Хүүхдэд нөлөөлдөг ховор генетикийн өвчнийг оношлоход AI-аар эмч нарт туслах

Геномын дарааллын шинжилгээ хийсэн ч ховор тохиолддог өвчтэй олон хүн хэзээ ч тодорхой генетикийн онош тавьдаггүй. Өргөн хүрээтэй шинжилгээ, мэргэжлийн үзлэг хийсний дараа бараг тал хувь нь оношлогдоогүй хэвээр байна. Тэдний эмнэлгийн мэдээлэлд сэжүүр агуулагдаж болох ч тэдгээрийг олохын тулд мянгаас сая сая генетикийн хувилбарууд, хуваагдмал эмнэлзүйн бүртгэл, хурдацтай өөрчлөгдөж буй шинжлэх ухааны уран зохиолыг шүүж үзэх шаардлагатай байж магадгүй юм.

Генийн өвчний шинэ хамаарал, тохиолдлын тайлан, ангиллын нотолгоо хуримтлагдах тусам шийдэгдээгүй тохиолдлуудыг шинээр тайлбарлах боломжтой болж байна.

Бостоны Хүүхдийн эмнэлгийн Мантон Өнчин өвчний судалгааны төв, Харвардын их сургууль болон OpenAI-ийн судлаачид өмнө нь шинжилсэн боловч шийдэгдээгүй 376 тохиолдлын тодорхойгүй эмнэлзүйн болон геномын мэдээллийг шинжлэхэд OpenAI o3 Deep Research-ийн үндэслэлийн загварыг ашигласан. Энэхүү загвар нь судлаачид болон эмч нарт хянаж үзэх нотолгоонд суурилсан тайлбаруудыг гаргаж ирсэн. Мэргэжлийн үзлэг, нэмэлт шинжилгээ, эмнэлзүйн баталгаажуулалтын дараа эмч нар 18 тохиолдолд онош тогтоосон нь мэргэжилтнүүдийн өмнөх шинжилгээний дараа 4.8%-ийн нэмэлт оношлогооны үр дүн юм. Энэхүү судалгааг 2026 оны 6-р сарын 18-нд NEJM AI сэтгүүлд нийтэлсэн бөгөөд хиймэл оюун ухааны тусламжтайгаар хийгдсэн судалгааны ажлын урсгал нь мэргэжилтнүүдэд хамгийн хэцүү тохиолдлуудыг дахин авч үзэх үед удирдамж гаргахад хэрхэн тусалдаг болохыг харуулж байна.

Эдгээр хэргүүдийн олонх нь олон жилийн турш шинжээчдийн шинжилгээнээс зугтсан. Энэхүү судалгаанд OpenAI o3 Deep Research нь судлаачдад тогтсон клиник процессоор дамжуулан хожим нь үнэлэгдсэн удирдамжуудыг тодорхойлоход тусалсан бөгөөд энэ нь мэдлэг хөгжихийн хэрээр мэргэжилтнүүдийн удирдлаган дор үечилсэн дахин дүн шинжилгээ хийх нь илүү өргөжих боломжтой болохыг харуулж байна. Энэ загвар нь ямар ч өвчтөнд онош тавиагүй эсвэл ямар ч эмнэлзүйн шийдвэр гаргаагүй. Энэ нь мэргэжилтнүүд хянаж үзэх, шаардлагатай бол нэмэлт шинжилгээгээр судалж, клиник лабораторид баталгаажуулах нотолгоонд суурилсан таамаглалуудыг гаргаж ирсэн.

Генетикийн шинжилгээний дүгнэлт тодорхойгүй байх нь үргэлж байнгын үр дүн биш юм. Өвчтөний фенотипийн тодорхойлолт, шинжилгээний үр дүн, гэр бүлийн түүхийг өөр өөр танигч, формат, үгсийн сан ашигладаг мэдээллийн санд хувааж болно. Эдгээр бүртгэлийг холбоход хэцүү тул мэргэжилтнүүд хүртэл оношийг алдаж магадгүй юм. Мэргэжилтнүүд мөн хүүхдийн геномыг холбогдох ген эсвэл түүний хувилбарууд өвчинтэй холбоотой болохоос өмнө дарааллаар нь ангилж болно. Шинжлэх ухааны мэдлэг хөгжихийн хэрээр өмнө нь олж мэдэх боломжгүй байсан хариултуудыг ижил өгөгдөл илчилж чадна.

