρη λήψη προληπτικών μέτρων. Το μοντέλο περιγράφεται σε μελέτη που δημοσιεύθηκε σήμερα στο περιοδικό Nature.
Η ικανότητα του εργαλείου να μοντελοποιεί πολλές ασθένειες ταυτόχρονα είναι «εκπληκτική», αναφέρει ο Stefan Feuerriegel, επιστήμονας υπολογιστών στο Ludwig Maximilian University του Μονάχου στη Γερμανία, ο οποίος έχει αναπτύξει μοντέλα τεχνητής νοημοσύνης για ιατρικές εφαρμογές.
«Μπορεί να δημιουργήσει ολόκληρες μελλοντικές διαδρομές υγείας», εξηγεί.
Μαντείο υγείας
Οι ερευνητές έχουν ήδη αναπτύξει εργαλεία βασισμένα στην AI για να προβλέπουν τον κίνδυνο ενός ατόμου να αναπτύξει συγκεκριμένες παθήσεις, όπως ορισμένοι τύποι καρκίνου και καρδιαγγειακές παθήσεις.
Αλλά τα περισσότερα από αυτά τα εργαλεία εκτιμούν τον κίνδυνο μόνο για μία ασθένεια, εξηγεί ο συν-συγγραφέας της μελέτης Moritz Gerstung, επιστήμονας δεδομένων στο German Cancer Research Center στο Heidelberg.
«Ένας επαγγελματίας υγείας θα έπρεπε να τρέξει δεκάδες τέτοια εργαλεία για να δώσει μια πλήρη απάντηση», αναφέρει.
Για να αντιμετωπίσει αυτό το πρόβλημα, ο Gerstung και οι συνεργάτες του τροποποίησαν έναν τύπο μεγάλου γλωσσικού μοντέλου (LLM) που ονομάζεται generative pre-trained transformer (GPT), την τεχνολογία που βρίσκεται πίσω από chatbot όπως το ChatGPT. Όταν του τίθεται ένα ερώτημα, τα GPT παρέχουν αποτελέσματα που, με βάση την εκπαίδευσή τους σε τεράστιους όγκους δεδομένων, είναι στατιστικά πιθανά.
Οι συγγραφείς σχεδίασαν το τροποποιημένο τους LLM για να προβλέπει την πιθανότητα ένα άτομο να αναπτύξει 1.258 ασθένειες, βασιζόμενο στο ιατρικό του ιστορικό.
Το μοντέλο ενσωματώνει επίσης την ηλικία, το φύλο, τον δείκτη μάζας σώματος (BMI) και συνήθειες που σχετίζονται με την υγεία, όπως η χρήση καπνού και η κατανάλωση αλκοόλ.
Οι ερευνητές εκπαίδευσαν το Delphi-2M χρησιμοποιώντας δεδομένα από 400.000 συμμετέχοντες του UK Biobank, μιας μακροχρόνιας βιοϊατρικής μελέτης παρακολούθησης.
Για τις περισσότερες ασθένειες, οι προβλέψεις του Delphi-2M ήταν ισοδύναμες ή και πιο ακριβείς από τα υπάρχοντα μοντέλα που εκτιμούν τον κίνδυνο εμφάνισης μίας και μόνο ασθένειας.
Το εργαλείο επίσης τα πήγε καλύτερα από έναν αλγόριθμο μηχανικής μάθησης που χρησιμοποιεί βιοδείκτες, δηλαδή επίπεδα συγκεκριμένων μορίων ή ενώσεων στο σώμα, για να προβλέψει τον κίνδυνο εμφάνισης πολλών ασθενειών.
«Δούλεψε εκπληκτικά καλά», επισημαίνει ο Gerstung.
Το Delphi-2M απέδωσε καλύτερα όταν προέβλεπε την πορεία ασθενειών που ακολουθούν προβλέψιμα μοτίβα εξέλιξης, όπως ορισμένοι τύποι καρκίνου.
Το μοντέλο υπολογίζει την πιθανότητα εμφάνισης κάθε ασθένειας για χρονικό διάστημα έως και δύο δεκαετιών, ανάλογα με τις πληροφορίες που περιλαμβάνονται στα ιατρικά αρχεία του κάθε ατόμου.
Σύστημα έγκαιρης προειδοποίησης
Ο Gerstung και οι συνεργάτες του δοκίμασαν το Delphi-2M σε δεδομένα υγείας από 1,9 εκατομμύρια άτομα από το Danish National Patient Registry, μια εθνική βάση δεδομένων που καταγράφει νοσηλείες σε νοσοκομεία για σχεδόν μισό αιώνα.
Οι συγγραφείς διαπίστωσαν ότι οι προβλέψεις του μοντέλου για τα άτομα του μητρώου ήταν μόνο ελαφρώς λιγότερο ακριβείς σε σχέση με αυτές για τους συμμετέχοντες του UK Biobank.
Αυτό δείχνει ότι το μοντέλο μπορεί να προσφέρει αρκετά αξιόπιστες προβλέψεις ακόμη και όταν εφαρμόζεται σε συστήματα υγείας διαφορετικά από εκείνο στο οποίο εκπαιδεύτηκε, αναφέρει ο Gerstung.
Το Delphi-2M αποτελεί μια «ενδιαφέρουσα» συμβολή στον αναδυόμενο τομέα μοντελοποίησης πολλαπλών ασθενειών ταυτόχρονα, αλλά έχει και περιορισμούς, σύμφωνα με τον Degui Zhi, ερευνητή βιοπληροφορικής που αναπτύσσει μοντέλα AI στο University of Texas Health Science Center στο Houston.
Για παράδειγμα, τα δεδομένα του UK Biobank κατέγραψαν μόνο την πρώτη εμφάνιση μιας ασθένειας σε κάθε άτομο. Ο αριθμός των φορών που έχει εμφανίσει κάποιος μια πάθηση είναι «σημαντικός για τη μοντελοποίηση των προσωπικών πορειών υγείας», εξηγεί ο Zhi.
Ο Gerstung και οι συνεργάτες του θα αξιολογήσουν την ακρίβεια του Delphi-2M και σε σύνολα δεδομένων από διάφορες χώρες για να επεκτείνουν το πεδίο εφαρμογής του.
«Το να σκεφτούμε πώς μπορεί να συνδυαστεί αυτή η πληροφορία για την ανάπτυξη ακόμη πιο ακριβών αλγορίθμων θα είναι καθοριστικό», καταλήγει.
Πηγές: Health Science Reports, Nature