Ένα επαναστατικό AI μοντέλο για την πρόβλεψη ασθενειών
Μια πρόσφατη μελέτη που δημοσιεύθηκε στο περιοδικό Nature παρουσίασε ένα νέο μοντέλο μηχανικής μάθησης, το οποίο αξιοποιεί μεγάλης κλίμακας υγειονομικά δεδομένα για να προβλέψει την εξέλιξη 1.256 διαφορετικών ασθενειών σύμφωνα με το ιατρικό ιστορικό των ασθενών. Το μοντέλο αυτό επιδεικνύει ακρίβεια πρόβλεψης συγκρίσιμη με υπάρχοντα εργαλεία που αναλύουν μεμονωμένες ασθένειες, προσφέροντας τη δυνατότητα προσομοίωσης μελλοντικών υγειονομικών διαδρομών για διάστημα έως και δύο δεκαετιών.
Σημασία της κατανόησης της προόδου των ασθενειών
Η πρόοδος των ανθρώπινων ασθενειών περιλαμβάνει περιόδους υγείας, οξέων νοσημάτων και χρόνιων καταστάσεων, οι οποίες συχνά εμφανίζονται ως συστάδες συννοσηροτήτων που επηρεάζονται από γενετικούς παράγοντες, τρόπο ζωής και κοινωνικοοικονομικούς παράγοντες. Η κατανόηση αυτών των προτύπων είναι κρίσιμη για την παροχή εξατομικευμένης υγειονομικής φροντίδας, την παροχή καθοδήγησης σχετικά με τον τρόπο ζωής και την εφαρμογή αποτελεσματικών προγραμμάτων πρώιμης ανίχνευσης. Ωστόσο, οι παραδοσιακοί αλγόριθμοι είναι κυρίως σχεδιασμένοι για μεμονωμένες ασθένειες και δεν μπορούν να αποτυπώσουν την πολυπλοκότητα περισσότερων από 1.000 αναγνωρισμένων υγειονομικών καταστάσεων.
Η καινοτομία του μοντέλου Delphi-2M
Αυτή η περιοριστική προσέγγιση γίνεται ιδιαίτερα σημαντική στο πλαίσιο των γηράσκοντων πληθυσμών, όπου η επιβάρυνση ασθενειών όπως ο καρκίνος, ο διαβήτης, οι καρδιοαγγειακές παθήσεις και η άνοια αναμένεται να αυξηθεί σημαντικά τα επόμενα χρόνια. Η ακριβής μοντελοποίηση των διαδρομών ασθενειών είναι επομένως ζωτικής σημασίας τόσο για τον σχεδιασμό της υγειονομικής φροντίδας όσο και για την οικονομική πολιτική. Η τεχνητή νοημοσύνη, και ιδιαίτερα τα μεγάλα γλωσσικά μοντέλα (LLMs), προσφέρει μια υποσχόμενη λύση, καθώς αυτά τα μοντέλα είναι ικανά να μάθουν τις εξαρτήσεις σε ακολουθίες δεδομένων, παρόμοια με την πρόβλεψη ασθενειών με βάση προηγούμενα υγειονομικά γεγονότα.
Ακολουθώντας αυτή την αναλογία, οι ερευνητές ανέπτυξαν μοντέλα βασισμένα σε μετασχηματιστές για την πρόβλεψη συγκεκριμένων καταστάσεων, με ενθαρρυντικά πρώιμα αποτελέσματα. Παρ’ όλα αυτά, παρά τις προόδους αυτές, ένα πραγματικά ολοκληρωμένο και γεννητικό μοντέλο ικανό να προσομοιώσει το πλήρες φάσμα των πολυνοσηροτήτων με την πάροδο του χρόνου δεν έχει αξιολογηθεί συστηματικά. Το μοντέλο Delphi-2M, που δημιουργήθηκε από τους ερευνητές, είναι ένα μοντέλο βασισμένο σε μετασχηματιστές που προβλέπει τις διαδρομές ασθενειών κατά τη διάρκεια της ζωής.
Το Delphi-2M εργάζεται με διαγνωστικούς κωδικούς από την 10η αναθεώρηση της Διεθνούς Ταξινόμησης Ασθενειών (ICD-10), καθώς και με δεδομένα σχετικά με το φύλο, το BMI και παράγοντες τρόπου ζωής όπως το κάπνισμα και η κατανάλωση αλκοόλ. Για να καλύψει τα κενά στα ιατρικά αρχεία, η ομάδα εισήγαγε τεχνητούς «μη-γεγονότων» δείκτες. Η εκπαίδευση του μοντέλου βασίστηκε σε μεγάλης κλίμακας υγειονομικά αρχεία από το UK Biobank, περιλαμβάνοντας 402.799 συμμετέχοντες για εκπαίδευση, 100.639 για επικύρωση και 471.057 για μακροχρόνια δοκιμή.
Το Delphi-2M μπορεί να εκτιμήσει τους κινδύνους για περισσότερες από 1.000 ασθένειες, να προβλέψει το χρόνο διάγνωσης και να προσομοιώσει πλήρεις υγειονομικές διαδρομές. Η απόδοση του μοντέλου βελτιστοποιήθηκε μέσω ρυθμίσεων υπερπαραμέτρων, οδηγώντας σε ένα μοντέλο 2,2 εκατομμυρίων παραμέτρων που συνδυάζει την ακρίβεια πρόβλεψης με τη γεννητική ικανότητα, προσφέροντας μια νέα προσέγγιση στη μοντελοποίηση της πολυνοσηρότητας και της μακροχρόνιας προόδου της υγείας.
