Përdorimi i IA-së për t’i ndihmuar mjekët të diagnostikojnë sëmundje të rralla gjenetike te fëmijët

Edhe me sekuencimin gjenomik, shumë njerëz me sëmundje të rralla nuk marrin kurrë një diagnozë të qartë gjenetike. Afërsisht gjysma mbeten pa diagnozë pas testimeve të gjera dhe rishikimit nga specialistët. Të dhënat e tyre mjekësore mund të përmbajnë të dhëna orientuese, por gjetja e tyre mund të kërkojë shqyrtimin e mijëra deri në miliona varianteve të mundshme gjenetike, kartelave klinike të fragmentuara dhe literaturës shkencore që ndryshon me shpejtësi.

Ndërsa grumbullohen marrëdhënie të reja gjen-sëmundje, raporte rastesh dhe prova klasifikimi, rastet e pazgjidhura mund të bëhen rishtazi të interpretueshme.

Studiues nga Manton Center for Orphan Disease Research i Boston Children’s Hospital, Harvard University dhe OpenAI përdorën modelin e arsyetimit të OpenAI o3 Kërkim i thelluar për të analizuar informacion klinik dhe gjenomik të çidentifikuar nga 376 raste të analizuara më parë që mbetën të pazgjidhura. Modeli nxori për studiuesit dhe klinicistët shpjegime kandidate të lidhura me prova, për t’u rishikuar. Pas rishikimit nga ekspertët, testimit shtesë dhe konfirmimit klinik, mjekët vendosën diagnoza në 18 raste—një rendiment diagnostik shtesë prej 4,8% pas analizës së mëparshme nga specialistët. Ky studim u botua më 18 qershor 2026 në NEJM AI dhe tregon se si një rrjedhë pune kërkimore e asistuar nga IA-ja mund t’i ndihmojë ekspertët të gjenerojnë pista kur rikthehen te disa nga rastet më të vështira.

Shumë prej këtyre rasteve u kishin shpëtuar viteve të analizës nga ekspertët. Në këtë studim, OpenAI o3 Kërkim i thelluar ndihmoi studiuesit të identifikonin pista që më pas u vlerësuan përmes proceseve klinike të përcaktuara, duke sugjeruar se rianalizimi periodik i drejtuar nga ekspertët mund të bëhet më e shkallëzueshme ndërsa njohuritë evoluojnë. Modeli nuk diagnostikoi asnjë pacient dhe nuk mori asnjë vendim klinik. Ai prodhoi hipoteza të lidhura me prova që specialistët t’i rishikonin dhe, kur ishte e përshtatshme, t’i hetonin përmes testimeve shtesë dhe t’i konfirmonin në një laborator klinik.

Një test gjenetik jokonkluziv jogjithmonë është një gjetje e përhershme. Përshkrimet e fenotipit të pacientit, rezultatet e testeve dhe historiku familjar mund të jenë të shpërndarë në baza të dhënash që përdorin identifikues, formate dhe fjalorë të ndryshëm. Lidhja e këtyre kartelave është e vështirë, ndaj edhe specialistëve mund t'u shpëtojë një diagnozë. Ekspertët mund të sekuencojnë gjithashtu gjenomin e një fëmije përpara se një gjen përkatës ose variantet e tij të jenë lidhur me sëmundjen. Ndërsa njohuritë shkencore përparojnë, të njëjtat të dhëna mund të zbulojnë përgjigje që më parë ishte e pamundur të zbuloheshin.

Rianalizim i sëmundjeve të rralla është njëkohësisht problem shkencor dhe mirëmbajtjeje. Gjenomi i pacientit mund të mbetet i njëjtë, por provat rreth tij vazhdojnë të ndryshojnë: studiuesit lidhin gjene dhe variante të reja me sëmundje, laboratorët riklasifikojnë variantet e vjetra dhe bazat e të dhënave të rasteve e artikujt grumbullojnë vëzhgime të reja. Çdo përditësim mund të bëjë që një rast i vjetër jokonkluziv të bëhet i vlefshëm për t’u rishikuar, ndaj shumë institucione trashëgojnë një grumbull në rritje gjenomesh që duhen mbajtur në sinkron me një bazë njohurish që sa vijnë e shtohen.

