Stel je een arts voor die alles onthoudt wat je ooit over je gezondheid hebt verteld, niet alleen de feiten van je laatste bezoek, maar de patronen van je leven over maanden en jaren heen. Zij herinnert zich dat je de neiging hebt om maaltijden over te slaan wanneer je gestrest bent, dat je bloeddruk stijgt op regenachtige dagen, en dat een specifieke medicatie je afgelopen winter duizelig maakte. Dit soort continu, evoluerend begrip is de heilige graal van persoonlijk gezondheidsbeheer. Toch werken de meeste huidige digitale gezondheidstools als een reeks geïsoleerde gesprekken. Ze zijn uitstekend in het beantwoorden van een enkele vraag of het interpreteren van een momentopname van gegevens, maar ze worstelen ermee om te leren van de ene interactie naar de volgende. Ze vergeten vaak de context die een stuk advies werkelijk nuttig maakt, waarbij elke nieuwe vraag wordt behandeld alsof het de allereerste keer is dat je met hen spreekt. Deze beperking betekent dat zelfs de slimste digitale assistenten zich niet kunnen aanpassen aan de langzame, verschuivende ritmes van een echt menselijk leven.

Onderzoekers aan de Fudan Universiteit en verschillende andere instellingen hebben een nieuw type digitale gezondheidsagent gebouwd, ontworpen om dit probleem op te lossen. Ze noemen het HealthJev. In tegen tegenover de standaardprogramma's die simpelweg een lange lijst met eerdere gesprekken opslaan, is HealthJev ontworpen om gedurende de tijd te leren en zijn eigen gedrag te veranderen. Het scheidt algemene medische kennis, die voor iedereen hetzelfde blijft, van een private, persoonlijke geheugen dat alleen aan jou toebehoort. Dit persoonlijke geheugen is niet alleen een opslagbak; het is een levend systeem dat beslist wat het na elke interactie moet bewaren, bijwerken of weggooien. Het systeem is gebouwd om de complexiteit van langdurige zorg aan te kunnen, waarbij een stabiele allergie misschien voor altijd onthouden moet worden, terwijl een tijdelijk symptoom kan vervagen, en een mislukt dieetplan moet worden herzien in een nieuw, beter plan.

De kerninnovatie van HealthJev is een mechanisme dat fungeert als een poortwachter voor zijn eigen leren. Na elk gesprek of elke taak vraagt de agent zichzelf af: "Heb ik hier iets nuttigs geleerd dat ik voor de volgende keer moet onthouden?" Het genereert een potentiële les, zoals "Deze gebruiker geeft de voorkeur aan diner-aanbevelingen na 20:00 uur" of "Deze specifieke interactie tussen medicijnen veroorzaakte een bijwerking." Voordat deze les in het permanente geheugen wordt opgeslagen, gaat deze door een lichtgewicht, gespecialiseerd filter genaamd JevGate. Dit filter is een klein, snel beslissingsmodel dat specifiek is getraind om fouten op te sporen. Het controleert de les tegen het bewijs om te waarborgen dat deze correct is voordat deze het systeem binnenkomt. Als de les gebrekkig is, wijst de poortwachter deze af, waardoor de agent wordt voorkomen dat hij het verkeerde leert. Dit proces vindt ongelooflijk snel plaats, waarbij minder dan een tiende van een seconde per beslissing wordt genomen, wat het systeem in staat stelt om duizenden lessen te accumuleren zonder te vertragen.

Om te testen of deze aanpak daadwerkelijk werkt, creëerden de onderzoekers een rigoureuze simulatie gebaseerd op echte medische dossiers. Ze namen de gezondheidsgegevens van twintig echte patiënten uit een grote ziekenhuisdatabase en gebruikten die om twintig digitale persona's te creëren. Elke persona kreeg een unieke persoonlijkheid, baan en een reeks gezondheidstoestanden, variërend van diabetes en hartziekten tot hoge bloeddruk. Deze digitale patiënten interageerden vervolgens elke dag met de HealthJev-agent, wat een simulatie vormde van een kwartaal aan continue zorg. Tijdens deze periode rapporteerden de gebruikers hun dagelijkse gewoonten, deelden ze nieuwe symptomen, vroegen ze om advies en maakten ze soms fouten of veranderden ze van gedachten. De onderzoekers voegden ook specifieke tests toe om te zien of de agent dingen van weken geleden zou onthouden en of hij de privacygrenzen respecteerde, zoals het weigeren om gevoelige details met onbevoegde derden te delen.

