Blog

Το μοντέλο Delphi-2M, που βασίζεται στην τεχνητή νοημοσύνη (AI), θα μπορούσε να προβλέψει τον κίνδυνο εμφάνισης περισσότερων από 1.000 ασθενειών τα επόμενα χρόνια, τόσο σε ατομικό όσο και σε πληθυσμιακό επίπεδο, σε επίπεδο συγκρίσιμο με διάφορες καθιερωμένες κλινικές βαθμολογίες κινδύνου για μεμονωμένες ασθένειες.

Αυτό δείχνουν τα αποτελέσματα μιας μελέτης που δημοσιεύθηκε σήμερα στο επιστημονικό περιοδικό “Nature”

Μια γερμανο-δανική ομάδα εργασίας εξέτασε την προγνωστική ικανότητα του Delphi-2M σε μια ομάδα περισσότερων από 2 εκατομμυρίων ατόμων. Τα αποτελέσματα της έρευνάς τους ήταν ήδη διαθέσιμα από τον Φεβρουάριο του τρέχοντος έτους, όπως ανέφερε το γερμανικό ιατρικό περιοδικό  “Deutsches Ärzteblatt”.

Τα μέχρι τώρα μοντέλα πρόβλεψης βασίζονται κυρίως σε μεμονωμένες ασθένειες και συγκεκριμένους παράγοντες κινδύνου, όπως εργαστηριακές τιμές ή γενετικούς δείκτες.

Το Delphi-2M ακολουθεί μια διαφορετική προσέγγιση: αναλύει ολόκληρη την πορεία της νόσου με βάση κωδικοποιημένες διαγνώσεις και δεδομένα σχετικά με τον τρόπο ζωής.

Η ομάδα εργασίας του Moritz Gerstung από το Γερμανικό Κέντρο Έρευνας για τον Καρκίνο (DKFZ) εκπαίδευσε το Delphi-2M με δεδομένα από 400.000 συμμετέχοντες της UK Biobank και τώρα το επικύρωσε με εξωτερικά δεδομένα από 1,9 εκατομμύρια Δανούς – σε συνεργασία με ερευνητές του Ευρωπαϊκού Εργαστηρίου Μοριακής Βιολογίας (EMBL) και του Πανεπιστημίου της Κοπεγχάγης.

“Η μελέτη έχει 2 αξιοσημείωτα στοιχεία”, σχολιάζει ο επιστήμονας Carsten Marr, ο οποίος δεν συμμετείχε στη μελέτη. Ο Marr είναι διευθυντής του Ινστιτούτου ΤΝ για την Υγεία στο Helmholtz Zentrum München και καθηγητής ΤΝ στην κυτταρική θεραπεία και αιματολογία στο Πανεπιστήμιο Ludwig-Maximilians του Μονάχου. Αφενός, οι συγγραφείς χρησιμοποίησαν δεδομένα από 2 μεγάλες κοόρτες.

“Από την άλλη πλευρά, είναι αξιοσημείωτο ότι με αυτά τα δεδομένα εκπαιδεύτηκε ένα γλωσσικό μοντέλο. Η αρχιτεκτονική αυτών των μοντέλων, που χρησιμοποιούνται για τη γλώσσα, μπορεί επίσης να χρησιμοποιηθεί για τα δεδομένα υγείας των ανθρώπων”, εξήγησε ο Marr τον τρόπο λειτουργίας του μοντέλου τεχνητής νοημοσύνης.

Το γλωσσικό μοντέλο θα εκπαιδεύεται έτσι ώστε να προβλέπει όχι την επόμενη συλλαβή, αλλά το επόμενο γεγονός – δηλαδή ένα γεγονός που αφορά την υγεία.

Τα αποτελέσματα δείχνουν ότι το Delphi-2M έχει παρόμοια απόδοση με τα καθιερωμένα κλινικά σκορ κινδύνου στην πρόβλεψη συμβάντων όπως καρδιαγγειακές παθήσεις ή άνοια, ενώ στην πρόβλεψη της θνησιμότητας έχει ακόμη καλύτερη απόδοση.

Στον διαβήτη, ωστόσο, η απόδοση ήταν χαμηλότερη από εκείνη του δείκτη HbA1c. Συνολικά, το μοντέλο πέτυχε τιμές AUC κατά μέσο όρο 0,76, οι οποίες παρέμειναν στο 0,70 ακόμη και μετά από 10 χρόνια προγνωστικού ορίζοντα.

Η τιμή AUC (Area under the Curve, περιοχή κάτω από την καμπύλη) είναι ένα στατιστικό μέτρο που περιγράφει την ποιότητα ενός μοντέλου πρόβλεψης. Μια τιμή AUC 0,5 σημαίνει ότι το μοντέλο δεν είναι καλύτερο από μια απλή εκτίμηση. Μια τιμή AUC 1,0 αντιπροσωπεύει τέλεια διακριτική ικανότητα.

Η ομάδα εργασίας τονίζει ότι το Delphi-2M δεν παρέχει βεβαιότητες, αλλά πιθανότητες, παρόμοια με τις μετεωρολογικές προβλέψεις. “Για παράδειγμα, θα μπορούσε να προβλέψει την πιθανότητα εμφάνισης καρδιακής νόσου εντός του επόμενου έτους. Αυτοί οι κίνδυνοι εκφράζονται ως ποσοστά με την πάροδο του χρόνου, παρόμοια με την πρόβλεψη 70% πιθανότητας βροχής για αύριο”, ανέφερε η ομάδα εργασίας.

Οι ερευνητές επισημαίνουν ότι τα δεδομένα εκπαίδευσης της βρετανικής βιοτράπεζας προέρχονται κυρίως από άτομα ηλικίας 40 έως 60 ετών, επομένως τα συμβάντα υγείας από την παιδική και εφηβική ηλικία είναι υποεκπροσωπημένα.

Επιπλέον, το μοντέλο παρουσιάζει στρεβλώσεις, επειδή ορισμένες ομάδες πληθυσμού είναι υποεκπροσωπημένες στα δεδομένα εκπαίδευσης.

Σύμφωνα με την ερευνητική ομάδα, στο μέλλον παρόμοια εργαλεία τεχνητής νοημοσύνης, τα οποία θα εκπαιδεύονται με πιο αντιπροσωπευτικά σύνολα δεδομένων, θα μπορούσαν να βοηθήσουν τους γιατρούς να εντοπίζουν έγκαιρα τους ασθενείς υψηλού κινδύνου.

Ωστόσο, αυτό δεν είναι απλό: “Τι σημαίνει για τους υγιείς ανθρώπους που ταιριάζουν σε ένα πρότυπο “σύντομα άρρωστων”; Πώς προστατεύουμε τις πληροφορίες για την υγεία, όταν ξαφνικά μια πληθώρα προσωπικών δεδομένων γίνεται σημαντική για τις προβλέψεις της τεχνητής νοημοσύνης;”, σχολιάζει τα αποτελέσματα ο Robert Ranisch, επίκουρος καθηγητής Ιατρικής Ηθικής με ειδίκευση στην ψηφιοποίηση του Πανεπιστημίου του Πότσδαμ.

“Βρισκόμαστε ακόμα στην αρχή της πραγματικής κατανόησης των νομικών και ηθικών επιπτώσεων αυτής της εξέλιξης.”

Πηγή: iatronet.gr