Nggunakake AI kanggo mbantu dokter ndiagnosis penyakit genetik langka ing bocah
Ing studi NEJM AI, ahli nggunakake model nalar OpenAI kanggo nganalisis maneh 376 kasus sing durung kapecahake lan nampilake pitunjuk kanggo 18 diagnosis.
Sanajan wis ana sekuensing genomik, akeh wong sing nandhang penyakit langka ora tau entuk diagnosis genetik sing cetha. Kira-kira separo tetep ora kadiagnosis sawise tes ekstensif lan tinjauan spesialis. Data medisé bisa ngemot pitunjuk, nanging nemokake pitunjuk kasebut bisa mbutuhake nyaring ewonan nganti mayuta-yuta varian genetik sing mungkin, rekam klinis sing kepisah-pisah, lan literatur ilmiah sing owah kanthi cepet.
Nalika hubungan gen-penyakit anyar, laporan kasus, lan bukti klasifikasi saya nglumpuk, kasus sing durung kabuka bisa dadi bisa ditafsirake maneh.
Peneliti saka Manton Center for Orphan Disease Research ing Boston Children’s Hospital, Harvard University, lan OpenAI nggunakake model nalar OpenAI o3 Deep Research kanggo nganalisis informasi klinis lan genomik sing wis dicopot identitasé saka 376 kasus sing sadurunge wis dianalisis nanging tetep durung kapecahake. Model kasebut nampilake calon panjelasan sing kagandheng bukti supaya bisa ditinjau para peneliti lan klinisi. Sawise tinjauan ahli, tes tambahan, lan konfirmasi klinis, dokter netepake diagnosis ing 18 kasus—tambahan yield diagnostik 4,8% sawise analisis sadurunge dening para spesialis. Studi iki diterbitake tanggal 18 Juni 2026 ing NEJM AI lan nuduhake carane alur kerja riset sing dibantu AI bisa nulungi ahli ngasilake pitunjuk nalika mriksa maneh sawetara kasus sing paling angel.
Akeh kasus iki wis luput saka analisis ahli nganti pirang-pirang taun. Ing studi iki, OpenAI o3 Deep Research mbantu peneliti ngenali pitunjuk sing banjur dinilai liwat proses klinis sing wis mapan, nuduhake manawa reanalisis berkala sing dipimpin ahli bisa dadi luwih bisa diskalakake nalika kawruh terus berkembang. Model kasebut ora ndiagnosis pasien apa wae utawa nggawe keputusan klinis apa wae. Model kasebut ngasilake hipotesis sing kagandheng bukti supaya ditinjau spesialis lan, yen cocog, diselidiki liwat tes tambahan lan dikonfirmasi ing laboratorium klinis.
Tes genetik sing ora menehi kesimpulan ora mesthi dadi temuan permanen. Deskripsi fenotipe pasien, asil tes, lan riwayat kulawarga bisa kasebar ing basis data sing nggunakake pengenal, format, lan kosakata beda-beda. Nyambungake rekam kasebut angel, mula spesialis wae bisa kliwat nemokake diagnosis. Ahli uga bisa nyekuensing genom bocah sadurunge gen sing relevan utawa variané digandhengake karo penyakit. Nalika kawruh ilmiah maju, data sing padha bisa mbukak jawaban sing sadurunge ora mungkin ditemokake.
Reanalisis penyakit langka iku masalah ilmiah sekaligus masalah pemeliharaan. Genom pasien bisa tetep padha, nanging bukti ing sakupenge terus owah: peneliti nggandhengake gen lan varian anyar karo penyakit, laboratorium nglasifikasi maneh varian lawas, lan basis data kasus serta makalah nglumpukake pengamatan anyar. Saben pembaruan bisa nggawe kasus lawas sing ora ana kesimpulan pantes ditinjau maneh, mula akeh institusi marisi tumpukan genom sing terus tuwuh lan kudu diselarasake karo basis kawruh sing terus obah.
Ing studi iki, peneliti ngrancang alur kerja supaya model tumindak minangka lapisan nalar sing luwih dhisik menehi panjelasan ing ndhuwur pipeline genomik sing wis ana. Tinimbang mung mbalekake gen sing diwenehi peringkat, model dijaluk nyambungake fitur klinis, pola pewarisan, bukti varian, lan literatur ilmiah dadi justifikasi sing bisa diuji dening paninjau manungsa.
