Οι επιστήμονες έχουν αναπτύξει ένα νέο εργαλείο τεχνητής νοημοσύνης που μπορεί να προβλέψει τον προσωπικό σας κίνδυνο για περισσότερες από 1.000 ασθένειες και να προβλέψει αλλαγές στην υγεία σας μια δεκαετία νωρίτερα.

Το γενετικό εργαλείο τεχνητής νοημοσύνης κατασκευάστηκε ειδικά από ειδικούς του Ευρωπαϊκού Εργαστηρίου Μοριακής Βιολογίας (EMBL), του Γερμανικού Κέντρου Έρευνας για τον Καρκίνο και του Πανεπιστημίου της Κοπεγχάγης, χρησιμοποιώντας αλγοριθμικές έννοιες παρόμοιες με αυτές που χρησιμοποιούνται σε μεγάλα γλωσσικά μοντέλα (LLMs).

Πρόκειται για μία από τις πιο ολοκληρωμένες παρουσιάσεις μέχρι σήμερα του τρόπου με τον οποίο η γενετική τεχνητή νοημοσύνη μπορεί να μοντελοποιήσει την εξέλιξη των ανθρώπινων ασθενειών σε μεγάλη κλίμακα, και έχει εκπαιδευτεί με δεδομένα από δύο εντελώς ξεχωριστά συστήματα υγειονομικής περίθαλψης.

Λεπτομέρειες σχετικά με την καινοτομία αυτή δημοσιεύθηκαν στο περιοδικό Nature.

«Τα ιατρικά συμβάντα ακολουθούν συχνά προβλέψιμα μοτίβα», δήλωσε ο Tomas Fitzgerald, επιστήμονας στο Ευρωπαϊκό Ινστιτούτο Βιοπληροφορικής του EMBL (EMBL-EBI). «Το μοντέλο τεχνητής νοημοσύνης μας μαθαίνει αυτά τα μοτίβα και μπορεί να προβλέψει μελλοντικά αποτελέσματα για την υγε

Το εργαλείο λειτουργεί αξιολογώντας την πιθανότητα – και το πότε – κάποιος μπορεί να αναπτύξει ασθένειες όπως καρκίνο, διαβήτη, καρδιακές παθήσεις, αναπνευστικές παθήσεις και πολλές άλλες διαταραχές.

Ονομάζεται Delphi-2M και αναζητά «ιατρικά συμβάντα» στο ιστορικό ενός ασθενούς, όπως πότε διαγνώστηκαν ασθένειες, μαζί με παράγοντες του τρόπου ζωής, όπως αν είναι ή ήταν παχύσαρκοι, κάπνιζαν ή έπιναν αλκοόλ, καθώς και την ηλικία και το φύλο τους.

Το εργαλείο εξετάζει επίσης ανώνυμα δεδομένα από τα αρχεία των ασθενών για να προβλέψει τι μπορεί να συμβεί την επόμενη δεκαετία και μετά.

Το εργαλείο εκπαιδεύτηκε και δοκιμάστηκε σε ανώνυμα δεδομένα ασθενών από 400.000 άτομα στη μελέτη της Βρετανικής Βιοτράπεζας και 1,9 εκατομμύρια ασθενείς στο εθνικό μητρώο ασθενών της Δανίας.

Οι κίνδυνοι για την υγεία εκφράζονται ως ποσοστά με την πάροδο του χρόνου, παρόμοια με την πρόβλεψη "70% πιθανότητας βροχής το Σαββατοκύριακο."

Ο Ewan Birney, προσωρινός εκτελεστικός διευθυντής του EMBL, δήλωσε ότι οι ασθενείς θα μπορούν να επωφεληθούν από το εργαλείο μέσα στα επόμενα χρόνια.

«Πηγαίνετε στο ιατρείο και ο γιατρός είναι πολύ εξοικειωμένος με τη χρήση αυτών των εργαλείων και μπορεί να σας πει: «Υπάρχουν τέσσερις σημαντικοί κίνδυνοι για το μέλλον σας και δύο πράγματα που μπορείτε να κάνετε για να αλλάξετε πραγματικά την κατάσταση».

