Точное и оперативное прогнозирование динамики здоровья на годы вперед – давняя мечта медицины. Это позволило бы системам здравоохранения перейти от лечения к профилактике заболеваний.
Недавнее исследование демонстрирует прогресс в этом направлении. Разработчики представили Delphi-2M, инструмент на основе искусственного интеллекта (ИИ), предназначенный для прогнозирования вероятности и сроков развития более тысячи различных заболеваний (включая рак, диабет и сердечно-сосудистые заболевания) в течение 20 лет.
В качестве основы для обучения Delphi-2M европейская команда исследователей использовала данные почти 403 000 участников Британского биобанка.
Финальная версия ИИ-модели Delphi-2M прогнозировала следующее заболевание и время его появления, основываясь на поле, индексе массы тела, факторах курения/употребления алкоголя и истории болезни.
Точность прогнозов оценивалась показателем AUC (площадь под кривой) равным 0.7. AUC, учитывающий как ложноположительные, так и ложноотрицательные результаты, демонстрирует, что теоретическая точность модели составляет около 70% для всех категорий заболеваний. Однако, важно отметить, что эти прогнозы еще не проверены в клинической практике.
Эффективность модели была подтверждена на данных Датского биобанка, где Delphi-2M показала сопоставимую теоретическую точность прогнозирования.
Delphi-2M использует «трансформаторную сеть» — ту же архитектуру, которая лежит в основе ChatGPT. В основу модели лег GPT2, трансформированный для использования данных о времени и болезнях с целью прогнозирования будущих заболеваний.
Трансформаторные сети уже применялись в моделях для прогнозирования рисков заболеваний, но, как правило, для предсказания риска развития только одного заболевания и на основе небольших наборов данных, например, историй болезни.
Преимущество трансформаторных сетей в том, что они хорошо адаптируются к прогнозированию множественных заболеваний, эффективно выявляя сложные взаимосвязи между ними на основе разнородных данных.
Delphi-2M также показала немного более высокую точность по сравнению с другими моделями, прогнозирующими множественные заболевания, использующими иные архитектуры.
Например, модель Milton, использующая стандартные методы машинного обучения на тех же данных Британского биобанка, продемонстрировала меньшую предсказательную силу и требовала большего объема данных.
Важно отметить, что модели без трансформаторов сложнее масштабировать и адаптировать для новых исследований и задач, так как их трудно улучшить, добавляя новые слои данных.
Существенным преимуществом Delphi-2M является возможность публикации в открытом доступе, не нарушая конфиденциальность пациентов. Разработчики создали синтетические данные, имитирующие данные Британского биобанка, удалив персональную информацию, при этом, не снижая предсказательную силу модели. Кроме того, обучение Delphi-2M требует меньше вычислительных ресурсов, чем типовые модели ИИ-трансформеры.
Это позволит другим исследователям обучать модель самостоятельно, адаптируя ее к своим задачам и данным. Это особенно важно для развития открытой науки, чего сложно добиться в лечебных учреждениях.
Delphi-2M демонстрирует, что подобные модели прогнозирования будущих рисков для здоровья уже существуют и, возможно, станут основой для разработки новых ИИ-инструментов.
Благодаря многоуровневой архитектуре и открытому коду будущие модели, подобные Delphi-2M, будут совершенствоваться, включая в себя более обширные данные, такие как электронные медицинские карты, медицинские изображения, данные с носимых устройств и геолокации, что позволит повысить их точность и предсказательную силу.
Несмотря на перспективы профилактики и ранней диагностики, следует учитывать ряд ограничений этого инструмента.
В первую очередь, это проблемы, связанные с данными. Как известно, качество данных, используемых для обучения модели, напрямую влияет на ее прогнозы.
Набор данных Британского биобанка, использованный для создания Delphi-2M, не включал достаточного количества данных о различных расовых и этнических группах, что ограничивает возможности глубокого анализа результатов для этих групп населения.
Хотя исследователи провели анализ, демонстрирующий, что добавление данных об этнической принадлежности незначительно повлияло на результаты, для многих категорий данных все еще было недостаточно для полноценной оценки.
Если персональные данные будут использоваться в реальных условиях, они, вероятно, будут накладываться на базовые модели, подобные Delphi-2M. Это повысит точность прогнозов, однако, несет риски, связанные с безопасностью и нецелевым использованием персональных данных.
Также может быть сложно адаптировать модель к странам с системами здравоохранения, отличными от тех, что использовались при разработке набора данных. Например, внедрение Delphi-2M может быть затруднено в США, где медицинские данные распределены между различными больничными сетями и частными клиниками.
В настоящее время использовать Delphi-2M в клинической практике преждевременно. Несмотря на способность модели предоставлять обобщенные прогнозы, основанные на данных, использованных для обучения, использовать их для формирования персонализированных медицинских рекомендаций пока нельзя.
Однако, остается надежда, что благодаря дальнейшим исследованиям и развитию моделей, как Delphi-2M, в будущем станет возможным получать индивидуальные прогнозы, основанные на персональных данных о здоровье пациента.
Тем не менее, даже на текущем этапе развития, Delphi-2M может оказать значительную пользу в сфере общественного здравоохранения. Модель способна выявлять группы населения, подверженные повышенному риску развития определенных заболеваний, что позволяет более эффективно распределять ресурсы и разрабатывать целевые программы профилактики. Это особенно актуально для регионов с ограниченными ресурсами, где профилактические меры могут оказаться наиболее эффективными в снижении заболеваемости и смертности.
Кроме того, Delphi-2M может способствовать более глубокому пониманию взаимосвязей между различными заболеваниями. Анализируя большие объемы данных, модель способна выявлять неочевидные закономерности и факторы риска, которые могут быть упущены при традиционных методах исследования. Это может привести к разработке новых стратегий профилактики и лечения, направленных на воздействие на общие механизмы развития заболеваний.
В будущем, интеграция Delphi-2M с другими системами анализа данных и искусственного интеллекта может открыть новые возможности для прогнозирования и профилактики заболеваний. Например, объединение данных Delphi-2M с информацией из социальных сетей и поисковых запросов может позволить выявлять вспышки заболеваний на ранних стадиях, что позволит своевременно принимать меры по их предотвращению.
Таким образом, Delphi-2M представляет собой важный шаг вперед в развитии методов прогнозирования рисков заболеваний. Несмотря на существующие ограничения, модель обладает значительным потенциалом для улучшения системы здравоохранения и повышения продолжительности и качества жизни населения. Дальнейшие исследования и разработки в этой области позволят создавать все более точные и эффективные инструменты для прогнозирования и профилактики заболеваний.
