At lære den naturlige historie med menneskelig sygdom med generative transformatorer

I det hurtigt udviklende felt inden for sundhedsvæsenet er det afgørende at forstå udviklingen af ​​menneskelige sygdomme for effektive behandlings- og forebyggelsesstrategier. En banebrydende undersøgelse med titlen "At lære den naturlige historie med menneskelig sygdom med generative transformere", der er offentliggjort i * Nature * den 17. september 2025, introducerer en innovativ tilgang til modellering af sygdomsprogression ved hjælp af avanceret kunstig intelligens (AI) teknikker.

Introduktion

Undersøgelsen præsenterer Delphi-2M, en generativ foruddannet transformer (GPT) -model designet til at forudsige satserne på over 1.000 sygdomme baseret på en persons medicinske historie. Ved at analysere omfattende datasæt tilbyder Delphi-2m indsigt i sygdomsbane, co-morbiditeter og potentielle fremtidige sundhedsresultater.

Metodik

Dataindsamling

Forskerne brugte data fra den britiske Biobank og omfattede sundhedsregistre på 0,4 millioner deltagere. Dette omfattende datasæt leverede et robust fundament til træning af Delphi-2m-modellen.

Modeludvikling

Delphi-2M blev udviklet ved at ændre GPT-arkitekturen for at imødekomme kompleksiteten af ​​medicinske data. Modellen blev trænet til at forstå progression og indbyrdes afhængighed af forskellige sygdomme over tid.

Validering

For at sikre modellens nøjagtighed og generaliserbarhed blev Delphi-2M valideret ved hjælp af eksterne data fra 1,9 millioner danske individer. Bemærkelsesværdigt blev denne validering opnået uden at ændre modellens parametre og demonstrere dens robusthed og tilpasningsevne.

Nøgle fund

Sygdomsfrekvensforudsigelser

Delphi-2m forudsagde nøjagtigt antallet af mere end 1.000 sygdomme, betinget af den enkeltes tidligere sygdomshistorie. Dets ydeevne var sammenlignelig med eksisterende modeller med en enkelt sygdom, hvilket fremhævede dens effektivitet i forudsigelse af flere sygdomme.

Syntetiske sundhedsbaner

Den generative karakter af Delphi-2M muliggjorde prøveudtagning af syntetiske fremtidige sundhedsbaner. Denne kapacitet giver meningsfulde estimater af potentiel sygdomsbyrde i op til 20 år og tilbyder værdifuld indsigt til langvarig planlægning af sundhedsvæsenet.

Forklarelig AI -indsigt

Undersøgelsen anvendte forklarbare AI-metoder til at fortolke Delphi-2ms forudsigelser. Disse indsigter afslørede klynger af co-morbiditeter inden for og på tværs af sygdomskategorier og deres tidsafhængige konsekvenser for fremtidig sundhed. Imidlertid fremhævede analysen også partier, der blev lært af træningsdataene, hvilket understregede vigtigheden af ​​datakvalitet i AI -applikationer.

Implikationer for sundhedsydelser

Personaliseret medicin

Delphi-2ms evne til at forudsige individuelle sygdomsbaner kan informere personlige behandlingsplaner, så sundhedsudbydere kan skræddersy interventioner baseret på en patients unikke sundhedshistorie og forudsagde fremtidige risici.

Planlægningsplanlægning

Ved at forudsige potentielle sygdomsbyrder kan Delphi-2M hjælpe med planlægning af folkesundhed, hvilket muliggør tildeling af ressourcer og udvikling af forebyggende strategier til at tackle nye sundhedsmæssige udfordringer.

Præcisionsmedicin nærmer sig

Modellens indsigt i tidsmæssige afhængigheder mellem sygdomsbegivenheder kan forbedre præcisionsmedicinske tilgange, hvilket fører til mere effektive og målrettede sundhedsinterventioner.

Begrænsninger og fremtidige retninger

Datafordrejninger

Undersøgelsen anerkender, at forudindtægter i træningsdataene kan påvirke modellens forudsigelser. Fremtidig forskning bør fokusere på at afbøde disse partier for at forbedre modellens nøjagtighed og retfærdighed.

Modelgeneralisering

Mens Delphi-2M demonstrerede robusthed på tværs af forskellige datasæt, er yderligere validering i forskellige populationer nødvendig for at sikre dens generaliserbarhed og anvendelighed i forskellige sundhedsmæssige indstillinger.

Konklusion

Undersøgelsen "At lære den naturlige historie med menneskelig sygdom med generative transformatorer" repræsenterer en betydelig fremgang i anvendelsen af ​​AI til sundhedsydelser. Ved at udnytte generative transformere tilbyder Delphi-2m et kraftfuldt værktøj til at forstå og forudsige sygdomsprogression med potentialet til at revolutionere personlig medicin og planlægning af folkesundhed.

For mere information kan du få adgang til den fulde artikel her: