Χρήση TN για βοήθεια στους γιατρούς στη διάγνωση σπάνιων γενετικών νόσων σε παιδιά

Ακόμη και με γονιδιωματική αλληλούχηση, πολλοί άνθρωποι με σπάνιες νόσους δεν λαμβάνουν ποτέ σαφή γενετική διάγνωση. Περίπου οι μισοί παραμένουν αδιάγνωστοι μετά από εκτεταμένες εξετάσεις και αξιολόγηση από ειδικούς. Τα ιατρικά τους δεδομένα μπορεί να περιέχουν ενδείξεις, αλλά ο εντοπισμός τους μπορεί να απαιτεί την εξέταση χιλιάδων έως εκατομμυρίων πιθανών γενετικών παραλλαγών, κατακερματισμένων κλινικών αρχείων και μιας επιστημονικής βιβλιογραφίας που αλλάζει γρήγορα.

Καθώς συσσωρεύονται νέες σχέσεις γονιδίων-νόσων, αναφορές περιστατικών και στοιχεία ταξινόμησης, ανεπίλυτα περιστατικά μπορούν να γίνουν εκ νέου ερμηνεύσιμα.

Ερευνητές από το Manton Center for Orphan Disease Research του Boston Children’s Hospital, το Harvard University και την OpenAI χρησιμοποίησαν το μοντέλο συλλογιστικής OpenAI o3 Έρευνα σε βάθος για να αναλύσουν αποταυτοποιημένες κλινικές και γονιδιωματικές πληροφορίες από 376 προηγουμένως αναλυμένα περιστατικά που παρέμεναν ανεπίλυτα. Το μοντέλο ανέδειξε υποψήφιες εξηγήσεις συνδεδεμένες με στοιχεία, ώστε να τις εξετάσουν ερευνητές και κλινικοί γιατροί. Μετά από αξιολόγηση ειδικών, πρόσθετες εξετάσεις και κλινική επιβεβαίωση, οι γιατροί κατέληξαν σε διαγνώσεις σε 18 περιστατικά — μια πρόσθετη διαγνωστική απόδοση 4,8% μετά την προηγούμενη ανάλυση από ειδικούς. Η μελέτη δημοσιεύθηκε στις 18 Ιουνίου 2026 στο NEJM AI και δείχνει πώς μια ερευνητική ροή εργασίας με υποβοήθηση TN μπορεί να βοηθήσει τους ειδικούς να δημιουργούν ενδείξεις όταν επανεξετάζουν ορισμένα από τα πιο δύσκολα περιστατικά.

Πολλά από αυτά τα περιστατικά είχαν διαφύγει της ανάλυσης ειδικών επί χρόνια. Σε αυτή τη μελέτη, το OpenAI o3 Έρευνα σε βάθος βοήθησε τους ερευνητές να εντοπίσουν ενδείξεις που αργότερα αξιολογήθηκαν μέσω καθιερωμένων κλινικών διαδικασιών, υποδηλώνοντας ότι η περιοδική επανανάλυση υπό την καθοδήγηση ειδικών θα μπορούσε να γίνει πιο κλιμακώσιμη καθώς εξελίσσεται η γνώση. Το μοντέλο δεν διέγνωσε κανέναν ασθενή ούτε έλαβε καμία κλινική απόφαση. Παρήγαγε υποθέσεις συνδεδεμένες με στοιχεία, ώστε να τις εξετάσουν οι ειδικοί και, όπου ενδείκνυται, να τις διερευνήσουν με πρόσθετες εξετάσεις και να τις επιβεβαιώσουν σε κλινικό εργαστήριο.

