A world model simulates the latent dynamics of human health
Das Paper stellt HealthFlux vor, ein panmodales Weltmodell, das die latente Dynamik der menschlichen Gesundheit lernt, indem es diverse multimodale Daten integriert, um einen einheitlichen Gesundheitszustand kontinuierlich zu aktualisieren, was hochgenaue Langzeitprognosen von Krankheiten und Mortalität ermöglicht und gleichzeitig virtuelle klinische Studien unterstützt.
Originalarbeit unter CC0 1.0 der Gemeinfreiheit gewidmet (https://creativecommons.org/publicdomain/zero/1.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Die menschliche Gesundheit ist keine einzelne Momentaufnahme, die ein Arzt mit einem einzigen Test machen kann. Sie ist eine kontinuierliche, sich wandelnde Geschichte, die sich über Jahrzehnte entfaltet und in der Sprache der Blutchemie, der Organfunktion, des genetischen Codes und der täglichen Gewohnheiten geschrieben wird. Ein Bluttest erfasst einen Moment in der Zeit, ein MRT-Scan zeigt die Struktur eines Organs und eine Diagnose markiert einen spezifischen Punkt, an dem eine Krankheit sichtbar wird. Doch der zugrunde liegende Zustand des Wohlbefindens einer Person existiert zwischen diesen Momenten und verändert sich kontinuierlich, auch wenn niemand hinsieht. Die Herausforderung für die moderne Medizin bestand darin, einen Weg zu finden, diesen unsichtbaren, sich entwickelnden Zustand zu verfolgen, zu verstehen, wie sich der Körper von Gesundheit zu Krankheit bewegt, und vorherzusagen, wohin dieser Pfad führen könnte, bevor eine Krise eintritt.
Forscher wissen seit langem, dass die Systeme des Körpers tief miteinander vernetzt sind. Ein Problem im Herzen hallt oft in den Nieren wider; eine genetische Veranlagung zeigt sich möglicherweise erst in Kombination mit einem bestimmten Lebensstil. Traditionelle medizinische Modelle betrachten diese Teile oft isoliert oder verlassen sich auf statische Risikoscores, die sich nicht aktualisieren, wenn neue Informationen eintreffen. Es fällt ihnen schwer, die Verbindung zwischen einem heute durchgeführten Bluttest, einem MRT von vor fünf Jahren und einer neuen Diagnose morgen herzustellen. Die Frage bleibt: Können wir ein System bauen, das die verborgenen Regeln der menschlichen Biologie lernt und jedes Fragment von Daten in ein einziges, lebendiges Bild der Gesundheit einer Person integriert, das sich selbst aktualisiert, sobald neue Erkenntnisse vorliegen?
Ein Team von Wissenschaftlern hat diese Frage mit einem neuen Ansatz namens HealthFlux beantwortet. Sie haben ein „Weltmodell“ entwickelt, eine Art künstliche Intelligenz, die nicht nur vergangene Krankheiten auswendig lernt, sondern die zugrunde liegenden Dynamiken dessen lernt, wie sich die Gesundheit im Laufe der Zeit verändert. Um dieses System zu trainieren, speisten sie es mit einer massiven Menge an Informationen von mehr als 500.000 Menschen aus der UK Biobank. Diese Daten umfassten fast 5.000 verschiedene Arten von Messungen, die von Routine-Bluttests und Lebensgewohnheiten bis hin zu komplexen dreidimensionalen Bildern des Gehirns und des Körpers sowie genetischen Profilen reichten. Das Modell lernte, diese disparaten Fäden zu einem einzigen, kontinuierlichen Repräsentationsbild der Gesundheit jeder Person zu verweben.
Im Gegensatz zu Standard-Medizinwerkzeugen, die auf ein neues Testergebnis warten, um ihre Sichtweise zu aktualisieren, simuliert dieses System, was in der Zeit zwischen den Tests geschieht. Es nutzt eine mathematische Engine, um zu projizieren, wie sich der Gesundheitszustand einer Person Tag für Tag entwickelt, basierend auf ihrem Alter und permanenten Merkmalen wie der Genetik. Wenn ein neues Datensegment eintrifft, etwa eine neue Diagnose oder ein Bluttestergebnis, revidiert das System sofort sein Verständnis, ganz ähnlich wie ein Arzt die Krankenakte eines Patienten mit neuen Befunden aktualisiert. Dies ermöglicht es dem Modell, ein konsistentes, aktuelles Bild der Gesundheit einer Person aufrechtzuerhalten, selbst während langer Zeiträume ohne medizinischen Kontakt.
