Een team van wetenschappers heeft een kunstmatig intelligent model (AI) getraind dat de gezondheid van een persoon voorspelt: op basis van de medische geschiedenis van een patiënt kan de tool het risico en het tijdstip van het optreden van meer dan duizend ziekten tientallen jaren van tevoren voorspellen.
Het model, dat is ontwikkeld door wetenschappers van het Europees Laboratorium voor Moleculaire Biologie (EMBL), het Duitse Kankeronderzoekscentrum (DKFZ) en de Universiteit van Kopenhagen, is getraind met klinische gegevens van 400.000 mensen uit het Verenigd Koninkrijk en getest met gegevens van bijna twee miljoen mensen uit Denemarken.
Het model, genaamd Delphi-2M, kon de waarschijnlijkheid van meer dan duizend ziekten voorspellen op basis van iemands medische geschiedenis, met een nauwkeurigheid die gelijk is aan of zelfs beter is dan die van andere tools.
Bovendien slaagde het erin om gezondheidsgeschiedenissen van maximaal 20 jaar voor een persoon te simuleren en synthetische gegevens te genereren die de privacy van patiënten beschermen, maar toch nuttig zijn voor het trainen van andere AI-modellen.
De auteurs stellen dat hun tool kan helpen bij het identificeren van personen met een verhoogd risico op ziekte, het sturen van preventieprogramma’s en het ondersteunen van de langetermijnplanning van gezondheidsdiensten.
“Ons AI-model is een proof of concept dat aantoont dat het mogelijk is dat AI veel van onze langetermijngezondheidspatronen leert en deze informatie gebruikt om zinvolle voorspellingen te genereren”, zegt Ewan Birney, interim-directeur van EMBL.
“Door te modelleren hoe ziekten zich in de loop van de tijd ontwikkelen, kunnen we beginnen te onderzoeken wanneer bepaalde risico’s zich voordoen en hoe vroegtijdige interventies het best kunnen worden gepland. Dat is een grote stap in de richting van meer gepersonaliseerde en preventieve benaderingen in de gezondheidszorg”, voegt hij eraan toe.
Hoewel toekomstige versies mogelijk meer soorten gezondheidsinformatie zullen bevatten en zullen bijdragen aan de verbetering van gepersonaliseerde zorg, waarschuwen de auteurs dat het huidige model de vertekeningen weerspiegelt van de gegevens waarmee het is getraind en dat de voorspellingen ervan niet mogen worden gebruikt voor directe medische beslissingen zonder verdere tests.
AI biedt krachtige tools voor het identificeren van patronen in het ziekteverloop door het analyseren van grote datasets uit patiëntendossiers, maar het volledige potentieel van deze modellen, met name op populatieniveau, is nog grotendeels onontgonnen terrein.
In dit verband is Delphi-2M getraind om patronen te herkennen in het voorkomen van bepaalde ziekten in relatie tot andere gebeurtenissen in de patiëntendossiers, zoals factoren die verband houden met levensstijl en andere gezondheidsaandoeningen.
“Medische gebeurtenissen volgen vaak voorspelbare patronen. Ons model leert deze patronen en kan toekomstige gezondheidsresultaten voorspellen. Het stelt ons in staat om op basis van iemands medische geschiedenis en andere belangrijke factoren te onderzoeken wat er zou kunnen gebeuren”, zegt Tom Fitzgerald, wetenschapper bij het Europees Instituut voor Bio-informatica van het EMBL (EMBL-EBI).
Volgens de auteurs werkt het model bijzonder goed bij ziekten met duidelijke en consistente verloopspatronen, zoals bepaalde soorten kanker, hartaanvallen en sepsis (bloedvergiftiging).
Bij meer variabele ziekten, zoals psychische stoornissen of complicaties in verband met een zwangerschap, die afhankelijk zijn van onvoorspelbare levensgebeurtenissen, is het echter minder betrouwbaar.
Net als bij weersvoorspellingen levert dit nieuwe AI-model waarschijnlijkheden op, geen zekerheden. Het voorspelt niet precies wat er met een persoon zal gebeuren, maar geeft goed gekalibreerde schattingen van de waarschijnlijkheid dat bepaalde ziekten binnen een bepaalde periode zullen optreden, waarschuwt de studie.
“Het is belangrijk om te benadrukken dat het geen zekerheid is, maar een inschatting van de potentiële risico’s”, benadrukt Fitzgerald.
Bovendien vertoont het model demografische vertekeningen als gevolg van hiaten in de trainingsgegevens, zoals de geringe vertegenwoordiging van bepaalde etnische groepen.
Hoewel het model nog niet klaar is voor klinisch gebruik, kunnen onderzoekers het al gebruiken om te begrijpen hoe ziekten ontstaan en zich ontwikkelen, om te onderzoeken hoe levensstijl en eerdere ziekten het risico op langdurige ziekten beïnvloeden, en om gezondheidsresultaten te simuleren op basis van kunstmatige patiëntgegevens in situaties waarin het moeilijk is om gegevens uit de echte wereld te verkrijgen of te raadplegen.
“Dit is het begin van een nieuwe manier om de menselijke gezondheid en het verloop van ziekten te begrijpen”, concludeert Moritz Gerstung, hoofd van de afdeling AI in de oncologie bij het DKFZ en voormalig groepsleider bij EMBL-EBI.
Bron: agentschappen
