Así puede ayudar la inteligencia artificial a tratar el envejecimiento de forma personalizada

Ha venido para quedarse, aunque a buena parte de la población le cuesta desvelar su significado real. Y todos la denominan por sus siglas. Hablamos de la IA, la famosa Inteligencia Artificial.

Veamos un gran ejemplo. Llega un estudio colaborativo entre investigadores de la Facultad de Medicina Yong Loo Lin de la Universidad Nacional de Singapur (NUS Medicine) y el Instituto de Bioestadística e Informática en Medicina e Investigación del Envejecimiento del Centro Médico de la Universidad de Rostock (Alemania) que ha investigado cómo las herramientas de IA avanzadas, como los modelos de lenguaje de gran tamaño (LLM), pueden facilitar la evaluación de intervenciones para el envejecimiento y brindar recomendaciones personalizadas. Los hallazgos se han publicado en la revista especializada 'Aging Research Reviews'.

Tipo de intervenciones

La investigación sobre el envejecimiento está generando una cantidad abrumadora de datos, lo que dificulta determinar qué intervenciones (como nuevos medicamentos, cambios en la dieta o rutinas de ejercicio) son seguras y efectivas. Este estudio desvela cómo la IA puede analizar los datos de manera más eficiente y precisa, proponiendo un conjunto integral de estándares para los sistemas de IA a fin de garantizar que brinden evaluaciones precisas, confiables y comprensibles mediante su capacidad para analizar datos biológicos complejos.

Las intervenciones en la investigación y la práctica de la longevidad abarcan desde la genética, los compuestos farmacéuticos y los suplementos, hasta la dieta, el ejercicio y el manejo del estrés. 

Un objetivo principal es determinar si estas intervenciones de 'gerociencia' son efectivas y seguras, y por qué. Estos 'análisis de intervenciones' deben adaptar las intervenciones a las personas en función de los biomarcadores, revelando si una intervención puede desencadenar ciertos cambios deseados en los biomarcadores y cómo. El análisis de las intervenciones también incluye su reposicionamiento a nivel de población. En todos los casos, la comprensión de la efectividad de las intervenciones se ampliará con la exhaustividad de los datos recopilados y la sofisticación de los análisis empleados.

En los estudios de alta calidad, las mediciones clínicas de laboratorio en profundidad, la multiómica y la consideración de tantos factores (socio)ambientales como sea posible son de vital importancia. Además, se debe hacer igualmente hincapié en ampliar la amplitud y profundidad de los análisis de datos y, por lo tanto, considerar el conocimiento existente de manera detallada.

Actualmente, los datos de intervención a menudo se discuten y analizan haciendo referencia a bases de datos canónicas, como Gene Ontology (GO) o KEGG en el caso de los análisis de expresión genética.

Esta bioinformática "clásica" es ciertamente reveladora y seguirá proporcionando un marco de referencia; sin embargo, el uso de la IA debería permitir conectar los cambios inducidos por una intervención con una amplia gama de conocimientos de una manera mucho más detallada . Después de todo, si bien las bases de datos como GO apuntan a cierta exhaustividad, no pueden reflejar todas las intrincadas interrelaciones biológicas conocidas en la biología molecular actual.

Los requisitos

Por lo tanto, la IA puede mejorar las evaluaciones clásicas basadas en la evaluación de la literatura, la bioinformática y la bioestadística. Aquí, la IA se refiere específicamente a los LLM, que son "un tipo de modelo de IA que utiliza redes neuronales profundas para aprender las relaciones entre palabras en lenguaje natural, utilizando grandes conjuntos de datos de texto para entrenar" y que, sobre esa base, generan texto nuevo en respuesta a consultas de texto; los ejemplos actuales son las familias de modelos GPT y Claude. Consulte también nuestro "Glosario de términos de IA" al final del artículo.

Por ejemplo, mediante análisis de enriquecimiento , datos de dispositivos portátiles, respuestas a cuestionarios y otros.

Los investigadores identificaron ocho requisitos críticos para realizar evaluaciones efectivas basadas en IA:

1. Exactitud de los resultados de la evaluación. Se evaluará la calidad de los datos para comprobar su exactitud.
2. Utilidad y exhaustividad .
3. Interpretabilidad y explicabilidad de los resultados de la evaluación. Claridad y concisión de los resultados y de las explicaciones proporcionadas.
4. Consideración específica de los mecanismos causales afectados por la intervención.
5. Consideración de datos en un contexto holístico:
   1. Eficacia y toxicidad, y evidencia de la existencia de una amplia ventana terapéutica;
   2. Análisis en un entorno “interdisciplinario”.
6. Permitir la reproducibilidad , estandarización y armonización de los análisis (y de los informes).
7. Énfasis específico en diversos datos longitudinales a gran escala.
8. Énfasis específico en los resultados que se relacionan con los mecanismos conocidos del envejecimiento.

Informar a los LLM sobre estos requisitos como parte de la motivación mejoró la calidad de las recomendaciones que produjeron.

El profesor Brian Kennedy, del Departamento de Bioquímica y Fisiología y del Programa de Investigación Traslacional sobre Longevidad Saludable de la NUS Medicine, que dirigió el estudio, afirmó: "Probamos métodos de IA utilizando ejemplos del mundo real, como medicamentos y suplementos dietéticos. Descubrimos que, al seguir pautas específicas, la IA puede proporcionar información más precisa y detallada. Por ejemplo, al analizar la rapamicina, un fármaco que se suele estudiar por su potencial para promover el envejecimiento saludable, la IA no solo evaluó su eficacia, sino que también proporcionó explicaciones y advertencias específicas para el contexto, como posibles efectos secundarios”.

"Los hallazgos del estudio podrían tener efectos de gran alcance”, ha añadido el profesor Georg Fuellen, director del Instituto de Bioestadística e Informática en Medicina e Investigación del Envejecimiento del Centro Médico de la Universidad de Rostock, quien codirigió el estudio. “En el ámbito de la atención médica, informar a la IA sobre los requisitos críticos de una buena respuesta puede permitirle encontrar tratamientos más efectivos y hacerlos más seguros de usar. En general, las herramientas de IA podrían diseñar mejores ensayos clínicos y ayudar a adaptar las recomendaciones de salud a cada persona. Esta investigación es un gran paso hacia el uso de la IA para mejorar los resultados de salud para todos, especialmente a medida que envejecen”.

En el futuro

En el futuro, el equipo se centrará en un estudio a gran escala sobre cómo impulsar de la mejor manera posible los modelos de IA para que ofrezcan asesoramiento sobre intervenciones relacionadas con la longevidad, con el fin de evaluar su precisión y fiabilidad en relación con una amplia gama de parámetros cuidadosamente diseñados, es decir, datos seleccionados y de alta calidad. La validación de estos sistemas de IA es especialmente importante porque las intervenciones para la longevidad pueden ser implementadas por una gran cantidad de personas sanas. Los estudios prospectivos deberán demostrar que las evaluaciones basadas en IA pueden predecir con precisión los resultados exitosos en los ensayos con seres humanos, allanando el camino para intervenciones sanitarias más seguras y eficaces.

El equipo espera utilizar sus hallazgos para lograr que las intervenciones en materia de salud y longevidad sean más precisas y accesibles y, en última instancia, mejorar la calidad y la duración de la vida. La colaboración entre investigadores, médicos y responsables de las políticas será esencial para establecer marcos regulatorios sólidos que garanticen el uso seguro y eficaz de las evaluaciones basadas en IA.