การใช้ AI ในการทำนายการฉีดวัคซีน ─ AI จะเปลี่ยนแปลงการทำนายไข้หวัดใหญ่ได้หรือไม่? อนาคตที่ VaxSeer ของ MIT จะเหนือกว่า WHO

1. พื้นหลัง: เกม "คาดการณ์ล่วงหน้า" ทุกปี

วัคซีนไข้หวัดใหญ่ตามฤดูกาลจะเลือกสายพันธุ์ล่วงหน้ามากกว่าครึ่งปี โดยใช้ข้อมูลลำดับพันธุกรรมและข้อมูลแอนติเจนจากตัวอย่างทั่วโลก ซึ่งคณะผู้เชี่ยวชาญของ WHO จะคาดการณ์และตัดสินใจว่า "สายพันธุ์ใดจะเป็นสายพันธุ์หลักในฤดูกาลหน้า" หากคาดการณ์ถูกต้อง ประสิทธิผลจะเพิ่มขึ้น แต่ถ้าผิดพลาด จะนำไปสู่ความรู้สึกว่า "ได้รับวัคซีนแต่ไม่ค่อยมีประสิทธิภาพ" ปัญหาคือ ไวรัสไข้หวัดใหญ่มีการวิวัฒนาการอย่างต่อเนื่องและมีปฏิสัมพันธ์กับภูมิคุ้มกันของมนุษย์และสิ่งแวดล้อม ซึ่งสามารถเปลี่ยนแปลงแผนที่อำนาจในระยะเวลาอันสั้นได้

2. VaxSeer คืออะไร: เครื่องมือทำนาย 2 ตัว + คะแนน 1 ตัว

VaxSeer ของ MIT ขยาย "การคาดการณ์ล่วงหน้า" นี้ด้วยการเรียนรู้ของเครื่อง โดยมีแกนหลักสองส่วน ส่วนแรกคือการเรียนรู้ว่าการกลายพันธุ์แต่ละตัวในรูปแบบ "การรวมกัน" มีส่วนช่วยในการแพร่กระจาย (การเป็นที่นิยม) อย่างไร โดยใช้โมเดลภาษาขนาดใหญ่ของโปรตีน ส่วนที่สองคือการประมาณว่าวัคซีนที่เป็นไปได้จะแสดงผลการยับยั้ง (แอนติเจน) ต่อสายพันธุ์ที่คาดว่าจะระบาดในอนาคตได้มากน้อยเพียงใด โดยใช้ข้อมูลการทดสอบ HI (การยับยั้งการเกาะกลุ่มของเม็ดเลือดแดง) ข้อมูลเหล่านี้จะถูกซ้อนทับกับพลวัตการแพร่กระจายที่อิงตามสมการเชิงอนุพันธ์ เพื่อคำนวณ "คะแนนความครอบคลุม" ซึ่งเป็นการวัดความเหมาะสมของวัคซีนต่อกลุ่มไวรัสที่คาดว่าจะเกิดขึ้นในฤดูกาลหน้า

3. ความแม่นยำ: การทบทวนย้อนหลัง 10 ปี

ทีมวิจัยได้เปรียบเทียบข้อมูลย้อนหลัง 10 ปีระหว่างสายพันธุ์ที่ WHO เลือกจริงและสายพันธุ์ที่ VaxSeer แนะนำ ผลลัพธ์แสดงว่าใน A/H3N2 มีความแม่นยำ 9 ใน 10 ฤดูกาล และใน A/H1N1 มีความแม่นยำ 6 ใน 10 ฤดูกาล สิ่งที่น่าสังเกตคือกรณีที่ VaxSeer ระบุสายพันธุ์ที่เป็นไปได้ในปี 2016 ล่วงหน้า 1 ปี ซึ่ง WHO ได้นำมาใช้ในปีถัดไป นอกจากนี้ คะแนนความครอบคลุมของ VaxSeer ยังสอดคล้องกับการประมาณประสิทธิผลในสถานการณ์จริงที่เผยแพร่โดย CDC, SPSN ของแคนาดา และ I-MOVE ของยุโรป อย่างไรก็ตาม นี่เป็นการตรวจสอบย้อนหลัง และไม่แสดงผลกระทบเชิงสาเหตุ (ประสิทธิผลที่แท้จริง) เมื่อวัคซีนถูกใช้ในปีนั้น แต่ถึงกระนั้น การคาดการณ์ล่วงหน้าเช่นนี้ก็มีคุณค่าอย่างมากสำหรับสถานการณ์ที่ภาระทางการแพทย์เพิ่มขึ้นในปีที่พลาดเป้า

