به گزارش سلامت نیوز از نیچر پیش‌بینی آینده سلامت انسان یکی از چالش‌های بزرگ پزشکی مدرن است. اکنون پژوهشی بین‌المللی با الهام از ساختار مدل‌های زبانی بزرگ مانند ChatGPT، نشان داده است که می‌توان از همان معماری «ترنسفورمر» برای مدل‌سازی سیر طبیعی بیماری‌ها استفاده کرد.

در این مطالعه، مدل Delphi-2M بر اساس داده‌های بیش از ۴۰۰ هزار شرکت‌کننده در بانک زیستی بریتانیا (UK Biobank) آموزش دید و سپس بدون تغییر در پارامترها، روی جمعیت ۱/۹ میلیون نفری دانمارک با موفقیت اعتبارسنجی شد. این مدل با بررسی مجموعه‌ای از ویژگی‌ها شامل سن، جنس، شاخص توده بدنی، مصرف سیگار و الکل، سبک زندگی و سابقه‌ی بیماری‌ها، می‌تواند احتمال بروز ۱۲۵۸ بیماری را به‌صورت فردمحور پیش‌بینی کند.

دقت مدل برای پیش‌بینی کلی بیماری‌ها حدود ۷۶ درصد (AUC) و برای بازه‌ی زمانی ۱۰ ساله حدود ۷۰ درصد گزارش شده است. در پیش‌بینی پیامد مرگ، عملکرد آن به ۹۷ درصد می‌رسد.

بر خلاف مدل‌های سنتی که معمولاً بر یک بیماری خاص تمرکز دارند — مانند پیش‌بینی بیماری قلبی یا دیابت — مدل Delphi-2M قادر است چندین بیماری را به طور هم‌زمان و با در نظر گرفتن وابستگی زمانی میان آن‌ها پیش‌بینی کند. این ویژگی، آن را از تمام مدل‌های پیشین متمایز می‌سازد.

پژوهشگران همچنین نشان داده‌اند که خروجی این مدل می‌تواند خوشه‌های بیماری‌های هم‌رخداد (co-morbidity) را شناسایی کند؛ برای مثال، ارتباط میان دیابت، چاقی و بیماری‌های قلبی. در برخی بیماری‌ها مانند دیابت نوع ۲ که پیش‌بینی آن وابسته به شاخص‌های آزمایشگاهی خاصی (مانند HbA1c) است، عملکرد مدل اندکی ضعیف‌تر بوده، اما در مجموع با بهترین مدل‌های موجود برابری می‌کند یا از آن‌ها پیشی می‌گیرد.

به گفته‌ی نویسندگان، اگر در آینده داده‌های دقیق‌تر مانند بیومارکرها و داده‌های ژنتیکی به چنین مدل‌هایی افزوده شود، پیش‌بینی‌های سلامت می‌تواند به دقتی بی‌سابقه برسد. چنین فناوری‌هایی در صورت استقرار گسترده، می‌توانند پایه‌گذار نسل جدیدی از پزشکی پیشگیرانه و شخصی‌سازی‌شده باشند — جایی که بیماری‌ها پیش از بروز، شناسایی و مهار می‌شوند.