INSIKT. En ny generation prediktiv hälsa växer fram i gränslandet mellan artificiell intelligens och life science. Forskare vid European Molecular Biology Laboratory (EMBL), Tyska cancerforskningscentret (DKFZ) och Köpenhamns universitet har utvecklat Delphi-2M, en generativ AI-modell som förutser risken att utveckla över 1 000 sjukdomar, upp till 20 år i förväg.
Modellen bygger på elektroniska journaler, medicinsk historik och livsstilsfaktorer som rökning och BMI. Den tränades på data från 400 000 deltagare i UK Biobank och validerades på nästan två miljoner patientjournaler från det danska nationella patientregistret. Enligt studien uppnår modellen hög precision vid sjukdomar med tydliga förlopp, som vissa cancerformer och hjärtinfarkt, men lägre träffsäkerhet för psykiatriska tillstånd och sällsynta diagnoser.
Delphi-2M bygger på en så kallad transformer-arkitektur – samma grundprincip som används i språkmodeller som ChatGPT – och kan analysera och ge insikter om ett mycket brett spektrum av sjukdomar samtidigt. Modellen illustrerar hur AI kan bidra till en mer holistisk förståelse av hälsa och risk, snarare än att ersätta etablerade diagnostiska metoder.
Effektivare läkemedelsutveckling: AI-modeller kan i framtiden användas för att identifiera riskgrupper tidigare och simulera sjukdomsförlopp digitalt. Det möjliggör effektivare design av kliniska prövningar – till exempel genom syntetiska kontrollgrupper och digitala tvillingar. Sådana tillämpningar befinner sig dock fortfarande i ett tidigt forskningsskede.
Framväxande marknadssegment: Företag som utvecklar verktyg för dataanalys, syntetisk data och modellvalidering blir allt viktigare. Det öppnar för nya aktörer, från teknologibolag till infrastrukturleverantörer, som stödjer hälsosektorns digitala omställning.
Partnerskap och samarbeten: Samarbeten mellan AI-aktörer och läkemedelsbolag blir allt vanligare, med syfte att förbättra patienturval, optimera kliniska studier och modellera sjukdomsförlopp i virtuella miljöer.
Regulatoriskt är området fortfarande komplext. Den europeiska AI-förordningen (AI Act) och de medicintekniska regelverken MDR och IVDR ställer höga krav på transparens, datakvalitet och spårbarhet. För utvecklare av prediktiva modeller betyder det att vägen från forskningsresultat till klinisk användning kan bli lång. Utöver de juridiska frågorna väcks även viktiga etiska diskussioner. Hur hanteras risk för bias och diskriminering när modeller tränas på historiska data? Och hur ska rätten att inte veta sin framtida sjukdomsrisk tolkas? Dessa frågor behöver lösas i takt med att tekniken mognar, så att förtroendet för AI i vården kan byggas på en stabil grund.
AI-modeller för prediktion av sjukdomsrisken pekar mot en framtid där vården blir mer proaktiv och individanpassad. För investerare innebär det möjligheter i skärningspunkten mellan teknik, biologi och infrastruktur, där de som tidigt positionerar sig kan stå starkt när den prediktiva medicinen når klinisk tillämpning.
