Forscher des deutschen Krebsforschungszentrums haben ein Modell für künstliche Intelligenz, Delphi-2M, entwickelt, das das Risiko einer Person für mehr als 1.000 Krankheiten bis zu zwei Jahrzehnte in die Zukunft mit medizinischen Unterlagen vorhersagen kann. Diese Entwicklung entspricht einer breiteren Verschiebung der Gesundheitsversorgung von der reaktiven Behandlung bis zur proaktiven Prävention. Während Algorithmen erstellt wurden, um das Risiko einzelner Bedingungen vorherzusagen, werden häufig Krankheiten miteinander verbunden. Ein umfassendes Modell, das diese Komplexität berücksichtigen kann, könnte eine frühzeitige Behandlung beeinflussen, das gezielte Screening verbessern und Personen mit hohem Risiko identifizieren, die ansonsten möglicherweise übersehen werden.
Wie Delphi-2M funktioniert
Das Delphi-2M-Modell ist ein großes Sprachmodell (LLM), ähnlich der Technologie, die hinter textgenerierenden Chatbots ist. Anstatt im Internet -Text ausgebildet zu werden, wurde es durch die Bearbeitung von über 400.000 umfassenden Krankenakten aus der britischen Biobank entwickelt. Diese klinischen Daten wurden durch Lifestyle -Informationen wie Body Mass Index und Raucherstatus ergänzt. Das Modell behandelt die Krankengeschichte eines Patienten als eine Abfolge von „Krankheits -Token“, wobei jeder diagnostische Code einen Schritt in einem potenziellen Fortschreiten der Krankheit darstellt. Durch die Analyse dieser Sequenzen lernt die KI die statistischen Muster, wie sich unterschiedliche Bedingungen verbinden und sich im Laufe der Zeit folgen. Eine wichtige Funktion ist die Fähigkeit, Vorhersagen dynamisch neu zu bewerten. Wenn neue Informationen wie ein aktuelles Bluttestergebnis hinzugefügt werden, kann das Modell seine Risikoberechnungen für diese Person aktualisieren und eine kontinuierliche Gesundheitsüberwachung ermöglichen.
Leistung und Validierung
Bei Leistungsbewertungen stimmte Delphi-2M die Genauigkeit etablierter klinischer Risikowerte für die Mehrheit der 1.258 Krankheiten ab oder übertroffen. Es übertraf auch andere spezialisierte medizinische KI -Prädiktoren zur Vorhersage von Einzelkrankheiten. Das Modell erwies sich als besonders wirksam bei der Vorhersage des langfristigen Risikos für Herz-Kreislauf-Erkrankungen und Demenz und zeigte selbst bei der Vorhersage von zwei Jahrzehnten in Zukunft eine größere Genauigkeit als einige biomarkerbasierte Modelle. Das Modell bemühte sich jedoch, Bedingungen mit variableren Trajektorien genau vorherzusagen, die stark von Änderungen des Lebensstils wie Typ -2 -Diabetes beeinflusst wurden. Dies weist auf eine Einschränkung seiner Fähigkeit hin, Faktoren zu berücksichtigen, die nicht konsequent in elektronischen Gesundheitsakten erfasst wurden. Um ihre Robustheit zu testen, wendeten die Forscher das Modell auf das dänische nationale Patientenregister, das Aufzeichnungen für fast zwei Millionen Bürger enthält. Trotz der Unterschiede in den Populationen und im Gesundheitssystem blieb die Vorhersagegenauigkeit des Modells hoch, was darauf hindeutet, dass es grundlegende Prinzipien des Fortschreitens der menschlichen Krankheit erlernte.
Ethisches Design und zukünftige Anwendungen
Delphi-2M wurde mit praktischen und ethischen Überlegungen entworfen. Es kann aus synthetischen medizinischen Unterlagen lernen, um die Privatsphäre von Patienten zu schützen, und ist eine „erklärbare“ KI, was bedeutet, dass sie eine Begründung für ihre Vorhersagen durch Clustering -Bedingungen und -Symptome liefern kann. Die Forscher betonen, dass das Modell statistische Assoziationen identifiziert und nicht die Ursache. Das Modell wurde mit einem modularen Design erstellt, um zusätzliche Datentypen in der Zukunft wie Genomik, diagnostische Bildgebung und Daten von tragbaren Geräten einzubeziehen. Derzeit wird das Tool in anderen Ländern mit unterschiedlichen Bevölkerungsgruppen getestet. In seiner gegenwärtigen Form könnte es in klinischen Umgebungen verwendet werden, um Personen zu identifizieren, die von einem frühen Screening profitieren würden, auch wenn sie die traditionellen Kriterien nicht erfüllen.
Expertenempfang
Das Modell wurde von Experten, die nicht an der Studie beteiligt sind, positiv aufgenommen. Justin Stebbing, Professor an der Anglia Ruskin University, bezeichnete das Tool als „eine Leistung“, die „einen neuen Standard für die Vorhersagegenauigkeit und Interpretierbarkeit setzt.“ Gustavo Sudre, ein Forscher am King’s College London, beschrieb die Forschung als:
„Ein signifikanter Schritt in Richtung skalierbarer, interpretierbarer und – vor allem – verantwortungsbewusster Form der Vorhersagemodellierung in der Medizin.“
