AI в здравоохранении: прогнозирование болезней и персонализированное лечение
Искусственный интеллект имеет значительный потенциал для революции здравоохранения путем прогнозирования прогрессирования заболеваний на основе обширных медицинских записей, что позволяет осуществлять персонализированное лечение. Понимание мульти-морбидности — кластеры хронических и острых состояний, подверженных воздействию образа жизни, генетики и социально-экономических факторов — критично для индивидуального здравоохранения и профилактических мер. Несмотря на существующие алгоритмы прогнозирования конкретных заболеваний, существует недостаток комплексных моделей, способных предсказывать широкий спектр состояний. Недавние достижения, такие как трансформерные модели, вдохновленные LLMs, обещают преодолеть эти вызовы путем моделирования сложных временных зависимостей в медицинских данных. Однако полный потенциал этих моделей в прогнозировании мульти-морбидности остается в значительной степени неизученным.
Delphi-2M: модель ИИ для прогнозирования прогрессирования заболеваний
Исследователи из различных учреждений разработали Delphi-2M, передовую модель ИИ на основе архитектуры GPT, для прогнозирования прогрессирования болезней в больших популяциях. Основываясь на данных 400 000 участников UK Biobank, Delphi-2M предсказывает более 1 000 заболеваний и смертей, анализируя прошлые медицинские записи, демографию и образ жизни. Он генерирует детальные будущие траектории здоровья для отдельных лиц и предоставляет понимание кластеров заболеваний и их временно-зависимых воздействий. Проверенный на 1,9 миллиона датских записей без изменения параметров, Delphi-2M точно моделирует здоровье населения и показывает, как прошлые события формируют будущие результаты здоровья, что делает его надежным инструментом для прогнозирования персонализированного здравоохранения.
Delphi-2M, модель ИИ, точно предсказывает инциденцию более 1 000 заболеваний, тесно соответствуя наблюдаемым возрастным и половым тенденциям. Он эффективно моделирует разнообразные паттерны заболеваний в контрольной группе, такие как пики заболеваемости ветрянкой в детском возрасте и возрастные увеличения других состояний. Прогнозы Delphi-2M, непрерывно обновляемые новыми данными, показывают значительную межиндивидуальную вариабельность для заболеваний, таких как сепсис. С AUC в среднем 0,8 его производительность сравнима с установленными моделями риска, такими как Фреймингем для сердечно-сосудистых заболеваний. Калибровка и долговременная проверка с использованием данных UK Biobank подтверждают надежность Delphi-2M в прогнозировании краткосрочных и долгосрочных траекторий заболеваний, предлагая комплексные прогнозы мульти-заболеваний.
Генеративные модели, такие как Delphi-2M, могут предсказывать будущие траектории заболеваний на основе прошлых медицинских историй. Оценивая 100 000 выборок траекторий из UK Biobank, Delphi-2M точно отражал наблюдаемые уровни заболеваемости и инцидентности до возраста 70 лет. Средняя точность составляет 17% в первый год, уменьшаясь до 14% за 20 лет, Delphi-2M превосходит базовые возрастно-половые модели. Он различает группы высокого и низкого риска, эффективно предсказывая бремя заболеваний на протяжении двух десятилетий. Кроме того, сгенерированные синтетические траектории Delphi-2M, не дублирующие тренировочные данные, имеют практическое применение, такое как обучение новых моделей, тем самым обеспечивая конфиденциальность данных и расширяя потенциальные применения.
Delphi, модифицированная модель GPT-2, разработана для прогнозирования траекторий здоровья путем анализа последовательностей диагнозов ICD-10 верхнего уровня, дополненных данными образа жизни, такими как пол, ИМТ, курение и употребление алкоголя. Для обучения использовались данные из UK Biobank, а для внешней валидации — датские медицинские записи. Delphi заменяет дискретное позиционное кодирование GPT-2 на непрерывное возрастное кодирование и вводит дополнительную голову для предсказания времени между событиями. Это позволяет Delphi точно моделировать временные и последовательные события здоровья, превосходя стандартные модели GPT в предсказании начала и прогрессирования заболеваний.
Delphi-2M, модель на основе GPT-2, предсказывает прогрессирование множества заболеваний, изучая паттерны медицинских данных более 1 000 заболеваний у 400 000 участников UK Biobank. Он отлично предсказывает траектории заболеваний и оценивает накопленное бремя заболеваний на протяжении длительных периодов. Протестированный на датских медицинских данных, он доказал свою адаптивность без дополнительного обучения. Несмотря на эффективность, он наследует предубеждения от своих обучающих данных и должен использоваться осторожно. Гибкая архитектура Delphi-2M позволяет в будущем интегрировать дополнительные медицинские данные, такие как геномика и устройства для ношения, что делает его многообещающим инструментом для планирования здравоохранения, персонализированной медицины и понимания сложных взаимодействий заболеваний.