De resultaten toonden aan dat HealthJev andere bestaande systemen aanzienlijk overtrof. Wanneer het werd vergeleken met agents die helemaal geen geheugen hadden, of met andere systemen die probeerden het verleden te onthouden maar een slim filtermechanisme misten, bood HealthJev consequent betere, nauwkeurigere en meer gepersonaliseerde ondersteuning. In de negentig dagen durende simulatie scoorde het hoger op elke maatstaf, van het herinneren van details die dagen eerder werden genoemd tot het corrigeren van foutief gerapporteerde gezondheidswaarden. Het systeem slaagde erin om te leren zich aan te passen aan de veranderingen in het leven van de gebruiker, zoals het aanpassen van maaltijdplannen wanneer een gebruiker begon met late diensten of het wijzigen van trainingsaanbevelingen op basis van nieuwe pijnniveaus. Cruciaal was dat het systeem niet alleen feiten memoriseerde; het leerde hoe het ze moest toepassen. Het ontwikkelde herbruikbare procedures voor veelvoorkomende taken, zoals het bijhouden van de bloeddruk of het beheren van een specifiek dieet, en verfijnde deze procedures in de loop van de tijd op basis van wat wel en niet werkte.

Naast de langetermijnsimulatie testten de onderzoekers of de lessen die HealthJev leerde, konden worden overgedragen op andere medische taken. Ze namen de bibliotheek van lessen die de agent had verzameld en pasten deze toe op zes verschillende biomedische uitdagingen, waaronder het voorspellen van ziekenhuisheropnames, het interpreteren van medische beelden en het beantwoorden van complexe vragen over genetica. In elk enkel geval presteerde de agent die toegang had tot deze geleerde bibliotheek beter dan dezelfde agent zonder deze bibliotheek. De verbetering was substantieel, met een gemiddelde toename in nauwkeurigheid van meer dan dertien procentpunten over alle taken. Misschien nog verrassender was dat de lessen geleerd van het ene type medisch probleem de agent hielpen om compleet andere soorten problemen op te lossen. Zo hielp kennis verkregen uit de analyse van genetische gegevens bijvoorbeeld bij het verbeteren van voorspellingen over diabetes-heropnames. Dit suggereert dat de agent niet alleen antwoorden memoriseert, maar een dieper, flexibeler begrip van gezondheid opbouwt dat in veel verschillende contexten kan worden toegepast.

De studie toonde ook aan dat deze geleerde kennis draagbaar is. De onderzoekers namen de bibliotheek van lessen die door één specifiek type AI-model was gecreëerd en pasten deze toe op zes andere verschillende modellen. Hoewel deze andere modellen de oorspronkelijke trainingsdata nooit hadden gezien, verbeterde hun prestaties allemaal wanneer ze de lessen mochten gebruiken. Dit geeft aan dat de waarde van het systeem ligt in de kwaliteit van de gefilterde lessen zelf, en niet alleen in de specifieijke computerbrein die ze genereerde. Het systeem bleek in staat te zijn zijn eigen geheugen te beheren, te beslissen wat het bewaren waard was en wat niet, en dit te doen met een snelheid en efficiëntie die het praktisch maakte voor gebruik in de echte wereld.

Hoewel de resultaten veelbelovend zijn, merken de onderzoekers voorzichtig op dat deze bevindingen afkomstig zijn van simulaties en offline tests. De negentig dagen durende interacties werden gecreëerd door een computerprogramma dat als gebruiker fungeerde, en de evaluaties werden uitgevoerd door geautomatiseerde scoresystemen. De studie omvatte geen echte patiënten in een live klinische setting, noch mat het werkelijke gezondheidsresultaten, zoals of mensen beter werden of ziekenhuisopnames vermeden. Het werk dient als een bewijs van concept, dat laat zien dat een zelf evoluerende agent met een beheerd geheugen de complexiteit van longitudinaal gezondheidsbeheer beter kan aanpakken dan de huidige tools. Het suggereert een pad voorwaarts waarbij digitale gezondheidsassistenten niet alleen vragen beantwoorden, maar ook echt leren van de mensen die ze helpen, en zich aanpassen aan hun levens over maanden en jaren. De code en het simulatiekader die in de studie zijn gebruikt, zijn nu beschikbaar voor andere wetenschappers om te verkennen, wat een nieuw fundament biedt voor het bouwen van gezondheidstools die onthouden, leren en evolueren samen met de mensen die zij dienen.