L'intelligenza artificiale (IA) sta rivoluzionando la medicina. Fino a pochi anni fa, i modelli che analizzavano i dati sanitari si limitavano a prevedere la probabilità di una specifica malattia sulla base di variabili individuali. Oggi, algoritmi ispirati all'IA Trasformatori I chatbot che danno vita ai chatbot si stanno adattando per apprendere il decorso naturale di molte malattie contemporaneamente. Questa svolta apre le porte a un nuovo approccio alla prevenzione: anticipare l'insorgenza di oltre mille diagnosi in base alla storia clinica, allo stile di vita e al contesto sociale di ogni persona. In questo articolo, esploriamo il funzionamento del modello Delphi-2M, i suoi risultati e limiti, nonché le sue implicazioni per la nutrizione personalizzata e la salute pubblica.

Cos'è un trasformatore generativo e come si applica all'assistenza sanitaria?

IL Trasformatori Sono reti neurali che, utilizzando un'architettura di attenzione, analizzano sequenze di dati per predire l'elemento successivo nella sequenza. La loro applicazione più nota sono i modelli linguistici che generano testo coerente. Questa capacità di riconoscere modelli temporali è utile anche per comprendere come la salute si evolve nel corso della vita. La progressione della malattia è influenzata da un mosaico di fattori genetici, ambientali e legati allo stile di vita e si manifesta in diagnosi che si accumulano nel tempo【559897564668818†L49-L69】. Un trasformatore può rappresentare questa evoluzione come una sequenza di eventi codificati utilizzando la Classificazione Internazionale delle Malattie (ICD-10), utilizzando una codifica temporale basata sull'età ed estendendo il modello per prevedere sia il tipo di evento che l'intervallo di tempo fino al suo verificarsi【559897564668818†L163-L176】.

Delphi-2M è una versione adattata di GPT che integra questi miglioramenti. Sostituisce la classica codifica posizionale con una codifica continua basata sull'età, consente di prevedere il momento esatto della prossima diagnosi utilizzando un modello di attesa esponenzialee aggiunge maschere di attenzione che impediscono che l'algoritmo venga confuso quando vengono registrati più eventi alla stessa età【559897564668818†L163-L176】. Inoltre, incorpora token che rappresentano sesso, indice di massa corporea (BMI), consumo di tabacco e alcol, che vengono utilizzati come input ma non previsti【559897564668818†L148-L176】.

Delphi-2M: addestramento e performance di coorti su larga scala

Per addestrare Delphi-2M, i ricercatori hanno utilizzato le cartelle cliniche di 402.799 partecipanti alla biobanca del Regno Unito e convalidato il modello in 1,93 milioni di persone da cartelle cliniche danesi. La coorte del Regno Unito è stata suddivisa in 80 % per l'addestramento e 20 % per la convalida degli iperparametri [559897564668818†L153-L160]. Il modello funziona con un vocabolario di 1.258 token, tra cui diagnosi di livello superiore ICD-10, sesso, categorie di BMI, fumo e consumo di alcol, nonché eventi "senza malattia" che aiutano a calibrare il modello su periodi di tempo senza diagnosi [559897564668818†L148-L176]. Il modello finale aveva circa 2,2 milioni di parametri, 12 strati e 12 teste di attenzione, una dimensione ottimale secondo le leggi di scala osservate nello studio【559897564668818†L185-L195】.

I risultati dimostrano che il modello predice accuratamente la diagnosi successiva per un'ampia gamma di patologie. Nei dati di validazione interna, l'area sotto la curva (AUC) era di circa 0,76 e più di 97 diagnosi presentavano un'AUC superiore a 0,5【559897564668818†L220-L232】. Il modello ha mostrato differenze per capitolo ICD‑10: alcune patologie, come l'asma o l'osteoartrite, hanno un margine di predizione ristretto, mentre altre, come la sepsi o il decesso, mostrano un'ampia variabilità interindividuale【559897564668818†L220-L225】. Per orizzonti fino a dieci anni, l'AUC rimane vicino a 0,70, il che suggerisce che è utile anche per le previsioni a lungo termine【559897564668818†L246-L248】.

Le prestazioni di Delphi-2M sono paragonabili o superiori a molti algoritmi di previsione clinica esistenti. Lo studio ha rilevato che il modello eguaglia o supera le equazioni di Framingham e altri punteggi di rischio cardiovascolare, approssima i modelli di demenza e supera un algoritmo che utilizza 67 biomarcatori per predire varie diagnosi【559897564668818†L252-L269】. L'accuratezza è leggermente diminuita quando applicata ai dati danesi (AUC media 0,67), ma le previsioni tra le due coorti erano altamente correlate【559897564668818†L1218-L1230】, indicando che molti dei modelli appresi riflettono la reale evoluzione della multimorbilità.

Generazione di traiettorie sanitarie e stima del carico di malattia

Un vantaggio unico di Delphi-2M è la sua natura generativoA differenza dei modelli convenzionali, è in grado di simulare traiettorie di salute future basate sulla storia clinica attuale. Ciò consente di stimare i tassi di molteplici patologie e il carico cumulativo della malattia su periodi fino a 20 anni. Nello studio, sono state generate traiettorie per oltre 63.000 partecipanti in base alla loro storia clinica fino all'età di 60 anni; l'incidenza prevista delle malattie tra i 70 e i 75 anni era notevolmente coerente con quella osservata nella popolazione reale.

