Nástroje AI ukazujú potenciál na zlepšenie zásahov a odporúčaní v oblasti starnutia

Nástroje AI ukazujú potenciál na zlepšenie zásahov a odporúčaní v oblasti starnutia

Spoločná štúdia medzi výskumníkmi z Yong Loo Lin School of Medicine, National University of Singapore (NUS Medicine) a Inštitútu bioštatistiky a informatiky v medicíne a výskume starnutia, Rostock University Medical Center, Nemecko, skúmala, ako môžu pokročilé nástroje AI, ako sú napríklad veľkojazyčné modely (LLM), uľahčiť vyhodnocovanie zásahov proti starnutiu a poskytovať personalizované odporúčania. Výsledky boli publikované v Leading Review JournalZmeňte hodnotenia výskumu.

Výskum starnutia generuje obrovské množstvo údajov, takže je ťažké určiť, ktoré zásahy, ako sú nové lieky, zmeny stravovania alebo cvičebné postupy, sú bezpečné a účinné. Táto štúdia skúmala, ako môže AI analyzovať údaje efektívnejšie a presnejšie, a to navrhnutím komplexného súboru noriem pre systémy AI, aby sa zabezpečilo, že budú poskytovať presné, spoľahlivé a zrozumiteľné hodnotenia prostredníctvom svojej schopnosti analyzovať komplexné biologické údaje.

Výskumníci identifikovali osem kritických požiadaviek na efektívne hodnotenia založené na AI:

1. Richtigkeit der Bewertungsergebnisse. Die Datenqualität wird auf Genauigkeit bewertet.
2. Nützlichkeit Und Vollständigkeit.
3. Interpretierbarkeit Und Erklärung der Bewertungsergebnisse. Klarheit und Übersicht über die Ergebnisse und die gegebenen Erklärungen.
4. Spezifische Überlegung von Kausalmechanismen von der Intervention betroffen.
5. Berücksichtigung von Daten in a ganzheitlich Kontext:
   1. Wirksamkeit und Toxizität sowie Beweise für die Existenz eines großen therapeutischen Fensters;
   2. Analysen in einer „interdisziplinären“ Umgebung.
6. Aktivieren ReproduzierbarkeitAnwesend StandardisierungUnd Harmonisierung der Analysen (und der Berichterstattung).
7. Spezifische Betonung auf verschiedene Längsschnittdaten in Längsrichtung.
8. Spezifische Betonung der Ergebnisse, die sich auf Bekannte Mechanismen des Alterns.

To, že LLM rozprávali príbehy s týmito požiadavkami ako súčasť výzvy, zlepšilo kvalitu odporúčaní, ktoré vygenerovali.

Metódy umelej inteligencie sme testovali na príkladoch z reálneho sveta, ako sú liečivá a doplnky stravy. Zistili sme, že dodržiavaním konkrétnych pokynov môže AI poskytnúť presnejšie a podrobnejšie informácie. Pri analýze rapamycínu, lieku, ktorý bol široko študovaný z hľadiska jeho potenciálu podporovať zdravé starnutie, AI posúdila nielen jeho účinnosť, ale aj kontextovo špecifické vysvetlenia a výhrady. “

Profesor Brian Kennedy, spoluvedúci štúdií, Katedra biochémie a fyziológie a výskumný program prenosu zdravej dlhovekosti, medicína NUS

"Výsledky štúdie by mohli mať ďalekosiahle dôsledky" Kritické požiadavky na dobrú reakciu môžu umožniť nájsť účinnejšiu liečbu a urobiť ju bezpečnejšou. Zlepšenie zdravotných výsledkov pre každého, najmä s pribúdajúcim vekom. “

Vpred sa tím teraz sústredí na rozsiahlu štúdiu o tom, ako najlepšie využiť modely AI na poradenstvo v oblasti dlhovekosti, aby sa posúdila ich presnosť a spoľahlivosť na širokej škále starostlivo navrhnutých benchmarkov, kurátorských a vysokokvalitných údajov. Overenie takýchto systémov umelej inteligencie je vyslovene dôležité, pretože zásahy do dlhovekosti potom môže vykonávať veľké množstvo zdravých ľudí. Prospektívne štúdie musia preukázať, že hodnotenia založené na umelej inteligencii dokážu presne predpovedať úspešné výsledky v štúdiách na ľuďoch, čím sa pripraví cesta pre bezpečnejšie a efektívnejšie zdravotné zásahy.

Tím dúfa, že svoje zistenia využijú na spresnenie a dostupnosť intervencií v oblasti zdravia a dlhovekosti, čo v konečnom dôsledku zlepší kvalitu a dĺžku života. Spolupráca medzi výskumníkmi, klinickými lekármi a tvorcami politík bude dôležitá na vytvorenie pevných regulačných rámcov a zabezpečenie bezpečného a efektívneho používania hodnotení založených na AI.

Zdroje: