122
122

A za dziesięć lat zachorujesz na to...

Udostępnij:

Delphi-2M – nowy model sztucznej inteligencji – potrafi przewidzieć długoterminowe ryzyko wystąpienia więcej niż tysiąca chorób i przewiduje zmiany stanu zdrowia człowieka z ponaddziesięcioletnim wyprzedzeniem.

Powyższe to wnioski z tekstu „Learning the natural history of human disease with generative transformers” opublikowanego w „Nature”1.

Delphi-2M to generatywny model AI, który opracowali naukowcy z Europejskiego Laboratorium Biologii Molekularnej, Uniwersytetu w Kopenhadze i Niemieckiego Centrum Badań Nad Rakiem. Stworzono go, wykorzystując koncepcje algorytmiczne podobne do stosowanych w dużych modelach językowych – LLM.

Delphi-2M został „wytrenowany” na zanonimizowanych danych pacjentów pochodzących od 400 tys. uczestników brytyjskiego Biobanku, a przetestowany na danych 1,9 mln osób z Duńskiego Krajowego Rejestru Pacjentów. Chociaż nie jest jeszcze gotowy do bezpośredniego zastosowania klinicznego, oferuje nowe sposoby badania chorób i lepszego planowania strategii opieki zdrowotnej.

Autorzy ocenili, że w przyszłości na podstawie dostępnej dokumentacji medycznej można będzie przewidzieć, z jakimi problemami zdrowotnymi pacjenci mogą się liczyć w ciągu kolejnych dwóch dekad.

– Model to dowód słuszności koncepcji, pokazujący, że sztuczna inteligencja jest w stanie nauczyć się wielu długoterminowych wzorców zdrowotnych i wykorzystać te informacje do generowania sensownych prognoz – powiedział Ewan Birney, tymczasowy dyrektor wykonawczy Europejskiego Laboratorium Biologii Molekularnej, autor tekstu.

– Modelując rozwój chorób w czasie, możemy zacząć badać, kiedy pojawiają się określone zagrożenia i jak najlepiej zaplanować wczesną interwencję. To krok w kierunku bardziej spersonalizowanego i profilaktycznego podejścia do opieki zdrowotnej – dodał.

Gramatyka danych zdrowotnych

Tak jak duże modele językowe potrafią uczyć się struktury zdań, tak Delphi-2M poznaje „gramatykę” danych zdrowotnych, aby modelować historie chorób jako sekwencje zdarzeń rozwijających się w czasie. Do zdarzeń tych należą diagnozy lekarskie lub czynniki związane ze stylem życia, takie jak palenie tytoniu. Model uczy się prognozować ryzyko chorób na podstawie kolejności występowania tych zdarzeń i czasu, jaki upływa między nimi.

Delphi-2M sprawdza się szczególnie dobrze w przypadku schorzeń o wyraźnych i spójnych wzorcach progresji, takich jak niektóre rodzaje nowotworów, zawały serca i sepsa, która jest rodzajem zakażenia krwi. Mniej wiarygodne są prognozy dotyczące bardziej zmiennych schorzeń, jak zaburzenia zdrowia psychicznego lub powikłania związane z ciążą, które zależą od nieprzewidywalnych zdarzeń życiowych.

Delphi-2M pozwala określić prawdopodobieństwo, ale nie daje pewności. Nie przewiduje dokładnie, co stanie się z daną osobą, ale oferuje dobrze skalibrowane szacunki prawdopodobieństwa wystąpienia określonych schorzeń w danym okresie – na przykład prawdopodobieństwo rozwoju choroby serca w ciągu najbliższego roku.

Systematyczna ocena danych, niewykorzystanych do celów szkoleniowych, wykazała, że obliczone ryzyko dobrze odpowiada obserwowanej liczbie przypadków w grupach wiekowych i płciowych.

A co jest ograniczeniem?

Model jest skalibrowany tak, aby generować dokładne szacunki ryzyka na poziomie populacji, prognozując częstotliwość występowania określonych schorzeń w grupach ludzi. Jednak, jak każdy model sztucznej inteligencji, ma on ograniczenia.

Na przykład, ponieważ dane treningowe modelu z brytyjskiego Biobanku pochodzą głównie od osób w wieku 40–60 lat, zdarzenia zdrowotne w dzieciństwie i okresie dojrzewania są niedoreprezentowane.

Model zawiera również błędy demograficzne wynikające z luk w danych treningowych, w tym niedostateczną reprezentację niektórych grup etnicznych.

Chociaż model nie jest jeszcze gotowy do użytku klinicznego, już może on pomóc badaczom zrozumieć, jak choroby rozwijają się i postępują w czasie oraz zbadać, jak styl życia i przebyte choroby wpływają na długoterminowe prawdopodobieństwo wystąpienia chorób. Można również symulować wyniki zdrowotne z wykorzystaniem sztucznych danych pacjentów w sytuacjach, gdy trudno jest uzyskać dostęp do rzeczywistych danych.

Piśmiennictwo:

  1. www.nature.com/09529-3.

Przeczytaj także: „Sztuczna inteligencja a spersonalizowana onkologia”„Czy AI pogarsza umiejętności lekarzy?”„Sztuczna inteligencja kontra naturalna”„Więcej niż ChatGPT”.

Menedzer Zdrowia linkedin

 
© 2025 Termedia Sp. z o.o. All rights reserved.
Developed by Bentus.