Kanggo saben kasus, tim nyusun paket tanpa identitas sing ngemot istilah Human Phenotype Ontology standar kanggo nggambarake presentasi klinis pasien, cathetan klinisi sok-sok lan diagnosis klinis deskriptif apa wae, metadata kaya umur lan gender, lan tabel varian sing wis disaring. Tabel kasebut nyathet kelangkaan saben varian, efek sing diprediksi marang protein sing dikode, klasifikasi ClinVar, lan kualitas sinyal ing anggota kulawarga sing kasedhiya. Umume kasus nyakup data saka bocah lan loro wong tuwa biologisé.
Tim njaluk model ngusulake panjelasan molekuler sing paling masuk akal lan nuduhake alur kerjane. Banjur peneliti mriksa output nganggo kerangka ACMG/AMP sing padha karo sing digunakake laboratorium klinis kanggo nglasifikasi varian genetik. Paling ora loro anggota tim mriksa saben calon, beda pendapat dirampungake kanthi konsensus, lan output model ora tau dianggep minangka diagnosis. Sawijining temuan dianggep diagnosis mung sawise ahli sing nduweni kualifikasi mriksa bukti, varian diklasifikasi minangka patogenik utawa kamungkinan patogenik, laboratorium bersertifikat CLIA ngonfirmasi, lan tim klinis mbalekake asil kasebut marang kulawarga.
Sadurunge nganalisis kasus sing durung kapecahake, tim nyempurnakake alur kerja ing kasus sing wis nduweni diagnosis mapan. Alur kasebut nemokake maneh gen lan varian sing bener ing run duplikat kanggo 48 saka 51 kasus sing nyakup macem-macem kondisi langka. Ing sakumpulan 57 kasus neuromuskular, alur kerja mbalekake diagnosis sing bener ing run duplikat kanggo 45 kasus. Ing set 15 kasus genom long-read, alur kasebut nyebut gen sing bener ing saben kasus lan loro alel panyebab penyakit ing 12 kasus. Evaluasi iki mbantu pangembangan prompt lan nuduhake ing endi tinjauan ahli tetep penting.
Skor kapercayan sing dilaporke model dhewe selaras karo diagnosis sing bener ing kasus sing sadurunge wis kapecahake iki: skor minimal rata-rata 85,6 kanggo panggilan sing konsisten bener lan 42,1 kanggo panggilan sing salah utawa ora dingerteni. Skor kasebut dudu probabilitas sing dikalibrasi, lan tim ora nggunakake minangka pengganti bukti utawa adjudikasi klinis. Nanging skor kasebut migunani kanggo nuntun para paninjau ahli supaya fokus marang calon diagnosis sing paling njanjeni.
Tim banjur ngetrapake alur kerja marang papat kelompok kasus sing sadurunge durung kapecahake: bocah kanthi kondisi neuroperkembangan, wong sing nandhang penyakit neuromuskular langka, bocah lan remaja kanthi psikosis awal, lan kasus pati dadakan ora dikira ing pediatri. Iki dudu kasus anyar sing ngenteni tinjauan pisanan. Akeh sing wis dipriksa dening pirang-pirang pipeline komersial utawa institusional lan dirembug dening tim multidisipliner.
Kohort | Kasus | Diagnosis sing ditemokake | Yield |
Neuroperkembangan | 100 | 10 | 10.0% |
Penyakit neuromuskular | 61 | 4 | 6.6% |
Pati dadakan ora dikira ing pediatri | 200 | 2 | 1.0% |
Psikosis awal | 15 | 2 | 13.3% |
Total | 376 | 18 | 4.8% |
Kohort psikosis awal cilik, mula persentasené nduweni interval kapercayan sing amba. Yield uga nggambarake sepira kamungkinan saben kohort nduweni panjelasan gen tunggal.
Sawise model nampilake calon lan ahli ngrampungake tinjauan serta konfirmasi klinis, dokter netepake diagnosis ing 4,8% kasus. Tingkat kasebut sederhana nanging bermakna ing populasi iki amarga tinjauan ahli sadurunge durung bisa mecahake kasus-kasus kasebut. Studi reanalisis sing padha nglaporake kenaikan siji digit ing kasus sing wis ditinjau abot; yield luwih dhuwur biasane teka saka studi sing ngemot kasus anyar utawa kelainan sing wis dikenal apik nanging ngenteni konfirmasi genetik.
Saka 18 diagnosis, 7 minangka panemuan maneh: diagnosis sing ditetepake ing njaba alur kerja riset lokal nanging ora ana ing rekam sing ditinjau tim. Ing sawetara kasus, varian wis kacathet minangka patogenik utawa kamungkinan patogenik ing basis data publik, nyorot tantangan operasional kanggo nyintesis informasi saka macem-macem sumber data.
