beeld: Wanniwat Roumruk_Getty Images_iStock
“Besluitvorming in de gezondheidszorg is gebaseerd op begrip van de gezondheid van de patiënt in het verleden en het heden, om het verloop ervan te voorspellen en uiteindelijk te veranderen”, schrijven de makers van het model in een artikel in Nature. Dat is precies wat ze hun AI-model laten doen. Delphi-2M is gebaseerd op de GPT-2-architectuur en wordt mede daarom ook wel een ‘large health model’ genoemd. Het model is getraind op de medische gegevens van 402.799 Britten en extern gevalideerd op data van 1,9 miljoen Deense burgers.
Ziektes en overlijden voorspellen
Delphi-2M kan het verloop van meer dan duizend ziektes voorspellen en de kans op overlijden op de middellange termijn. De betrouwbaarheid is volgens de auteurs vergelijkbaar met die van AI-modellen voor één specifieke ziekte, met een gemiddelde nauwkeurigheidsscore van 0,76. “Inzicht in het individuele risico op meerdere chronische aandoeningen is belangrijk om zorgbeslissingen af te stemmen, leefstijlveranderingen te stimuleren of de toegang tot screeningsprogramma’s te bepalen”, schrijven de auteurs daarover.
Synthetische zorgdata
Een opvallend kenmerk van Delphi-2M is het generatieve vermogen van het model. Het kan synthetische data van een toekomstig gezondheidsverloop genereren. Dit opent de deur voor privacyvriendelijke training van AI-systemen en het onderzoeken van potentiële interventies zonder gegevens van echte patiënten te gebruiken.
Verbeteringen
Het model kan volgens de makers nog verder worden verbeterd door extra lagen van gegevens te integreren, zoals polygenetische risicoscores, biomarkers, epigenetische orgaanklokken, proteomische klokmetingen en continue proteïnemonitoring. Deze informatie kan helpen bij het identificeren van hoogrisico-individuen en het voorspellen wanneer ziekte kan optreden.
Persoonlijke gezondheidsagenten
Naast voorspellende modellen ontwikkelen onderzoekers ook zogeheten persoonlijke gezondheidsagenten (personal health agent, pha). Deze AI-systemen combineren medische dossiers, wearables en andere persoonlijke gegevens om individuen te begeleiden bij leefstijlkeuzes en preventieve maatregelen. In tests scoorden deze systemen hoger dan conventionele modellen in bruikbaarheid en effectiviteit voor het bevorderen van gezond gedrag.
Toekomst van de zorg
Volgens de onderzoekers markeren deze ontwikkelingen het begin van een nieuwe fase in de zorg: voor het eerst kunnen onderzoekers en clinici individuen identificeren met een hoog risico op leeftijdsgebonden ziekten en inzicht geven in interventies. De combinatie van grootschalige voorspellende modellen, multimodale AI, biomarkers en nieuwe sensortechnologieën biedt een concreet perspectief voor zogeheten primaire preventie van ziektes, een gebied waar tot nu toe nauwelijks vooruitgang is geboekt. Bovendien kan de technologie gebruikt worden om te bepalen op welke zorg de maatschappij zich moet voorbereiden.
Tegelijkertijd wijzen de makers op beperkingen en tekortkomingen: biases in trainingsdata, verschillen tussen populaties en het ontbreken van sommige genetische of omgevingsfactoren kunnen de prestaties beïnvloeden. Klinische toepassing vereist nog altijd toezicht van zorgprofessionals, benadrukken ze.
