Επιστήμονες από το Ευρωπαϊκό Εργαστήριο Μοριακής Βιολογίας (EMBL) και το Γερμανικό Κέντρο Έρευνας για τον Καρκίνο (DKFZ) έχουν αναπτύξει ένα μοντέλο τεχνητής νοημοσύνης που εκτιμά τον μακροπρόθεσμο ατομικό κίνδυνο για περισσότερες από 1.000 ασθένειες.

Το μοντέλο, το οποίο έχει δοκιμαστεί και έχει αποτελέσει ήδη αντικείμενο εκπαίδευσης με ανώνυμα ιατρικά δεδομένα από τη Βρετανία και τη Δανία, μπορεί να προβλέψει συμβάντα υγείας για μια χρονική περίοδο άνω της δεκαετίας.

Το μοντέλο, το οποίο παρουσιάστηκε στο επιστημονικό περιοδικό "Nature", δεν είναι ακόμη έτοιμο για κλινική χρήση, αλλά ήδη ανοίγει νέες δυνατότητες για την ανάπτυξη στρατηγικών υγείας.

Μπορεί να προβλεφθεί, με βάση το προσωπικό ιατρικό ιστορικό, ποια προβλήματα υγείας ενδέχεται να αντιμετωπίσει κανείς τις επόμενες δύο δεκαετίες;

Ερευνητές από το EMBL, το DKFZ και το Πανεπιστήμιο της Κοπεγχάγης αποδεικνύουν ότι αυτό είναι δυνατό.

Έχουν αναπτύξει ένα γενετικό μοντέλο τεχνητής νοημοσύνης που, με βάση εκτεταμένα δεδομένα υγείας, εκτιμά τις επιπτώσεις στην υγεία που μπορεί να αντιμετωπίσει ένα άτομο με την πάροδο του χρόνου.

Μπορεί να προβλέψει τον κίνδυνο και το χρόνο εμφάνισης πάνω από 1.000 ασθενειών και να προβλέψει την εξέλιξη της υγείας σε μια περίοδο δέκα ετών.

Οι αλγόριθμοι, βάσει των οποίων αναπτύχθηκε το νέο γενετικό μοντέλο τεχνητής νοημοσύνης, είναι παρόμοιοι με αυτούς που χρησιμοποιούνται σε μεγάλα γλωσσικά μοντέλα (LLMs).

Το μοντέλο έτυχε αντικειμένου εκπαίδευσης αρχικά με ανώνυμα δεδομένα ασθενών από 400.000 συμμετέχοντες από την βρετανική βιοτράπεζα.

Στη συνέχεια, οι ερευνητές το εξέτασαν με επιτυχία με δεδομένα από 1,9 εκατομμύρια άτομα από το εθνικό μητρώο ασθενών της Δανίας.

Το μοντέλο είναι η πιο ολοκληρωμένη μέχρι σήμερα απόδειξη του τρόπου με τον οποίο η γενετική τεχνητή νοημοσύνη μπορεί να μοντελοποιήσει την πορεία των ανθρώπινων ασθενειών σε μεγάλη κλίμακα και έχει ελεγχθεί με βάση δεδομένα από δύο εντελώς ξεχωριστά συστήματα υγείας.

"Το μοντέλο τεχνητής νοημοσύνης μας είναι μια απόδειξη σκοπιμότητας που δείχνει ότι είναι δυνατό να αναγνωριστούν πολλά μακροπρόθεσμα πρότυπα υγείας και να χρησιμοποιηθούν αυτές οι πληροφορίες για τη δημιουργία σημαντικών προβλέψεων", λέει ο Ewan Birney από το EMBL.

"Μοντελοποιώντας την εξέλιξη των ασθενειών στο χρόνο, μπορούμε να διερευνήσουμε πότε εμφανίζονται συγκεκριμένοι κίνδυνοι και πώς μπορούν να προγραμματιστούν καλύτερα οι έγκαιρες παρεμβάσεις. Αυτό είναι ένα μεγάλο βήμα προς την κατεύθυνση εξατομικευμένων και προληπτικών προσεγγίσεων στην υγειονομική περίθαλψη".

Η "γραμματική" των δεδομένων υγείας

"Όπως τα μεγάλα γλωσσικά μοντέλα μπορούν να μάθουν τη γραμματική της γλώσσας μας από την ακολουθία των λέξεων σε κείμενα, έτσι και αυτό το μοντέλο τεχνητής νοημοσύνης μαθαίνει τη λογική της χρονικής ακολουθίας των γεγονότων στα δεδομένα υγείας, προκειμένου να μοντελοποιήσει ολόκληρα ιατρικά ιστορικά", εξηγεί ο Moritz Gerstung από το DKFZ.