Υποψιάζομαι ότι σε όλους θα τους πουν να χάσουν βάρος, και αν καπνίζετε θα σας πουν να σταματήσετε το κάπνισμα – και αυτό θα είναι στα δεδομένα σας, οπότε η συμβουλή δεν θα αλλάξει σημαντικά – αλλά για ορισμένες ασθένειες νομίζω ότι θα υπάρχουν κάποια πολύ συγκεκριμένα πράγματα. Αυτό είναι το μέλλον που θέλουμε να δημιουργήσουμε».

Πρόσθεσε ότι το πλεονέκτημα του νέου εργαλείου τεχνητής νοημοσύνης σε σχέση με τα υπάρχοντα – όπως η μέθοδος Qrisk για τον υπολογισμό του κινδύνου καρδιακής προσβολής ή εγκεφαλικού επεισοδίου κατά την επόμενη δεκαετία – είναι ότι «μπορούμε να εξετάσουμε όλες τις ασθένειες ταυτόχρονα και για μεγάλο χρονικό διάστημα. Αυτό είναι κάτι που τα μοντέλα για μεμονωμένες ασθένειες δεν μπορούν να κάνουν».

Η ερευνητική ομάδα επισημαίνει πως το Delphi-2M παρέχει σημαντικές εκτιμήσεις για το πιθανό βάρος των ασθενειών για έως και 20 χρόνια.

Η τεχνητή νοημοσύνη προβλέπει και τις χειρουργικές επιπλοκές

Η τεχνητή νοημοσύνη όμως εκτός από τους κινδύνους για την υγεία μακροπρόθεσμα προκύπτει ότι μπορεί να προβλέψει με σημαντική ακρίβεια και τους κινδύνους των επιπλοκών ενός χειρουργείου. Ένα νέο μοντέλο τεχνητής νοημοσύνης εντόπισε σήματα που δεν είχαν ανιχνευθεί προηγουμένως σε καρδιολογικές εξετάσεις ρουτίνας και τα οποία προβλέπουν με μεγάλη ακρίβεια ποιοι ασθενείς θα υποστούν δυνητικά θανατηφόρες επιπλοκές μετά από χειρουργική επέμβαση. Το μοντέλο υπερέβη σημαντικά τις βαθμολογίες κινδύνου στις οποίες βασίζονται σήμερα οι γιατροί.

«Αποδεικνύουμε ότι ένα βασικό ηλεκτροκαρδιογράφημα περιέχει σημαντικές προγνωστικές πληροφορίες που δεν είναι αναγνωρίσιμες με γυμνό μάτι», δήλωσε ο κύριος συγγραφέας Robert D. Stevens, επικεφαλής του Τμήματος Πληροφορικής, Ολοκλήρωσης και Καινοτομίας στο Johns Hopkins Medicine. «Μπορούμε να τις εξαγάγουμε μόνο με τεχνικές μηχανικής μάθησης».

Τα ευρήματα δημοσιεύθηκαν στο British Journal of Anaesthesia.

Ένα σημαντικό ποσοστό των ανθρώπων αναπτύσσει επιπλοκές που απειλούν τη ζωή μετά από μια μεγάλη χειρουργική επέμβαση. Οι βαθμολογίες κινδύνου στις οποίες βασίζονται οι γιατροί για να προσδιορίσουν ποιοι διατρέχουν κίνδυνο επιπλοκών είναι ακριβείς μόνο σε περίπου 60% των περιπτώσεων.

Με την ελπίδα να δημιουργήσουν έναν πιο ακριβή τρόπο πρόβλεψης αυτών των κινδύνων για την υγεία, η ομάδα του Johns Hopkins στράφηκε στο ηλεκτροκαρδιογράφημα (ΗΚΓ), μια τυπική, προεγχειρητική εξέταση της καρδιάς που πραγματοποιείται ευρέως πριν από μια μεγάλη χειρουργική επέμβαση. Πρόκειται για έναν γρήγορο, μη επεμβατικό τρόπο αξιολόγησης της καρδιακής δραστηριότητας μέσω ηλεκτρικών σημάτων, ο οποίος μπορεί να υποδείξει καρδιακές παθήσεις.

