A intelixencia artificial (IA) está a revolucionar a medicina. Hai uns anos, os modelos que analizaban datos de saúde limitábanse a predicir a probabilidade dunha enfermidade específica en función de variables individuais. Hoxe en día, os algoritmos inspirados na IA Transformadores Os chatbots que lles dan vida están a adaptarse para aprender o curso natural de moitas enfermidades á vez. Este avance abre a porta a unha nova maneira de abordar a prevención: anticipar a aparición de máis de mil diagnósticos baseándose no historial médico, o estilo de vida e o contexto social de cada persoa. Neste artigo, exploramos o funcionamento do modelo Delphi-2M, os seus resultados e limitacións, así como as súas implicacións para a nutrición personalizada e a saúde pública.

Que é un transformador xerativo e como se aplica á atención sanitaria?

O Transformadores son redes neuronais que, empregando unha arquitectura de atención, analizan secuencias de datos para predicir o seguinte elemento da secuencia. A súa aplicación máis coñecida son os modelos de linguaxe que xeran texto coherente. Esta capacidade de recoñecer patróns temporais tamén é útil para comprender como evoluciona a saúde ao longo da vida. A progresión da enfermidade está influenciada por un mosaico de factores xenéticos, ambientais e de estilo de vida, e maniféstase en diagnósticos que se acumulan ao longo do tempo【559897564668818†L49-L69】. Un transformador pode representar esta evolución como unha secuencia de eventos codificados mediante a Clasificación Internacional de Enfermidades (CIE-10), empregando codificación temporal baseada na idade e ampliando o modelo para predicir tanto o tipo de evento como o intervalo ata que se produce【559897564668818†L163-L176】.

Delphi-2M é unha versión adaptada de GPT que integra estas melloras. Substitúe a codificación posicional clásica por unha codificación continua baseada na idade, permíteche predicir o momento exacto do seguinte diagnóstico usando un modelo de espera exponenciale engade máscaras de atención que evitan que o algoritmo se confunda cando se rexistran varios eventos á mesma idade【559897564668818†L163-L176】. Ademais, incorpora tokens que representan o sexo, o índice de masa corporal (IMC) e o consumo de tabaco e alcol, que se usan como entrada pero non se predín【559897564668818†L148-L176】.

Delphi-2M: Adestramento e rendemento de cohortes masivas

Para adestrar o Delphi-2M, os investigadores empregaron os rexistros médicos de 402.799 participantes do biobanco do Reino Unido e validou o modelo en 1,93 millóns de persoas a partir de rexistros sanitarios dinamarqueses. A cohorte do Reino Unido dividiuse en 80 % para o adestramento e 20 % para a validación de hiperparámetros【559897564668818†L153-L160】. O modelo funciona cun vocabulario de 1258 tokens que inclúe diagnósticos de nivel superior da CIE-10, sexo, categorías de IMC, consumo de tabaquismo e alcol, así como eventos "libres de enfermidades" que axudan a calibrar o modelo a períodos de tempo libres de diagnóstico【559897564668818†L148-L176】. O modelo final tiña aproximadamente 2,2 millóns de parámetros, 12 capas e 12 cabezas de atención, un tamaño que era óptimo segundo as leis de escala observadas no estudo【559897564668818†L185-L195】.

Os resultados demostran que o modelo predí con precisión o seguinte diagnóstico para unha ampla gama de enfermidades. Nos datos de validación interna, a área baixo a curva (AUC) foi de arredor de 0,76 e máis de 97 diagnósticos tiveron unha AUC superior a 0,5【559897564668818†L220-L232】. O modelo mostrou diferenzas por capítulo da CIE-10: algunhas enfermidades, como a asma ou a osteoartrite, teñen unha marxe de predición estreita, mentres que outras, como a sepse ou a morte, mostran unha ampla variabilidade interindividual【559897564668818†L220-L225】. Para horizontes de ata dez anos, a AUC mantense preto de 0,70, o que suxire que tamén é útil para previsións a longo prazo【559897564668818†L246-L248】.

O rendemento de Delphi-2M é comparable ou superior a moitos dos algoritmos de predición clínica existentes. O estudo descubriu que o modelo coincide ou supera as ecuacións de Framingham e outras puntuacións de risco cardiovascular, aproxímase os modelos de demencia e supera un algoritmo que usa 67 biomarcadores para predicir varios diagnósticos【559897564668818†L252-L269】. A precisión diminuíu lixeiramente cando se aplicou a datos dinamarqueses (AUC media 0,67), pero as predicións entre as dúas cohortes estaban altamente correlacionadas【559897564668818†L1218-L1230】, o que indica que moitos dos patróns aprendidos reflicten a verdadeira evolución da multimorbilidade.

Xeración de traxectorias de saúde e estimación da carga de morbilidade

Unha vantaxe única de Delphi-2M é a súa natureza xerativoA diferenza dos modelos convencionais, pode simular traxectorias de saúde futuras baseándose no historial médico actual. Isto permite estimar as taxas de múltiples enfermidades e a carga acumulada de morbilidade durante períodos de ata 20 anos. No estudo, xeráronse traxectorias para máis de 63.000 participantes baseándose no seu historial médico ata os 60 anos; as incidencias de enfermidades previstas entre os 70 e os 75 anos foron notablemente consistentes coas observadas na poboación do mundo real.

