MADRID 17 set. (EUROPA PRESS) -
Pesquisadores do Laboratório Europeu de Biologia Molecular, em colaboração com o Centro Alemão de Pesquisa do Câncer (DKFZ), na Alemanha, e a Universidade de Copenhague, na Dinamarca, desenvolveram um modelo de IA generativo que usa registros médicos em larga escala para estimar como a saúde humana pode mudar ao longo do tempo. A IA é capaz de prever o risco e o momento de mais de 1.000 doenças, bem como prever resultados de saúde com mais de uma década de antecedência. Os resultados são relatados na revista "Nature".
Esse novo modelo de IA generativo foi projetado de forma personalizada usando conceitos algorítmicos semelhantes aos usados em modelos de linguagem ampla (LLM). Ele foi treinado com dados anônimos de pacientes de 400.000 participantes do UK Biobank. Os pesquisadores também testaram com sucesso o modelo usando dados de 1,9 milhão de pacientes do Registro Nacional de Pacientes da Dinamarca. Essa abordagem é uma das demonstrações mais abrangentes até o momento de como a IA generativa pode modelar a progressão de doenças humanas em escala e foi testada em dados de dois sistemas de saúde completamente independentes.
"Nosso modelo de IA é uma prova de conceito que demonstra que a IA pode aprender muitos dos nossos padrões de saúde de longo prazo e usar essas informações para gerar previsões significativas", enfatiza Ewan Birney, diretor executivo interino do Laboratório Europeu de Biologia Molecular (EMBL). "Ao modelar a evolução das doenças ao longo do tempo, podemos começar a explorar quando certos riscos surgem e como planejar melhor as intervenções precoces. Esse é um grande passo em direção a abordagens mais personalizadas e preventivas de cuidados com a saúde.
Assim como grandes modelos de linguagem podem aprender a estrutura de frases, esse modelo de IA aprende a gramática dos dados de saúde para modelar registros médicos como sequências de eventos que se desdobram ao longo do tempo. Esses eventos incluem diagnósticos médicos ou fatores de estilo de vida, como o tabagismo. O modelo aprende a prever o risco de doenças com base na ordem em que esses eventos ocorrem e no tempo entre eles.
"Os eventos médicos tendem a seguir padrões previsíveis", diz Tom Fitzgerald, cientista do Instituto Europeu de Bioinformática do EMBL (EMBL-EBI). "Nosso modelo de IA aprende esses padrões e pode prever futuros resultados de saúde. Ele nos permite explorar o que pode acontecer com base no histórico médico de uma pessoa e em outros fatores importantes. Fundamentalmente, isso não é uma certeza, mas uma estimativa dos possíveis riscos."
O modelo funciona particularmente bem para condições com padrões claros e consistentes de progressão, como certos tipos de câncer, ataques cardíacos e sepse (um tipo de envenenamento do sangue). Entretanto, o modelo é menos confiável para condições mais variáveis, como transtornos mentais ou complicações relacionadas à gravidez que dependem de eventos imprevisíveis da vida.
Assim como as previsões meteorológicas, esse novo modelo de IA fornece probabilidades, não certezas. Ele não prevê exatamente o que acontecerá com uma pessoa, mas fornece estimativas precisas da probabilidade de ocorrência de determinadas condições em um determinado período. Por exemplo, ele pode prever a probabilidade de desenvolver doenças cardíacas no próximo ano. Esses riscos são expressos como taxas ao longo do tempo, de forma semelhante à previsão de 70% de chance de chover amanhã. As previsões de curto prazo geralmente são mais precisas do que as previsões de longo prazo.
Por exemplo, o modelo prevê diferentes níveis de risco de infarto. Considerando a coorte do UK Biobank de pessoas entre 60 e 65 anos, o risco de ataque cardíaco varia de uma chance de 4 em 10.000 por ano para alguns homens a cerca de 1 em 100 para outros, dependendo de seus diagnósticos anteriores e estilo de vida. As mulheres têm um risco menor, em média, mas uma distribuição de risco semelhante. Além disso, os riscos aumentam, em média, com a idade. Uma avaliação sistemática dos dados do UK Biobank, não usados para treinamento, mostrou que esses riscos calculados correspondem bem ao número de casos observados em todos os grupos de idade e sexo.
O modelo é calibrado para gerar estimativas precisas de risco em nível populacional, prevendo a frequência com que determinadas condições ocorrem em grupos de pessoas. Entretanto, como qualquer modelo de IA, ele tem limitações. Por exemplo, como os dados de treinamento do modelo, do UK Biobank, são provenientes principalmente de pessoas com idade entre 40 e 60 anos, os eventos de saúde de crianças e adolescentes são sub-representados. O modelo também apresenta vieses demográficos devido à falta de dados de treinamento, incluindo a sub-representação de determinados grupos étnicos.
Embora o modelo não esteja pronto para uso clínico, ele já poderia ajudar os pesquisadores a: entender como as doenças se desenvolvem e progridem ao longo do tempo; explorar como o estilo de vida e as doenças passadas afetam o risco de doenças a longo prazo; simular resultados de saúde usando dados artificiais de pacientes, em situações em que é difícil obter ou acessar dados do mundo real.
No futuro, ferramentas de IA semelhantes, treinadas em conjuntos de dados mais representativos, poderão ajudar os médicos a identificar precocemente os pacientes de alto risco. Com o envelhecimento da população e o aumento das taxas de doenças crônicas, a capacidade de prever as necessidades futuras de saúde poderia ajudar os sistemas de saúde a planejar melhor e alocar recursos de forma mais eficiente. No entanto, são necessárias muito mais evidências, consultas e estruturas regulatórias robustas antes que os modelos de IA possam ser implementados no ambiente clínico.
Esta notícia foi traduzida por um tradutor automático