Në këtë studim, studiuesit e projektuan rrjedhën e punës në mënyrë që modeli të vepronte si një shtresë arsyetimi me përparësi shpjegimin, përpos kanalizimit ekzistues gjenomik. Në vend që të kthente vetëm një gjen të renditur, iu kërkua të lidhte tiparet klinike, modelin e trashëgimisë, provat për variantin dhe literaturën shkencore në një arsyetim që rishikuesi njerëzor mund ta marrë në pyetje. 

Për çdo rast, ekipi përgatiti një paketë të çidentifikuar që përmbante terma të standardizuar të Human Phenotype Ontology për të përshkruar paraqitjen klinike të pacientit, shënime të herëpashershme të klinicistit dhe çdo diagnozë klinike përshkruese, metadata si mosha dhe gjinia, si dhe një tabelë variantesh të filtruar. Tabela regjistronte sa i rrallë është secili variant, efektin e parashikuar mbi proteinën e koduar, klasifikimin ClinVar dhe cilësinë e sinjalit tek anëtarët e disponueshëm të familjes. Shumica e rasteve përfshinin të dhëna nga fëmija dhe të dy prindërit biologjikë.

Ekipi i kërkoi modelit të propozonte shpjegimin molekular më të besueshëm dhe të tregonte arsyetimin e tij. Më pas studiuesit i rishikuan rezultatet duke përdorur të njëjtin kuadër ACMG/AMP që laboratorët klinikë përdorin për klasifikimin e varianteve gjenetike. Të paktën dy anëtarë të ekipit rishikuan çdo kandidat, mosmarrëveshjet u zgjidhën me konsensus dhe një rezultat i modelit nuk u trajtua kurrë si diagnozë. Një gjetje u llogarit si diagnozë vetëm pasi ekspertë të kualifikuar rishikuan provat, varianti u klasifikua si patogjen ose si patogjen i mundshëm, një laborator i certifikuar nga CLIA e konfirmoi atë dhe ekipi klinik ia ktheu rezultatin familjes.

Para analizimit të rasteve të pazgjidhura, ekipi e përsosi rrjedhën e punës mbi raste me diagnoza të vendosura. Në ekzekutime të dyfishta, ajo rikuperoi gjenin dhe variantin e saktë për 48 nga 51 raste që përfshinin një larmi gjendjesh të rralla. Në një grup prej 57 rastesh neuromuskulare, rrjedha e punës ktheu diagnozën e saktë në ekzekutime të dyfishta për 45 prej rasteve. Në një grup prej 15 rastesh me gjenom të leximit të gjatë, ajo emërtoi gjenin e saktë në çdo rast dhe të dy alelet shkaktare të sëmundjes në 12 raste. Këto vlerësime ndihmuan në zhvillimin e kërkesës dhe treguan se ku rishikimi nga ekspertët mbetej thelbësor.

Rezultatet e vetëraportuara të besimit të modelit përputheshin me diagnozat e sakta në këto raste të zgjidhura më parë: rezultati mesatar minimal ishte 85,6 për thirrjet vazhdimisht të sakta dhe 42,1 për thirrjet e pasakta ose të panjohura. Rezultatet nuk ishin probabilitete të kalibruara dhe ekipi nuk i përdori si zëvendësim për provat apo për gjykimin klinik. Por ato ishin të dobishme për t’i orientuar rishikuesit ekspertë që të përqendroheshin te diagnozat kandidate më premtuese. 

Më pas ekipi e zbatoi rrjedhën e punës te katër grupe rastesh të mëparshme të pazgjidhura: fëmijë me gjendje neurozhvillimore, njerëz me sëmundje të rralla neuromuskulare, fëmijë dhe adoleshentë me psikozë të hershme dhe raste të vdekjes së papritur në pediatri. Këto nuk ishin raste të reja në pritje të rishikimit të parë. Shumë prej tyre ishin shqyrtuar tashmë nga disa kanale komerciale ose institucionale dhe ishin diskutuar nga ekipe multidisiplinare.

