A inteligência artificial (IA) está revolucionando a medicina. Há alguns anos, os modelos que analisavam dados de saúde limitavam-se a prever a probabilidade de uma doença específica com base em variáveis individuais. Hoje, algoritmos inspirados em IA Transformadores Os chatbots que dão vida aos chatbots estão se adaptando para aprender o curso natural de muitas doenças simultaneamente. Essa inovação abre caminho para uma nova abordagem de prevenção: antecipar o início de mais de mil diagnósticos com base no histórico médico, estilo de vida e contexto social de cada pessoa. Neste artigo, exploramos o funcionamento do modelo Delphi-2M, seus resultados e limitações, bem como suas implicações para a nutrição personalizada e a saúde pública.

O que é um transformador generativo e como ele se aplica à área da saúde?

O Transformadores são redes neurais que, usando uma arquitetura de atenção, analisam sequências de dados para prever o próximo elemento na sequência. Sua aplicação mais conhecida são modelos de linguagem que geram texto coerente. Essa capacidade de reconhecer padrões temporais também é útil para entender como a saúde evolui ao longo da vida. A progressão da doença é influenciada por um mosaico de fatores genéticos, ambientais e de estilo de vida e se manifesta em diagnósticos que se acumulam ao longo do tempo【559897564668818†L49-L69】. Um transformador pode representar essa evolução como uma sequência de eventos codificados usando a Classificação Internacional de Doenças (CID-10), usando codificação temporal baseada na idade e estendendo o modelo para prever tanto o tipo de evento quanto o intervalo até que ele ocorra【559897564668818†L163-L176】.

Delphi‑2M é uma versão adaptada do GPT que integra essas melhorias. Ele substitui a codificação posicional clássica por uma codificação contínua baseada na idade, permite prever o momento exato do próximo diagnóstico usando um modelo de espera exponencial, e adiciona máscaras de atenção que evitam que o algoritmo seja confundido quando múltiplos eventos são registrados na mesma idade【559897564668818†L163-L176】. Além disso, incorpora tokens representando sexo, índice de massa corporal (IMC), consumo de tabaco e álcool, que são usados como entrada, mas não são previstos【559897564668818†L148-L176】.

Delphi-2M: Treinamento e desempenho de coorte massiva

Para treinar o Delphi‑2M, os pesquisadores usaram registros de saúde de 402.799 participantes do Biobank do Reino Unido e validou o modelo em 1,93 milhões de pessoas de registros de saúde dinamarqueses. A coorte do Reino Unido foi dividida em 80 % para treinamento e 20 % para validação de hiperparâmetros【559897564668818†L153-L160】. O modelo trabalha com um vocabulário de 1.258 tokens, incluindo diagnósticos de nível superior da CID-10, sexo, categorias de IMC, tabagismo e uso de álcool, bem como eventos "sem doença" que ajudam a calibrar o modelo para períodos de tempo sem diagnóstico【559897564668818†L148-L176】. O modelo final tinha aproximadamente 2,2 milhões de parâmetros, 12 camadas e 12 cabeças de atenção, um tamanho que era ótimo de acordo com as leis de escala observadas no estudo【559897564668818†L185-L195】.

Os resultados demonstram que o modelo prevê com precisão o próximo diagnóstico para uma ampla gama de doenças. Nos dados de validação interna, a área sob a curva (AUC) foi de cerca de 0,76, e mais de 97 diagnósticos apresentaram AUC maior que 0,5 [559897564668818†L220-L232]. O modelo apresentou diferenças por capítulo da CID-10: algumas doenças, como asma ou osteoartrite, apresentam margem de predição estreita, enquanto outras, como sepse ou morte, apresentam ampla variabilidade interindividual [559897564668818†L220-L225]. Para horizontes de até dez anos, a AUC permanece próxima de 0,70, sugerindo que também é útil para previsões de longo prazo【559897564668818†L246-L248】.

O desempenho do Delphi-2M é comparável ou superior a muitos algoritmos de predição clínica existentes. O estudo constatou que o modelo corresponde ou supera as equações de Framingham e outros escores de risco cardiovascular, aproxima-se dos modelos de demência e supera um algoritmo que utiliza 67 biomarcadores para prever vários diagnósticos [559897564668818†L252-L269]. A precisão diminuiu ligeiramente quando aplicada aos dados dinamarqueses (AUC média de 0,67), mas as predições entre as duas coortes foram altamente correlacionadas [559897564668818†L1218-L1230], indicando que muitos dos padrões aprendidos refletem a verdadeira evolução da multimorbidade.

Geração de trajetórias de saúde e estimativa de cargas de doenças

Uma vantagem única do Delphi‑2M é sua natureza generativoAo contrário dos modelos convencionais, ele pode simular trajetórias futuras de saúde com base no histórico médico atual. Isso permite estimar as taxas de múltiplas doenças e a carga cumulativa da doença em períodos de até 20 anos. No estudo, foram geradas trajetórias para mais de 63.000 participantes com base em seu histórico médico até os 60 anos; as incidências previstas de doenças entre 70 e 75 anos foram notavelmente consistentes com as observadas na população do mundo real.

