Analizele de sange efectuate in mod obisnuit ar putea furniza, cu ajutorul inteligentei artificiale si al istoricului medical al pacientului, indicii despre mii de molecule care in prezent necesita investigatii mult mai complexe. Un sistem numit PULSE a fost testat pe date medicale din UK Biobank si a reusit sa reconstruiasca profiluri metabolomice si proteomice, sa urmareasca modificarea unor biomarkeri in timp si sa genereze informatii care au fost ulterior utilizate pentru evaluarea riscului unor boli.
Tehnologia nu inlocuieste analizele de laborator si nu masoara direct miile de molecule respective. In schimb, foloseste datele disponibile pentru a estima statistic nivelurile lor si pentru a crea o imagine mai detaliata asupra starii fiziologice a unei persoane, potrivit unui studiu publicat in revista Nature Computational Science.
## Ce este PULSE si cum analizeaza datele pacientului
PULSE, denumire provenita de la Patient Unified Longitudinal Signal Engine, a fost dezvoltat pentru a privi datele medicale ale unei persoane intr-un context mai larg decat o singura analiza efectuata la un moment dat.
Modelul poate utiliza rezultatele analizelor de laborator impreuna cu istoricul medical si, in anumite aplicatii, cu alte informatii clinice.
Diferenta importanta este componenta longitudinala. Sistemul nu analizeaza exclusiv situatia prezenta, ci poate lua in considerare felul in care valorile unui pacient s-au modificat de-a lungul timpului.
Un rezultat al glicemiei sau colesterolului, de exemplu, nu este privit doar in raport cu valorile intalnite in populatie. Modelul poate integra si evolutia parametrului respectiv pentru persoana analizata.
Cercetatorii au observat ca eliminarea informatiilor despre starea anterioara a pacientului a redus performanta sistemului. Rezultatul sugereaza ca istoricul individual poate contine informatii relevante pentru estimarea starii fiziologice actuale.
## De la 61 de teste obisnuite la 251 de biomarkeri
Intr-o prima etapa, PULSE a fost evaluat folosind date provenite de la aproximativ 10.000 de participanti din UK Biobank. Pentru acestia existau informatii medicale colectate in cadrul a doua evaluari realizate in momente diferite.
Sistemul a primit date provenite din 61 de teste de laborator uzuale. Pornind de aici, cercetatorii au urmarit daca inteligenta artificiala poate reconstrui un profil alcatuit din 251 de biomarkeri metabolomici.
Metabolitii sunt molecule mici implicate sau rezultate in urma proceselor metabolice din organism. In aceasta categorie pot intra aminoacizi, lipide, acizi grasi, zaharuri si produsi rezultati din degradarea acestora.
Nivelurile si combinatiile acestor molecule pot furniza informatii despre ceea ce se intampla in organism si pot fi asociate cu prezenta unei boli, riscul aparitiei acesteia, evolutia unei afectiuni sau raspunsul la un tratament.
Pentru evaluarea sistemului, participantii au fost separati in doua grupuri. Datele unui grup au fost folosite pentru dezvoltarea si antrenarea modelului, in timp ce al doilea grup a servit testarii independente. Astfel, informatiile persoanelor folosite la testare nu au fost introduse anterior in procesul de antrenare.
In comparatia realizata de cercetatori, PULSE a avut rezultate mai bune in reconstruirea profilului metabolomic decat alte trei metode de inteligenta artificiala incluse in evaluare.
## AI-ul a urmarit si schimbarea biomarkerilor in timp
Cercetatorii nu s-au limitat la estimarea unor valori la un anumit moment. Ei au verificat si daca sistemul poate aproxima felul in care un biomarker se modifica intre doua evaluari.
Un exemplu a fost raportul dintre colesterolul liber si lipidele totale din particulele LDL mari.
In acest caz, corelatia dintre schimbarea estimata de PULSE si modificarea masurata in realitate a ajuns la r = 0,850. Aceasta a reprezentat cea mai buna performanta dintre metodele analizate in studiu.
Capacitatea de a urmari evolutia in timp este relevanta tocmai pentru ca aceeasi valoare poate avea semnificatii diferite pentru doua persoane.
O valoare care pentru un pacient este relativ stabila poate reprezenta pentru altul o schimbare importanta fata de nivelurile sale anterioare. Prin integrarea istoricului, modelul incearca sa surprinda aceasta dimensiune individuala.
Aproape 3.000 de proteine estimate cu ajutorul inteligentei artificiale
O etapa ulterioara a cercetarii a urmarit o sarcina considerabil mai complexa: estimarea unui profil proteomic.
PULSE a fost aplicat pe datele unui grup de 50.000 de participanti din UK Biobank Pharma Proteomics Project. Pentru acestia erau disponibile simultan rezultate ale analizelor de laborator, informatii despre istoricul medical si masuratori proteomice.
Pornind tot de la cele 61 de teste de laborator si de la istoricul medical, sistemul a fost utilizat pentru generarea unui profil alcatuit din 2.923 de proteine plasmatice.