Pasi modeli nxori kandidatët dhe ekspertët përfunduan rishikimin dhe konfirmimin klinik, mjekët vendosën diagnoza në 4,8% të rasteve. Kjo normë është modeste, por domethënëse në këtë popullatë, sepse rishikimet e mëparshme nga ekspertët nuk i kishin zgjidhur rastet. Studime të ngjashme te rianalizimi raportojnë përfitime njëshifrore në raste të rishikuara gjerësisht; rendimente më të larta zakonisht vijnë nga studime që përmbajnë raste të reja ose çrregullime të njohura që presin konfirmim gjenetik.

Nga 18 diagnozat, 7 ishin rizbulime: diagnoza të vendosura jashtë rrjedhës lokale të punës kërkimore, por që mungonin në kartelën që rishikoi ekipi. Në disa raste, variantet ishin listuar tashmë si patogjene ose me gjasë patogjene në baza të dhënash publike, duke nxjerrë në pah sfidën operacionale të sintetizimit të informacionit nga burime të ndryshme të dhënash.

Në një rast me psikozë të hershme, modeli nxori si përfundim një ngjarje strukturore në gjenom që nuk ishte listuar në të dhënat hyrëse. Ai lidhi një varg thirrjesh me cilësi të ulët në kromozomin 22 me tiparet kardiake, imunitare, neurozhvillimore dhe psikiatrike të fëmijës, pastaj hodhi hipotezën e një fshirjeje 22q11.2 të lidhur me sindromën DiGeorge. Ky variant hipotetik u konfirmua me sekuencimin pasues të gjenomit.

Edhe pse kërkesa kërkonte një shkak monogjenik, modeli ndonjëherë nxori në pah dy gjene që e shpjegonin më mirë një paraqitje komplekse. Variantet në LAMA2 dhe FOXP1 së bashku ndihmuan të shpjegoheshin tiparet muskulore dhe neurozhvillimore në një rast; në një rast tjetër kishte një shpjegim digjenik të panjohur më parë, që përfshinte TTN dhe SRPK3.

Përveç diagnozave, modeli identifikoi edhe një shpjegim të ri të mundshëm mekanistik për një gjendje të quajtur vitiligo. Në një rast neurozhvillimor, modeli evidentoi një delecion prej 11 aminoacidesh në S1PR1 te një person me vitiligo. S1PR1 kodon një receptor në sipërfaqen qelizore që përfshihet në sinjalizim, lëvizjen e qelizave imunitare dhe biologjinë e indeve. Modeli sintetizoi prova që sugjeronin se ky delecion mund të ndryshonte strukturën dhe sinjalizimin e receptorit në mënyra që ulin prodhimin e pigmentit, ndërkohë që ndihmojnë qelizat imunitare të persistojnë në lëkurë.

Marrëdhënia e propozuar S1PR1-vitiligo kërkon validim eksperimental shtesë, por ilustron një rol të fuqishëm për IA-në në përkthimin e gjetjeve të shpërndara nga biologjia strukturore, imunologjia dhe gjenetika klinike në hipoteza konkrete e të testueshme.

Ekipi pa gjithashtu zgjerim të mundshëm të fenotipit në kohortën neuromuskulare. Variantet dëmtuese në HSPB8 dhe CDK13 nuk përputheshin plotësisht me çrregullimet më të njohura të gjeneve, duke sugjeruar një spektër klinik më të gjerë që do të duhet të testohet me më shumë raste dhe punë laboratorike.

Ky studim tregon se një model arsyetimi me përdorim të përgjithshëm mund të kontribuojë në rianalizën gjenomike retrospektive duke kombinuar fenotipin, trashëgiminë, anotimet e varianteve, modelet e cilësisë së të dhënave dhe literaturën shkencore në hipoteza të rishikueshme. Ai tregon gjithashtu pse rianaliza periodike ka rëndësi: disa përgjigje dalin në sipërfaqe vetëm pasi njohuritë përparojnë ose pasi bashkohen kartelat e fragmentuara.

Ky kërkim nuk është provë se pacientët, klinicistët ose klientët duhet të përdorin modelet e OpenAI për të diagnostikuar sëmundje ose për të marrë vendime mjekësore. Ai nuk përshkruan dhe nuk miraton një përdorim të synuar nga klientët të OpenAI o3 Kërkim i Thelluar, ChatGPT ose ndonjë produkti tjetër të OpenAI për diagnostikim. Modeli nuk diagnostikoi asnjë pjesëmarrës; mjekët dhe ekspertë të tjerë klinikë të kualifikuar vendosën çdo diagnozë përmes proceseve të përcaktuara të rishikimit, testimit dhe konfirmimit klinik.