Ховор өвчний дахин шинжилгээ нь шинжлэх ухааны болон засвар үйлчилгээний асуудал юм. Өвчтөний геном хэвээрээ байж болох ч үүнтэй холбоотой нотолгоо байнга өөрчлөгдөж байдаг: судлаачид шинэ ген болон хувилбаруудыг өвчинтэй холбож, лабораториуд хуучин хувилбаруудыг дахин ангилж, тохиолдлын мэдээллийн сан болон баримт бичгүүдэд шинэ ажиглалтууд хуримтлагддаг. Шинэчлэлт бүр нь хуучин, тодорхойгүй хэргийг дахин авч үзэх нь зүйтэй болгож болзошгүй тул олон байгууллага өөрчлөгдөж буй мэдлэгийн сантай синхрончлохын тулд геномын нөөц нэмэгдэж байна.

Энэхүү судалгаанд судлаачид ажлын урсгалыг загвар нь одоо байгаа геномын дамжуулах хоолойн дээр тайлбар-эхний үндэслэлийн давхарга болж ажиллахаар зохион бүтээсэн. Зөвхөн эрэмбэлсэн генийг буцаахын оронд эмнэлзүйн шинж чанар, удамшлын хэв маяг, хувилбарын нотолгоо, шинжлэх ухааны уран зохиолыг хүний шүүмжлэгч асууж болох үндэслэлд холбохыг хүссэн. 

Тохиолдол бүрийн хувьд баг нь өвчтөний эмнэлзүйн илрэл, эмчийн тэмдэглэл, эмнэлзүйн оношийг тайлбарлах, нас, хүйс зэрэг мета өгөгдөл, шүүсэн хувилбарын хүснэгтийг тодорхойлох стандартчилсан Хүний фенотипийн онтологийн нэр томьёог агуулсан танихгүй багцыг угсарсан. Хүснэгтэд хувилбар бүрийн ховор байдал, кодлогдсон уурагт үзүүлэх таамагласан нөлөө, ClinVar ангилал, гэр бүлийн гишүүдийн хоорондох дохионы чанарыг харуулсан болно. Ихэнх тохиолдолд хүүхэд болон биологийн эцэг эхийн аль алиных нь мэдээлэл багтсан байв.

Баг нь загвараас хамгийн боломжит молекулын тайлбарыг санал болгож, түүний ажлыг харуулахыг хүссэн. Дараа нь судлаачид клиник лабораториуд генетикийн хувилбаруудыг ангилахад ашигладаг ACMG/AMP хүрээг ашиглан үр дүнг хянаж үзсэн. Багийн дор хаяж хоёр гишүүн нэр дэвшигч бүрийг хянаж үзсэн бөгөөд санал зөрөлдөөнийг зөвшилцөлд хүрч шийдвэрлэсэн бөгөөд загварын гаралтыг хэзээ ч онош гэж үзээгүй. Мэргэшсэн мэргэжилтнүүд нотлох баримтыг хянаж үзсэний дараа, хувилбарыг эмгэг төрүүлэгч эсвэл эмгэг төрүүлэгч байх магадлалтай гэж ангилж, CLIA-ийн гэрчилгээтэй лаборатори үүнийг баталгаажуулж, клиник баг үр дүнг гэр бүлд нь буцааж өгсний дараа л уг олдворыг онош гэж тооцсон.

Шийдэгдээгүй тохиолдлуудыг шинжлэхээс өмнө баг нь онош нь тогтоогдсон тохиолдлуудын ажлын урсгалыг сайжруулсан. Энэ нь төрөл бүрийн ховор тохиолддог өвчнийг багтаасан 51 тохиолдлын 48-д нь давхардсан гүйлтээр зөв ген болон хувилбарыг олж авсан. Мэдрэлийн булчингийн 57 тохиолдлын багцад ажлын урсгал нь 45 тохиолдлын зөв оношийг давхардсан байдлаар буцаасан. 15 тохиолдлын урт уншсан геномын багцад энэ нь бүх тохиолдолд зөв генийг, мөн 12 тохиолдолд өвчин үүсгэгч аллелийг хоёуланг нь нэрлэсэн. Эдгээр үнэлгээ нь шуурхай хөгжилд тусалж, мэргэжилтний хяналт чухал хэвээр байгааг харуулсан.

