“`html
Искусственный интеллект в здравоохранении: прогнозирование заболеваний и персонализированное лечение
Искусственный интеллект имеет значительный потенциал для революции здравоохранения. Он позволяет предсказывать прогрессирование заболеваний на основе обширных медицинских записей, обеспечивая персонализированное лечение. Понимание мульти-морбидности, то есть групп заболеваний, влияющих на жизнь человека и вызванных факторами образа жизни, генетики и социально-экономической среды, является ключевым для индивидуализированного лечения и профилактических мер. Несмотря на существующие алгоритмы прогнозирования конкретных заболеваний, существует пробел в создании комплексных моделей, способных предсказывать широкий спектр состояний здоровья. Недавние достижения, такие как трансформерные модели, вдохновленные LLMs, обещают преодолеть эти вызовы, моделируя сложные временные зависимости в медицинских данных. Однако полный потенциал этих моделей в прогнозировании мульти-морбидности остается в значительной степени неисследованным.
Delphi-2M: передовая модель искусственного интеллекта для прогнозирования прогрессирования заболеваний
Исследователи из различных учреждений разработали Delphi-2M, передовую модель искусственного интеллекта на основе архитектуры GPT, для прогнозирования прогрессирования заболеваний в больших популяциях. На основе данных 400 000 участников UK Biobank, Delphi-2M предсказывает более 1 000 заболеваний и смертей, анализируя прошлые медицинские записи, демографические и образ жизни факторы. Он генерирует детальные прогнозы будущего здоровья для отдельных лиц и предоставляет понимание групп заболеваний и их воздействия в зависимости от времени. Проверенный на 1,9 миллиона датских записей без изменения параметров, Delphi-2M точно моделирует здоровье популяции и показывает, как прошлые события формируют будущие результаты здоровья, что делает его надежным инструментом для прогнозирования персонализированного здравоохранения.
Delphi-2M, точно предсказывает возникновение более 1 000 заболеваний, тесно соответствуя наблюдаемым тенденциям по возрасту и полу. Эффективно моделирует разнообразные паттерны заболеваний в проверочной группе, такие как пики заболеваемости в детском возрасте и возрастные увеличения других состояний. Прогнозы Delphi-2M, постоянно обновляющиеся с новыми данными, показывают значительную межличностную изменчивость для заболеваний, таких как сепсис. Средний показатель AUC составляет 0,8, что сопоставимо с установленными моделями риска, такими как Фрэмингем для сердечно-сосудистых заболеваний. Калибровка и долгосрочная проверка с использованием данных UK Biobank подтверждают надежность Delphi-2M в прогнозировании краткосрочных и долгосрочных траекторий заболеваний, предлагая комплексные прогнозы мульти-заболеваний.
Генеративные модели, такие как Delphi-2M, могут предсказывать будущие траектории заболеваний на основе прошлых медицинских историй. Оценивая 100 000 выборочных траекторий из UK Biobank, Delphi-2M точно отражает наблюдаемые уровни заболеваемости и заболеваемость до 70 лет. Средняя точность составляет 17% в первый год, уменьшаясь до 14% за 20 лет, что превосходит базовые модели по возрасту и полу. Он различает группы с высоким и низким риском, эффективно предсказывая бремя заболеваний на протяжении двух десятилетий. Более того, сгенерированные синтетические траектории Delphi-2M, не дублирующие обучающие данные, имеют практическое применение, такое как обучение новых моделей, что позволяет сохранить конфиденциальность данных и расширить потенциальные применения.
Delphi, модифицированная модель GPT-2, разработана для прогнозирования траекторий здоровья путем анализа последовательностей диагнозов ICD-10 верхнего уровня, дополненных данными об образе жизни, такими как пол, ИМТ, курение и употребление алкоголя. Для обучения использовались данные из UK Biobank, а для внешней проверки — датские медицинские записи. Delphi заменяет дискретное позиционное кодирование GPT-2 на непрерывное кодирование на основе возраста и вводит дополнительный блок для прогнозирования времени между событиями. Это позволяет Delphi точно моделировать временные и последовательные события здоровья, превосходя стандартные модели GPT в предсказании начала и прогрессирования заболеваний.
Delphi-2M, модель на основе GPT-2, предсказывает прогрессирование множества заболеваний, изучая паттерны медицинских данных более чем 1 000 заболеваний у 400 000 участников UK Biobank. Он отлично предсказывает траектории заболеваний и оценивает накопленную нагрузку заболеваний на протяжении длительных периодов. Протестированный на данных датского здравоохранения, он продемонстрировал адаптивность без дополнительного обучения. Несмотря на эффективность, он наследует предубеждения от обучающих данных и должен использоваться осторожно. Гибкая архитектура Delphi-2M позволяет в будущем интегрировать дополнительные медицинские данные, такие как геномика и носимые устройства, что делает его многообещающим инструментом для планирования здравоохранения, персонализированной медицины и понимания сложных взаимодействий заболеваний.
Посмотрите статью и код. Вся заслуга за это исследование принадлежит исследователям этого проекта. Также не забудьте подписаться на нас в Twitter.
Присоединяйтесь к нашему каналу в Telegram и группе в LinkedIn.
Если вам нравится наша работа, вам понравится наш новостной бюллетень.
Не забудьте присоединиться к нашему 45k+ ML SubReddit.
Статья Delphi-2M: A Modified GPT Architecture for Modeling Future Health Based on Past Medical History впервые появилась на MarkTechPost.
Применение искусственного интеллекта в вашем бизнесе
Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ) и оставалась в числе лидеров, грамотно используйте Delphi-2M: A Modified GPT Architecture for Modeling Future Health Based on Past Medical History.
Проанализируйте, как ИИ может изменить вашу работу. Определите, где возможно применение автоматизации: найдите моменты, когда ваши клиенты могут извлечь выгоду из AI.
Определитесь какие ключевые показатели эффективности (KPI): вы хотите улучшить с помощью ИИ.
Подберите подходящее решение, сейчас очень много вариантов ИИ. Внедряйте ИИ решения постепенно: начните с малого проекта, анализируйте результаты и KPI.
На полученных данных и опыте расширяйте автоматизацию.
Если вам нужны советы по внедрению ИИ, пишите нам на https://t.me/itinai. Следите за новостями о ИИ в нашем Телеграм-канале t.me/itinainews или в Twitter @itinairu45358.
Попробуйте AI Sales Bot https://itinai.ru/aisales. Этот AI ассистент в продажах, помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж, снижать нагрузку на первую линию.
Узнайте, как ИИ может изменить ваши процессы с решениями от AI Lab itinai.ru. Будущее уже здесь!
“`
