پژوهشگران در مرکز EMBL-EBI کمبریج و مرکز تحقیقات سرطان آلمان (DKFZ) از مدل هوش مصنوعی Delphi-2M رونمایی کردهاند که خطر بروز بیش از هزار بیماری را پیشبینی میکند.
به گزارش تکناک و به نقل از نشریه Nature، این مدل مبتنی بر معماری ترنسفورمر، توالیهای تشخیصی و اطلاعات پایه سلامت را از پایگاههای داده بزرگ فرا گرفته است و احتمال وقوع بیماریها و زمان احتمالی بروز آنها را تخمین میزند.
مدل Delphi-2M ابتدا با دادههای بیش از ۴۰۰ هزار داوطلب در پایگاه UK Biobank آموزش دید و سپس بدون نیاز به تنظیم مجدد روی دادههای ۱.۹۳ میلیون نفر در سامانه ملی سلامت دانمارک آزمایش شد.
این مدل بهجای پردازش واژهها، رویدادهای پزشکی افراد را روی یک خط زمانی تحلیل میکند. ورودیها شامل سابقه تشخیصی بر اساس کدهای ICD-10 به همراه سن بروز، جنسیت، شاخص توده بدنی، وضعیت مصرف دخانیات و الکل هستند. خروجی مدل، نرخ خطر روزانه برای هر بیماری و حتی مرگ است. همچنین میتواند زمان احتمالی رخداد بعدی و سناریوهای آینده را شبیهسازی کند.
مدل هوش مصنوعی Delphi-2M در آزمایشهای داخلی، عملکردی بسیار بالاتر از شانس تصادفی نشان داد و در پیشبینی مرگومیر کوتاهمدت دقت ویژهای داشت. هرچند در افقهای زمانی طولانیتر دقت کاهش یافت، اما روندهای کلی تا ۱۰ سال همچنان معتبر ماند. آزمایش روی دادههای دانمارکی نیز تنها افت جزئی در کارایی نشان داد، که بیانگر قابلیت تعمیمپذیری این رویکرد است.
کاربرد فوری این مدل در حوزه برنامهریزی سلامت عمومی مطرح شده است، چرا که میتواند بار بیماریها را در سطح منطقهای یا جمعیتی، دقیقتر برآورد کند. پژوهشگران برای استفاده فردی، بازهای پنج تا ده ساله را به دلیل موانع نظارتی متصور هستند.
مدل هوش مصنوعی Delphi-2M در بیماریهایی با الگوهای مشخص مانند: بیماریهای قلبی-عروقی، دیابت و سپسیس بهترین نتایج را ارائه داد. در مقابل، برای بیماریهای نادر مادرزادی یا اختلالاتی که تحتتأثیر عوامل محیطی قرار دارند، دقت پایینتری داشت. تیم تحقیقاتی قصد دارد در آینده، دادههای ژنومیک و پروتئومیک را نیز به مدل اضافه کند.
با وجود این، پژوهشگران به محدودیتها نیز اشاره کردهاند. دادههای UK Biobank بیشتر شامل افراد سالمتر و تحصیلکرده در بازه سنی ۴۰ تا ۷۰ سال است و گروههای مسنتر یا مرگهای پیش از ثبتنام در آن دیده نمیشوند. همچنین منابع متنوع تشخیصی از خوداظهاری تا بیمارستانها باعث ایجاد سوگیری در نتایج میشود؛ به عنوان مثال، در مورد سپسیس که ۹۳ درصد کدگذاری بیمارستانی دارد، مدل در بیماران بستریشده تا هشت برابر بیشتر آن را پیشبینی کرد.
به همین دلیل نویسندگان هشدار میدهند که نباید این مدل را جایگزین قضاوت بالینی دانست و صرفاً باید به عنوان ابزاری مکمل و اثبات مفهوم به آن نگاه کرد.
