APOLLO AI analizează 25 de miliarde de evenimente medicale pentru a prezice boli viitoare
APOLLO, un model AI avansat, a fost instruit pe baza a 25 de miliarde de evenimente medicale provenite de la 7,2 milioane de pacienți, demonstrând cum un singur sistem de inteligență artificială poate corela scanări, note, teste de laborator și diagnostice pentru a anticipa boli, a ghida recuperarea și a descoperi tipare ascunse pe parcursul decadelor de îngrijire medicală.
Recent, cercetătorii au prezentat în cadrul unui preprint arXiv modelul „APOLLO”, care funcționează ca un model de bază multimodal și temporal, destinat să abordeze discrepanța conform căreia doar 3% din datele extinse de sănătate generate anual la nivel global (aproximativ 50 PB) sunt utilizate pentru a genera informații clinice. Modelul a fost instruit pe setul de date MGB-7M, o bază de date masivă longitudinală ce include 7,2 milioane de pacienți și 25,2 miliarde de evenimente medicale, integrând 28 de modalități medicale unice.
Conform constatărilor studiului, modelul învață reprezentări virtuale de pacienți de înaltă dimensiune, care, în urma testării, au demonstrat performanțe superioare în cadrul a 322 de sarcini clinice, incluzând o valoare AUROC (Area Under the Receiver Operating Characteristic curve) de 0,92 pentru prezicerea debutului schizofreniei și o acuratețe echilibrată de 0,97 pentru prezicerea dependenței de dializă în spital.
Recentele rapoarte globale subliniază un paradox al datelor în sănătate: în timp ce se estimează că dosarele electronice de sănătate (EHR) captează anual aproximativ 50 petabytes (PB) de date, doar 3% din acestea sunt folosite pentru cercetare. De asemenea, istoricul medical al unui pacient este adesea împărțit în date structurate (silo-uri specifice modalității, cum ar fi codurile de diagnostic ICD-10) și date nestructurate (de exemplu, diapozitivele de patologie sau notele de progres în text liber), complicând astfel analizele multidimensionale efectuate de cercetători.
Deși modelele AI moderne rezolvă parțial această limitare a procesării datelor, majoritatea analizează silo-urile specifice modalității în mod izolat, nereușind să surprindă „urmele de raționare” longitudinale sau biomarkerii multimodali subtili care definesc progresia bolilor cronice. Prin urmare, cercetătorii au început să dezvolte următoarea generație de modele de bază concepute pentru a absorbi simultan întreaga lățime a dosarelor EHR pentru a genera un substrat computațional activ capabil să modeleze întregul parcurs de îngrijire a pacienților pe parcursul decadelor.
Studiul de față documentează dezvoltarea și evaluarea modelului „APOLLO”, un model de bază de mari dimensiuni. Acesta utilizează o arhitectură bazată pe transformatoare și a fost instruit pe un set de date curat („MGB-7M”), derivat din 33 de ani de înregistrări provenind de la 17 instituții din sistemul Mass General Brigham (MGB). MGB-7M include 1,4 miliarde de teste de laborator, 158 milioane de note de progres și peste 1,1 milioane de imagini medicale, inclusiv diapozitive histopatologice și de hematologie. Pentru a optimiza computațional acest set extins de date, APOLLO folosește conceptul de „tokenizare”, prin care fiecare eveniment medical, fie o citire a tensiunii arteriale, fie o porțiune de imagine, este convertit într-o încorporare matematică continuă.
În special, textul este codificat folosind un model de limbaj mare clinic, iar imaginile sunt procesate prin modele fundamentale de viziune medicală. Aceste încorporări sunt apoi integrate într-un spațiu comun de reprezentare, unde contextul temporal este păstrat utilizând codificări bazate pe vârstă învățabile. Înainte de ingestia datelor MGB-7M, modelul a fost preantrenat folosind Masked Token Modeling (MTM), care i-a permis să reconstruiască părți ascunse ale dosarului unui pacient, analizând contextul longitudinal înconjurător. Pentru a asigura siguranța datelor pacienților, arhitectura izolează transformatorul de datele brute ale pacienților, folosind proiecții specifice modalității pentru a reduce riscul de scurgere a informațiilor protejate de sănătate (PHI).
APOLLO a fost evaluat ulterior în urma ingestiei datelor MGB-7M, performanța sa fiind testată împotriva a 261 de sarcini prognostic și 61 de sarcini de recuperare. Modelul a depășit constant bazele statistice tradiționale care se bazează exclusiv pe vârstă și sex. De exemplu, în prezicerea debutului bolii, APOLLO a depășit semnificativ baza pe 74 din cele 95 de sarcini (p < 0,05). În plus, a prezis riscul de insuficiență cardiacă pe o perioadă de 3 ani cu un AUROC de 0,88 (comparativ cu 0,77 pentru baza) și riscul de diabet de tip 2 pe o perioadă de 3 ani cu un AUROC de 0,85 (comparativ cu 0,61 pentru baza, p < 0,0001).
În evaluarea puterii predictive, APOLLO a prezis cu acuratețe supraviețuirea pacienților pe o perioadă de 3 ani după un accident vascular cerebral (AUROC de 0,84, comparativ cu 0,72 pentru baza [p < 0,0001]). De asemenea, în oncologie, modelul a îmbunătățit prezicerea supraviețuirii pentru terapia cu trastuzumab în cancerul de sân HER2- pozitiv, atingând un AUROC de 0,93, semnificativ peste baza de 0,66 (p < 0,0001). Constatările studiului (inclusiv evaluările de ablație) au subliniat importanța integrării multimodale, arătând că AUROC-ul mediu al lui APOLLO pentru progresia generală a cancerului a fost de 0,735, comparativ cu implementările AI actuale limitate la date structurate (AUROC = 0,71) sau la fine-tuning supravegheat specific pentru sarcini (AUROC = 0,626).
În final, APOLLO a demonstrat utilitatea sa ca un „motor de căutare medical”, folosind interogări de diapozitive de patologie pentru a recupera pacienți similari din baza de date de testare de 1,4 milioane, cu o acuratețe ridicată, chiar și atunci când codurile diagnostice tradiționale lipseau din rezultatele căutării.
Studiul de față concluzionează că APOLLO stabilește o bază pentru „medicina computabilă” și reprezintă un pas spre trecerea de la tratamente reactive la gestionarea proactivă a riscurilor. Deși modelul este limitat de setul său de date EHR observațional, ceea ce înseamnă că predicțiile sale sunt asociative mai degrabă decât cauzale, analizele de răspuns la tratament stratifică riscurile în cadrul cohortelor deja supuse unei terapii date, fără a arăta care tratament este cel mai bun pentru un pacient individual, și nu poate estima eficacitatea diferențială a tratamentelor concurente, modelul a arătat că poate comprima întreaga istorie clinică în semnături digitale unite, permițând potrivirea precisă a studiilor clinice și stratificarea prognostică personalizată în cadrul sistemului de sănătate studiat.
