Mokslininkai, naudojantys pažangiausią dirbtinį intelektą medicininiams duomenims analizuoti, sugebėjo numatyti riziką susirgti tokiomis ligomis kaip Alzheimerio liga ir širdies liga likus 10 metų iki diagnozės nustatymo. Tyrimui, paskelbtam m Gamtos senėjimasmokslininkai naudojo mašininį mokymąsi tirdami daugiau nei 45 000 žmonių kraujo mėginius.
AI įrankiais pavyko nustatyti kraujyje esančių baltymų modelius, susijusius su padidėjusia ligų rizika, todėl mokslininkai galėjo tiksliai numatyti asmens tikimybę susirgti būkle prieš pasirodant simptomams.
Pasak ekspertų, gebėjimas aptikti ankstyvus įspėjamuosius ženklus esant įvairioms sąlygoms gali sudaryti galimybes ankstyvai intervencijai ir prevencijai.
Ankstyvosios stadijos
Tyrimo grupė, kurioje dalyvavo mokslininkai iš Edinburgo universiteto ir komerciniai bendradarbiai Optima Partners ir Biogen, išanalizavo kraujo mėginius iš JK Biobank – 500 000 JK dalyvių genetinės ir sveikatos informacijos duomenų bazės.
Jie naudojo AI ir mašininio mokymosi priemones, kad nustatytų baltymų modelius kraujyje, rodančius įprastų ligų, įskaitant Alzheimerio ligą, širdies ligas ir 2 tipo diabetą, vystymąsi.
Ligos diagnozavimo informacija buvo paimta iš dalyvių medicininių įrašų iki 10 metų po kraujo mėginių matavimo.
Tada komanda išbandė, ar modeliai gali būti naudojami diagnozuojant atskiros asmenų grupės kraujo mėginius, kurių duomenys nebuvo naudojami baltymų modeliams sukurti.
Jie nustatė, kad baltymų modeliai pagerino prognozavimo tikslumą nei tradiciniai rizikos veiksniai, tokie kaip amžius, lytis, gyvenimo būdas, cholesterolis ir kiti dažniausiai išmatuojami klinikiniai kintamieji.
Tikimasi, kad šios formos analizės įgyvendinimas nebus nedelsiant, tačiau ekspertai teigia, kad jų tyrimai yra daug žadantis žingsnis į priekį numatant riziką.
„Drąsu matyti, kiek potencialo yra iš vieno kraujo mėginio, leidžiančio numatyti įvairias ligos baigtis. Gebėjimas aptikti ankstyvus įspėjamuosius požymius įvairioms ligoms gali sudaryti galimybes ankstyvai intervencijai ir prevencijai, reikšmingas momentas sveikatos priežiūros pramonei“, – sako dr. Danni Gadd.
Dar reikia daugiau dirbti, kad šios išvados būtų pritaikytos praktiniam naudojimui klinikinėje aplinkoje. Tačiau mūsų atradimai sukūrė tvirtus pagrindus įtraukti naujus rizikos prognozavimo parašus, kad būtų galima išsiaiškinti galimus ligų kelius ir mechanizmus.
„Toks modelio atpažinimas nebūtų įmanomas be šiuolaikinės mašininio mokymosi technologijos ir jos gebėjimo analizuoti duomenis tokiu mastu, o tai savo ruožtu leis mums spręsti kai kuriuos iš aktualiausių mūsų laikų sveikatos priežiūros iššūkių“, – sako dr. Chrisas Foley.