Ένα νέο μοντέλο τεχνητής νοημοσύνης, αποτέλεσμα συνεργασίας του Ευρωπαϊκού Εργαστηρίου Μοριακής Βιολογίας (ΕMBL) με το Γερμανικό Κέντρο Έρευνας Καρκίνου και του Πανεπιστημίου της Κοπεγχάγης, μπορεί να προβλέπει περισσότερες από 1.000 παθήσεις, και μάλιστα κάποιες από αυτές μια δεκαετία πριν εμφανιστούν τα πρώτα συμπτώματα.
Πρόκειται για το μοντέλο τεχνητής νοημοσύνης Delphi-2M το οποίο βασίστηκε στις ίδιες αλγοριθμικές προσεγγίσεις που χρησιμοποιούνται στα λεγόμενα «μεγάλα γλωσσικά μοντέλα» όπως το ChatGPT. Στη συγκεκριμένη περίπτωση αντί να αναγνωρίζει μοτίβα της γλώσσας για να προβλέπει ποια λέξη είναι στατιστικά πιθανότερο να ακολουθεί μια άλλη, το νέο μοντέλο αναγνωρίζει μοτίβα στα ιατρικά δεδομένα των ασθενών.
Το μοντέλο ΑΙ δεν προβλέπει με βεβαιότητα ποια ασθένεια θα εμφανιστεί και πότε, δίνει όμως εκτιμήσεις με ακρίβεια της τάξης του 70%, περίπου όπως τα μετεωρολογικά μοντέλα δίνουν πιθανολογικές προβλέψεις.
«Τα ιατρικά συμβάντα συχνά ακολουθούν προβλέψιμα μοτίβα» δήλωσε ο Τον Φιτζέραλντ του Ευρωπαϊκού Εργαστηρίου Μοριακής Βιολογίας (EMBL), μέλος της ερευνητικής ομάδας που υπογράφει τη μελέτη που δημοσιεύθηκε στο επιστημονικό περιοδικό Nature.
Όπως εξήγησε, «Το μοντέλο μας μαθαίνει αυτά τα μοτίβα και προβλέπει μελλοντικές εκβάσεις υγείας. Μας προσφέρει έναν τρόπο να εξετάσουμε τι μπορεί να συμβεί σύμφωνα με το ιατρικό ιστορικό κάθε ανθρώπου και άλλους παράγοντες».
Το Delphi-2M εκπαιδεύτηκε να αναγνωρίζει παράγοντες κινδύνου με τα δεδομένα 400.000 ατόμων που είχαν καταχωρηθεί στη βρετανική τράπεζα βιοϊατρικών δεδομένων UK Biobank.
Στη συνέχεια οι ερευνητές αξιολόγησαν τις επιδόσεις του χρησιμοποιώντας δεδομένα για 1,9 εκατομμύρια άτομα από το Εθνικό Μητρώο Ασθενών της Δανίας.
Οι εκτιμήσεις του μοντέλου είναι πιο αξιόπιστες για παθήσεις που εξελίσσονται με προβλέψιμο τρόπο, όπως ορισμένες μορφές καρκίνου, τα εμφράγματα και η σηψαιμία. Η αξιοπιστία μειώνεται σε παθήσεις που επηρεάζονται από απρόβλεπτους παράγοντες, όπως για παράδειγμα οι ψυχικές ασθένειες ή οι επιπλοκές στην εγκυμοσύνη.
Οι ερευνητές αναγνωρίζουν πάντως κάποιους περιορισμούς: Για παράδειγμα, τα δεδομένα που χρησιμοποιήθηκαν στην εκπαίδευσή του αφορούσαν κυρίως άτομα 40-60 ετών, κάτι που σημαίνει ότι οι εκτιμήσεις του για τα παιδιά, τους έφηβοι και τους ηλικιωμένους είναι λιγότερο αξιόπιστες. Επιπλέον, ορισμένες εθνοτικές ομάδες υποεκπροσωπούνταν στα δεδομένα της εκπαίδευσης. Αυτός είναι ένας από τους λόγους για τους οποίους οι ερευνητές τονίζουν ότι το μοντέλο δεν είναι ακόμα έτοιμο για κλινική χρήση.
Παρόλα αυτά, μπορεί να χρησιμοποιηθεί για τη μελέτη της εξέλιξης ασθενειών στην πορεία του χρόνου, την επίδραση του τρόπου ζωής και των προηγούμενων διαγνώσεων στην εμφάνιση νέων ασθενειών, καθώς και για την εκτίμηση των μελλοντικών αναγκών στα συστήματα υγείας.
Όπως είπαν οι ερευνητές, παρόμοια μοντέλα θα μπορούσαν στο μέλλον να ανοίξουν την εποχή της εξατομικευμένης ιατρικής.
ΠΗΓΗ: Digital Life
Δείτε το πλήρες άρθρο εδώ.