A posibilidade de datos sintéticos de mostra Isto ten importantes implicacións para a investigación. Permite a creación de conxuntos de datos que preservan as coocorrencias estatísticas de enfermidades sen expoñer rexistros persoais, o que facilita o desenvolvemento doutros modelos de IA cun menor risco de violacións da privacidade. [559897564668818†L1470-L1479] Desde unha perspectiva de saúde pública, estas traxectorias poderían axudar a anticipar a demanda de servizos sanitarios, optimizar as campañas de prevención e adaptar os programas de cribado. Para a nutrición personalizada, a estimación da probabilidade futura de trastornos metabólicos ou cardiovasculares podería orientar as intervencións temperás na dieta e no estilo de vida.

Prexuízos e limitacións: por que debemos ser cautelosos

Delphi-2M non está exento de limitacións. O modelo aprende dos datos dispoñibles e reproduce os seus sesgos. O Biobanco do Reino Unido inclúe principalmente participantes de entre 40 e 70 anos; as persoas máis novas e as que faleceron antes do recrutamento están infrarrepresentadas, o que crea un sesgo de "tempo inmortal" e subestima a mortalidade temperá. A cohorte do Reino Unido tamén inclúe unha maior proporción de persoas con niveis de educación e ingresos máis altos, o que leva a un "sesgo de voluntariado saudable" e a unha menor prevalencia de certos diagnósticos.

A fonte dos datos inflúe nas predicións. Os rexistros de atención primaria conteñen principalmente enfermidades comúns, mentres que os datos hospitalarios capturan afeccións graves como o infarto de miocardio ou a sepsis. Cando un diagnóstico só aparece nun contexto (por exemplo, un hospital), o modelo pode inferir que outros diagnósticos hospitalarios aumentan a súa probabilidade, mesmo cando esta relación é un artefacto do sistema de rexistro. Este efecto pode multiplicar por oito a taxa de sepsis entre as persoas que sufriron calquera outro evento relacionado co hospital.

Ademais, o modelo predí diferentes taxas dependendo da ascendencia e do índice de privación, e non detecta tendencias claras entre o estilo de vida e o ano de nacemento【559897564668818†L1494-L1501】. Estas observacións destacan a importancia de ter datos representativos e avaliar a xustiza dos algoritmos. Delphi-2M tampouco considera aínda a información xenómica, metabolómica ou de dispositivos portátiles, o que podería mellorar a individualización das predicións【559897564668818†L1505-L1513】.

Aplicacións en nutrición personalizada e estilo de vida

A capacidade de predicir a progresión de múltiples patoloxías ofrece novas oportunidades para a nutrición de precisión. Coñecer a probabilidade de desenvolver diabetes tipo 2 ou enfermidades cardiovasculares nas próximas dúas décadas permite deseñar plans de nutrición e actividade física personalizados. Ferramentas como Oorenji e a nosa plataforma Mefood Omics Xa empregan algoritmos para recomendar menús equilibrados baseados no historial médico, o microbioma e os hábitos alimentarios. Integrando modelos xerativos como Delphi-2M con caloo.app ou con Foodomics Isto permitiría anticipar as necesidades nutricionais e complementar a dieta con micronutrientes específicos. Ademais, a simulación de traxectorias podería axudar a identificar as fiestras óptimas para a intervención antes de que aparezan os síntomas.

É importante salientar que ningunha predición substitúe o consello médico nin xustifica as decisións sanitarias precipitadas. A IA pode proporcionar orientación, pero só un profesional pode interpretar os riscos no contexto de cada individuo. Ademais, factores como o estrés, o sono e o ambiente socioeconómico inflúen na saúde e deben abordarse de forma holística. Plataformas como receitas.oorenji.com Ofrecen receitas saudables e educativas que poden acompañar calquera plan preventivo.

Conclusión e chamada á acción

Delphi-2M demostra que os transformadores xerativos poden aprender a historia natural das enfermidades e predicir riscos a escala【559897564668818†L1453-L1470】. O modelo supera moitos algoritmos tradicionais e permite a simulación de traxectorias de saúde, pero tamén destaca os sesgos inherentes nos datos e a necesidade dunha avaliación ética rigorosa【559897564668818†L1492-L1503】. Para os profesionais da nutrición, a IA abre un campo prometedor: unir a predición de riscos con intervencións dietéticas personalizadas.

Se queres saber máis sobre como as novas tecnoloxías poden axudarche a mellorar a túa saúde, visita os nosos recursos en Mefood Omics e explora solucións para OorenjiLembra que adoptar hábitos saudables, manter unha dieta equilibrada e facer exercicio seguen sendo piares fundamentais para a prevención de enfermidades. A IA é unha poderosa aliada, pero o teu compromiso é irremplazable.

Referencias

1. Shmatko A. et al. Aprendendo a historia natural das enfermidades humanas con transformadores xerativos – Nature
2. Conroy G. Que enfermidades terás dentro de 20 anos? Esta IA predí con precisión os teus riscos – Nature News
3. Gregory A. Unha nova ferramenta de IA pode predicir o risco dunha persoa de sufrir máis de 1.000 enfermidades – The Guardian