Przewidywanie przyszłego stanu zdrowia naturalnie kojarzy się nam z badaniami genetycznymi, ankietami stylu życia czy kalkulatorami ryzyka chorób serca. W ten stan rzeczy wkracza jednak sztuczna inteligencja, która analizuje dawne dane medyczne, aby generować możliwe scenariusze na przyszłość. Podobnie jak prognozy pogody przewidują aurę na kolejne dni. W opublikowanym niedawno w Nature badaniu międzynarodowy zespół naukowców zaprezentował model Delphi-2M czyli system oparty na architekturze podobnej do GPT, znanej z ChatGPT. Jednak zamiast słów, model ten „uczy się języka chorób”, analizując setki tysięcy elektronicznych kart zdrowia. Cel jest jeden: lepiej rozumieć naturalny przebieg ludzkich schorzeń i przewidywać, jakie dolegliwości mogą pojawić się w kolejnych latach życia.
Jak działa Delphi-2M?
Model Delphi-2M powstał w oparciu o architekturę transformera. Taką samą jaka stoi za systemami językowymi, takimi jak ChatGPT. Naukowcy postanowili wykorzystać analogię między językiem naturalnym a „językiem zdrowia”. Zdania składają się ze słów, które układają się w logiczne sekwencje. W medycynie podobną rolę pełnią kolejne diagnozy, zapisywane w czasie jako fragmenty historii zdrowotnej.
W Delphi-2M każde rozpoznanie choroby zostało zamienione na token, czyli jednostkę informacji – jak słowo w tekście. System korzystał z kodów ICD-10 (międzynarodowej klasyfikacji chorób), a dodatkowo uwzględniał dane o wieku, płci, masie ciała czy nawykach, takich jak palenie papierosów i picie alkoholu. Dzięki temu mógł analizować zdrowie nie tylko w oderwaniu od pojedynczej choroby, ale jako całą sekwencję zdarzeń medycznych.
Skala badania była imponująca: model trenowano na danych ponad 400 tysięcy uczestników brytyjskiego UK Biobank, a następnie sprawdzono jego skuteczność na niezależnym zbiorze obejmującym aż 1,9 miliona mieszkańców Danii.
Przewidywanie przyszłych chorób
Delphi-2M wyróżnia się na tle tradycyjnych narzędzi tym, że potrafi przewidywać nie jedną konkretną chorobę, lecz cały wachlarz ponad tysiąca możliwych diagnoz.
Co to oznacza? Model potrafi „zajrzeć w przyszłość” nawet na 20 lat do przodu, tworząc potencjalne scenariusze zdrowotne danej osoby. Na przykład może wskazać, że u konkretnego pacjenta ryzyko zachorowania na cukrzycę zacznie rosnąć w okolicach 50. roku życia, a w kolejnych dekadach mogą pojawić się powiązane schorzenia, takie jak problemy z nerkami czy układem krążenia.
Skuteczność prognoz jest porównywalna, a w wielu przypadkach nawet lepsza niż tradycyjnych modeli stosowanych w medycynie. Co więcej, Delphi-2M może też tworzyć symulacje dla całych populacji. Dzięki temu daje wgląd w to, jak w kolejnych dekadach mogą zmieniać się wzorce zachorowań w danym kraju czy grupie wiekowej.
Co odkrył Delphi-2M? Wzorce współwystępowania i ryzyka
Jednym z najciekawszych efektów pracy Delphi-2M są odkryte wzorce współwystępowania chorób, czyli tzw. klastery schorzeń. Model potrafi zauważyć, że niektóre diagnozy często pojawiają się razem, a także przewidzieć, jak długo ich wpływ utrzymuje się w czasie.
Przykłady są bardzo wymowne. Nowotwory, takie jak rak trzustki czy piersi, mają długotrwały wpływ na ryzyko śmiertelności. Nawet wiele lat po diagnozie. Z kolei poważne choroby, jak sepsa czy zawał serca, silnie zwiększają ryzyko zgonu w krótkim okresie, ale ich efekt w perspektywie kilku lat stopniowo zanika.
Model ujawnił też trwałe powiązania w obszarze zdrowia psychicznego. Depresja i inne zaburzenia psychiczne często współwystępują i wpływają na rozwój kolejnych problemów zdrowotnych, również somatycznych.