4. แก่นของระบบ: จุดตัดของวิวัฒนาการและภาษา

ความเป็นเอกลักษณ์ของ VaxSeer คือการพิจารณาผลกระทบของการกลายพันธุ์ในลำดับเป็น "ปฏิสัมพันธ์ (epistasis)" ไม่ใช่แค่การเกิดขึ้นเดี่ยวๆ การวิวัฒนาการของไวรัสในโลกจริงไม่สามารถอธิบายได้ด้วยการบวกของการกลายพันธุ์เดี่ยวๆ การกลายพันธุ์บางอย่างอาจทำให้เกิดการเป็นที่นิยมเมื่อรวมกับการกลายพันธุ์อื่นๆ โมเดลภาษาจะเรียนรู้โครงสร้างความน่าจะเป็นของ "การรวมกัน" นี้จากลำดับจำนวนมากในอดีต โดยการซ้อนทับกับโมเดลคณิตศาสตร์ที่แสดงการแข่งขันระหว่างสายพันธุ์ จะช่วยให้สามารถคาดการณ์ความได้เปรียบเชิงสัมพัทธ์ของสายพันธุ์ที่อาจกลายเป็น "สายพันธุ์หลัก" ได้ ในด้านแอนติเจน การทดสอบ HI จะใช้เป็นข้อมูลสอนเพื่อประมาณ "ระยะทาง" ระหว่างสายพันธุ์ที่เป็นไปได้และสายพันธุ์ที่คาดว่าจะระบาด เพื่อประเมินว่าวัคซีนสามารถกระตุ้นการตอบสนองการยับยั้งได้มากน้อยเพียงใด

5. ปฏิกิริยาบนโซเชียลมีเดีย: ความคาดหวัง, ความระมัดระวัง, และความเป็นจริงในการใช้งาน

หลังการประกาศ นักวิจัยและบัญชีที่เกี่ยวข้องกับสุขภาพบนโซเชียลมีเดียได้แสดงปฏิกิริยาพร้อมกัน บัญชีทางการของ MIT CSAIL บน X ได้แนะนำว่า "เรียนรู้จากข้อมูลหลายสิบปีเพื่อระบุผู้สมัครที่มีการป้องกันมากขึ้น" และได้รับการตอบกลับเชิงบวกมากมาย ผู้เขียนหลัก Wenxian Shi ก็ได้ประกาศการเผยแพร่บทความและได้รับการแสดงความยินดีจากวงการวิชาการ ในทางกลับกัน บัญชีที่ติดตาม AI ทางการแพทย์ได้ตั้งคำถามว่า "AI สามารถเหนือกว่าการตัดสินของผู้เชี่ยวชาญ WHO ได้หรือไม่?" และมีการวิจารณ์เกี่ยวกับการขาดการตรวจสอบในทางคลินิกเชิงบวก โดยรวมแล้ว การรับรู้หลักคือ AI สามารถเพิ่มความโปร่งใสในการตัดสินใจในฐานะ "ความเห็นที่สาม" ไม่ใช่ "การแทนที่" จากฝั่งคลินิกและสาธารณสุข มีเสียงเรียกร้องให้มีการออกแบบการใช้งานที่คำนึงถึงข้อจำกัดในความเป็นจริง เช่น "เวลาในการผลิต" "การกลายพันธุ์จากการเพาะเลี้ยงในไข่" "ห่วงโซ่อุปทาน" และ "ข้อมูลความแตกต่างทางภูมิภาค"

