Nauja PG sistema prognozuoja 1000 ligų riziką iš anksto

Tyrėjai sukūrė AI sistemą, kuri prognozuoja jūsų riziką išsivystyti daugiau nei 1000 ligų iki 20 metų iki simptomų, rašoma šią savaitę paskelbtame tyrime.

Modelis, vadinamas „Delphi-2M“, pasiekė 76% tikslumą artimiausio laikotarpio sveikatos prognozėms ir išlaikė 70% tikslumą net ir prognozuodamas dešimtmetį į ateitį.

Tai pralenkė esamus vienos ligos rizikos skaičiuotuvus, tuo pačiu metu įvertindama riziką visame žmogaus ligos spektre.

„Žmogaus ligos progresavimui amžiuje būdingi sveikatos laikotarpiai, ūminės ligos epizodai ir lėtinis sekinimas, dažnai pasireiškiantis kaip sergamumo grupes“,-rašė tyrėjai. „Keletas algoritmų gali numatyti visą žmogaus ligos spektrą, kuriame daugiau nei 1 000 diagnozių pripažįsta aukščiausio lygio tarptautinės ligų klasifikacijos lygyje, dešimtos revizijos (TLK-10) kodavimo sistemoje.“

Sistema išmoko šiuos modelius nuo 402 799 JK „BioBank“ dalyvių, tada įrodė, kad 1,9 milijono Danijos sveikatos įrašų be jokio papildomo mokymo įrodė.

Prieš pradėdami trinti rankas su savo medicininio numatytojo idėja, ar galite patys išbandyti „Delphi-2m“? Ne visai tiksliai.

Apmokytas modelis ir jo svoriai yra užrakinti už JK „BioBank“ kontroliuojamų prieigos procedūrų – tai reiškia tik tyrėjus. „Code Base“ mokyti savo versiją yra „GitHub“ pagal MIT licenciją, todėl galite techniškai sukurti savo modelį, tačiau jums reikės prieigos prie didžiulių medicininių duomenų rinkinių, kad jis veiktų.

Kol kas tai išlieka tyrimų įrankiu, o ne vartotojų programa.

Už užuolaidos

Technologija veikia gydant medicinos istoriją kaip sekas – panašiai kaip „ChatGPT“ apdoroja tekstą.

Kiekviena diagnozė, užfiksuota atsižvelgiant į pirmąjį amžių, tampa žetonu. Modelis skaito šią medicininę „kalbą“ ir prognozuoja, kas bus toliau.

Turėdami tinkamą informaciją ir mokymą, galite nuspėti kitą žetoną (šiuo atveju, kitą ligą) ir apskaičiuotą laiką, prieš tai sukuriamas „žetonas“ (kiek laiko susergate, jei įvyks greičiausias įvykių rinkinys).

60-mečiui, sergančiam cukriniu diabetu ir padidėjusiu kraujospūdžiu, „Delphi-2M“ gali prognozuoti 19 kartų padidėjusią kasos vėžio riziką. Į šią istoriją pridėkite kasos vėžio diagnozę, o modelis apskaičiuoja mirtingumo riziką, šokinėjantį beveik dešimt tūkstančių kartų.

„Delphi-2M“ transformatoriaus architektūra atspindi kiekvieno asmens sveikatos kelionę kaip diagnostikos kodų, gyvenimo būdo veiksnių, tokių kaip rūkymas ir KMI, tvarkaraštį ir demografinius duomenis. „No Event“ paminkštinimo žetonai užpildo spragas tarp medicininių vizitų, mokant modelio, kad paprastas laiko praėjimas keičiasi pradine rizika.

Tai taip pat panašu į tai, kaip normalūs LLM gali suprasti tekstą, net jei jie praleidžia kai kuriuos žodžius ar net sakinius.

Išbandytas nuo nustatytų klinikinių priemonių, „Delphi-2M“ suderino arba viršijo jų našumą. Prognozuojant širdies ir kraujagyslių ligų ligą, ji pasiekė 0,70 AUC, palyginti su 0,69 autoprogrogrogrogoze ir 0,71 QRISK3. Demencijai ji pasiekė 0,81, palyginti su 0,81 UKBDRS. Pagrindinis skirtumas: tos priemonės numato atskiras sąlygas. „Delphi-2m“ viską įvertina vienu metu.

Be individualių prognozių, sistema generuoja visas sintetines sveikatos trajektorijas.

Nuo 60 metų duomenų jis gali modeliuoti tūkstančius galimų sveikatos ateities, todėl gyventojų lygio ligos našta yra tiksliems statistinėms pakraščiams. Vienas sintetinis duomenų rinkinys išmokė antrinį „Delphi“ modelį, kuris pasiekė 74% tikslumą – tik tris procentinius punktus žemiau originalo.

Modelis atskleidė, kaip ligos laikui bėgant daro įtaką viena kitai. Vėžys padidino mirtingumo riziką, kai kelerių metų „pusinės eliminacijos laikas“, o septicemijos poveikis smarkiai sumažėjo, per mėnesius grįžtant į beveik bazinę liniją. Psichinės sveikatos būklės parodė nuolatinį klasterizacijos poveikį, o viena diagnozė stipriai prognozavo kitas toje kategorijoje po metų.