Μια μη καταληκτική γενετική εξέταση δεν είναι πάντα μόνιμο εύρημα. Οι περιγραφές του φαινοτύπου ενός ασθενούς, τα αποτελέσματα εξετάσεων και το οικογενειακό ιστορικό μπορεί να είναι διασκορπισμένα σε βάσεις δεδομένων που χρησιμοποιούν διαφορετικά αναγνωριστικά, μορφές και λεξιλόγια. Η σύνδεση αυτών των αρχείων είναι δύσκολη, επομένως ακόμη και οι ειδικοί μπορεί να χάσουν μια διάγνωση. Οι ειδικοί μπορεί επίσης να αλληλουχήσουν το γονιδίωμα ενός παιδιού πριν ένα σχετικό γονίδιο ή οι παραλλαγές του συνδεθούν με νόσο. Καθώς η επιστημονική γνώση προχωρά, τα ίδια δεδομένα μπορούν να αποκαλύψουν απαντήσεις που προηγουμένως ήταν αδύνατο να εντοπιστούν.

Η επανανάλυση σπάνιων νόσων είναι ταυτόχρονα επιστημονικό και επιχειρησιακό ζήτημα συντήρησης. Το γονιδίωμα του ασθενούς μπορεί να παραμένει ίδιο, αλλά τα στοιχεία γύρω του αλλάζουν συνεχώς: οι ερευνητές συνδέουν νέα γονίδια και παραλλαγές με νόσους, τα εργαστήρια επαναταξινομούν παλιές παραλλαγές και οι βάσεις περιστατικών και οι δημοσιεύσεις συσσωρεύουν νέες παρατηρήσεις. Κάθε ενημέρωση μπορεί να κάνει ένα παλιό μη καταληκτικό περιστατικό άξιο επανεξέτασης, με αποτέλεσμα πολλά ιδρύματα να κληρονομούν ένα αυξανόμενο απόθεμα γονιδιωμάτων που πρέπει να διατηρούνται συγχρονισμένα με μια μεταβαλλόμενη βάση γνώσης.

Σε αυτή τη μελέτη, οι ερευνητές σχεδίασαν τη ροή εργασίας έτσι ώστε το μοντέλο να λειτουργεί ως επίπεδο συλλογιστικής με προτεραιότητα στην εξήγηση, πάνω από τις υπάρχουσες γονιδιωματικές διοχετεύσεις. Αντί να επιστρέφει μόνο ένα ιεραρχημένο γονίδιο, του ζητήθηκε να συνδέει τα κλινικά χαρακτηριστικά, το μοτίβο κληρονόμησης, τα στοιχεία για τις παραλλαγές και την επιστημονική βιβλιογραφία σε μια αιτιολόγηση που θα μπορούσε να εξετάσει κριτικά ένας ανθρώπινος αξιολογητής. 

Για κάθε περιστατικό, η ομάδα συνέταξε έναν αποταυτοποιημένο φάκελο που περιείχε τυποποιημένους όρους Human Phenotype Ontology για την περιγραφή της κλινικής εικόνας του ασθενούς, περιστασιακές σημειώσεις κλινικών γιατρών και τυχόν περιγραφική κλινική διάγνωση, μεταδεδομένα όπως ηλικία και φύλο, καθώς και έναν φιλτραρισμένο πίνακα παραλλαγών. Ο πίνακας κατέγραφε τη σπανιότητα κάθε παραλλαγής, την προβλεπόμενη επίδρασή της στην κωδικοποιούμενη πρωτεΐνη, την ταξινόμηση ClinVar και την ποιότητα σήματος στα διαθέσιμα μέλη της οικογένειας. Τα περισσότερα περιστατικά περιλάμβαναν δεδομένα από το παιδί και τους δύο βιολογικούς γονείς.