Datele istorice introduse in model au inclus diagnostice, medicamente administrate si comorbiditati.
Performanta a fost verificata ulterior pe un lot separat de 15.000 de persoane. PULSE a depasit metodele de inteligenta artificiala folosite pentru comparatie in cazul estimarii majoritatii proteinelor analizate.
Rezultatul este relevant deoarece masurarea directa a unui numar atat de mare de proteine presupune investigatii diferite de analizele de rutina.
Profilurile generate au fost folosite pentru evaluarea riscului de boala
O intrebare importanta era daca profilurile estimate de inteligenta artificiala pastreaza suficienta informatie biologica pentru a avea utilitate in alte analize.
Cercetatorii au folosit proteinele estimate de PULSE pentru evaluarea riscului in cazul a sase boli majore asociate inaintarii in varsta.
Modelele construite pe baza profilurilor proteomice generate de sistem au obtinut valori AUC cuprinse intre 0,72 si 0,83.
AUC, aria de sub curba ROC, este un indicator utilizat pentru evaluarea capacitatii unui model de a diferentia intre persoanele care au si cele care nu au o anumita afectiune. O valoare de 0,5 indica lipsa capacitatii de diferentiere, in timp ce 1 reprezinta performanta maxima.
Performantele obtinute folosind profilurile generate de PULSE au fost comparabile cu cele inregistrate atunci cand au fost utilizate profilurile proteomice masurate efectiv.
Aceasta comparatie nu inseamna insa ca estimarea poate inlocui masurarea directa. Ea arata ca informatiile reconstruite de model au pastrat suficiente semnale biologice pentru a obtine rezultate relevante in analiza realizata de cercetatori.
PULSE a evidentiat trei traiectorii ale imbatranirii
Datele au permis cercetatorilor sa analizeze si diferentele dintre persoane aflate la aceeasi varsta cronologica.
Acestea nu prezentau intotdeauna profiluri fiziologice asemanatoare. Cu alte cuvinte, faptul ca doua persoane au aceeasi varsta nu inseamna automat ca organismul lor se afla intr-o stare biologica similara.
Urmarind modul in care profilurile fiziologice s-au schimbat odata cu inaintarea in varsta, cercetatorii au identificat trei modele distincte de evolutie, descrise drept trei traiectorii ale imbatranirii.
Una dintre acestea a fost asociata cu o proportie mai mare de persoane care au dezvoltat in timp boala pulmonara obstructiva cronica, diabet, insuficienta cardiaca sau accident vascular cerebral.
Comparatia a fost facuta cu persoane de varste similare, dar care prezentau o evolutie fiziologica diferita.
Autorii au interpretat acest model drept o posibila traiectorie de imbatranire accelerata.
De ce sunt importante metabolomica si proteomica
Analizele uzuale de sange ofera medicilor un numar limitat de indicatori. Metabolomica si proteomica permit, in schimb, studierea simultana a unui numar foarte mare de molecule si pot oferi o perspectiva mult mai detaliata asupra proceselor biologice.
Problema practica este accesibilitatea.
Profilarea moleculara extinsa necesita tehnologii si costuri care fac dificila efectuarea repetata a acestor investigatii pentru populatii foarte numeroase.
Analize precum hemoleucograma, glicemia sau profilul lipidic sunt deja folosite pe scara larga in practica medicala. Ideea explorata prin PULSE este ca informatiile provenite din astfel de investigatii sa fie combinate cu istoricul pacientului pentru a estima informatii moleculare care, in mod normal, ar necesita teste mult mai sofisticate.
O astfel de abordare ar putea avea relevanta pentru medicina de precizie, mai ales in sisteme medicale sau regiuni in care profilarea moleculara complexa este dificil de realizat din cauza costurilor.
Inteligenta artificiala nu inlocuieste masuratorile de laborator
Rezultatele trebuie interpretate cu o limita importanta: PULSE nu masoara direct cei 251 de biomarkeri metabolomici sau cele 2.923 de proteine plasmatice.
Sistemul face estimari statistice pe baza relatiilor identificate in volume mari de date medicale.
Precizia nu este aceeasi pentru fiecare biomarker. Cercetatorii au observat, de exemplu, ca sistemul poate estima mai bine metabolitii ale caror niveluri tind sa varieze mai putin in timp in cazul aceleiasi persoane.
Inainte ca o astfel de tehnologie sa poata fi folosita pentru luarea unor decizii medicale individuale sunt necesare validari suplimentare.
Studiul arata insa cat de mult poate conta contextul in interpretarea datelor medicale. O analiza de sange nu trebuie privita neaparat ca un rezultat izolat. Atunci cand valorile actuale sunt puse in legatura cu istoricul biologic al aceleiasi persoane si analizate prin modele capabile sa identifice tipare complexe, datele medicale obisnuite ar putea deveni o sursa mult mai bogata de informatii despre organism.
