Bisakah AI Memprediksi Usia Metabolomik Seseorang dan Menyesuaikan Rencana Kesehatan Secara Tepat?

Artificial intelligence continues to push the boundaries of science and health exploration. From mapping proteins to neurological networks, these systems continue to make game-changing impacts on the sector. This month, a group of advantageous researchers from the Institute of Psychiatry, Psychology & Neuroscience took AI integration further. They released a study¹ in which AI algorithms were used to predict the metabolic age of patients. Here’s what you need to know.

Jam Kronologis vs Jam Biologis

Jam Kronologis

Usia kronologis Anda adalah usia Anda yang dihitung berdasarkan hari-hari hidup Anda. Usia kronologis dapat membantu profesional kesehatan memahami apa yang dapat diharapkan secara wajar dari tubuh Anda dalam hal status kesehatan, tanda penuaan, gaya hidup, dan lainnya. Ini juga dapat membantu profesional mengembangkan obat yang disesuaikan untuk kelompok usia tertentu, memungkinkan perawatan yang lebih efektif. Perlu dicatat, usia kronologis Anda tidak dapat diubah.

Jam Biologis

Usia biologis Anda mewakili tingkat kerusakan molekuler dan seluler Anda. Berbeda dengan penuaan kronologis, penuaan biologis dapat diubah dengan mengubah gaya hidup, lingkungan, pola makan, dan lainnya. Penuaan biologis Anda akan terdeteksi pada tingkat kinerja dan kemampuan berdasarkan harapan usia kronologis Anda. Tujuan utama jam biologis adalah melacak dan menunjukkan bagaimana metabolisme Anda berubah seiring waktu.

Studi Jam Usia Metabolomik Berbasis AI

AI-powered biological aging clocks could revolutionize the sector. These algorithms can connect huge swatches of data to create in-depth maps that integrate advanced metabolite data. Notably, this study was the first to attempt to use AI to map and rate metabolites.

Metabolit

Metabolites are markers found in the blood that appear after metabolism. They serve multiple roles and can indicate certain aspects of health. These molecules are a relatively unexplored method of determining a patient’s health status and expectations.

In this approach, engineers introduce statistical or machine-learning algorithms. These systems are specifically designed to locate relationships between chronological age and molecular data. The results are a more in-depth and individualized understanding of a person’s health age.

Usia Metabolomik – MileAge

Sebagai bagian dari studi, insinyur menciptakan sistem peringkat Usia Metabolik. Setiap pasien diberikan MileAge berdasarkan selisih antara usia yang diprediksi oleh metabolit dan usia kronologis. Pendekatan MileAge memanfaatkan sejumlah penanda metabolik. Secara khusus, insinyur menemukan bahwa panel selektif metabolit menjelaskan lebih dari setengah varians usia kronologis.

Selain itu, peneliti menemukan bahwa mereka yang memiliki MileAge lebih tinggi jauh lebih rentan terhadap faktor risiko dan kesehatan. Tubuh mereka juga lebih lemah dan tidak dapat menyembuhkan dengan cepat. Perlu dicatat, sel mereka menunjukkan telomer yang lebih pendek, yang merupakan tanda lain dari penurunan kesehatan dan penuaan. Selisih antara usia yang diprediksi oleh metabolit dan usia kronologis disebut MileAge Delta.

Sumber – Science.org

Uji Studi Usia Metabolomik

Untuk menemukan algoritma MileAge yang optimal, insinyur harus menguji banyak algoritma pembelajaran mesin yang berbeda. Perlu dicatat, tim memanfaatkan spektroskopi resonansi magnetik nuklir untuk memantau perubahan seluler. Mereka memulai dengan mengembangkan 17 algoritma pembelajaran mesin berdasarkan data yang dikumpulkan dari darah lebih dari 225.000 peserta UK Biobank.