Η ομάδα ζήτησε από το μοντέλο να προτείνει την πιο εύλογη μοριακή εξήγηση και να δείξει τον τρόπο εργασίας του. Στη συνέχεια, οι ερευνητές εξέτασαν τα αποτελέσματα χρησιμοποιώντας το ίδιο πλαίσιο ACMG/AMP που χρησιμοποιούν τα κλινικά εργαστήρια για την ταξινόμηση γενετικών παραλλαγών. Τουλάχιστον δύο μέλη της ομάδας εξέτασαν κάθε υποψήφιο εύρημα, οι διαφωνίες επιλύθηκαν με συναίνεση και ένα αποτέλεσμα του μοντέλου δεν αντιμετωπίστηκε ποτέ ως διάγνωση. Ένα εύρημα μετρούσε ως διάγνωση μόνο αφού ειδικοί με τα κατάλληλα προσόντα εξέταζαν τα στοιχεία, η παραλλαγή ταξινομούνταν ως παθογόνος ή πιθανώς παθογόνος, ένα εργαστήριο πιστοποιημένο κατά CLIA την επιβεβαίωνε και η κλινική ομάδα επέστρεφε το αποτέλεσμα στην οικογένεια.

Πριν αναλύσει ανεπίλυτα περιστατικά, η ομάδα βελτίωσε τη ροή εργασίας σε περιστατικά με καθιερωμένες διαγνώσεις. Σε διπλές εκτελέσεις, ανέκτησε το σωστό γονίδιο και τη σωστή παραλλαγή για 48 από 51 περιστατικά που περιλάμβαναν ποικιλία σπάνιων παθήσεων. Σε ένα σύνολο 57 νευρομυϊκών περιστατικών, η ροή εργασίας επέστρεψε τη σωστή διάγνωση σε διπλές εκτελέσεις για 45 από τα περιστατικά. Σε ένα σύνολο 15 περιστατικών με γονιδιώματα μακρών αναγνώσεων, κατονόμασε το σωστό γονίδιο σε κάθε περιστατικό και τα δύο αλληλόμορφα που προκαλούν νόσο σε 12 περιστατικά. Αυτές οι αξιολογήσεις βοήθησαν στην ανάπτυξη της προτροπής και έδειξαν πού η αξιολόγηση από ειδικούς παρέμενε απαραίτητη.

Οι βαθμολογίες εμπιστοσύνης που ανέφερε το ίδιο το μοντέλο συμβάδιζαν με τις σωστές διαγνώσεις σε αυτά τα προηγουμένως λυμένα περιστατικά: η μέση ελάχιστη βαθμολογία ήταν 85,6 για σταθερά σωστές κλήσεις και 42,1 για εσφαλμένες ή άγνωστες κλήσεις. Οι βαθμολογίες δεν ήταν βαθμονομημένες πιθανότητες και η ομάδα δεν τις χρησιμοποίησε ως υποκατάστατο των στοιχείων ή της κλινικής κρίσης. Ήταν όμως χρήσιμες για να καθοδηγήσουν τους αξιολογητές-ειδικούς ώστε να εστιάσουν στις πιο υποσχόμενες υποψήφιες διαγνώσεις. 

Στη συνέχεια, η ομάδα εφάρμοσε τη ροή εργασίας σε τέσσερις ομάδες προηγουμένως ανεπίλυτων περιστατικών: παιδιά με νευροαναπτυξιακές παθήσεις, άτομα με σπάνια νευρομυϊκή νόσο, παιδιά και εφήβους με πρώιμη ψύχωση και περιστατικά αιφνίδιου απροσδόκητου θανάτου στην παιδιατρική. Δεν επρόκειτο για νέα περιστατικά που περίμεναν μια πρώτη αξιολόγηση. Πολλά είχαν ήδη εξεταστεί από πολλαπλές εμπορικές ή ιδρυματικές διοχετεύσεις και είχαν συζητηθεί από διεπιστημονικές ομάδες.

