Στον κόσμο της προληπτικής και εξατομικευμένης ιατρικής, η ικανότητα πρόβλεψης της πιθανότητας εμφάνισης μιας ασθένειας, ακόμα και δεκαετίες νωρίτερα, είναι το κλειδί. Κάτι τέτοιο θα επέτρεπε παρεμβάσεις που να σταματούν τις διαδικασίες που θα μπορούσαν να προκαλέσουν την ασθένεια, πολύ πριν συμβεί οποιαδήποτε βλάβη. Αυτό ακριβώς φαίνεται να πετυχαίνει η τεχνητή νοημοσύνη, σύμφωνα με μια μελέτη που δημοσιεύθηκε πρόσφατα στο Nature.
Κατά τη διάρκεια της ζωής μας, κατά κανόνα περνάμε τις περισσότερες μέρες με καλή υγεία, περιστασιακά αρρωσταίνουμε και σταδιακά αρχίζουμε να αναπτύσσουμε χρόνιες παθήσεις. Αυτά τα μοτίβα ποικίλλουν για κάθε άτομο, καθώς επηρεάζονται από παράγοντες όπως η γενετική, ο τρόπος ζωής και η κοινωνικοοικονομική του κατάσταση.
Η κατανόηση της υγείας ενός ατόμου και η αξιολόγηση των μελλοντικών κινδύνων του απαιτεί περισσότερα από τις μεμονωμένες διαγνώσεις που λαμβάνονται κατά τη διάρκεια της ζωής του. Όπως σημειώνει η El Pais, απαιτεί την κατανόηση της πορείας της υγείας κάθε ατόμου και του πώς αλληλεπιδρούν προηγούμενες ασθένειες, ώστε να δοθούν οδηγίες για στοχευμένες αλλαγές στον τρόπο ζωής ή να προταθούν διαγνωστικές εξετάσεις που θα παρακολουθούν τις καταστάσεις που είναι πιο πιθανό να εμφανιστούν.
Σήμερα, μια ομάδα ερευνητών από το Ευρωπαϊκό Ινστιτούτο Βιοπληροφορικής, το Γερμανικό Κέντρο Έρευνας για τον Καρκίνο (DKFZ) και μερικά δανικά ιδρύματα προτείνουν την εφαρμογή της ίδιας τεχνολογίας που βρίσκεται πίσω από τα μεγάλα γλωσσικά μοντέλα, όπως το ChatGPT, για να μάθουμε και να προβλέψουμε τη φυσική ιστορία περισσότερων από χιλίων ασθενειών ταυτόχρονα. Το μοντέλο που προέκυψε, το οποίο ονομάζεται Delphi-2M, μπορεί να εντοπίσει μοτίβα ασθενειών από ιατρικά ιστορικά, παράγοντες τρόπου ζωής και προϋπάρχουσες παθήσεις.
«Το πιο απροσδόκητο εύρημα ήταν ότι το μοντέλο μπορεί να προβλέψει περισσότερες από 1.000 ασθένειες. Θα περιμέναμε να λειτουργήσει για ορισμένες, αλλά να αποτύχει για πολλές άλλες. Αυτό δείχνει πόσο αλληλένδετες είναι πολλές ασθένειες και υπογραμμίζει την ανάγκη να διερευνηθούν οι υποκείμενοι μηχανισμοί που τις συνδέουν», εξηγεί στην El Pais ο Moritz Gerstung, διευθυντής του Τμήματος Τεχνητής Νοημοσύνης στην Ογκολογία του DKFZ και εκ των συντακτών της μελέτης.
Ο αλγόριθμος εκπαιδεύτηκε σε δεδομένα από 400.000 άτομα στο Ηνωμένο Βασίλειο και επικυρώθηκε χρησιμοποιώντας αρχεία από σχεδόν δύο εκατομμύρια ασθενείς στη Δανία. Μπορεί να προβλέψει τροχιές υγείας, τόσο σε επίπεδο γενικού πληθυσμού όσο και σε ατομικό επίπεδο, για έως και δύο δεκαετίες.
Όπως και με τις μετεωρολογικές προβλέψεις, το μοντέλο δεν παρέχει βεβαιότητες, μόνο πιθανότητες. Αντί να προβλέπει ακριβώς τι θα συμβεί σε ένα συγκεκριμένο άτομο σε μια δεδομένη στιγμή, υπολογίζει την πιθανότητα εμφάνισης ορισμένων ασθενειών σε μια καθορισμένη περίοδο. Οι βραχυπρόθεσμες προβλέψεις είναι πιο αξιόπιστες από τις μακροπρόθεσμες προβλέψεις. Για παράδειγμα, κατά την εκτίμηση του εάν κάποιος θα υποστεί καρδιακή προσβολή τα επόμενα 10 χρόνια, το μοντέλο είναι σωστό σε περίπου 7 από τις 10 περιπτώσεις. Όταν το χρονικό πλαίσιο εκτείνεται σε δύο δεκαετίες, η ακρίβεια μειώνεται στο 14%, ελαφρώς πάνω από το 12% που επιτυγχάνεται χρησιμοποιώντας μόνο την ηλικία και το φύλο.
Το Delphi-2M επιτυγχάνει ακρίβεια συγκρίσιμη με τα καλύτερα μοντέλα που υπάρχουν για ειδικά κάθε ασθένεια, για παθήσεις όπως η άνοια ή το έμφραγμα του μυοκαρδίου και ξεπερνά τους υπάρχοντες αλγόριθμους πρόβλεψης θνησιμότητας. Μόνο στην περίπτωση του διαβήτη, ένας δείκτης αίματος – η γλυκοζυλιωμένη αιμοσφαιρίνη (HbA1c) – παραμένει πιο αξιόπιστος. Η μελέτη εντόπισε επίσης ασθένειες που αυξάνουν τον κίνδυνο άλλων, όπως ψυχικές διαταραχές ή ορισμένους όγκους του γυναικείου αναπαραγωγικού συστήματος.
Αυτό που μένει να φανεί είναι εάν αυτός ο εντοπισμός της πιθανότητας μιας ασθένειας, δεκαετίες νωρίτερα, μπορεί να ωφελήσει πραγματικά τους ασθενείς. Ανάμεσα στις μελέτες που θα πρέπει να γίνουν είναι πάνω στις συναισθηματικές επιπτώσεις από το να γνωρίζει ή να μην γνωρίζει κάποιος ότι πρόκειται να αρρωστήσει.
Σε ό,τι αφορά τους κινδύνους, ένας ευαίσθητος τομέας είναι εκείνος των διακρίσεων από τις ασφαλιστικές εταιρείες σε βάρος ατόμων υψηλού κινδύνου.
