L'intelligence artificielle (IA) révolutionne la médecine. Il y a quelques années, les modèles analysant les données de santé se limitaient à prédire la probabilité d'une maladie spécifique en fonction de variables individuelles. Aujourd'hui, les algorithmes inspirés par l'IA Transformateurs Les chatbots qui donnent vie aux chatbots s'adaptent pour apprendre simultanément l'évolution naturelle de nombreuses maladies. Cette avancée ouvre la voie à une nouvelle approche de la prévention : anticiper l'apparition de plus d'un millier de diagnostics en fonction des antécédents médicaux, du mode de vie et du contexte social de chaque personne. Dans cet article, nous explorons le fonctionnement du modèle Delphi-2M, ses résultats et ses limites, ainsi que ses implications pour la nutrition personnalisée et la santé publique.

Qu’est-ce qu’un transformateur génératif et comment s’applique-t-il aux soins de santé ?

Le Transformateurs Les réseaux neuronaux utilisent une architecture attentionnelle pour analyser des séquences de données et prédire leur prochain élément. Leur application la plus connue est la modélisation du langage, qui génère du texte cohérent. Cette capacité à reconnaître des schémas temporels est également utile pour comprendre l'évolution de la santé tout au long de la vie. La progression des maladies est influencée par une mosaïque de facteurs génétiques, environnementaux et liés au mode de vie, et se manifeste par des diagnostics qui s'accumulent au fil du temps [559897564668818†L49-L69] . Un transformateur peut représenter cette évolution sous la forme d'une séquence d'événements codés selon la Classification internationale des maladies (CIM-10), en utilisant un codage temporel basé sur l'âge et en étendant le modèle pour prédire à la fois le type d'événement et l'intervalle avant qu'il ne survienne [559897564668818†L163-L176] .

Delphi‑2M est une version adaptée de GPT qui intègre ces améliorations. Elle remplace le codage positionnel classique par un codage continu basé sur l'âge, vous permet de prédire le moment exact du prochain diagnostic en utilisant un modèle de attente exponentielle, et ajoute des masques d'attention qui évitent toute confusion dans l'algorithme lorsque plusieurs événements sont enregistrés au même âge [559897564668818†L163-L176] De plus, il intègre des jetons représentant le sexe, l'indice de masse corporelle (IMC) et la consommation de tabac et d'alcool, utilisés comme données d'entrée, mais non prédits [559897564668818†L148-L176]

Delphi-2M : Formation et performance de cohortes massives

Pour former Delphi-2M, les chercheurs ont utilisé les dossiers médicaux de 402 799 participants à la Biobank du Royaume-Uni et validé le modèle en 1,93 million de personnes à partir des dossiers médicaux danois. La cohorte britannique a été divisée en 80 % pour la formation et 20 % pour la validation des hyperparamètres [559897564668818†L153-L160]. Le modèle fonctionne avec un vocabulaire de 1 258 jetons, notamment les diagnostics de niveau supérieur de la CIM-10, le sexe, les catégories d'IMC, la consommation de tabac et d'alcool, ainsi que les événements « sans maladie » qui aident à calibrer le modèle sur les périodes sans diagnostic [559897564668818†L148-L176]. Le modèle final comportait environ 2,2 millions de paramètres, 12 couches et 12 têtes d'attention, une taille optimale selon les lois d'échelle observées dans l'étude [559897564668818†L185-L195]

Les résultats démontrent que le modèle prédit avec précision le prochain diagnostic pour un large éventail de maladies. Dans les données de validation interne, l'aire sous la courbe (ASC) était d'environ 0,76, et plus de 97 diagnostics présentaient une ASC supérieure à 0,5 [559897564668818†L220-L232] . Le modèle a montré des différences selon le chapitre de la CIM-10 : certaines maladies, comme l'asthme ou l'arthrose, ont une marge de prédiction étroite, tandis que d'autres, comme le sepsis ou le décès, présentent une grande variabilité interindividuelle [559897564668818†L220-L225] . Pour les horizons allant jusqu'à dix ans, l'AUC reste proche de 0,70, ce qui suggère qu'elle est également utile pour les prévisions à long terme【559897564668818†L246-L248】.

Les performances de Delphi-2M sont comparables, voire supérieures, à celles de nombreux algorithmes de prédiction clinique existants. L'étude a révélé que le modèle correspond, voire surpasse, les équations de Framingham et d'autres scores de risque cardiovasculaire, qu'il se rapproche des modèles de démence et qu'il surpasse un algorithme utilisant 67 biomarqueurs pour prédire divers diagnostics [559897564668818†L252-L269]. La précision a légèrement diminué lorsqu'elle a été appliquée aux données danoises (ASC moyenne de 0,67), mais les prédictions entre les deux cohortes étaient fortement corrélées [559897564668818†L1218-L1230], ce qui indique que de nombreux schémas appris reflètent l'évolution réelle de la multimorbidité.

Génération de trajectoires de santé et estimation de la charge de morbidité

Un avantage unique de Delphi-2M est sa nature génératifContrairement aux modèles conventionnels, cette étude permet de simuler les trajectoires de santé futures à partir des antécédents médicaux actuels. Cela permet d'estimer les taux de maladies multiples et leur charge cumulative sur des périodes allant jusqu'à 20 ans. Dans le cadre de cette étude, des trajectoires ont été générées pour plus de 63 000 participants à partir de leurs antécédents médicaux jusqu'à 60 ans ; les incidences prédites de maladies entre 70 et 75 ans étaient remarquablement cohérentes avec celles observées dans la population réelle.