Αφού το μοντέλο ανέδειξε υποψήφια ευρήματα και οι ειδικοί ολοκλήρωσαν την αξιολόγηση και την κλινική επιβεβαίωση, οι γιατροί κατέληξαν σε διαγνώσεις στο 4,8% των περιστατικών. Το ποσοστό αυτό είναι μετριοπαθές αλλά σημαντικό σε αυτόν τον πληθυσμό, επειδή προηγούμενες αξιολογήσεις ειδικών δεν είχαν λύσει τα περιστατικά. Παρόμοιες μελέτες επανανάλυσης αναφέρουν μονοψήφια κέρδη σε περιστατικά που έχουν εξεταστεί εκτενώς· οι υψηλότερες αποδόσεις συνήθως προέρχονται από μελέτες που περιλαμβάνουν νέα περιστατικά ή γνωστές διαταραχές που αναμένουν γενετική επιβεβαίωση.

Από τις 18 διαγνώσεις, οι 7 ήταν επανευρήματα: διαγνώσεις που είχαν τεκμηριωθεί εκτός της τοπικής ερευνητικής ροής εργασίας, αλλά απουσίαζαν από το αρχείο που εξέτασε η ομάδα. Σε αρκετά περιστατικά, οι παραλλαγές ήταν ήδη καταχωρισμένες ως παθογόνες ή πιθανώς παθογόνες σε δημόσιες βάσεις δεδομένων, αναδεικνύοντας την επιχειρησιακή πρόκληση της σύνθεσης πληροφοριών από διαφορετικές πηγές δεδομένων.

Σε ένα περιστατικό πρώιμης ψύχωσης, το μοντέλο συμπέρανε ένα δομικό συμβάν στο γονιδίωμα που δεν αναφερόταν στα δεδομένα εισόδου. Συνέδεσε μια αλληλουχία χαμηλής ποιότητας κλήσεων στο χρωμόσωμα 22 με τα καρδιακά, ανοσολογικά, νευροαναπτυξιακά και ψυχιατρικά χαρακτηριστικά του παιδιού και έπειτα υπέθεσε μια διαγραφή 22q11.2 που σχετίζεται με το σύνδρομο DiGeorge. Αυτή η υποτιθέμενη παραλλαγή επιβεβαιώθηκε με επακόλουθη αλληλούχηση γονιδιώματος.

Παρότι η προτροπή ζητούσε μία μονογονιδιακή αιτία, το μοντέλο ανέδειξε μερικές φορές δύο γονίδια που εξηγούσαν καλύτερα μια σύνθετη κλινική εικόνα. Παραλλαγές στα LAMA2 και FOXP1 βοήθησαν από κοινού να εξηγηθούν μυϊκά και νευροαναπτυξιακά χαρακτηριστικά σε ένα περιστατικό· ένα άλλο είχε μια προηγουμένως μη αναγνωρισμένη διγονιδιακή εξήγηση με συμμετοχή των TTN και SRPK3.

Εκτός από διαγνώσεις, το μοντέλο εντόπισε επίσης μια πιθανή νέα μηχανιστική εξήγηση για μια πάθηση που ονομάζεται λεύκη. Σε ένα νευροαναπτυξιακό περιστατικό, το μοντέλο ανέδειξε μια διαγραφή 11 αμινοξέων στο S1PR1 σε άτομο με λεύκη. Το S1PR1 κωδικοποιεί έναν υποδοχέα της κυτταρικής επιφάνειας που εμπλέκεται στη σηματοδότηση, την κίνηση των ανοσοκυττάρων και τη βιολογία των ιστών. Το μοντέλο συνέθεσε στοιχεία που υποδηλώνουν ότι η διαγραφή θα μπορούσε να μεταβάλει τη δομή και τη σηματοδότηση του υποδοχέα με τρόπους που μειώνουν την παραγωγή χρωστικής, ενώ παράλληλα βοηθούν τα ανοσοκύτταρα να παραμένουν στο δέρμα.

Η προτεινόμενη σχέση S1PR1-λεύκης απαιτεί πρόσθετη πειραματική επικύρωση, αλλά δείχνει έναν ισχυρό ρόλο για την TN στη μετάφραση διάσπαρτων ευρημάτων από τη δομική βιολογία, την ανοσολογία και την κλινική γενετική σε συγκεκριμένες, ελέγξιμες υποθέσεις.

