🏥 ИИ научился предсказывать траекторию здоровья. Готовы ли мы к этому?

Привет! Меня зовут Ольга Титова, я AI Product Manager и каждую неделю делюсь с подписчиками FemTech Force новостями о том, как искусственный интеллект меняет медицину. Сегодня я хочу обсудить публикацию, которая может перевернуть наше представление о диагностике и профилактике.

➡️ Что произошло?

В Nature вышла статья о Delphi-2M — модели искусственного интеллекта на базе модифицированной архитектуры трансформеров (подобной той, что используется в GPT).

В отличие от большинства медицинских ИИ, которые прогнозируют одно заболевание, Delphi-2M одновременно моделирует развитие более 1000 диагнозов (по классификации МКБ-10) и строит вероятные траектории здоровья человека на годы вперёд.

Модель обучили на данных почти 400 тысяч человек из UK Biobank и протестировали на 2 миллионах пациентов из Дании. На вход она получает историю болезней, пол, возраст, ИМТ и данные об образе жизни (например, курение и употребление алкоголя). На выходе — подробный прогноз здоровья пациента.

На что способна Delphi-2M?

🔶 Прогноз смертности. Смерть оказалась одним из самых успешно предсказываемых событий. Модель достигла точности AUC 0,97 (из 1)  в прогнозировании «следующего события» и по качеству превзошла стандартные клинические шкалы риска.

🔶 Прогноз заболеваний и их траекторий. Модель генерирует сценарии развития здоровья на срок до 20 лет. Она выявляет кластеры сопутствующих заболеваний (например, диабет и связанные с ним ретинопатии) и описывает временные зависимости между ними. Авторы подчёркивают: это лишь статистические корреляции, а не доказанные причинно-следственные связи.

🔶 Сердечно-сосудистые и когнитивные заболевания. В прогнозировании болезней сердца и деменции Delphi-2M показала результаты на уровне или лучше, чем популярные инструменты вроде QRisk3.

➡️ Почему это важно?

Обычно ИИ отвечает на узкий вопрос: «Каков мой риск инсульта?». Delphi-2M идёт дальше и строит целую вероятностную карту здоровья на 10–20 лет вперёд.

Это открывает новые возможности:

🔶 Персонализировать скрининг, основываясь на индивидуальном риске, а не только на возрасте.

🔶 Помочь государствам планировать нагрузку на систему здравоохранения.

🔶 Сделать превентивную медицину по-настояшему персональной.

➡️ Что нужно учитывать?

1. Ограничения выборки. Модель обучалась на данных UK Biobank, участники которого в среднем более здоровые и обеспеченные («эффект здорового добровольца»), их возраст – 40-70 лет. Это может искажать прогнозы.

2. Корреляция — не причина. Модель находит статистические закономерности, но не объясняет, почему одно событие следует за другим. При этом, если изменится лечение или образ жизни, предсказания могут устареть.

3. На результаты Delphi-2M напрямую влияют точность медицинской документации и то, насколько полно собран анамнез пациента. Если в карте есть ошибки или пропуски, прогнозы модели будут строиться на искажённой картине реальности. 

Этические вопросы, которые ставит технология
Публикация вызвала бурную дискуссию не только о технологиях, но и об этике:

🔶 Психологический эффект и практическая польза. Для одних такой прогноз — мотивация изменить образ жизни. Для других — огромный стресс и «жизнь в ожидании болезни». Как человек реально от может использовать такую информацию? Будут ли рекомендации более полезными, чем стандартные советы врачей о питании и образе жизни?

🔶 Право выбора. Нужно ли давать прогнозы напрямую пациенту? Кажется, что как и в случае с генетическими тестами, результаты должен объяснять врач. При этом у человека должно оставаться право не знать о своих рисках.

А как вы думаете: Хотели бы вы знать свой вероятный диагноз за 10 лет до его появления? Или предпочли бы не знать?

Давайте обсудим в комментариях ⬇️

@FemtechForce — о технологиях для здоровья женщин

Текст подготовила #ОльгаТитова