Σε αυτά τα γεγονότα περιλαμβάνονται ιατρικές διαγνώσεις ή και παράγοντες του τρόπου ζωής, όπως το κάπνισμα. Με βάση τη σειρά με την οποία συμβαίνουν τα γεγονότα και το χρόνο που μεσολαβεί μεταξύ τους, το μοντέλο μαθαίνει να προβλέπει τον κίνδυνο ασθένειας.

"Τα ιατρικά γεγονότα ακολουθούν συχνά προβλέψιμα μοτίβα", λέει ο Tom Fitzgerald από το Ευρωπαϊκό Ινστιτούτο Βιοπληροφορικής του EMBL (EMBL-EBI). "Το μοντέλο τεχνητής νοημοσύνης μας μαθαίνει αυτά τα μοτίβα και μπορεί να προβλέψει μελλοντικά αποτελέσματα υγείας. Μας δίνει τη δυνατότητα να εξετάσουμε τι θα μπορούσε να συμβεί με βάση το ιατρικό ιστορικό ενός ατόμου και άλλους σημαντικούς παράγοντες. Είναι σημαντικό να σημειωθεί ότι δεν πρόκειται για βεβαιότητα, αλλά για εκτίμηση των πιθανών κινδύνων".

Το μοντέλο είναι κατάλληλο για διάφορες ασθένειες, ιδίως για εκείνες με σαφή και συνεπή πρότυπα εξέλιξης, όπως ο διαβήτης, τα καρδιακά επεισόδια ή η σήψη. Ωστόσο, είναι λιγότερο αξιόπιστο για διαγνώσεις όπως οι μολυσματικές ασθένειες, που εξαρτώνται από απρόβλεπτα γεγονότα της ζωής, ή για πολύ σπάνιες ασθένειες.

Πιθανότητες, όχι βεβαιότητες

Όπως και οι μετεωρολογικές προβλέψεις, το νέο μοντέλο τεχνητής νοημοσύνης παρέχει πιθανότητες και όχι βεβαιότητες.

Δεν μπορεί να προβλέψει με ακρίβεια τη μοίρα ενός συγκεκριμένου ατόμου, αλλά προσφέρει καλά βαθμονομημένες εκτιμήσεις σχετικά με την πιθανότητα εμφάνισης συγκεκριμένων ασθενειών σε ένα συγκεκριμένο χρονικό διάστημα.

Για παράδειγμα, την πιθανότητα να εμφανιστεί καρδιακή νόσος εντός του επόμενου έτους.

Αυτοί οι κίνδυνοι εκφράζονται ως χρονικά ποσοστά, παρόμοια με την πρόβλεψη 70% πιθανότητας βροχής για την αυριανή ημέρα.

Σε αυτή την περίπτωση, οι προβλέψεις για μικρότερο χρονικό διάστημα είναι συνήθως πιο ακριβείς από τις μακροπρόθεσμες προβλέψεις.

Οι ερευνητές μπόρεσαν να δείξουν ότι οι πιθανότητες που υπολογίστηκαν από το μοντέλο συνέβησαν πράγματι με την αναμενόμενη συχνότητα. Ωστόσο, όπως κάθε μοντέλο τεχνητής νοημοσύνης, έχει και αυτό τα όριά του.

Δεδομένου ότι τα δεδομένα εκπαίδευσης από την βρετανική βιοτράπεζα προέρχονται κυρίως από άτομα ηλικίας 40 έως 60 ετών, τα συμβάντα υγείας στην παιδική και εφηβική ηλικία είναι υποεκπροσωπημένα, το ίδιο ισχύει και για ορισμένες εθνοτικές ομάδες.

Πηγές:
Deutsches Krebsforschungszentrum (DKFZ)

Ειδήσεις υγείας σήμερα
Λάρισα: Ανοικτή συζήτηση κατά της διάλυσης της Παιδιατρικής Κλινικής του Γενικού Νοσοκομείου
Προχωρημένες επαφές για πώληση της Innovis Pharma
Πρώτη προκήρυξη για 53 μόνιμους ψυχιάτρους του Εθνικού Δικτύου Υπηρεσιών Ψυχικής Υγείας (ΕΔΥΨΥ)