Onderzoekers van het Duitse Cancer Research Center hebben een kunstmatig intelligentiemodel ontwikkeld, Delphi-2M, dat het risico van een individu voor meer dan 1.000 ziekten tot twee decennia in de toekomst kan voorspellen met behulp van medische dossiers. Deze ontwikkeling sluit aan bij een bredere verschuiving in gezondheidszorg van reactieve behandeling naar proactieve preventie. Hoewel algoritmen zijn gecreëerd om het risico van enkele voorwaarden te voorspellen, zijn ziekten vaak met elkaar verbonden. Een uitgebreid model dat deze complexiteit kan verklaren, kan de vroege behandeling informeren, gerichte screening verbeteren en personen met een hoog risico identificeren die anders over het hoofd kunnen worden gezien.
Hoe Delphi-2m werkt
Het Delphi-2M-model is een groot taalmodel (LLM), vergelijkbaar met de technologie achter tekstgenererende chatbots. In plaats van te worden getraind op internettekst, werd het ontwikkeld door meer dan 400.000 uitgebreide medische dossiers van de Britse biobank te verwerken. Deze klinische gegevens werden aangevuld met lifestyle -informatie, zoals body mass index en rookstatus. Het model behandelt de medische geschiedenis van een patiënt als een opeenvolging van ‘ziektetokens’, waarbij elke diagnostische code een stap in een mogelijke ziekteprogressie vertegenwoordigt. Door deze sequenties te analyseren, leert de AI de statistische patronen van hoe verschillende omstandigheden in contact komen en elkaar in de loop van de tijd volgen. Een belangrijk kenmerk is het vermogen om voorspellingen dynamisch opnieuw te evalueren. Wanneer nieuwe informatie, zoals een recent bloedtestresultaat, wordt toegevoegd, kan het model zijn risicoberekeningen voor die persoon bijwerken, waardoor continue gezondheidsmonitoring mogelijk is.
Prestaties en validatie
Bij prestatie-evaluaties kwam Delphi-2M overeen met de nauwkeurigheid van de vastgestelde klinische risicoscores voor de meerderheid van de 1.258 ziekten waarop het was getraind. Het presteerde ook beter dan andere gespecialiseerde medische AI -voorspellers die zijn ontworpen om enkele ziekten te voorspellen. Het model bleek bijzonder effectief bij het voorspellen van het langeafstandsrisico op hart- en vaatziekten en dementie, wat een grotere nauwkeurigheid vertoonde dan sommige op biomarkers gebaseerde modellen, zelfs wanneer ze twee decennia in de toekomst voorspellen. Het model had echter moeite om de omstandigheden nauwkeurig te voorspellen met meer variabele trajecten die sterk worden beïnvloed door levensstijlveranderingen, zoals diabetes type 2. Dit duidt op een beperking in zijn vermogen om rekening te houden met factoren die niet consistent zijn vastgelegd in elektronische gezondheidsdossiers. Om zijn robuustheid te testen, hebben de onderzoekers het model toegepast op het Deense nationale patiëntregister, dat archieven bevat voor bijna twee miljoen burgers. Ondanks verschillen in de populaties en gezondheidszorgsystemen, bleef de voorspellingsnauwkeurigheid van het model hoog, wat suggereert dat het fundamentele principes van de progressie van menselijke ziekten leerde.
Ethisch ontwerp en toekomstige toepassingen
Delphi-2M is ontworpen met praktische en ethische overwegingen in gedachten. Het kan leren van synthetische medische dossiers om de privacy van de patiënt te beschermen en is een “verklaarbare” AI, wat betekent dat het een reden kan bieden voor zijn voorspellingen door gerelateerde aandoeningen en symptomen te clusteren. De onderzoekers benadrukken dat het model statistische associaties identificeert, geen oorzakelijk verband. Het model is gebouwd met een modulair ontwerp om in de toekomst extra gegevenstypen op te nemen, zoals genomics, diagnostische beeldvorming en gegevens van draagbare apparaten. Momenteel wordt de tool getest in andere landen met verschillende populaties. In zijn huidige vorm zou het in klinische omgevingen kunnen worden gebruikt om personen te identificeren die zouden profiteren van vroege screening, zelfs als ze niet aan traditionele criteria voldoen.
Deskundige ontvangst
Het model is positief ontvangen door experts die niet bij het onderzoek betrokken zijn. Justin Stebbing, een professor aan de Anglia Ruskin University, noemde de tool “een prestatie” die “een nieuwe standaard stelt voor zowel voorspellende nauwkeurigheid als interpreteerbaarheid.” Gustavo Sudre, een onderzoeker aan King’s College London, beschreef het onderzoek als:
“Een belangrijke stap in de richting van schaalbare, interpreteerbare en – vooral – ethisch verantwoorde vorm van voorspellende modellering in de geneeskunde.”