Ing salah siji kasus psikosis awal, model nyimpulake ana kedadeyan struktural ing genom sing ora kacathet ing data input. Model kasebut nggandhengake rentetan panggilan kualitas rendah ing kromosom 22 karo fitur jantung, imun, neuroperkembangan, lan psikiatris bocah kasebut, banjur ngusulake hipotesis delesi 22q11.2 sing ana gandhengane karo sindrom DiGeorge. Varian hipotesis iki dikonfirmasi nganggo sekuensing genom tindak lanjut.
Sanajan prompt njaluk siji panyebab monogenik, model kadhangkala nampilake loro gen sing luwih becik nerangake presentasi kompleks. Varian ing LAMA2 lan FOXP1 bebarengan mbantu nerangake fitur otot lan neuroperkembangan ing salah siji kasus; kasus liyane nduweni panjelasan digenik sing sadurunge durung dingerteni, nglibatake TTN lan SRPK3.
Saliyane diagnosis, model uga ngenali panjelasan mekanistik anyar sing mungkin kanggo kondisi sing diarani vitiligo. Ing salah siji kasus neuroperkembangan, model nyorot delesi 11 asam amino ing S1PR1 ing wong sing nandhang vitiligo. S1PR1 ngode reseptor permukaan sel sing melu pensinyalan, gerakan sel imun, lan biologi jaringan. Model nggabungake bukti sing nuduhake delesi kasebut bisa ngowahi struktur lan pensinyalan reseptor kanthi cara sing nyuda produksi pigmen sekaligus mbantu sel imun tetep ana ing kulit.
Hubungan S1PR1-vitiligo sing diusulake mbutuhake validasi eksperimental tambahan, nanging iki nggambarake peran kuat AI kanggo nerjemahake temuan sing kasebar saka biologi struktural, imunologi, lan genetika klinis dadi hipotesis konkret sing bisa dites.
Tim uga ndeleng kemungkinan ekspansi fenotipe ing kohort neuromuskular. Varian ngrusak ing HSPB8 lan CDK13 ora pas sampurna karo kelainan sing paling dikenal saka gen kasebut, nuduhake spektrum klinis sing luwih amba sing kudu dites nganggo luwih akeh kasus lan karya laboratorium.
Studi kasus: diagnosis Kyra sawise meh rong dasawarsa
Iki diwiwiti ing kelas karate, nalika ibune Kyra weruh putrine sing umur 9 taun ora bisa merendahake posisi sikapé kaya biasane. Kyra uga saya alon nalika latihan bal-balan lan tetep mlaku serta mlayu nganggo pucuk driji sikil. Dokter anaké ora bisa ngenali panyebab kelemahan ototé, mula dheweke ngrujuk Kyra menyang spesialis. Sing banjur kelakon yaiku perjalanan meh 20 taun liwat tes, perawatan, lan konsultasi tanpa diagnosis.
Kasus Kyra minangka salah siji saka papat diagnosis sing ditemokake ing kohort neuromuskular. Tim nggandhengake kondisiné karo varian frameshift ing HSPB8 lan ndiagnosis sawijining bentuk miopati miofibrilar, nalika struktur protein abnormal nglumpuk ing serat otot lan nyumbang marang kelemahan. Konselor genetik saka Manton Center nelpon Kyra kira-kira seminggu sadurunge ulang tahune sing kaping 28.
Nalika iku, Kyra wis ngentekake akeh bagean uripe kanggo adaptasi karo penyakit kasebut. Dheweke wis gumantung marang ventilator lan nganggo kursi roda nalika umur 13 taun, sanajan kondisiné wiwit kuwi wis stabil. Sanajan bentuk miopati miofibrilar sing dialami Kyra langka banget nganti mung sethithik sing dingerteni babagan perjalanan jangka panjangé, diagnosis iki wis menehi rasa lega.
Studi iki nuduhake manawa model nalar serbaguna bisa nyumbang marang reanalisis genomik retrospektif kanthi nggabungake fenotipe, pewarisan, anotasi varian, pola kualitas data, lan literatur ilmiah dadi hipotesis sing bisa ditinjau. Iki uga nuduhake sebab reanalisis berkala penting: sawetara jawaban mung muncul sawise kawruh maju utawa rekam sing kepisah-pisah digabungake.