Загварын өөрөө мэдээлсэн итгэлийн оноог өмнө нь шийдэгдсэн эдгээр тохиолдлуудад зөв оноштой хамт хянасан: тогтмол зөв дуудлагын дундаж хамгийн бага оноо 85.6, буруу эсвэл тодорхойгүй дуудлагын хувьд 42.1 байв. Оноо нь тохируулсан магадлал биш байсан бөгөөд баг тэдгээрийг нотлох баримт эсвэл клиник дүгнэлтийн орлуулалт болгон ашиглаагүй болно. Гэхдээ тэд шинжээч тоймчдыг хамгийн ирээдүйтэй оношууд дээр анхаарлаа төвлөрүүлэхэд чиглүүлэхэд тустай байсан. 

Дараа нь баг нь өмнө нь шийдэгдээгүй байсан дөрвөн бүлэг тохиолдлуудад ажлын урсгалыг хэрэглэсэн: мэдрэлийн хөгжлийн өвчтэй хүүхдүүд, ховор тохиолддог мэдрэлийн булчингийн өвчтэй хүмүүс, эрт үеийн сэтгэцийн эмгэгтэй хүүхэд, өсвөр насныхан, хүүхдийн эмчилгээнд гэнэтийн үхлийн тохиолдлууд. Эдгээр нь анхны хяналт шалгалтыг хүлээж байсан шинэхэн хэргүүд биш байв. Олонхийг нь аль хэдийн олон арилжааны болон институцийн шугам сүлжээгээр шалгаж, олон салбарын багууд хэлэлцсэн.

Загвар гарч ирсний дараа нэр дэвшигчид болон мэргэжилтнүүд үзлэг хийж, эмнэлзүйн баталгаажуулалтаа хийж дууссаны дараа эмч нар тохиолдлын 4.8%-д нь онош тавьсан. Өмнөх шинжээчдийн дүгнэлтээр хэргүүдийг шийдвэрлээгүй байсан тул энэ үзүүлэлт энэ хүн амын дунд бага боловч ач холбогдолтой байна. Үүнтэй төстэй дахин шинжилгээний судалгаагаар нягт нямбай хянасан тохиолдлуудад нэг оронтой тоогоор өссөн үзүүлэлтийг мэдээлдэг; илүү өндөр үр дүн нь ихэвчлэн шинэ тохиолдол эсвэл генетикийн баталгааг хүлээж буй мэдэгдэж буй эмгэгүүдийг агуулсан судалгаанаас гардаг.

18 оношийн 7 нь дахин илрүүлсэн онош байсан: орон нутгийн судалгааны ажлын урсгалаас гадуур тогтоогдсон боловч багийн хянаж үзсэн бүртгэлд байхгүй оношууд. Хэд хэдэн тохиолдолд хувилбаруудыг олон нийтийн мэдээллийн санд эмгэг төрүүлэгч эсвэл эмгэг төрүүлэгч байж болзошгүй гэж жагсаасан байсан нь мэдээллийн эх сурвалжуудын хооронд мэдээллийг нэгтгэх үйл ажиллагааны бэрхшээлийг онцолж байв.

Эрт үеийн сэтгэцийн эмгэгийн нэг тохиолдолд загвар оролтын өгөгдөлд бичигдээгүй геномын бүтцийн үйл явдлыг таамагласан. Тэрээр 22-р хромосом дээрх чанар муутай дуудлагын цувааг хүүхдийн зүрх, дархлаа, мэдрэлийн хөгжил болон сэтгэцийн шинжүүдтэй холбож, DiGeorge хам шинжтэй холбоотой 22q11.2 устгал байж болзошгүй гэж таамагласан. Энэхүү таамагласан хувилбар дараагийн геномын дараалал тогтоолтоор батлагдсан.

