📢 مدل هوش مصنوعی ۳۴۸ بیماری را از روی پرونده الکترونیک و ژنتیک پیشبینی میکند
پژوهشی به رهبری دانشگاه هاروارد نشان میدهد که یک الگوریتم هوش مصنوعی میتواند احتمال ابتلای هر بیمار به ۳۴۸ بیماری مختلف را بر اساس دادههای پرونده الکترونیک سلامت (EHR) و اطلاعات ژنتیکی پیشبینی کند.
🧬 ابزاری به نام «ALADYNOULLI»
محققان ابزاری محاسباتی جدید به نام ALADYNOULLI ساختهاند—یک مدل آماری بیزی که دادههای پرونده الکترونیک و ژنتیک را بهطور همزمان تحلیل میکند و تکامل خطر بیماری را در طول عمر یک فرد مدلسازی مینماید.
📊 دادههای عظیم و یافتههای کلیدی
این مدل روی بیش از ۶۸۳,۰۰۰ شرکتکننده از سه بانک زیستی مستقل (UK Biobank، Mass General Brigham و All of Us) اعمال شده و ۳۴۸ بیماری را با حداکثر ۵۲ سال پیگیری پوشش داده است.
ALADYNOULLI ۲۱ «امضای بیماری» شناسایی کرده—مجموعهای از شرایطی که تمایل دارند همزمان رخ دهند و با هم تکامل یابند، مانند بیماریهای قلبی-عروقی یا متابولیک.
🔬 زیرگروههای زیستی جدید
این مدل زیرگروههای زیستی را درون یک تشخیص واحد آشکار کرده است. برای مثال، حملات قلبی زودرس و دیررس مسیرهای پیشرفت متفاوتی نشان دادند که حاکی از مکانیسمهای زمینهای متفاوت است.
🧩 فراتر از تحلیلهای تکبیماری
در بیماری قلبی-عروقی، تیم تحقیقاتی ۲۳ نوع ژنتیکی را کشف کرد که در تحلیلهای تکبیماری معمول نادیده گرفته میشوند.
📈 عملکرد برتر نسبت به روشهای موجود
ALADYNOULLi در پیشبینی بیماریها به طور قابلتوجهی از نمرات خطر بالینی شناختهشده مانند Pooled Cohort Equation و PREVENT برای بیماری قلبی-عروقی و مدل گیل برای سرطان پستان بهتر عمل کرده است.
💡 پزشکی یکپارچه و پویا
پزشکی کنونی اغلب بیماریها را بهصورت مجزا درمان میکند و از نمرات خطر ایستا و تکبیماری استفاده مینماید. ALADYNOULLI یک پیشبینی سلامت یکپارچه و بهروز شونده برای هر بیمار ارائه میدهد که همزمان سابقه کامل تشخیصی و استعداد ژنتیکی را ادغام میکند.
🗣️ نگاه پژوهشگران
«دادههای مفید زیادی در پرونده پزشکی وجود دارد، هم در طول زمان و هم در حوزههای مختلف بیماری. پردازش این دادهها برای انسان دشوار است، اما برای یادگیری ماشین امکانپذیر است.»
— جیووانی پارمیجانی، پژوهشگر ارشد دانا-فاربر
«مردم به این فکر میکنند که سلامت آنها در چند سال آینده چگونه خواهد بود، بهویژه با افزایش گزینههای مداخلهای. این ابزار راهی برای بهبود پیشبینی بیماریهای آینده ارائه میدهد تا پزشکان و بیماران بتوانند برای پیشگیری اقدام کنند.»
— الکساندر گوسف، نویسنده ارشد
🔭 گام بعدی
تیم سازنده در حال کار برای گسترش و افزایش دقت مدل است و به دنبال فرصتهایی برای آزمایش این مدل در محیط بالینی و کمک به طراحی کارآزماییهای بالینی بهتر میگردد.
@AI_MANSOURI
🔗 منبع (رفرنس):
مشاهده مقاله کامل در Inside Precision Medicine
#AI #PrecisionMedicine #HealthcareAI #Genetics #EHR #DiseasePrediction #Harvard
2July 15, 2026 360 2