A possibilidade de dados sintéticos de amostra Isso tem implicações importantes para a pesquisa. Permite a criação de conjuntos de dados que preservam coocorrências estatísticas de doenças sem expor registros pessoais, facilitando o desenvolvimento de outros modelos de IA com menor risco de violações de privacidade. [559897564668818†L1470-L1479] Do ponto de vista da saúde pública, essas trajetórias podem ajudar a antecipar a demanda por serviços de saúde, otimizar campanhas de prevenção e adaptar programas de triagem. Para nutrição personalizada, estimar a probabilidade futura de distúrbios metabólicos ou cardiovasculares pode orientar intervenções precoces em dieta e estilo de vida.

Vieses e limitações: por que devemos ser cautelosos

O Delphi-2M não é isento de limitações. O modelo aprende com os dados disponíveis e reproduz seus vieses. O Biobanco do Reino Unido inclui principalmente participantes com idades entre 40 e 70 anos; indivíduos mais jovens e aqueles que morreram antes do recrutamento estão sub-representados, criando um viés de "tempo imortal" e subestimando a mortalidade precoce. A coorte do Reino Unido também inclui uma proporção maior de indivíduos com níveis mais elevados de educação e renda, levando a um "viés de voluntariado saudável" e a uma menor prevalência de certos diagnósticos.

A fonte dos dados influencia as previsões. Os registros de atenção primária contêm principalmente doenças comuns, enquanto os dados hospitalares capturam condições graves, como infarto do miocárdio ou sepse. Quando um diagnóstico aparece apenas em um cenário (por exemplo, um hospital), o modelo pode inferir que outros diagnósticos hospitalares aumentam sua probabilidade, mesmo quando essa relação é um artefato do sistema de registro. Esse efeito pode aumentar a taxa de sepse em oito vezes entre pessoas que tiveram qualquer outro evento relacionado ao hospital.

Além disso, o modelo prevê taxas diferentes dependendo da ancestralidade e do índice de privação, e não detecta tendências claras entre estilo de vida e ano de nascimento [559897564668818†L1494-L1501]. Essas observações destacam a importância de se ter dados representativos e avaliar a imparcialidade dos algoritmos. O Delphi-2M também não considera informações genômicas, metabolômicas ou de dispositivos vestíveis, o que poderia melhorar a individualização das previsões [559897564668818†L1505-L1513].

Aplicações em nutrição personalizada e estilo de vida

A capacidade de prever a progressão de múltiplas patologias oferece novas oportunidades para a nutrição de precisão. Conhecer a probabilidade de desenvolver diabetes tipo 2 ou doenças cardiovasculares nas próximas duas décadas permite a elaboração de planos personalizados de nutrição e atividade física. Ferramentas como Oorenji e nossa plataforma Mefood ômicas Eles já utilizam algoritmos para recomendar cardápios balanceados com base no histórico médico, microbioma e hábitos alimentares. Integrando modelos generativos como Delphi-2M com caloo.app ou com Foodômica Isso permitiria antecipar as necessidades nutricionais e suplementar a dieta com micronutrientes específicos. Além disso, a simulação de trajetória poderia ajudar a identificar janelas ideais para intervenção antes do aparecimento dos sintomas.

É importante enfatizar que nenhuma previsão substitui o aconselhamento médico ou justifica decisões precipitadas em relação à saúde. A IA pode fornecer orientação, mas somente um profissional pode interpretar os riscos no contexto de cada indivíduo. Além disso, fatores como estresse, sono e ambiente socioeconômico influenciam a saúde e devem ser abordados de forma holística. Plataformas como receitas.oorenji.com Eles oferecem receitas saudáveis e educativas que podem acompanhar qualquer plano preventivo.

Conclusão e apelo à ação

Delphi-2M demonstra que transformadores generativos podem aprender a história natural de doenças e prever riscos em escala【559897564668818†L1453-L1470】. O modelo supera muitos algoritmos tradicionais e permite a simulação de trajetórias de saúde, mas também destaca vieses inerentes aos dados e a necessidade de uma avaliação ética rigorosa【559897564668818†L1492-L1503】. Para profissionais de nutrição, a IA abre um campo promissor: unir a previsão de risco com intervenções dietéticas personalizadas.

Se você quiser saber mais sobre como as novas tecnologias podem ajudar a melhorar sua saúde, visite nossos recursos em Mefood ômicas e explora soluções para OorenjiLembre-se de que adotar hábitos saudáveis, manter uma alimentação equilibrada e praticar exercícios físicos continuam sendo pilares fundamentais na prevenção de doenças. A IA é uma aliada poderosa, mas seu comprometimento é insubstituível.

Referências

1. Shmatko A. et al. Aprendendo a história natural das doenças humanas com transformadores generativos – Nature
2. Conroy G. Quais doenças você terá em 20 anos? Esta IA prevê seus riscos com precisão – Nature News
3. Gregory A. Nova ferramenta de IA pode prever o risco de uma pessoa desenvolver mais de 1.000 doenças – The Guardian