Analizele uzuale de sânge, combinate cu istoricul medical al pacientului şi interpretate cu ajutorul inteligenţei artificiale (AI), ar putea oferi mult mai multe informaţii despre starea organismului decât cele furnizate direct de aceste teste. Un nou model de AI poate utiliza date medicale disponibile în practica curentă pentru a reconstrui profiluri metabolomice şi proteomice complexe (nivelurile a mii de metaboliţi şi proteine), care pot oferi o imagine mai detaliată asupra proceselor biologice din organism şi a stării de sănătate a pacientului, potrivit unui studiu publicat în revista Nature Computational Science.
Cercetătorii au dezvoltat un sistem numit PULSE – Patient Unified Longitudinal Signal Engine, conceput să analizeze pacientul nu doar prin prisma rezultatelor obţinute la un anumit moment, ci şi în funcţie de evoluţia sa medicală în timp.
Modelul foloseşte analize de laborator, istoricul medical şi, în anumite aplicaţii, alte tipuri de informaţii clinice pentru a construi o reprezentare a stării fiziologice a unei persoane, respectiv a modului în care funcţionează organismul acesteia.
Studiul a fost publicat la 26 august în Nature Computational Science şi a utilizat, printre altele, date provenite din UK Biobank.
De la 61 de analize uzuale la 251 de biomarkeri metabolici
Într-o primă etapă, cercetătorii au testat PULSE pe aproximativ 10.000 de participanţi din UK Biobank pentru care existau date medicale colectate la două evaluări efectuate la momente diferite.
Modelul a primit informaţii provenite din 61 de teste de laborator de rutină, iar obiectivul a fost reconstruirea unui profil format din 251 de biomarkeri metabolomici - molecule mici din organism, măsurabile în sânge, urină sau alte probe biologice, ale căror niveluri pot oferi informaţii despre procesele metabolice care au loc în organism. Acestea sunt substanţe rezultate sau implicate în metabolism — de exemplu aminoacizi, acizi graşi, lipide, zaharuri sau produşi ai degradării acestora — care pot funcţiona ca „indicatori” ai unei anumite stări biologice. De exemplu, anumite combinaţii sau concentraţii ale acestor molecule pot fi asociate cu prezenţa unei boli, riscul de apariţie a acesteia, evoluţia bolii sau răspunsul la tratament.
În acest studiu, participanţii au fost împărţiţi în două grupuri: unul ale cărui date au fost folosite pentru dezvoltarea şi antrenarea modelului, şi altul pentru testarea independentă a acestuia. Astfel, datele persoanelor din grupul de testare nu au fost utilizate pentru antrenarea sistemului.
PULSE a obţinut rezultate mai bune în reconstruirea profilului metabolomic decât alte trei metode de AI folosite de cercetători pentru comparaţie.
Un element important este faptul că modelul utilizează istoricul individual al pacientului.
În loc să interpreteze, de exemplu, o valoare a colesterolului sau a glicemiei exclusiv prin raportare la populaţia generală, sistemul poate ţine cont şi de modul în care parametrii acelei persoane au evoluat anterior.
Potrivit autorilor, eliminarea informaţiilor despre starea anterioară a pacientului a redus performanţa modelului, ceea ce sugerează că istoricul individual conţine informaţii suplimentare relevante pentru estimarea stării fiziologice la momentul evaluării.
AI-ul a putut urmări inclusiv modificarea în timp a unor biomarkeri
Cercetătorii au analizat şi capacitatea PULSE de a estima nu doar valoarea unui biomarker, ci şi modificarea acestuia între două momente.
Pentru raportul dintre colesterolul liber şi lipidele totale din particulele LDL mari, corelaţia dintre modificarea estimată de model şi cea măsurată efectiv a ajuns la r = 0,850, cea mai bună performanţă dintre metodele evaluate în studiu, ceea ce înseamnă că modelul a reuşit să estimeze cu o precizie ridicată modul în care acest biomarker s-a modificat în timp, comparativ cu schimbările observate în măsurătorile reale.
Autorii subliniază că această abordare longitudinală (analizarea evoluţiei valorilor în timp, la aceeaşi persoană) este relevantă, deoarece aceeaşi valoare măsurată la două persoane poate avea semnificaţii diferite în funcţie de nivelul lor obişnuit şi de modificările înregistrate anterior.
Aproape 3.000 de proteine estimate din analize şi istoricul medical
Cercetătorii au testat ulterior o aplicaţie şi mai complexă.
PULSE a fost aplicat unui grup de 50.000 de participanţi din UK Biobank Pharma Proteomics Project, pentru care existau simultan analize de laborator, informaţii privind istoricul medical şi date proteomice - informaţii despre proteinele măsurate în probele biologice.