Apribojimai

Sistema turi ribas. Jos 20 metų prognozės apskritai sumažėja iki maždaug 60–70% tikslumo, tačiau viskas priklausys nuo to, kokio tipo ligos ir sąlygos ji bando išanalizuoti ir prognozuoti.

„97% diagnozių AUC buvo didesnis nei 0,5, tai rodo, kad didžioji dauguma sekė modelius, kurių numatomumas bent iš dalies yra bent iš dalies“,-rašoma tyrime ir vėliau pridūrė, kad „Delphi-2m vidutinės AUC vertės sumažėja nuo 0,76 iki 0,70, o po 10 metų, o tai, kad pirmieji mėginių ėmimo metai yra vidutiniškai nuo 0,76 iki 0,70, ir tai, kad po 10 metų yra mažesnė nei 14 proc. vėliau “.

Kitaip tariant, šis modelis gana gerai numato dalykus pagal atitinkamus scenarijus, tačiau daug kas gali pasikeisti per 20 metų, taigi tai nėra nostradamas.

Retos ligos ir labai aplinkos sąlygos yra sunkiau prognozuojamos. JK „Biobank“ demografinis iškrypimas – dažniausiai baltas, išsilavinęs, palyginti sveikas savanoriai – intrieja šališkumą, kurį tyrėjai pripažįsta, kad reikia spręsti.

Danijos patvirtinimas atskleidė dar vieną apribojimą: „Delphi-2M“ išmoko kai kurių JK duomenų rinkimo keiksmažodžių. Ligos, užfiksuotos daugiausia ligoninėse, pasirodė dirbtinai išpūstos, prieštaraujančios Danijos žmonių užregistruotiems duomenims.

Modelis prognozavo septicemiją aštuonis kartus daugiau nei įprastas normas visiems, turintiems ankstesnių ligoninės duomenis, iš dalies todėl, kad 93% JK biobanko septicemijos diagnozių atsirado dėl ligoninės įrašų.

Tyrėjai mokė „Delphi-2M“ naudodami modifikuotą GPT-2 architektūrą su 2,2 mln. Parametrų-„Tipy“, palyginti su šiuolaikinėmis kalbų modeliais, tačiau pakanka medicininei prognozei. Pagrindinės modifikacijos apėmė nuolatinį amžiaus kodavimą, o ne diskrečiuosius padėties žymenis ir eksponentinio laukimo laiko modelį, kuris numatytų, kada įvyks įvykiai, o ne tik tai, kas nutiktų.

Kiekvienoje sveikatos trajektorijoje mokymo duomenyse buvo vidutiniškai 18 ligų žetonų, apimančių gimdymą iki 80 metų. Seksas, KMI kategorijos, rūkymo būklė ir alkoholio vartojimas.

Modelis išmoko automatiškai įvertinti šiuos veiksnius, sužinojęs, kad nutukimo padidėjo diabeto rizika rūkant padidėjusias vėžio tikimybes – ryšys, kurį medicina jau seniai įsitvirtino, tačiau atsirado be aiškaus programavimo. Tai tikrai LLM sveikatos būklei.

Klinikiniam dislokavimui išlieka kelios kliūtys.

Modeliui reikia patvirtinti įvairesnių populiacijų, pavyzdžiui, žmonių iš Nigerijos, Kinijos ir Amerikos gyvenimo būdo ir įpročių gali būti labai skirtingas, todėl modelis tampa ne toks tikslus.

Taip pat reikia kruopščiai tvarkyti privatumo problemas dėl išsamios sveikatos istorijos naudojimo. Integracija į esamas sveikatos priežiūros sistemas kelia techninius ir reguliavimo iššūkius.

Tačiau potencialios programos apima kandidatus, kurie neatitinka amžių kriterijų, iki populiacijos sveikatos intervencijų modeliavimo. Draudimo bendrovės, farmacijos firmos ir visuomenės sveikatos agentūros gali turėti akivaizdžių interesų.

„Delphi-2M“ prisijungia prie augančios „Transformer“ pagrindu sukurtų medicinos modelių šeimos. Keletas pavyzdžių Įtraukite Harvardo „PDGRAPHER“ įrankį, skirtą numatyti genų ir vaistų derinius, kurie galėtų pakeisti tokias ligas kaip Parkinsono ar Alzheimerio liga, LLM, specialiai mokomi baltymų jungčių, „Google“ alfagenomo modelis, mokomas DNR porų ir kitų, ir kt..

Tai, kas daro Delphi-2M tokią įdomią ir skirtingą, yra platus veiksmo sritis, vien tik aprėptų ligų plotis, ilga prognozavimo horizontas ir jo sugebėjimas generuoti realius sintetinius duomenis, kurie išsaugo statistinius ryšius, tuo pačiu apsaugant individualų privatumą.

Kitaip tariant: „Kiek aš turiu?“ Netrukus gali būti mažiau retorinis klausimas ir labiau nuspėjamas duomenų taškas.