Өгөгдөл нэг моноген шалтгаан асуусан ч загвар заримдаа төвөгтэй илрэлийг илүү сайн тайлбарлах хоёр генийг гаргаж ирсэн. Нэг тохиолдолд LAMA2 болон FOXP1-ийн хувилбарууд хамтдаа булчин ба мэдрэлийн хөгжлийн шинжүүдийг тайлбарлахад тусалсан; өөр нэг тохиолдолд TTN болон SRPK3-тай холбоотой, өмнө нь танигдаагүй диген тайлбар илэрсэн.

Оношоос гадна загвар vitiligo хэмээх эмгэгийн шинэ байж болох механизмын тайлбарыг мөн тодорхойлсон. Мэдрэлийн хөгжлийн нэг тохиолдолд загвар vitiligo-той хүний S1PR1 доторх 11 амин хүчлийн устгалыг онцолсон. S1PR1 нь дохиолол, дархлааны эсийн хөдөлгөөн, эдийн биологид оролцдог эсийн гадаргуугийн рецепторыг кодолдог. Загвар уг устгал рецепторын бүтэц ба дохиоллыг өөрчилж, пигментийн үйлдвэрлэлийг бууруулахын зэрэгцээ дархлааны эсүүд арьсанд тогтвортой үлдэхэд тусалж болохыг харуулсан нотолгоог нэгтгэсэн.

Санал болгосон S1PR1-vitiligo хамаарал нэмэлт туршилтын баталгаажуулалт шаарддаг ч бүтцийн биологи, дархлаа судлал, эмнэлзүйн генетикийн тархай олдворуудыг тодорхой, шалгаж болох таамаглал болгон хөрвүүлэхэд AI хүчтэй үүрэг гүйцэтгэж болохыг харуулна.

Баг мөн мэдрэл-булчингийн кохортод фенотипийн тэлэлт байж болзошгүйг ажигласан. HSPB8 болон CDK13-ийн гэмтээх хувилбарууд генүүдийн хамгийн сайн мэдэгдсэн эмгэгүүдтэй бүрэн тохироогүй нь илүү өргөн эмнэлзүйн хүрээ байж болохыг харуулж, үүнийг илүү олон тохиолдол ба лабораторийн ажил шалгах шаардлагатай.

Энэ судалгаа ерөнхий зориулалтын сэтгэн бодох загвар фенотип, удамшил, хувилбарын тайлбарууд, өгөгдлийн чанарын хэв маяг, шинжлэх ухааны ном зохиолыг нэгтгэн хянаж болох таамаглал болгох замаар өнгөрсөн үеийн геномын дахин шинжилгээнд хувь нэмэр оруулж чаддагийг харуулж байна. Мөн үе үеийн дахин шинжилгээ яагаад чухал болохыг харуулна: зарим хариулт мэдлэг ахисны дараа эсвэл тасархай бүртгэлүүдийг нэгтгэсний дараа л гарч ирдэг.

Энэ судалгаа өвчтөн, эмч эсвэл хэрэглэгчид OpenAI-ийн загваруудыг өвчин оношлох эсвэл эмнэлгийн шийдвэр гаргахад ашиглах ёстой гэсэн нотолгоо биш. Мөн OpenAI o3 гүн судалгаа, ChatGPT эсвэл OpenAI-ийн аливаа бусад бүтээгдэхүүнийг оношилгоонд хэрэглэгчид ашиглах зориулалтыг тайлбарлаагүй, дэмжээгүй. Загвар ямар ч оролцогчид онош тавиагүй; бүх оношийг эмч нар болон бусад мэргэшсэн эмнэлзүйн шинжээчид тогтсон хяналт, шинжилгээ, эмнэлзүйн баталгаажуулалтын үйл явцаар гаргасан.

Судалгаа өнгөрсөн үеийн шинжтэй, кохортууд олон янз байсан бөгөөд хянагчид загварын итгэлцлийн мэдээллээс хараагүй байдалтай байгаагүй. Судлаачид хэмнэсэн хугацаа, өртөг, эмчийн хүчин чармайлт, хуурамч эерэгийн ажлын ачаалал, эсвэл тусламж үйлчилгээнд гарсан өөрчлөлтийг хэмжээгүй. Мөн бүтцийн хувилбар, давталтын тэлэлт, гүн интроны өөрчлөлт, мозайцизм зэрэг генетикийн өөрчлөлтийн бусад хэлбэрийг системтэй үнэлээгүй.