Pornind de la cele 61 de teste de laborator şi istoricul medical, modelul a fost utilizat pentru generarea unui profil care cuprinde 2.923 de proteine plasmatice - proteine prezente în plasma sanguină.
Istoricul introdus în model a inclus informaţii precum diagnosticele, medicamentele administrate şi comorbidităţile pacientului - alte afecţiuni de care acesta suferă.
În testarea pe un lot separat de 15.000 de persoane, PULSE a depăşit metodele de AI utilizate pentru comparaţie în estimarea majorităţii proteinelor analizate.
Profilurile generate de AI au fost testate pentru predicţia bolilor
Cercetătorii au mers apoi mai departe şi au verificat dacă proteinele estimate de inteligenţa artificială păstrează suficientă informaţie biologică pentru a putea fi utilizate în evaluarea riscului de boală.
Au fost analizate şase boli majore asociate înaintării în vârstă.
Modelele bazate pe profilurile proteomice generate de PULSE au obţinut valori ale ariei de sub curba ROC (AUC), un indicator al capacităţii modelului de a diferenţia între persoanele cu şi fără o anumită afecţiune, cuprinse între 0,72 şi 0,83 - unde 0,5 înseamnă că modelul nu poate diferenţia persoanele cu afecţiunea respectivă de cele care nu au boala, iar 1 indică o diferenţiere perfectă - performanţa maximă posibilă. Performanţele au fost comparabile cu cele obţinute atunci când au fost folosite profilurile proteomice măsurate efectiv.
Rezultatul este important deoarece profilarea proteomică extinsă presupune tehnologii şi costuri care fac dificilă utilizarea sa de rutină pentru populaţii foarte mari.
Modelul a identificat şi posibile traiectorii diferite ale îmbătrânirii
Analiza datelor a scos în evidenţă şi un alt fenomen.
Persoanele de aceeaşi vârstă cronologică nu aveau întotdeauna profiluri fiziologice similare, ceea ce indică diferenţe în starea biologică a organismului chiar şi între persoane de aceeaşi vârstă.
Pe baza modului în care aceste profiluri fiziologice s-au modificat odată cu înaintarea în vârstă, cercetătorii au identificat trei tipare distincte de evoluţie, pe care le-au descris drept trei traiectorii ale îmbătrânirii.
Una dintre aceste traiectorii a fost asociată cu o proporţie mai mare de persoane care au dezvoltat, în timp, boală pulmonară obstructivă cronică (BPOC), diabet, insuficienţă cardiacă sau accident vascular cerebral (AVC), comparativ cu persoanele de vârstă similară, dar cu o evoluţie fiziologică diferită.
Autorii au interpretat acest tipar de evoluţie drept o posibilă traiectorie de îmbătrânire accelerată.
De ce ar putea fi important pentru medicina personalizată
Proteomica şi metabolomica permit analizarea simultană a unui număr foarte mare de molecule din organism şi pot oferi o imagine mult mai detaliată asupra proceselor biologice decât analizele uzuale.
Problema este că astfel de investigaţii sunt costisitoare şi dificil de efectuat repetat la scară largă.
În schimb, hemoleucograma, profilul lipidic, glicemia şi numeroase alte teste biochimice sunt deja efectuate în mod curent în sistemele medicale.
PULSE explorează posibilitatea ca informaţia relativ limitată provenită din aceste investigaţii să fie combinată cu istoricul pacientului pentru a estima nivelurile unor molecule din organism (informaţia moleculară), precum metaboliţi şi proteine, care în prezent pot fi măsurate prin teste mult mai sofisticate.
Autorii consideră că o asemenea abordare ar putea, în viitor, să faciliteze accesul la metode de medicină de precizie inclusiv în sisteme medicale sau regiuni în care profilarea moleculară complexă (analiza detaliată a moleculelor din organism) este prea costisitoare.
AI-ul nu înlocuieşte însă analizele de laborator
Rezultatele nu înseamnă că inteligenţa artificială poate înlocui în prezent măsurarea efectivă a miilor de biomarkeri.
Altfel spus, PULSE nu măsoară direct aceste molecule, ci estimează statistic nivelurile lor pe baza tiparelor identificate în volume mari de date. Precizia acestor estimări diferă însă de la un biomarker la altul.
Cercetătorii au observat, de exemplu, că modelul estimează mai precis metaboliţii ale căror niveluri tind să varieze mai puţin în timp la aceeaşi persoană.
Modelul trebuie, de asemenea, validat în continuare înainte ca o asemenea tehnologie să poată fi utilizată pentru luarea deciziilor medicale adaptate fiecărui pacient.
Studiul indică însă o posibilă schimbare importantă de perspectivă: analizele medicale ale unei persoane ar putea deveni mai valoroase atunci când sunt interpretate împreună cu propriul său istoric biologic, nu doar prin comparaţie cu valorile considerate normale la nivelul populaţiei.
Medikatv.ro