Η ομάδα είδε επίσης πιθανή επέκταση φαινοτύπου στη νευρομυϊκή κοόρτη. Επιβλαβείς παραλλαγές στα HSPB8 και CDK13 δεν ταίριαζαν απόλυτα με τις πιο γνωστές διαταραχές των γονιδίων, υποδηλώνοντας ένα ευρύτερο κλινικό φάσμα που θα χρειαστεί περισσότερα περιστατικά και εργαστηριακή εργασία για να ελεγχθεί.

Η μελέτη αυτή δείχνει ότι ένα μοντέλο συλλογιστικής γενικής χρήσης μπορεί να συμβάλει στην αναδρομική γονιδιωματική επανανάλυση, συνδυάζοντας φαινότυπο, κληρονόμηση, επισημειώσεις παραλλαγών, μοτίβα ποιότητας δεδομένων και επιστημονική βιβλιογραφία σε υποθέσεις που μπορούν να αξιολογηθούν. Δείχνει επίσης γιατί η περιοδική επανανάλυση έχει σημασία: ορισμένες απαντήσεις αναδεικνύονται μόνο αφού προχωρήσει η γνώση ή συνενωθούν κατακερματισμένα αρχεία.

Η έρευνα αυτή δεν αποτελεί τεκμήριο ότι ασθενείς, κλινικοί γιατροί ή πελάτες θα πρέπει να χρησιμοποιούν μοντέλα της OpenAI για τη διάγνωση νόσων ή τη λήψη ιατρικών αποφάσεων. Δεν περιγράφει ούτε υποστηρίζει μια προβλεπόμενη χρήση του OpenAI o3 Έρευνα σε βάθος, του ChatGPT ή οποιουδήποτε άλλου προϊόντος της OpenAI από πελάτες για διάγνωση. Το μοντέλο δεν διέγνωσε κανέναν συμμετέχοντα· οι γιατροί και άλλοι ειδικευμένοι κλινικοί ειδικοί έκαναν κάθε διάγνωση μέσω καθιερωμένων διαδικασιών αξιολόγησης, εξετάσεων και κλινικής επιβεβαίωσης.

Η μελέτη ήταν αναδρομική, οι κοόρτες ήταν ετερογενείς και οι αξιολογητές δεν ήταν τυφλοποιημένοι ως προς την εμπιστοσύνη του μοντέλου. Οι ερευνητές δεν μέτρησαν τον χρόνο που εξοικονομήθηκε, το κόστος, την προσπάθεια των κλινικών γιατρών, τον φόρτο εργασίας από ψευδώς θετικά ή τις αλλαγές στη φροντίδα. Ούτε αξιολόγησαν συστηματικά άλλες μορφές γενετικής ποικιλότητας, όπως δομικές παραλλαγές, επεκτάσεις επαναλήψεων, βαθιές ενδοϊντρονικές αλλαγές ή μωσαϊκισμό.

Τα μεγάλα γλωσσικά μοντέλα μπορούν να παρερμηνεύσουν το πλαίσιο ή να παράγουν εύλογες εξηγήσεις που δεν αντέχουν σε πιο προσεκτική εξέταση. Γι’ αυτό, κάθε αποτέλεσμα πέρασε από ανθρώπινη κρίση και κλινική επιβεβαίωση. Το μοντέλο διεύρυνε την αναζήτηση και εστίασε την επακόλουθη ανάλυση υπό ανθρώπινη καθοδήγηση· δεν αποφάσισε ποιες πληροφορίες ή ποια διάγνωση θα έπρεπε να επιστραφούν σε μια οικογένεια.