Takie analizy pomagają zrozumieć naturalny przebieg chorób oraz wskazują obszary, w których interwencja medyczna czy profilaktyka może przynieść największe efekty.
Potencjalne zastosowania w praktyce medycznej i zdrowiu publicznym
Medycyna spersonalizowana
Dzięki możliwości prognozowania indywidualnych ścieżek zdrowotnych, lekarze mogliby precyzyjniej dobierać badania profilaktyczne i programy przesiewowe. Przykładowo, pacjent o podwyższonym ryzyku raka jelita grubego mógłby zostać skierowany na kolonoskopię wcześniej niż wynika to z obecnych wytycznych opartych wyłącznie na wieku.
Planowanie systemowe
Delphi-2M może być narzędziem dla osób decyzyjnych w obszarze ochrony zdrowia. Symulacje pozwalają przewidywać, jak w najbliższych 10–20 latach zmieni się obciążenie chorobami w poszczególnych regionach czy grupach społecznych. Dzięki temu można lepiej przygotować infrastrukturę, by zapewnić dostęp do lekarzy specjalistów czy konkretnych terapii.
Wsparcie badań naukowych
Model ujawnia wzorce współwystępowania chorób, które mogą pomóc w projektowaniu badań klinicznych czy analizie nowych leków. Na przykład odkrycie, że pewne zaburzenia metaboliczne często poprzedzają nowotwory, może skłonić do wczesnych interwencji lub nowych kierunków terapii.
Ograniczenia prognozowania zdrowia z AI
Stronniczość danych
Model został wytrenowany głównie na danych z UK Biobank czyli projektu badawczego, w którym udział wzięli ochotnicy w wieku 40–70 lat. To oznacza, że w zbiorze brakuje informacji o chorobach i zgonach, które wystąpiły wcześniej. Uczestnicy byli też statystycznie zdrowsi i bardziej zamożni niż przeciętna populacja, co wprowadza tzw. efekt „zdrowego ochotnika”.
Luki w dokumentacji
Dane pochodziły z różnych źródeł: samodzielnych deklaracji pacjentów, dokumentacji lekarzy rodzinnych, szpitali czy rejestrów zgonów. Braki w jednym obszarze mogły prowadzić do zniekształceń, np. choroby diagnozowane głównie w szpitalach były przewidywane częściej u osób, które miały już inne hospitalizacje.
Brak przyczynowości
Delphi-2M świetnie wychwytuje korelacje, ale nie dowodzi, że dana choroba faktycznie powoduje kolejną. Na przykład może zauważyć, że depresja często poprzedza cukrzycę typu 2, ale nie oznacza to jeszcze związku przyczynowego. W grę równie dobrze mogą wchodzić inne czynniki, takie jak styl życia czy predyspozycje genetyczne.
Różnice między populacjami
Podczas testów na duńskich danych dokładność prognoz była nieco niższa niż w przypadku danych brytyjskich. To pokazuje, że systemy oparte na AI muszą być zawsze sprawdzane i kalibrowane dla konkretnych grup społecznych czy narodowych systemów ochrony zdrowia.
Co dalej? Przyszłość predykcyjnej AI w medycynie
Badanie opublikowane w Nature pokazuje, że AI może stać się ważnym narzędziem w przewidywaniu zdrowia.
Póki co Delphi-2M bazuje głównie na dokumentacji medycznej i podstawowych informacjach o stylu życia. W przyszłości można go wzbogacić o dodatkowe warstwy danych – genetyczne, biochemiczne, obrazowe czy te pochodzące z urządzeń noszonych (wearables). Dzięki temu prognozy mogłyby być jeszcze bardziej precyzyjne.
Modele tego typu mogłyby pełnić rolę asystentów lekarzy, wskazując pacjentów o podwyższonym ryzyku i sugerując dodatkowe badania czy konsultacje. Z kolei w skali populacji mogłyby wspierać ministerstwa zdrowia i ubezpieczycieli w planowaniu przyszłych wydatków oraz działań profilaktycznych.
Wizja przyszłości
Można wyobrazić sobie, że kiedyś każdy pacjent będzie miał swój „profil zdrowia” aktualizowany na bieżąco przez AI. Taka prognoza zdrowia, podobnie jak prognoza pogody, mogłaby stać się codziennym elementem dbania o siebie i wskazywać, kiedy warto podjąć dodatkowe działania, aby uniknąć poważniejszych problemów.