Riset iki dudu bukti manawa pasien, klinisi, utawa pelanggan kudu nggunakake model OpenAI kanggo ndiagnosis penyakit utawa nggawe keputusan medis. Iki ora nggambarake utawa ndhukung panggunaan pelanggan sing dimaksudake kanggo OpenAI o3 Deep Research, ChatGPT, utawa produk OpenAI liyane kanggo diagnosis. Model ora ndiagnosis peserta apa wae; dokter lan ahli klinis berkualifikasi liyane nggawe saben diagnosis liwat proses tinjauan, tes, lan konfirmasi klinis sing wis mapan.
Studi kasebut retrospektif, kohorté heterogen, lan para paninjau ora dibutakake marang kapercayan model. Peneliti ora ngukur wektu sing diirit, biaya, upaya klinisi, beban kerja positif palsu, utawa owah-owahan ing perawatan. Dheweke uga ora ngevaluasi kanthi sistematis bentuk variasi genetik liyane kayata varian struktural, ekspansi ulangan, owah-owahan deep-intronic, utawa mosaikisme.
Model basa gedhe bisa salah maca konteks utawa ngasilake panjelasan sing katon masuk akal nanging gagal nalika dipriksa luwih cedhak. Mula, saben asil liwat adjudikasi manungsa lan konfirmasi klinis. Model ngambakake telusuran lan ngarahake analisis sabanjure sing dipimpin manungsa; model ora mutusake informasi utawa diagnosis apa sing kudu bali marang kulawarga.
Studi iki nggunakake informasi tanpa identitas, tanpa informasi kesehatan sing dilindhungi sing digunakake utawa dikirim metu saka lingkungan sing disetujoni. Penerapan klinis sing luwih amba bakal mbutuhake perhatian sing padha marang privasi, keamanan, auditabilitas, lan regulasi lokal kaya sing ditrapake kanggo kabeh perawatan medis. Akses model ora ngganti infrastruktur sekuensing, konseling genetik, tes konfirmasi, utawa pertimbangan spesialis.
“Gulu botolé yaiku wektu. Sawijining ahli mung bisa nyawisake sawetara bagean dinane kanggo siji wong tartamtu.”
Dr. Catherine Brownstein, Manton Center for Orphan Disease Research ing Boston Children’s Hospital
“Peneliti kaya Catherine lan aku ora mungkin bisa nyimpen 8.000 penyakit beda ing pikiran. Kuwi kekuwatan AI.”
Alan Beggs, direktur Manton Center for Orphan Disease Research
Studi prospektif multi-pusat kudu mbandhingake reanalisis sing dibantu LLM karo praktik standar babagan yield diagnostik, wektu nganti entuk calon, upaya klinisi, beban positif palsu, biaya, lan pengaruh marang perawatan. Prompt berversi, pemeriksaan referensi, log audit, lan ketidakpastian sing dikalibrasi bakal penting kanggo reproduksibilitas lan keamanan. Studi kaya mangkono isih mbutuhake klinisi berkualifikasi kanggo ngevaluasi bukti, mrentahake tes sing cocog, lan nggawe diagnosis utawa keputusan perawatan apa wae.
Studi iki nggunakake OpenAI o3 Deep Research. Model serbaguna sing luwih anyar bisa nggoleki lan nyintesis luwih akeh materi ilmiah, dene sistem sing dirancang khusus kayata GPT‑Rosalind dirancang kanggo karya ilmu hayati sing luwih jero, kalebu efek varian marang struktur lan fungsi protein. Kapabilitas kasebut ora dites ing kene lan bakal mbutuhake evaluasi lan kontrol akses dhewe.
Nalika OpenAI mbantu ndhukung studi riset awal iki, Manton Center bakal mimpin tahap kerja sabanjure liwat hibah saka OpenAI Foundation. Hibah kasebut bakal ndhukung upaya luwih amba saka Center kanggo ngembangake kopilot AI genetika sing murah lan ora gumantung platform, sing mbantu tim klinis nganalisis kasus penyakit langka kanthi luwih cepet lan konsisten.
Peluang riset jangka luwih dawa yaiku njajaki apa reanalisis sing dipimpin ahli lan dibantu AI bisa mbantu pemahaman ilmiah tetep selaras karo penemuan. Janjiné dudu AI ngganti diagnosis dokter, nanging alat riset sing dievaluasi kanthi ati-ati bisa mbantu spesialis ngenali bukti sing pantes diselidiki. Kanggo ewonan kulawarga, pitakon sing durung ana jawaban dina iki ora kudu tetep tanpa jawaban selawase.
- 2026