Том хэлний загварууд контекстийг буруу унших эсвэл нарийн шалгалтад тэнцэхгүй атлаа үнэмшилтэй сонсогдох тайлбар гаргаж болно. Тиймээс үр дүн бүр хүний шүүлт болон эмнэлзүйн баталгаажуулалтаар дамжсан. Загвар хайлтыг өргөжүүлж, дараагийн хүний удирдсан шинжилгээг төвлөрүүлсэн; гэр бүлд ямар мэдээлэл эсвэл онош буцаахыг шийдээгүй.

Энэ судалгаа нэргүйжүүлсэн мэдээлэл ашигласан бөгөөд хамгаалагдсан эрүүл мэндийн мэдээллийг зөвшөөрөгдсөн орчноос гадуур ашиглаагүй, дамжуулаагүй. Илүү өргөн эмнэлзүйн нэвтрүүлэлт нь бүх эмнэлгийн тусламжид хамаардаг нууцлал, аюулгүй байдал, аудит хийх боломж, орон нутгийн зохицуулалтад ижил анхаарал шаардна. Загварт хандах боломж нь дараалал тогтоох дэд бүтэц, генетикийн зөвлөгөө, баталгаажуулах шинжилгээ, эсвэл мэргэжилтний шүүлтийг орлохгүй.

Ирээдүйн, олон төвт судалгаанууд Том хэлний загвар (LLM)-ын тусламжтай дахин шинжилгээг стандарт практиктай оношлох илрүүлэлт, нэр дэвшигч хүртэлх хугацаа, эмчийн хүчин чармайлт, хуурамч эерэгийн ачаалал, өртөг, тусламж үйлчилгээнд үзүүлэх нөлөөгөөр харьцуулах ёстой. Хувилбаржуулсан өгөгдөл, лавлагааны шалгалт, аудитын бүртгэл, тохируулсан тодорхойгүй байдал нь давтагдах боломж ба аюулгүй байдалд чухал байх болно. Ийм судалгаанд нотолгоог үнэлэх, тохирох шинжилгээг захиалах, аливаа онош эсвэл эмчилгээний шийдвэр гаргах мэргэшсэн эмч нар шаардлагатай хэвээр байна.

Энэ судалгаанд OpenAI o3 гүн судалгааг ашигласан. Шинэ ерөнхий зориулалтын загварууд илүү олон шинжлэх ухааны материалыг хайж, нэгтгэж чаддаг бол GPT‑Rosalind зэрэг тусгайлан бүтээсэн системүүд уургийн бүтэц ба үйл ажиллагаанд хувилбаруудын үзүүлэх нөлөө зэрэг амьдралын шинжлэх ухааны илүү гүнзгий ажилд зориулагдсан. Эдгээр чадамжийг энд туршаагүй бөгөөд өөрийн гэсэн үнэлгээ, хандалтын хяналт шаардлагатай.

OpenAI энэхүү эхний судалгааг дэмжихэд тусалсан ч ажлын дараагийн шатыг Manton Center OpenAI Foundation-ы тэтгэлгээр удирдана. Тэтгэлэг нь ховор өвчний тохиолдлыг эмнэлзүйн багууд илүү хурдан, тогтвортой шинжлэхэд туслах, платформоос үл хамаарах, бага өртөгтэй генетикийн AI copilot хөгжүүлэх Төвийн өргөн хүрээний хүчин чармайлтыг дэмжинэ.

Урт хугацааны судалгааны боломж нь мэргэжилтнээр удирдуулсан AI-ийн тусламжтай дахин шинжилгээ шинжлэх ухааны ойлголтыг нээлтийн хурдтай хөл нийлүүлэхэд тусалж чадах эсэхийг судлах явдал юм. AI эмчийн оношийг орлоно гэсэн амлалт биш; харин нягт үнэлэгдсэн судалгааны хэрэгслүүд мэргэжилтнүүдэд судлах үнэ цэнтэй нотолгоог тодорхойлоход тусалж магадгүй гэсэн санаа юм. Мянга мянган гэр бүлийн хувьд өнөөдрийн хариултгүй асуултууд үүрд хариултгүй үлдэх албагүй.