Ωστόσο, τα σήματα του ΗΚΓ συλλέγουν και άλλες, πιο "λεπτές" πληροφορίες, σύμφωνα με τον Stevens, και η ομάδα του Hopkins υποψιάστηκε ότι θα μπορούσε να βρει έναν θησαυρό πλούσιων προγνωστικών δεδομένων — αν η τεχνητή νοημοσύνη μπορούσε να τους βοηθήσει να τα δουν.

«Το ΗΚΓ περιέχει πολλές πραγματικά ενδιαφέρουσες πληροφορίες, όχι μόνο για την καρδιά, αλλά και για το καρδιαγγειακό σύστημα», δήλωσε ο Stevens.

«Η φλεγμονή, το ενδοκρινικό σύστημα, ο μεταβολισμός, τα υγρά, οι ηλεκτρολύτες — όλοι αυτοί οι παράγοντες διαμορφώνουν τη μορφολογία του ΗΚΓ. Αν μπορούσαμε να αποκτήσουμε ένα πραγματικά μεγάλο σύνολο δεδομένων με αποτελέσματα ΗΚΓ και να το αναλύσουμε με βαθιά μάθηση, σκεφτήκαμε ότι θα μπορούσαμε να αποκτήσουμε πολύτιμες πληροφορίες που δεν είναι διαθέσιμες προς το παρόν στους κλινικούς γιατρούς».

Η ομάδα ανέλυσε τα προεγχειρητικά δεδομένα ΗΚΓ από 37.000 ασθενείς που υποβλήθηκαν σε χειρουργική επέμβαση στο Beth Israel Deaconess Medical Center στη Βοστώνη.

Η ομάδα εκπαίδευσε δύο μοντέλα τεχνητής νοημοσύνης για να εντοπίζει ασθενείς που είναι πιθανό να υποστούν καρδιακή προσβολή, εγκεφαλικό επεισόδιο ή να πεθάνουν εντός 30 ημερών μετά τη χειρουργική επέμβαση. Το ένα μοντέλο εκπαιδεύτηκε μόνο με δεδομένα ΗΚΓ. Το άλλο συνδύαζε τις πληροφορίες του ΗΚΓ με περισσότερες λεπτομέρειες από τα ιατρικά αρχεία των ασθενών, όπως η ηλικία, το φύλο και οι υπάρχουσες ιατρικές παθήσεις.

Το μοντέλο που βασιζόταν μόνο στο ΗΚΓ προέβλεπε τις επιπλοκές καλύτερα από τις τρέχουσες βαθμολογίες κινδύνου, αλλά το πιο ενισχυμένο μοντ΄λο ήταν ακόμα καλύτερο, καθώς μπορούσε να προβλέψει ποιοι ασθενείς θα υποστούν μετεγχειρητικές επιπλοκές με ακρίβεια 85%.

«Είναι εκπληκτικό ότι μπορούμε να χρησιμοποιήσουμε αυτή τη ρουτίνα διάγνωσης, αυτά τα δεδομένα 10 δευτερολέπτων, και να προβλέψουμε με μεγάλη ακρίβεια αν κάποιος θα πεθάνει μετά από χειρουργική επέμβαση», δήλωσε ο κύριος συγγραφέας Carl Harris, διδακτορικός φοιτητής στη βιοϊατρική μηχανική. «Έχουμε ένα πραγματικά σημαντικό εύρημα που μπορεί να βελτιώσει την εκτίμηση του χειρουργικού κινδύνου».

Η ομάδα ανέπτυξε επίσης μια μέθοδο για να εξηγήσει ποια χαρακτηριστικά του ΗΚΓ μπορεί να σχετίζονται με καρδιακή προσβολή ή εγκεφαλικό επεισόδιο μετά από μια επέμβαση.