AI tạo 'bản sao kỹ thuật số' dự đoán sức khỏe bệnh nhân

Các nhà nghiên cứu đã sử dụng ba bộ dữ liệu chứa hàng nghìn hồ sơ sức khỏe điện tử để huấn luyện một mô hình ngôn ngữ lớn (LLM). Mô hình AI có tên DT-GPT đã phân tích dữ liệu y tế của bệnh nhân mắc bệnh Alzheimer, ung thư phổi không phải tế bào nhỏ, cũng như bệnh nhân điều trị tại khoa hồi sức tích cực (ICU).

Công cụ này tạo "bản sao kỹ thuật số" cho từng bệnh nhân và dự báo sự thay đổi sức khỏe của họ theo thời gian điều trị, qua đó hỗ trợ đánh giá tiến triển bệnh. DT-GPT đưa ra các dự đoán bằng cách khai thác kiến thức y khoa đã được huấn luyện sẵn và phân tích hồ sơ bệnh án, bao gồm kết quả xét nghiệm, chẩn đoán và phác đồ điều trị.

Để kiểm chứng độ tin cậy, nhóm nghiên cứu đã không cung cấp dữ liệu về kết quả sức khỏe thực tế của bệnh nhân. Kết quả cho thấy DT-GPT vượt trội hơn 14 mô hình học máy tiên tiến khác về độ chính xác dự báo.

Phó Giáo sư Michael Menden, trưởng nhóm nghiên cứu cho biết: "Với mỗi bệnh nhân, chúng tôi tạo một bản sao ảo bằng cách khởi tạo mô hình theo hồ sơ lâm sàng của họ. Chẳng hạn, chúng tôi đã tạo bản sao ảo cho 35.131 bệnh nhân ICU và dự đoán chính xác sự thay đổi nồng độ magiê, độ bão hòa oxy và nhịp thở của họ trong vòng 24 giờ, dựa trên kết quả xét nghiệm của ngày hôm trước".

Các nhà nghiên cứu cho biết, mô hình này có thể được sử dụng để mô phỏng kết quả thử nghiệm lâm sàng, giúp quá trình phát triển thuốc diễn ra nhanh hơn, rẻ hơn và hiệu quả hơn.

Phó Giáo sư Menden nhận định: "Công nghệ này mở đường cho sự chuyển đổi từ y học phản ứng sang y học dự đoán và cá nhân hóa. Nó có thể giúp bác sĩ dự đoán sớm nguy cơ sức khỏe của bệnh nhân để can thiệp kịp thời. Công cụ này cũng có thể dự đoán tác dụng phụ của thuốc, giúp bác sĩ điều chỉnh phác đồ điều trị phù hợp".

DT-GPT có khả năng xử lý nhanh dữ liệu phức tạp và cung cấp giao diện dạng chatbot, cho phép người dùng truy vấn để hiểu cách mô hình đưa ra dự đoán.

Mô hình sử dụng AI tạo sinh để thực hiện "dự đoán zero-shot", tức là có thể đưa ra các phỏng đoán thông minh về các chỉ số xét nghiệm ngay cả khi chưa từng được huấn luyện trực tiếp trên dữ liệu đó. Phó Giáo sư Menden giải thích: "Giống như việc yêu cầu mô hình dự đoán chiều cao của một người mà không hề cung cấp dữ liệu về chiều cao, chỉ dựa trên cân nặng và cỡ giày trước đó".

Mô hình cũng dự đoán chính xác sự thay đổi nồng độ lactate dehydrogenase (LDH) ở bệnh nhân ung thư phổi không phải tế bào nhỏ sau 13 tuần điều trị, dù không được huấn luyện cho mục tiêu này.

Khi so sánh với các mô hình học máy truyền thống vốn được huấn luyện chuyên biệt trên 69 chỉ số lâm sàng (bao gồm LDH), DT-GPT vẫn cho ra các "dự đoán zero-shot" chính xác hơn trong 18% trường hợp.

Nghiên cứu vừa được công bố trên tạp chí NPJ Digital Medicine.