Die Ergebnisse dieses Ansatzes sind beeindruckend. Als die Forscher das Modell an Menschen testeten, die es zuvor noch nie gesehen hatte, sagte es erfolgreich das zukünftige Risiko von 1.256 verschiedenen Krankheiten und dem Tod über einen Zeitraum von zwanzig Jahren voraus. In diesen Tests übertraf das Modell bestehende hochmoderne Werkzeuge, einschließlich spezialisierter Risikoscores für Herzerkrankungen und allgemeiner Machine-Learning-Modelle. Beispielsweise wurden unter den Personen, die das Modell als Hochrisikopatienten für Herzinsuffizienz identifizierte, fast 30 % innerhalb von fünf Jahren tatsächlich diagnostiziert, verglichen mit weniger als 2 % der Allgemeinbevölkerung. Ähnlich verhielt es sich bei Typ-2-Diabetes: Das Modell identifizierte die große Mehrheit der zukünftigen Fälle bereits Jahre vor deren offizieller Diagnose korrekt.
Eine der bedeutendsten Erkenntnisse ist, dass das Modell das Konzept der Gesundheit selbst erlernt hat, anstatt nur spezifische Krankheiten auswendig zu lernen. Die Forscher testeten dies, indem sie bestimmte Krankheiten während der Trainingsphase vor dem Modell verbargen. Selbst ohne jemals die Labels für diese spezifischen Zustände gesehen zu haben, konnte das Modell dennoch vorhersagen, wer diese entwickeln würde, und die zukünftigen Patienten in 78 von 100 Vergleichen korrekt rangieren. Dies deutet darauf wir, dass das System eine fundamentale Karte der menschlichen Biologie gelernt hat, die für verschiedene Zustände gilt und es ihm ermöglicht, Muster des Verfalls zu erkennen, die auf Probleme hindeuten – selbst bei seltenen oder neu definierten Erkrankungen.
Das Modell war zudem in der Lage, die Auswirkungen von Medikamenten zu simulieren. Indem die Forscher den Beginn einer Medikamenteneinnahme als eine Aktion behandelten, die den Gesundheitsverlauf verändert, konnten sie virtuelle Studien durchführen, um zu sehen, wie unterschiedliche Behandlungen den zukünftigen Verlauf beeinflussen könnten. Sie simulierten die Wirkungen gängiger Medikamente wie Statine und Blutdrucksenker und fanden heraus, dass die vorhergesagten Veränderungen biologischer Marker, wie etwa des Cholesterinspiegels, mit den Ergebnissen aus Hunderten von realen randomisierten klinischen Studien übereinstimmten. Darüber hinaus sagte das Modell voraus, dass bestimmte Medikamente das Risiko für eine Vielzahl von Krankheiten senken könnten, nicht nur für jene, für die sie ursprünglich verschrieben wurden, was auf neue Möglichkeiten zur Umwidmung von Medikamenten (Drug Repurposing) hindeutet.
Entscheidend war, dass die Studie zeigte, dass die Kombination verschiedener Datentypen essenziell ist. Das Modell identifizierte zukünftige Fälle von Hypertonie, die von Modellen, die nur einen Datentyp betrachteten – wie etwa Blutdruckmesswerte allein –, übersehen wurden. Durch die Integration von genetischen Informationen, Lebensstilfaktoren und Bildgebung fand das System verborgene Risiken, die Single-Modality-Ansätze unberücksichtigt ließen. Die Forscher demonstrierten zudem, dass die Vorhersagen des Modells mit der physischen Realität des Körpers übereinstimmen; beispielsweise waren die Gehirnregionen, die das Modell als wichtig für die Vorhersage von Herzkrankheiten markierte, dieselben Regionen, die bei Menschen, die später an dieser Erkrankung erkrankten, strukturelle Unterschiede zeigten.
Diese Arbeit stellt einen Wandel dar: weg von der Betrachtung der Gesundheit als einer Serie diskontinuierlicher Ereignisse, hin zum Verständnis als einem kontinuierlichen, sich entwickelnden Prozess. Durch die Erstellung eines digitalen Zwillings der menschlichen Gesundheit, der aus dem gesamten Spektrum biologischer Daten lernt, haben die Forscher ein Werkzeug geschaffen, das weiter in die Zukunft blicken kann als je zuvor. Obwohl das Modell keine Kristallkugel ist und seine Vorhersagen auf statistischen Mustern und nicht auf garantierten Ausgängen basieren, bietet es einen leistungsstarken neuen Weg, um Individuen mit Risiko zu identifizieren, lange bevor Symptome auftreten. Die Fähigkeit, die Zukunft der Gesundheit eines Patienten zu simulieren, die Auswirkungen von Interventionen in einer virtuellen Umgebung zu testen und die frühen Anzeichen von Krankheiten im gesamten Körper zu erkennen, eröffnet ein neues Kapitel in der Präventivmedizin, das den Fokus von der Behandlung von Krankheiten hin zur Bewahrung der Gesundheit verschiebt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.