A IA pode prever a idade metabolômica de uma pessoa e adaptar planos de saúde de acordo?

A idade estimada a partir de moléculas no sangue pode ser diferente da idade cronológica. Investigadores do King’s College London compararam algoritmos que calculam esta «idade metabolómica» numa grande coorte. Os resultados mostraram associações com indicadores de saúde e sobrevivência. O método ainda não é um teste clínico que, por si só, permita decidir tratamentos ou condições de seguro.

Idade cronológica e idade metabolómica

A idade cronológica é o tempo decorrido desde o nascimento. O envelhecimento biológico abrange um conjunto mais amplo de mudanças no funcionamento do organismo. Uma estimativa obtida de metabolitos no sangue reflete apenas parte desse processo e não mede completamente a «idade biológica» de uma pessoa. O estudo também não demonstrou que uma intervenção que altere esse número reduza necessariamente o risco de doença.

O que são metabolitos?

Os metabolitos são pequenas moléculas que participam em processos bioquímicos do corpo ou resultam deles. As suas concentrações sanguíneas podem fornecer informação sobre diferentes vias metabólicas. Neste estudo, foram medidas 168 características metabólicas do plasma através de espectroscopia de ressonância magnética nuclear.

Como decorreu o estudo MileAge?

Os investigadores treinaram e validaram internamente 17 algoritmos de aprendizagem automática com dados de até 225 212 participantes do UK Biobank. Tinham entre 40 e 69 anos quando foram recrutados. Os modelos estimaram a idade a partir de amostras de sangue, e as estimativas foram comparadas com a idade cronológica conhecida.

O MileAge delta é a diferença entre a idade estimada pelo modelo e a idade cronológica. Um valor positivo significa que, segundo aquele modelo específico, o perfil metabólico se assemelha ao de uma pessoa mais velha. É uma medida estatística de investigação, não um diagnóstico individual.

Resultados e limitações

Entre os métodos examinados, a diferença MileAge obtida com um modelo de regressão baseado em regras, chamado Cubist, apresentou as associações mais fortes com os indicadores de saúde e envelhecimento estudados. Os investigadores analisaram, entre outras, relações com fragilidade, comprimento dos telómeros e mortalidade. Uma associação não prova que a idade metabolómica cause esses resultados nem que o modelo possa prever com certeza a esperança de vida de uma pessoa.

Os dados vieram do UK Biobank e a validação apresentada foi interna. É necessário testar a abordagem de forma independente noutras populações, faixas etárias e contextos clínicos. Outras técnicas de medição e outros modelos podem produzir estimativas diferentes.

Possíveis utilizações na investigação

Uma medida metabólica fiável e validada poderia ajudar a estudar o envelhecimento, comparar grupos e investigar fatores de risco. Após mais estudos, talvez possa complementar outras informações nos cuidados preventivos. O estudo não demonstra que um relógio inteligente consiga medir MileAge com um toque, nem justifica que médicos ou seguradoras já tomem decisões apenas com base nessa pontuação.

Investigadores e financiamento

Os autores são Julian Mutz, Raquel Iniesta e Cathryn M. Lewis, do Institute of Psychiatry, Psychology & Neuroscience do King’s College London. Utilizaram dados do UK Biobank. O apoio à investigação incluiu o NIHR e o Maudsley Biomedical Research Centre.

Empresas de ciências da vida

Novos métodos de análise de dados biológicos podem interessar ao setor. Isso não significa que este estudo valide os produtos de uma empresa específica ou constitua uma previsão do preço das suas ações.

10x Genomics Inc.

A 10x Genomics (TXG ) desenvolve ferramentas para analisar células e amostras biológicas. A empresa não criou o modelo MileAge deste estudo, e a investigação não documenta uma ligação comercial entre ambos.

Próximos passos

O estudo mostra que a escolha do algoritmo altera o que se pode inferir dos mesmos dados metabólicos. A utilidade prática de MileAge depende de validação independente, medições reproduzíveis e prova de que acrescenta informação aos dados clínicos estabelecidos. Mais sobre tecnologia de saúde.

Estudo citado

Mutz, J., Iniesta, R. e 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.