Perlu dicatat, usia peserta berkisar antara 40‑69 tahun. Algoritma diprogram menggunakan 168 metabolit plasma yang berasal dari data UK Biobank. Ini mencakup orang dewasa paruh baya dan lansia.

Langkah selanjutnya adalah membandingkan algoritma AI untuk melihat mana yang paling akurat. Tim menggunakan spektroskopi resonansi magnetik nuklir (NMR) untuk memperoleh data dari bank darah guna mengukur setiap model. Perbandingan tersebut menghasilkan beberapa hasil menarik.

Hasil Studi Usia Metabolomik

Studi menunjukkan bahwa algoritma AI tidak semuanya sama dalam kemampuan mereka memprediksi MileAge secara akurat. Insinyur memperhatikan bahwa regresi berbasis aturan Cubist dan algoritma linier bekerja paling efektif dalam menentukan sinyal penuaan.

Studi mengungkapkan bahwa 116 metabolit berperan dalam fungsi ini, dengan GlycA, omega‑3, dan DHA memiliki korelasi tertinggi dengan usia. Temuan ini menunjukkan bahwa sistem AI nonlinier yang lebih kompleks merupakan pilihan terbaik.

Manfaat Studi Usia Metabolomik

Studi usia metabolik ini memberikan beberapa manfaat utama. Pertama, ini memungkinkan orang melacak kesehatan mereka dengan memberdayakan perilaku proaktif. Ini juga akan menjadi alat penting yang digunakan profesional untuk menentukan praktik perawatan terbaik dan strategi yang diterapkan berdasarkan kebutuhan pasien secara individual.

Menggunakan Usia Metabolik sebagai Indikator Peringatan Dini

Memeriksa MileAge Anda dapat memberi kepercayaan tambahan pada kesehatan Anda. Sistem ini memudahkan melihat tanda‑tanda awal penurunan kesehatan. Dengan demikian, profesional kesehatan dapat merekomendasikan langkah yang lebih efektif untuk melawan penyakit. Sistem ini juga akan berperan penting dalam meningkatkan langkah pencegahan dengan memudahkan identifikasi siapa yang berisiko tinggi.

Kasus Penggunaan untuk Usia Metabolik

Ada beberapa skenario kasus penggunaan langsung dan jangka panjang untuk teknologi berbasis MileAge. Pilihan ini berkisar dari memungkinkan orang memantau kesehatan mereka dengan lebih baik, hingga menciptakan metode perawatan dan pengobatan lanjutan yang mengintegrasikan penanda metabolik utama.

Penilaian Kesehatan

Inti dari teknologi ini mencakup kemampuan untuk membuat penilaian kesehatan yang lebih berguna dan spesifik. Perusahaan asuransi dan profesional kesehatan perlu memanfaatkan teknologi ini untuk meningkatkan dan memantau strategi perawatan mereka saat ini. Di masa depan, Anda mungkin perlu melakukan pemeriksaan MileAge sebelum memperoleh cakupan asuransi.

Stratifikasi Risiko

Ilmu kunci lain yang dapat diuntungkan dari integrasi MileAge adalah stratifikasi risiko. Penelitian akan memanfaatkan data ini untuk mengetahui area dan orang mana yang memiliki risiko tertinggi terhadap gangguan dan penyakit tertentu. Menentukan tingkat risiko populasi akan membantu peneliti menemukan dan menghilangkan risiko yang tidak perlu yang dihadapi pasien berdasarkan lokasi atau kebiasaan mereka.

Pelacakan Kesehatan Proaktif

Munculnya perangkat wearable telah memperkenalkan tingkat baru dalam pelacakan kesehatan. Sekarang, skala usia metabolik dapat membantu meningkatkan pelacakan kesehatan pribadi lebih jauh lagi. Bayangkan melakukan tes atau bahkan hanya menekan tombol pada jam tangan Anda untuk mengetahui area kunci yang perlu Anda tingkatkan agar kesehatan Anda sebanding dengan orang lain di wilayah dan kelompok usia Anda.