Η μελέτη αυτή χρησιμοποίησε αποταυτοποιημένες πληροφορίες, χωρίς να χρησιμοποιηθούν ή να μεταδοθούν προστατευόμενες πληροφορίες υγείας εκτός εγκεκριμένων περιβαλλόντων. Η ευρύτερη κλινική εφαρμογή θα απαιτήσει την ίδια προσοχή στην ιδιωτικότητα, την ασφάλεια, την ελεγξιμότητα και την τοπική ρύθμιση που ισχύει για κάθε ιατρική φροντίδα. Η πρόσβαση σε μοντέλο δεν αντικαθιστά την υποδομή αλληλούχησης, τη γενετική συμβουλευτική, τις επιβεβαιωτικές εξετάσεις ή την κρίση ειδικών.

Προοπτικές, πολυκεντρικές μελέτες θα πρέπει να συγκρίνουν την υποβοηθούμενη από LLM επανανάλυση με την καθιερωμένη πρακτική ως προς τη διαγνωστική απόδοση, τον χρόνο έως τον εντοπισμό υποψηφίου ευρήματος, την προσπάθεια των κλινικών γιατρών, το βάρος των ψευδώς θετικών, το κόστος και τις επιπτώσεις στη φροντίδα. Οι εκδοχές των προτροπών, οι έλεγχοι αναφορών, τα αρχεία ελέγχου και η βαθμονομημένη αβεβαιότητα θα είναι σημαντικά για την αναπαραγωγιμότητα και την ασφάλεια. Τέτοιες μελέτες θα εξακολουθούσαν να απαιτούν ειδικευμένους κλινικούς γιατρούς για να αξιολογούν τα στοιχεία, να ζητούν τις κατάλληλες εξετάσεις και να λαμβάνουν οποιαδήποτε απόφαση διάγνωσης ή θεραπείας.

Η μελέτη αυτή χρησιμοποίησε το OpenAI o3 Έρευνα σε βάθος. Νεότερα μοντέλα γενικής χρήσης μπορούν να αναζητούν και να συνθέτουν περισσότερο επιστημονικό υλικό, ενώ ειδικά σχεδιασμένα συστήματα όπως το GPT‑Rosalind έχουν σχεδιαστεί για βαθύτερη εργασία στις επιστήμες ζωής, συμπεριλαμβανομένων των επιδράσεων των παραλλαγών στη δομή και τη λειτουργία των πρωτεϊνών. Αυτές οι δυνατότητες δεν δοκιμάστηκαν εδώ και θα απαιτήσουν δικές τους αξιολογήσεις και ελέγχους πρόσβασης.

Ενώ η OpenAI βοήθησε στην υποστήριξη αυτής της αρχικής ερευνητικής μελέτης, το Manton Center θα ηγηθεί του επόμενου σταδίου του έργου μέσω επιχορήγησης από το OpenAI Foundation. Η επιχορήγηση θα στηρίξει την ευρύτερη προσπάθεια του Κέντρου να αναπτύξει έναν ανεξάρτητο από πλατφόρμα, χαμηλού κόστους συμπιλότο TN για τη γενετική, που βοηθά τις κλινικές ομάδες να αναλύουν περιστατικά σπάνιων νόσων πιο γρήγορα και με μεγαλύτερη συνέπεια.

Η πιο μακροπρόθεσμη ερευνητική ευκαιρία είναι να διερευνηθεί αν η υποβοηθούμενη από TN επανανάλυση υπό την καθοδήγηση ειδικών μπορεί να βοηθήσει την επιστημονική κατανόηση να συμβαδίζει με τις ανακαλύψεις. Η υπόσχεση δεν είναι ότι η TN αντικαθιστά τη διάγνωση ενός γιατρού, αλλά ότι προσεκτικά αξιολογημένα ερευνητικά εργαλεία μπορούν να βοηθούν τους ειδικούς να εντοπίζουν στοιχεία που αξίζει να διερευνηθούν. Για χιλιάδες οικογένειες, τα σημερινά αναπάντητα ερωτήματα δεν χρειάζεται να μείνουν αναπάντητα για πάντα.