Forscher haben ein neues KI-Modell namens Delphi-2M entwickelt, das in der Lage ist, individuelle Krankheitsrisiken über einen Zeitraum von mehr als 1.000 Diagnosen hinweg vorherzusagen. Das Modell lernt aus Gesundheitsakten und simuliert plausible Zukunftsszenarien, was neue Möglichkeiten für die medizinische Forschung und Versorgungsplanung eröffnet.
Wie Delphi-2M funktioniert
Delphi-2M basiert auf einer angepassten GPT-Architektur und verarbeitet Gesundheitsereignisse entlang einer Zeitachse. Anstatt Wörter zu verarbeiten, schätzt das System die Wahrscheinlichkeit und den Zeitpunkt des nächsten medizinischen Ereignisses. Die Eingabe umfasst die bisherige Krankengeschichte, Diagnosen (ICD-10), Alter bei Erstauftreten, Geschlecht sowie grobe Angaben zu BMI, Rauchen und Alkoholkonsum.
- Das Modell schätzt die Wahrscheinlichkeit pro Tag für über 1.000 Diagnosen oder den Tod.
- Es prognostiziert die Zeit bis zum nächsten Ereignis und kann zukünftige Krankheitsverläufe simulieren.
- Vorhersagen werden bei neuen Informationen aktualisiert.
- Neutrale Platzhalter werden verwendet, um Lücken in der Krankengeschichte zu überbrücken.
Leistung und Genauigkeit
Interne Tests zeigten, dass Delphi-2M Muster für fast alle Krankheiten deutlich besser als der Zufall erkannte, insbesondere bei der kurzfristigen Vorhersage des nächsten Todesfalls. Auch über längere Zeiträume blieben die Aussagen brauchbar, wenn auch mit leicht abnehmender Genauigkeit. Externe Tests auf dänischen Daten fielen nur geringfügig schwächer aus, was auf das Potenzial zur Skalierung auf breitere Bevölkerungsgruppen hindeutet.
Einsatzmöglichkeiten und Grenzen
Die Forscher sehen großes Potenzial für die Versorgungsplanung, indem aggregierte Prognosen helfen, erwartete Krankheitsfälle besser abzuschätzen. Für den Einsatz bei einzelnen Patienten wird mit einem Zeitraum von fünf bis zehn Jahren gerechnet, auch aufgrund regulatorischer Hürden. Das Modell liefert die robustesten Vorhersagen für Krankheiten mit gut erkennbaren Mustern wie Herz-Kreislauf-Erkrankungen oder Diabetes. Seltene Leiden oder solche, die stark von äußeren Einflüssen abhängen, sind weniger gut abgedeckt. Die Forscher betonen, dass Delphi-2M eine Ergänzung und kein Ersatz für ärztliche Diagnostik ist und warnen ausdrücklich vor kausalen Interpretationen, da die Daten auch Versorgungspfade und Artefakte widerspiegeln können.
Zukünftige Entwicklungen
Das Team prüft die Einbindung zusätzlicher Datenebenen wie Genomik und Proteomik. Kernelemente zur Risiko- und Zeitmodellierung wurden patentiert.
KI Snack