La possibilité de échantillon de données synthétiques Cela a des implications importantes pour la recherche. Cela permet la création d'ensembles de données qui préservent les cooccurrences statistiques des maladies sans exposer les dossiers personnels, facilitant ainsi le développement d'autres modèles d'IA présentant un risque moindre de violation de la vie privée. [559897564668818†L1470-L1479] Du point de vue de la santé publique, ces trajectoires pourraient aider à anticiper la demande de services de santé, à optimiser les campagnes de prévention et à adapter les programmes de dépistage. Pour une nutrition personnalisée, l'estimation de la probabilité future de troubles métaboliques ou cardiovasculaires pourrait guider les interventions précoces en matière d'alimentation et de mode de vie.

Préjugés et limites : pourquoi devons-nous être prudents ?

Delphi-2M n'est pas sans limites. Le modèle apprend des données disponibles et reproduit leurs biais. La Biobank britannique inclut principalement des participants âgés de 40 à 70 ans ; les personnes plus jeunes et celles décédées avant le recrutement sont sous-représentées, ce qui crée un biais de « temps immortel » et sous-estime la mortalité précoce. La cohorte britannique comprend également une proportion plus élevée de personnes ayant un niveau d'éducation et de revenus plus élevé, ce qui entraîne un biais de « volontariat sain » et une prévalence plus faible de certains diagnostics.

La source des données influence les prédictions. Les dossiers de soins primaires concernent principalement les maladies courantes, tandis que les données hospitalières enregistrent des affections graves comme l'infarctus du myocarde ou le sepsis. Lorsqu'un diagnostic n'apparaît que dans un seul contexte (par exemple, un hôpital), le modèle peut en déduire que d'autres diagnostics hospitaliers augmentent sa probabilité, même lorsque cette relation est un artefact du système d'enregistrement. Cet effet peut multiplier par huit le taux de sepsis chez les personnes ayant subi un autre événement hospitalier.

De plus, le modèle prédit des taux différents selon l'ascendance et l'indice de privation, et ne détecte pas de tendances claires entre le mode de vie et l'année de naissance [559897564668818†L1494-L1501]. Ces observations soulignent l'importance de disposer de données représentatives et d'évaluer l'équité des algorithmes. Delphi-2M ne prend pas non plus en compte les informations génomiques, métabolomiques ou issues des appareils portables, qui pourraient améliorer l'individualisation des prédictions [559897564668818†L1505-L1513].

Applications en nutrition et mode de vie personnalisés

La capacité à prédire l'évolution de multiples pathologies offre de nouvelles perspectives en matière de nutrition de précision. Connaître la probabilité de développer un diabète de type 2 ou une maladie cardiovasculaire au cours des deux prochaines décennies permet de concevoir des programmes personnalisés de nutrition et d'activité physique. Des outils tels que Oorenji et notre plateforme Mefood Omics Ils utilisent déjà des algorithmes pour recommander des menus équilibrés en fonction des antécédents médicaux, du microbiome et des habitudes alimentaires. L'intégration de modèles génératifs tels que Delphi-2M avec caloo.application ou avec Foodomique Cela permettrait d'anticiper les besoins nutritionnels et de compléter l'alimentation avec des micronutriments spécifiques. De plus, la simulation de trajectoire pourrait aider à identifier les périodes optimales d'intervention avant l'apparition des symptômes.

Il est important de souligner qu'aucune prédiction ne remplace l'avis médical ni ne justifie des décisions hâtives en matière de santé. L'IA peut fournir des conseils, mais seul un professionnel peut interpréter les risques en fonction du contexte de chaque individu. De plus, des facteurs tels que le stress, le sommeil et le contexte socio-économique influencent la santé et doivent être abordés de manière globale. Des plateformes telles que recettes.oorenji.com Ils proposent des recettes saines et éducatives qui peuvent accompagner tout plan préventif.

Conclusion et appel à l'action

Delphi-2M démontre que les transformateurs génératifs peuvent apprendre l'histoire naturelle des maladies et prédire les risques à grande échelle [559897564668818†L1453-L1470]. Ce modèle surpasse de nombreux algorithmes traditionnels et permet de simuler des trajectoires de santé, mais il met également en évidence les biais inhérents aux données et la nécessité d'une évaluation éthique rigoureuse [559897564668818†L1492-L1503]. Pour les professionnels de la nutrition, l'IA ouvre un champ prometteur : allier la prédiction des risques à des interventions diététiques personnalisées.

Si vous souhaitez en savoir plus sur la façon dont les nouvelles technologies peuvent vous aider à améliorer votre santé, visitez nos ressources sur Mefood Omics et explore des solutions à OorenjiN'oubliez pas qu'adopter des habitudes saines, maintenir une alimentation équilibrée et faire de l'exercice restent des piliers fondamentaux de la prévention des maladies. L'IA est un allié puissant, mais votre engagement est irremplaçable.

Références

1. Shmatko A. et al. Apprendre l'histoire naturelle des maladies humaines grâce aux transformateurs génératifs – Nature
2. Conroy G. Quelles maladies aurez-vous dans 20 ans ? Cette IA prédit précisément vos risques – Nature News
3. Gregory A. Un nouvel outil d'IA peut prédire le risque d'une personne de contracter plus de 1 000 maladies – The Guardian