Modelul „LifeClock” bazat pe inteligență artificială estimează vârsta biologică pe întreg parcursul vieții și anticipează riscul de boli cronice

În octombrie 2025, un studiu publicat în revista Nature Medicine de o echipă internațională de cercetători a prezentat un nou model de inteligență artificială denumit „LifeClock”, capabil să estimeze vârsta biologică pe baza datelor din fișele electronice de sănătate (EHR – Electronic Health Records) și să anticipeze riscul de boli majore cu ani înainte de apariția acestora. Modelul, bazat pe arhitectura avansată EHRFormer, a fost antrenat pe peste 24 milioane de vizite medicale și reușește să diferențieze între două „ceasuri biologice” distincte: unul pentru dezvoltarea pediatrică și altul pentru îmbătrânirea adultă.

Context

De-a lungul timpului, vârsta cronologică – numărul anilor trăiți – a fost utilizată ca reper principal pentru estimarea riscului de boli cronice netransmisibile. Totuși, în ultimele două decenii, cercetarea medicală s-a orientat tot mai mult către vârsta biologică, un indicator mai fidel al uzurii funcționale și al îmbătrânirii organismului.

Numeroase studii au demonstrat că două persoane cu aceeași vârstă cronologică pot prezenta profiluri biologice complet diferite, determinate de factori genetici, de stilul de viață, de alimentație și de expunerea la stres sau poluanți.

Primele „ceasuri biologice” au fost construite pe baza datelor moleculare complexe, precum metilarea ADN-ului, expresia genică sau profilurile proteomice. Deși precise, aceste metode sunt costisitoare și greu de aplicat pe scară largă. Mai mult, majoritatea acestor modele se concentrau exclusiv pe îmbătrânirea adultă, ignorând complet perioadele critice ale copilăriei și adolescenței, unde schimbările fiziologice reflectă mai degrabă dezvoltarea programată decât degradarea biologică.

Prin urmare, lipsea un model unitar care să poată descrie întregul ciclu de viață uman, de la naștere până la vârsta înaintată, utilizând date medicale de rutină ușor disponibile.

Despre studiul actual

Pentru a acoperi acest gol, cercetătorii au dezvoltat LifeClock, un model de învățare profundă bazat pe transformerul EHRFormer, proiectat special pentru a analiza seturi de date medicale longitudinale.

EHRFormer se bazează pe trei inovații tehnice majore:

• Masca stocastică duală intrare-ieșire, care permite modelului să gestioneze date incomplete și să estimeze valorile lipsă;

• Antrenare adversarială, pentru eliminarea efectelor de lot (diferențe între spitale, echipamente sau populații);

• Design autoregresiv, care permite predicția evoluțiilor viitoare pe baza istoricului pacientului.

Modelul a fost antrenat pe date provenite din China Health Aging Investigation (CHAI), un proiect național de sănătate publică. Baza de date a inclus:

• 24,6 milioane de vizite clinice longitudinale;

• 9,6 milioane de indivizi unici;

• 184 de indicatori clinici de rutină, printre care analize de laborator (uree, albumină, creatinină, proteine totale, RDW) și semne vitale.

EHRFormer a fost instruit pe pacienți sănătoși pentru a defini traiectoria normală de dezvoltare și îmbătrânire, apoi validat pe seturi externe, inclusiv UK Biobank, pentru a confirma generalizarea rezultatelor în alte populații.

Rezultate

Analizele efectuate au identificat două ceasuri biologice distincte:

• Ceasul de dezvoltare pediatrică – activ până la vârsta de 18 ani;

• Ceasul de îmbătrânire adultă – activ ulterior, în perioada de maturitate și senescență.

Această separare a condus la o creștere semnificativă a acurateței predicțiilor, evidențiind faptul că mecanismele biologice implicate în dezvoltare și îmbătrânire sunt fundamental diferite.

Biomarkerii dominanți pentru fiecare fază au fost complet diferiți:

• În pediatrie, predicțiile au fost influențate de markeri ai creșterii și metabolismului proteic (creatinină crescută, proteine totale crescute).

• În vârsta adultă, au predominat markerii de declin fiziologic (uree crescută, albumină scăzută, RDW ridicat).

Ambele ceasuri au demonstrat capacitate predictivă excepțională pentru diverse patologii:

• În cohorta pediatrică, LifeClock a anticipat riscul viitor de:

  • malnutriție,

  • tulburări de creștere și dezvoltare,

  • deficiență de hormon de creștere,

  • obezitate și disfuncții hipofizare.

  De exemplu, copiii sub 12 ani din Clusterul 14 au prezentat un risc de 15,36 ori mai mare de hiperfuncție hipofizară și un risc de 11,07 ori mai mare de obezitate ulterior în copilărie.

• În cohorta adultă, modelul a prezis cu mare acuratețe riscul de:

  • diabet zaharat de tip 2,

  • accident vascular cerebral,

  • insuficiență renală,

  • boală cardiovasculară.

  Clusterul 20 a avut un risc de 37,7 ori mai mare de insuficiență renală față de media populației.

După ajustări suplimentare, modelul a obținut performanțe notabile:

• AUC 0,98 pentru diagnosticarea diabetului existent;

• AUC 0,91 pentru predicția apariției viitoare a diabetului.

Prin comparație, EHRFormer a depășit modelele clasice de analiză medicală, precum RNN (rețele neuronale recurente) și XGBoost, atât în precizie, cât și în stabilitatea predicțiilor pe termen lung.

Concluzii

Studiul publicat în Nature Medicine confirmă faptul că inteligența artificială poate transforma fișele electronice de sănătate într-un instrument predictiv puternic pentru monitorizarea sănătății și prevenirea bolilor.

LifeClock reprezintă o inovație majoră, deoarece:

• utilizează date medicale de rutină, accesibile și cu cost redus;

• oferă o estimare precisă a vârstei biologice pe întreaga durată a vieții;

• distinge între dezvoltarea copilului și îmbătrânirea adultului;

• anticipează riscurile de boală cu ani înainte de apariția simptomelor.

Această abordare deschide calea către o medicină predictivă și personalizată, permițând intervenții timpurii adaptate profilului biologic individual.

Autorii sugerează că, în viitor, integrarea datelor provenite din dispozitive purtabile și senzori biometrici ar putea transforma LifeClock într-un sistem dinamic capabil să monitorizeze în timp real starea de sănătate și să promoveze îmbătrânirea sănătoasă și prevenția activă.