Studimi ishte retrospektiv, kohortat ishin heterogjene dhe rishikuesit kishin dijeni për nivelin e besimit të modelit. Studiuesit nuk matën kohën e kursyer, koston, ngarkesën e punës së klinicistëve, barrën e rezultateve pozitive të rreme ose ndryshimet në kujdes. Ata nuk vlerësuan gjithashtu në mënyrë sistematike forma të tjera të variacionit gjenetik, si variantet strukturore, zgjerimet e përsëritjeve, ndryshimet e thella intronike ose mozaicizmin.

Modelet e mëdha gjuhësore mund ta keqlexojnë kontekstin ose të prodhojnë shpjegime të besueshme që nuk qëndrojnë pas një shqyrtimi më nga afër. Prandaj, çdo rezultat kaloi përmes gjykimit njerëzor dhe konfirmimit klinik. Modeli e zgjeroi kërkimin dhe e përqendroi analizën pasuese të drejtuar nga njerëzit; ai nuk vendosi se çfarë informacioni ose diagnoze duhej t’i kthehej një familjeje.

Ky studim përdori informacion të çidentifikuar, pa përdorur apo transmetuar jashtë mjediseve të miratuara asnjë informacion të mbrojtur shëndetësor. Zbatimi më i gjerë klinik do të kërkojë të njëjtën vëmendje ndaj privatësisë, sigurisë, auditueshmërisë dhe rregulloreve lokale që zbatohet për të gjithë kujdesin mjekësor. Aksesi te modeli nuk zëvendëson infrastrukturën e sekuencimit, këshillimin gjenetik, testimin konfirmues ose gjykimin e specialistit.

Studimet prospektive, shumëqendrore, duhet të krahasojnë rianalizën e asistuar nga LLM-të me praktikën standarde për sa i përket rendimentit diagnostik, kohës deri në identifikimin e një kandidati diagnostik, përpjekjes së klinicistëve, barrës së rezultateve pozitive të rreme, kostos dhe efekteve në kujdesin ndaj pacientit. Prompte të versionuara, kontrollet e referencave, regjistrat e auditimit dhe pasiguria e kalibruar do të jenë të rëndësishme për riprodhueshmërinë dhe sigurinë. Studime të tilla do të kërkonin ende klinicistë të kualifikuar për të vlerësuar provat, për të kërkuar testet e duhura dhe për të marrë çdo vendim për diagnozën ose trajtimin.

Ky studim përdori OpenAI o3 Kërkim i thelluar. Modelet më të reja me qëllim të përgjithshëm mund të kërkojnë dhe sintetizojnë më shumë material shkencor, ndërsa sisteme të ndërtuara posaçërisht, si GPT‑Rosalind, janë projektuar për punë më të avancuar në shkencat e jetës, përfshirë analizën e efekteve të varianteve në strukturën dhe funksionin e proteinave. Këto aftësi nuk u testuan në këtë studim dhe do të kërkojnë vlerësime të veçanta dhe kontrolle përkatëse të aksesit.

Ndërsa OpenAI ndihmoi në mbështetjen e këtij studimi fillestar kërkimor, Manton Center do të udhëheqë fazën tjetër të punës përmes një granti nga OpenAI Foundation. Granti do të mbështesë përpjekjen më të gjerë të Qendrës për të zhvilluar një bashkëpilot gjenetik IA me kosto të ulët dhe të pavarur nga platforma, që ndihmon ekipet klinike të analizojnë rastet e sëmundjeve të rralla më shpejt dhe në mënyrë më të qëndrueshme.

Mundësia kërkimore afatgjate është të shqyrtohet nëse rianaliza e asistuar nga IA-ja dhe e udhëhequr nga ekspertët mund ta ndihmojë kuptimin shkencor të mbajë ritmin me zbulimet. Premtimi nuk është që IA-ja të zëvendësojë diagnozën e mjekut, por që mjetet kërkimore të vlerësuara me kujdes mund t’i ndihmojnë specialistët të identifikojnë prova që ia vlen të hetohen. Për mijëra familje, pyetjet e sotme pa përgjigje nuk kanë pse të mbeten pa përgjigje përgjithmonë.