La possibilità di dati sintetici campione Ciò ha importanti implicazioni per la ricerca. Consente la creazione di set di dati che preservano le co-occorrenze statistiche delle malattie senza esporre i dati personali, facilitando lo sviluppo di altri modelli di intelligenza artificiale con un rischio inferiore di violazioni della privacy. [559897564668818†L1470-L1479] Dal punto di vista della salute pubblica, queste traiettorie potrebbero aiutare ad anticipare la domanda di servizi sanitari, ottimizzare le campagne di prevenzione e adattare i programmi di screening. Per la nutrizione personalizzata, la stima della probabilità futura di disturbi metabolici o cardiovascolari potrebbe guidare interventi precoci su dieta e stile di vita.

Pregiudizi e limitazioni: perché dovremmo essere cauti

Delphi-2M non è esente da limiti. Il modello apprende dai dati disponibili e ne riproduce i bias. La UK Biobank include principalmente partecipanti di età compresa tra 40 e 70 anni; gli individui più giovani e quelli deceduti prima del reclutamento sono sottorappresentati, creando un bias del "tempo immortale" e sottostimando la mortalità precoce. La coorte del Regno Unito include anche una percentuale maggiore di individui con livelli di istruzione e reddito più elevati, il che porta a un "bias del volontario sano" e a una minore prevalenza di determinate diagnosi.

La fonte dei dati influenza le previsioni. Le cartelle cliniche di assistenza primaria contengono principalmente patologie comuni, mentre i dati ospedalieri registrano patologie gravi come l'infarto del miocardio o la sepsi. Quando una diagnosi compare solo in un contesto (ad esempio, un ospedale), il modello può dedurre che altre diagnosi ospedaliere ne aumentino la probabilità, anche quando questa relazione è un artefatto del sistema di registrazione. Questo effetto può aumentare di otto volte il tasso di sepsi tra le persone che hanno avuto altri eventi correlati all'ospedale.

Inoltre, il modello prevede tassi diversi a seconda dell'ascendenza e dell'indice di deprivazione e non rileva tendenze chiare tra stile di vita e anno di nascita【559897564668818†L1494-L1501】. Queste osservazioni evidenziano l'importanza di disporre di dati rappresentativi e di valutare l'equità degli algoritmi. Delphi-2M, inoltre, non considera ancora informazioni genomiche, metabolomiche o relative ai dispositivi indossabili, il che potrebbe migliorare l'individualizzazione delle previsioni【559897564668818†L1505-L1513】.

Applicazioni nella nutrizione e nello stile di vita personalizzati

La capacità di prevedere la progressione di molteplici patologie offre nuove opportunità per la nutrizione di precisione. Conoscere la probabilità di sviluppare diabete di tipo 2 o malattie cardiovascolari nei prossimi due decenni consente di progettare piani nutrizionali e di attività fisica personalizzati. Strumenti come Oorenji e la nostra piattaforma Mefood Omics Utilizzano già algoritmi per raccomandare menu bilanciati basati sulla storia clinica, sul microbioma e sulle abitudini alimentari. Integrando modelli generativi come Delphi-2M con caloo.app o con Foodomics Ciò consentirebbe di anticipare i fabbisogni nutrizionali e di integrare la dieta con micronutrienti specifici. Inoltre, la simulazione della traiettoria potrebbe aiutare a identificare finestre temporali ottimali per l'intervento prima della comparsa dei sintomi.

È importante sottolineare che nessuna previsione sostituisce il parere medico né giustifica decisioni affrettate in materia di salute. L'intelligenza artificiale può fornire indicazioni, ma solo un professionista può interpretare i rischi nel contesto di ciascun individuo. Inoltre, fattori come lo stress, il sonno e l'ambiente socioeconomico influenzano la salute e devono essere affrontati in modo olistico. Piattaforme come ricette.oorenji.com Propongono ricette salutari e istruttive che possono accompagnare qualsiasi piano preventivo.

Conclusione e invito all'azione

Delphi-2M dimostra che i trasformatori generativi possono apprendere la storia naturale delle malattie e prevedere i rischi su larga scala【559897564668818†L1453-L1470】. Il modello supera molti algoritmi tradizionali e consente la simulazione di traiettorie di salute, ma evidenzia anche distorsioni intrinseche nei dati e la necessità di una rigorosa valutazione etica【559897564668818†L1492-L1503】. Per i professionisti della nutrizione, l'intelligenza artificiale apre un campo promettente: unire la previsione del rischio con interventi dietetici personalizzati.

Se desideri saperne di più su come le nuove tecnologie possono aiutarti a migliorare la tua salute, visita le nostre risorse su Mefood Omics ed esplora soluzioni per OorenjiRicorda che adottare abitudini sane, mantenere una dieta equilibrata e fare esercizio fisico rimangono pilastri fondamentali della prevenzione delle malattie. L'intelligenza artificiale è un alleato potente, ma il tuo impegno è insostituibile.

Riferimenti

1. Shmatko A. et al. Imparare la storia naturale delle malattie umane con trasformatori generativi – Nature
2. Conroy G. Quali malattie avrai tra 20 anni? Questa intelligenza artificiale prevede accuratamente i tuoi rischi – Nature News
3. Gregory A. Un nuovo strumento di intelligenza artificiale può prevedere il rischio di una persona di contrarre più di 1.000 malattie – The Guardian