Kan AI forudsige ens metabolomiske alder og tilpasse sundhedsplaner derefter?

En alder beregnet ud fra stoffer i blodet kan afvige fra den kronologiske alder. Forskere ved King’s College London sammenlignede algoritmer, der beregner denne »metabolomiske alder« i en stor forskningsgruppe. Resultaterne viste sammenhænge med mål for helbred og overlevelse. Metoden er endnu ikke en klinisk test, der alene kan afgøre behandling eller forsikringsdækning.

Kronologisk og metabolomisk alder

Kronologisk alder er tiden siden fødslen. Biologisk aldring er et bredere begreb for ændringer i kroppens funktion. Et skøn ud fra blodets metabolitter afspejler kun en del af disse ændringer og er ikke et fuldstændigt mål for en persons »biologiske alder«. Undersøgelsen viser ikke, at en indsats, som ændrer tallet, nødvendigvis mindsker sygdomsrisikoen.

Hvad er metabolitter?

Metabolitter er små molekyler, der indgår i eller opstår ved kroppens biokemiske processer. Deres koncentration i blodet kan fortælle om forskellige dele af stofskiftet. I undersøgelsen målte forskerne 168 metaboliske kendetegn i plasma ved hjælp af kernemagnetisk resonansspektroskopi.

Sådan blev MileAge undersøgt

Forskerne trænede og validerede internt 17 maskinlæringsalgoritmer med data fra op til 225.212 deltagere i UK Biobank. Deltagerne var mellem 40 og 69 år, da de blev rekrutteret. Modellerne anslog alder ud fra blodprøver, og anslagene blev sammenlignet med den kendte kronologiske alder.

MileAge delta er forskellen mellem modellens anslåede alder og den kronologiske alder. En positiv værdi betyder, at den metaboliske profil ifølge netop den model ligner profilen hos en ældre person. Det er et statistisk forskningsmål, ikke en diagnose af den enkelte.

Resultater og begrænsninger

Af de undersøgte metoder havde MileAge-forskellen fra en regelbaseret Cubist-regressionsmodel de stærkeste sammenhænge med de undersøgte mål for helbred og aldring. Forskerne så blandt andet på skrøbelighed, telomerlængde og dødelighed. En sammenhæng viser ikke, at den metabolomiske alder forårsager disse udfald, eller at modellen sikkert kan forudsige et enkelt menneskes levetid.

Dataene stammer fra UK Biobank, og den beskrevne validering var intern. Metoden skal afprøves uafhængigt i andre befolkninger, aldersgrupper og kliniske sammenhænge. Andre målemetoder og modeller kan give andre skøn.

Mulige anvendelser i forskning

Et pålideligt valideret metabolisk mål kunne hjælpe forskere med at undersøge aldring, sammenligne grupper og studere risikofaktorer. Efter yderligere afprøvning kunne det måske supplere andre oplysninger i forebyggende sundhedsarbejde. Undersøgelsen viser ikke, at et smartur kan måle MileAge med et tryk på en knap, eller at læger og forsikringsselskaber allerede bør træffe beslutninger ud fra tallet.

Forskere og finansiering

Forfatterne er Julian Mutz, Raquel Iniesta og Cathryn M. Lewis fra Institute of Psychiatry, Psychology & Neuroscience ved King’s College London. De anvendte data fra UK Biobank. Forskningsstøtten omfattede NIHR og Maudsley Biomedical Research Centre.

Virksomheder inden for biovidenskab

Nye metoder til analyse af biologiske data kan interessere branchen. Det betyder ikke, at denne undersøgelse validerer en bestemt virksomheds produkter eller giver en aktieprognose.

10x Genomics Inc.

10x Genomics (TXG ) udvikler værktøjer til analyse af celler og biologiske prøver. Virksomheden udviklede ikke MileAge-modellen i undersøgelsen, og der er ikke her dokumenteret nogen kommerciel forbindelse mellem dem.

Næste skridt

Undersøgelsen viser, at valget af algoritme påvirker, hvad man kan udlede af de samme metaboliske data. MileAges praktiske værdi afhænger af uafhængig validering, gentagelige målinger og dokumentation for, at målet tilfører viden ud over etablerede kliniske oplysninger. Læs mere om sundhedsteknologi.

Henvisning

Mutz, J., Iniesta, R. og Lewis, C. M. (2024). Metabolomic age (MileAge) predicts health and life span: A comparison of multiple machine learning algorithms. Science Advances, 10(51), eadp3743. doi:10.1126/sciadv.adp3743.