6. การแพร่กระจายสู่สถานที่ปฏิบัติงาน: วิธีการใช้งานให้มีประสิทธิภาพ

ในระยะสั้น การใช้คะแนนของ VaxSeer เป็น "ความเห็นที่สอง" ก่อนการประชุมของ WHO หรือการเลือกของหน่วยงานในแต่ละประเทศสามารถช่วยในการตรวจจับความเสี่ยงของปีที่อาจพลาดเป้าได้ล่วงหน้า หากมีสัญญาณของการพลาดเป้า การปรับแผนการจัดหาหรือการปรับสัดส่วนของวิธีการผลิตทางเลือก (เซลล์, รีคอมบิแนนท์) และการเสริมสร้างข้อความถึงกลุ่มเสี่ยงสูงสามารถพิจารณาได้ล่วงหน้า ในระยะกลาง การขยายโมเดลหลายปัจจัยที่รวมปัจจัยอื่นๆ นอกเหนือจากแอนติเจน เช่น ภูมิคุ้มกันที่มีอยู่, ปริมาณการให้, สารเสริม, การเคลื่อนไหวของกลุ่มภูมิภาค เพื่อประมาณการ "การป้องกันที่มีประสิทธิภาพ" อย่างบูรณาการจะเป็นกุญแจสำคัญ

7. ข้อจำกัดและปัญหา: AI ไม่ได้เป็นอเนกประสงค์

ประการแรก การประเมินส่วนใหญ่เป็นการย้อนหลัง สิ่งที่สำคัญจริงๆ คือการรวมเข้ากับการตัดสินใจเชิงนโยบายในสภาพแวดล้อมเชิงบวก (prospective) และดูว่ามีผลต่อการลดการติดเชื้อ, การเข้ารักษาในโรงพยาบาล, และการเสียชีวิตจริงหรือไม่ ประการที่สอง การเบี่ยงเบนของข้อมูลการเรียนรู้ เช่น ความไม่สมดุลในภูมิภาค, อายุ, และการเก็บตัวอย่าง อาจทำให้การคาดการณ์ทั่วไปผิดเพี้ยนได้ ประการที่สาม ข้อจำกัดของกระบวนการผลิต (การกลายพันธุ์ที่ปรับตัวในการเพาะเลี้ยงในไข่, ความล่าช้าในการขยายขนาด) อาจทำให้ความเหมาะสมลดลงระหว่าง "สายพันธุ์ที่เลือก" และ "ผลิตภัณฑ์สุดท้าย" ประการที่สี่ การตัดสินใจไม่ได้ขึ้นอยู่กับวิทยาศาสตร์เพียงอย่างเดียว แต่ยังเกี่ยวข้องกับความโปร่งใส, ความรับผิดชอบ, และการยอมรับทางสังคม การออกแบบการกำกับดูแลที่เปิดเผยข้อสันนิษฐาน, ความไม่แน่นอน, และความไวของโมเดล และวางตำแหน่งให้สอดคล้องกับการตัดสินของผู้เชี่ยวชาญเป็นสิ่งจำเป็น

8. เหตุผลที่ยังคงก้าวไปข้างหน้า

ไข้หวัดใหญ่เป็น "ศัตรูที่ไม่สิ้นสุด" นั่นคือเหตุผลที่การพยายามลดความน่าจะเป็นในการพลาดเป้าแม้เพียง 1% ด้วยข้อมูลและโมเดลมีความหมาย VaxSeer เชื่อมโยงทฤษฎีวิวัฒนาการกับพลังการแสดงออกของโมเดลภาษา และทำให้กระบวนการเลือกที่เคยพึ่งพาสัญชาตญาณของมนุษย์และตัวชี้วัดที่กระจัดกระจายกลายเป็นกระบวนการที่มีการวัดและทำซ้ำได้มากขึ้น การผสมผสานความสามารถในการคาดการณ์ล่วงหน้าของ AI กับเครือข่ายผู้เชี่ยวชาญที่มีประสบการณ์ของ WHO อย่างเสริมกัน นั่นคือทางออกจริงที่อาจทำให้ฤดูกาลถัดไปเบาลงได้บ้าง

Powered by Froala Editor