Peneliti Usia Metabolik

Penelitian MileAge dilakukan oleh insinyur dari Institute of Psychiatry, Psychology & Neuroscience. Studi ini menerima pendanaan dari berbagai pihak, termasuk National Institute for Health and Care Research (NIHR) dan Maudsley Biomedical Research Centre (BRC). Selain itu, UK Biobank memainkan peran penting dalam menyediakan akses ke data dan sampel.

Perusahaan yang Dapat Memanfaatkan Studi Usia Metabolomik

Ada beberapa perusahaan yang dapat mengintegrasikan teknologi ini untuk meningkatkan penawaran dan layanan mereka. Perusahaan-perusahaan ini beroperasi di industri kesehatan dan sudah menyediakan bentuk layanan yang memanfaatkan status kesehatan seseorang sebagai indikator atau metrik dalam menentukan produk atau penawaran.

10x Genomics Inc

10x Genomics Inc (TXG ) adalah sebuah perusahaan riset ilmiah canggih korporasi yang berspesialisasi dalam teknologi sequencing gen. Perusahaan ini memasuki pasar pada tahun 2012 sebagai Avante Biosystems, Inc. sebelum berganti nama menjadi 10x Genomics. Proyek ini didirikan oleh Serge Saxonov, Ben Hindson, dan Kevin Ness untuk meningkatkan pemahaman biologi bagi para ahli kesehatan. Saat ini, perusahaan menyediakan berbagai layanan yang mencakup imunologi dan ilmu saraf.

Pada tahun 2018, 10x Genomics melakukan beberapa akuisisi tingkat tinggi yang meningkatkan teknologi dan posisi pasar mereka. Misalnya, perusahaan mengakuisisi Epinomics dan Spatial Transcriptomics. Kedua langkah tersebut meningkatkan penawaran mereka dan memberikan perusahaan akses ke teknologi canggih.

Perlu dicatat, TXG adalah saham populer yang terus menarik perhatian investor bersamaan dengan pencapaian perusahaan. Hingga kini, perusahaan telah menerima berbagai penghargaan termasuk The Scientist Top 10 Innovations award pada tahun 2017, 2018, 2019, 2020, dan 2021. Selain itu, perusahaan dianggap sebagai salah satu dari 100 institusi riset global teratas dan secara konsisten berada di peringkat 20 teratas perusahaan riset farmasi global.

Masa Depan Studi Usia Metabolik

Sekarang setelah insinyur menentukan bahwa penanda MileAge memberikan hasil yang lebih akurat dibandingkan metode sebelumnya, pasti akan ada tinjauan sejawat tambahan sebelum integrasi. Metode pelacakan kesehatan ini akan cepat diadopsi seiring lebih banyak lembaga menyadari akurasi tambahan dan penghematan yang ditawarkannya.

Usia Metabolik – Melacak Kesehatan Anda pada Tingkat Baru.

Orang rata-rata mendapatkan banyak manfaat dari studi ini terkait perawatan kesehatan mereka di masa depan. Pertama, perusahaan asuransi, penyedia layanan kesehatan, dan produsen obat semuanya dapat memanfaatkan informasi ini untuk memberikan layanan secara lebih akurat kepada populasi. Oleh karena itu, terdapat permintaan kuat agar data ini diprioritaskan dalam integrasi. Terlepas dari jangka waktu yang diperlukan untuk diterapkan, penanda MileAge akan segera menjadi krusial dalam menentukan rencana perawatan kesehatan dan lainnya.

Pelajari teknologi kesehatan keren lainnya sekarang.

Referensi Studi:

^{1. Mutz, J., Iniesta, R., & Lewis, C. M. (2024). Usia metabolomik (MileAge) memprediksi kesehatan dan harapan hidup: Perbandingan beberapa algoritma pembelajaran mesin. Science Advances, 10(51), eadp3743. https://doi.org/10.1126/sciadv.adp3743}