Naukowcy z Uniwersytetu w Melbourne zaprezentowali innowacyjne narzędzie oparte na sztucznej inteligencji, które jest w stanie tworzyć wirtualne reprezentacje pacjentów – tzw. cyfrowe bliźniaki – i z dużą dokładnością przewidywać zmiany ich stanu zdrowia. Model, nazwany DT-GPT, powstał na bazie istniejącego dużego modelu językowego i został wytrenowany na tysiącach elektronicznych dokumentacji medycznych. Osiągnięte wyniki wskazują na potencjał przełomu zarówno w medycynie spersonalizowanej, jak i w prowadzeniu badań klinicznych.
Z tego artykułu dowiesz się…
- Na czym polega koncepcja cyfrowych bliźniaków pacjentów i jak działa model DT-GPT.
- Jak sztuczna inteligencja przewiduje przebieg chorób, analizując wyniki badań, diagnozy i historię leczenia.
- Dlaczego DT-GPT przewyższył 14 innych modeli i jakie znaczenie ma to dla medycyny spersonalizowanej.
- Jak technologia może usprawnić badania kliniczne, rozwój leków i planowanie terapii u pacjentów.
Jak działa DT-GPT? Analiza historii chorób i predykcja zmian klinicznych
Model został wytrenowany na trzech dużych zbiorach danych obejmujących pacjentów z chorobą Alzheimera, niedrobnokomórkowym rakiem płuca oraz osoby przebywające na oddziałach intensywnej terapii. DT-GPT analizował historię medyczną, wyniki badań, diagnozy i stosowane leczenie. Następnie tworzył cyfrowe bliźniaki pacjentów i przewidywał ich stan zdrowia w kolejnych dniach lub tygodniach.
Co ważne, badacze celowo nie przekazali modelowi informacji o rzeczywistych rezultatach klinicznych, umożliwiając weryfikację jakości generowanych prognoz na podstawie danych rzeczywistych.
Cyfrowe bliźniaki – dokładne przewidywania w skomplikowanych warunkach
Model został przetestowany na dużej populacji pacjentów OIT. Jak podkreślił główny badacz, profesor nadzwyczajny Michael Menden:
Dla każdego pacjenta stworzyliśmy wirtualną replikę, inicjując model jego indywidualnym profilem klinicznym. Na przykład, stworzyliśmy wirtualne bliźniaki 35 131 pacjentów oddziału intensywnej terapii (OIT) i precyzyjnie przewidzieliśmy, jak zmieni się ich poziom magnezu, saturacja tlenu i częstość oddechów w ciągu 24 godzin, na podstawie wyników badań laboratoryjnych z poprzedniego dnia.
W testach porównawczych DT-GPT przewyższył aż 14 najnowocześniejszych modeli uczenia maszynowego, osiągając najwyższą dokładność predykcyjną. Wyniki zostały opublikowane w prestiżowym czasopiśmie npj Digital Medicine.
Od medycyny reaktywnej do predykcyjnej i spersonalizowanej
Opracowanie DT-GPT może mieć kluczowe znaczenie dla rozwoju medycyny przyszłości. Model pozwala symulować wyniki terapii, co może:
- przyspieszyć projektowanie badań klinicznych,
- ograniczyć koszty opracowywania nowych leków,
- umożliwić szybsze podejmowanie decyzji terapeutycznych.
Adiunkt Menden podkreślił przełomowy charakter technologii:
Ta technologia otwiera drogę do przejścia od medycyny reaktywnej do medycyny predykcyjnej i spersonalizowanej. Może ona umożliwić lekarzom przewidywanie pogorszenia stanu zdrowia pacjenta i wcześniejsze podjęcie interwencji.
Co istotne, model może również identyfikować potencjalne działania niepożądane leków:
Można by go również wykorzystać do przewidywania negatywnych skutków ubocznych leków, co pozwoliłoby lekarzom dostosować plany leczenia do indywidualnych cech i historii choroby każdego pacjenta, zwiększając ostatecznie szanse na uzyskanie pozytywnego wyniku leczenia.
Model, który rozumie dane i potrafi przewidywać niewidoczne
DT-GPT potrafi interpretować chaotyczne i złożone dane medyczne, a jego interfejs konwersacyjny umożliwia pracę w formie dialogu – podobnie jak chatbot. Model generuje także tzw. „przewidywania bezbłędne”, co oznacza, że daje trafne odpowiedzi nawet w zakresie zmiennych, dla których nie został wytrenowany.
Adiunkt Menden wyjaśnia mechanizm tej zdolności:
Posługując się analogią, to tak, jakby prosić model o przewidzenie, jaki wzrost dana osoba osiągnie, nie podając danych o jej wzroście, a jedynie podając jej poprzednią wagę i rozmiar buta.
Jednym z najciekawszych wyników było przewidywanie poziomu LDH u pacjentów z nowotworem płuca:
Nasz model dokładnie przewidział, jak zmieni się poziom dehydrogenazy mleczanowej (LDH) u pacjentów z niedrobnokomórkowym rakiem płuca 13 tygodni po rozpoczęciu terapii, mimo że nie został on odpowiednio przeszkolony w tym celu. Porównaliśmy go z tradycyjnymi modelami uczenia maszynowego, które zostały specjalnie wytrenowane pod kątem 69 zmiennych klinicznych, w tym LDH, które w porównaniu z nim jedynie zgadywaliśmy. Co bardzo zaskakujące, prognozy DT-GPT bez prób, czyli jego nietrenowane zgadywania, były dokładniejsze w 18% przypadków.
Perspektywy zastosowania – od klinik po badania nad lekami
Technologia cyfrowych bliźniaków może mieć szerokie zastosowania:
- planowanie spersonalizowanych terapii,
- przewidywanie powikłań,
- monitorowanie pacjentów wysokiego ryzyka,
- projektowanie badań klinicznych,
- szybsze testowanie nowych terapii,
- ograniczenie kosztów opracowania leków.
Może to oznaczać fundamentalną zmianę w sposobie prowadzenia badań medycznych, gdzie część analiz można przeprowadzać na wirtualnych populacjach przed przystąpieniem do badań z udziałem ludzi.
👉 Wyniki oraz opis badań znajdziesz pod tym linkiem: https://www.nature.com/articles/s41746-025-02004-3
Główne wnioski
- Model DT-GPT, wytrenowany na tysiącach dokumentacji medycznych, potrafi tworzyć cyfrowe bliźniaki pacjentów i przewidywać ich stan zdrowia z wysoką dokładnością — przewyższając 14 najnowocześniejszych modeli uczenia maszynowego.
- DT-GPT dokładnie prognozował zmiany parametrów klinicznych, takich jak poziom magnezu, saturacja czy częstość oddechów u 35 131 pacjentów OIT, a także trajektorie biomarkerów w chorobach nowotworowych.
- Technologia może stać się przełomem dla medycyny predykcyjnej — pozwala przewidywać pogorszenie stanu pacjenta, skutki uboczne leków oraz symulować wyniki badań klinicznych, co przyspiesza i obniża koszty tworzenia terapii.
- DT-GPT posiada zdolność generowania „predykcji bezbłędnych”, trafnie przewidując wartości, na których nie był trenowany — np. zmiany LDH u pacjentów z rakiem płuca — osiągając w 18% przypadków lepsze wyniki niż modele specjalistyczne.
Źródło:
- University of Melbourne
- npj Digital Medicine
