AI-verktyg visar potentialen att förbättra åldrandeinterventioner och rekommendationer

AI-verktyg visar potentialen att förbättra åldrandeinterventioner och rekommendationer

En samarbetsstudie mellan forskare från Yong Loo Lin School of Medicine, National University of Singapore (NUS Medicine) och Institute of Biostatistics and Informatics in Medicine and Aging Research, Rostock University Medical Center, Tyskland, undersökte hur avancerade AI-verktyg som stora språkmodeller (LLM) kan göra det lättare att utvärdera personliga insatser för åldrande och ge personliga insatser för åldrande. Resultaten publicerades i Leading Review JournalÄndra forskningsöversikter.

Forskning om åldrande genererar en överväldigande mängd data, vilket gör det svårt att avgöra vilka interventioner, som nya mediciner, kostförändringar eller träningsrutiner, som är säkra och effektiva. Denna studie undersökte hur AI kan analysera data mer effektivt och korrekt genom att föreslå en omfattande uppsättning standarder för AI-system för att säkerställa att de ger korrekta, tillförlitliga och begripliga bedömningar genom sin förmåga att analysera komplexa biologiska data.

Forskarna identifierade åtta kritiska krav för effektiva AI-baserade bedömningar:

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.

Att låta LLM berätta historier med dessa krav som en del av uppmaningen förbättrade kvaliteten på de rekommendationer de genererade.

Vi testade AI-metoder på verkliga exempel som läkemedel och kosttillskott. Vi fann att genom att följa specifika riktlinjer kan AI ge mer exakta och detaljerade insikter. När man analyserade rapamycin, ett läkemedel som har studerats brett för sin potential att främja hälsosamt åldrande, bedömde AI inte bara dess effektivitet utan också kontextspecifika förklaringar och varningar som möjligt. "

Professor Brian Kennedy, medledare för studier, Institutionen för biokemi och fysiologi och Healthy Longevity Transmission Research Programme, NUS Medicine

"Resultaten av studien kan få långtgående konsekvenser" De kritiska kraven på ett bra svar kan göra det möjligt att hitta effektivare behandlingar och göra dem säkrare. Förbättra hälsoresultat för alla, särskilt när de åldras. "

Framåt är teamet nu fokuserat på en stor studie av hur man bäst använder AI-modeller för råd om livslängdsintervention för att bedöma deras noggrannhet och tillförlitlighet på ett brett utbud av noggrant utformade riktmärken, utvalda data av hög kvalitet. Valideringen av sådana AI-system är uttryckligen viktig eftersom livslängdsinsatserna sedan kan implementeras av ett stort antal friska människor. Prospektiva studier måste visa att AI-baserade bedömningar exakt kan förutsäga framgångsrika resultat i mänskliga studier, vilket banar väg för säkrare och mer effektiva hälsointerventioner.

Teamet hoppas kunna använda sina resultat för att göra hälso- och livslängdsinsatser mer exakta och tillgängliga, vilket i slutändan förbättrar livskvaliteten och livslängden. Samarbete mellan forskare, kliniker och beslutsfattare kommer att vara viktigt för att etablera robusta regelverk och säkerställa en säker och effektiv användning av AI-drivna bedömningar.

Källor: