Uma ferramenta de IA está tentando prever o risco de obter muitas doenças com anos de antecedência – eis como funciona

Ser capaz de prever instantaneamente e com precisão a trajetória da saúde de uma pessoa nos próximos anos é vista há muito tempo como o auge da medicina. Esse tipo de informação teria um efeito profundo nos sistemas de saúde como um todo – trocando os cuidados do tratamento para a prevenção.

De acordo com as descobertas de um artigo publicado recentemente, os pesquisadores prometem exatamente isso. Usando a tecnologia de inteligência artificial de ponta (AI), os pesquisadores construíram Delphi-2m. Essa ferramenta procura prever o próximo evento de saúde de uma pessoa e quando provavelmente acontecerá nos próximos 20 anos. O modelo faz isso por mil doenças diferentes, incluindo câncer, diabetes e doenças cardíacas.

Para desenvolver Delphi-2m, a equipe de pesquisa européia usou dados de quase 403.000 pessoas do biobank do Reino Unido como uma entrada no modelo de IA.

No modelo final de IA treinado, Delphi-2m previu a próxima doença e quando ocorreria com base no sexo de uma pessoa no nascimento, seu índice de massa corporal, se eles fumavam ou bebiam álcool e sua linha do tempo de doenças anteriores.

Foi capaz de fazer essas previsões com 0,7 AUC (área sob a curva). A AUC agrega as taxas falsas positivas e falsas negativas, para que possa ser usada como proxy para precisão em um ambiente teórico. Isso significa que as previsões do modelo podem ser interpretadas como tendo cerca de 70% de precisão em todas as categorias de doenças-embora a precisão dessas previsões ainda não tenha sido testada em termos de resultados do mundo real.

Os pesquisadores então aplicaram o modelo aos dados dinamarqueses do BioBank para verificar se ainda era eficaz. Foi capaz de prever resultados de saúde com taxas de precisão teóricas semelhantes.

Ferramentas da AI

O objetivo do artigo não era sugerir que o Delphi-2m esteja pronto para ser usado pelos médicos ou no campo médico. Em vez disso, era para ilustrar o poder da arquitetura de IA proposta pela equipe e o benefício que ela poderia ter na análise de dados médicos.

A Delphi-2m usa uma “rede de transformadores” para fazer suas previsões. Esta é a mesma arquitetura de tecnologia que alimenta o ChatGPT. Os pesquisadores modificaram a arquitetura do transformador GPT2 para usar recursos de tempo e doenças para prever quando e o que acontecerá.

Embora outros modelos de previsão de saúde tenham usado redes de transformadores no passado, elas foram projetadas apenas para fazer previsões sobre o risco de uma pessoa de desenvolvimento de uma única doença. Além disso, eles foram usados ​​principalmente em dados de registro hospitalar de menor escala.

Mas as redes de transformadores são particularmente adequadas para prever o risco de uma pessoa de múltiplas doenças. Isso ocorre porque eles podem adaptar seu foco facilmente e são capazes de elaborar interações complexas entre muitas doenças diferentes de vários pontos de dados distintos.

A Delphi-2m também provou ser um pouco mais precisa do que outros modelos de previsão de várias doenças que usam uma arquitetura diferente.

Por exemplo, Milton usou uma combinação de técnicas padrão de aprendizado de máquina e as aplicou aos mesmos dados biobank do Reino Unido. Esse modelo mostrou energia preditiva um pouco menor para a maioria das doenças em comparação com o Delphi-2m-e precisava usar mais dados para fazê-lo.

Além disso, os modelos não-transformadores são difíceis para que outros melhorem adicionando mais camadas de dados. Isso significa que esses modelos não podem ser tão facilmente adaptados e melhorados quanto os modelos de transformadores para uso em diferentes contextos e estudos.

O que é especial no modelo Delphi-2m é que ele pode ser lançado ao público como um modelo de código aberto sem comprometer a privacidade dos pacientes. Os autores foram capazes de criar dados sintéticos que imitam os dados do biobank do Reino Unido enquanto removendo informações de identificação pessoal – tudo sem uma queda significativa no poder preditivo. Além disso, o Delphi-2m requer menos recursos de computação para treinar do que os modelos típicos de transformadores de IA.

Isso permitirá que outros pesquisadores treinem o modelo do zero e possivelmente adaptem o modelo e as informações para suas necessidades. Isso é importante para o avanço da ciência aberta e geralmente é difícil de fazer em ambientes médicos.

Ainda muito cedo

Se o Delphi-2m se torna ou não o modelo de fundação para ferramentas de IA projetadas para prever os riscos futuros da saúde de um paciente, demonstra que modelos como esse estão a caminho.

Devido à sua arquitetura em camadas e natureza de código aberto, modelos futuros semelhantes ao Delphi-2m continuarão evoluindo incorporando dados ainda mais ricos-como registros eletrônicos de saúde, imagens médicas, tecnologias vestíveis e dados de localização. Isso melhoraria seus poderes preditivos e precisão ao longo do tempo.

Mas, embora a capacidade de prevenir doenças e fornecer diagnóstico precoce tenha uma grande promessa, existem algumas advertências importantes quando se trata dessa ferramenta preditiva.

Primeiro, existem inúmeras preocupações relacionadas a dados associadas a essas ferramentas. Como escrevemos antes, a qualidade dos dados e o treinamento que uma ferramenta de IA recebe faz ou quebra suas previsões.

O conjunto de dados biobank do Reino Unido usado para criar Delphi-2m não tinha dados suficientes sobre diversas raças e grupos étnicos para permitir treinamento aprofundado e análise de desempenho.

Embora algumas análises tenham sido realizadas pelos pesquisadores da Delphi-2M para mostrar que a adição de etnia e raça não influenciou muito os resultados, ainda havia dados insuficientes em muitas categorias para conduzir a avaliação.

Se alguma vez usado no mundo real, os dados pessoais de assistência médica provavelmente serão usados ​​e em camadas sobre modelos de fundação, como o Delphi-2m. Embora a inclusão desses dados pessoais melhore a precisão da previsão, ele também vem com riscos-por exemplo, em torno da segurança de dados pessoais e do uso fora do contexto dos dados.

Também pode ser difícil escalar o modelo para países cujos sistemas de saúde diferem daqueles que são usados ​​para projetar o conjunto de dados. Por exemplo, pode ser mais difícil aplicar o Delphi-2m ao contexto dos EUA, onde os dados de assistência médica se espalham por vários sistemas hospitalares e clínicas privadas.

Atualmente, é muito cedo para a Delphi-2m ser usada por pacientes ou médicos. Embora a Delphi-2m tenha fornecido previsões generalizadas com base nos dados usados ​​para treiná-los, é muito cedo para usar essas previsões para recomendações de saúde personalizadas para um paciente individual.

Mas, esperançosamente, com o investimento contínuo na pesquisa e construção de modelos de estilo Delphi-2m, algum dia será possível inserir os dados de saúde pessoal de um paciente no modelo e obter uma previsão personalizada.

Este artigo é republicado da conversa sob uma licença Creative Commons. Leia o artigo original.