Generativna AI za desetogodišnje predviđanje multimorbiditeta - metodološka studija zasnovana na javno dostupnim i sintetičkim podacima

Uvod/Cilj:Cilj rada je da predstavi metodološki okvir za desetogodišnje predviđanje multimorbiditeta pomoću generativnog, sekvencijalnog modela zasnovanog na transformer arhitekturi, uz potpuno oslanjanje na javno dostupne i sintetičke podatke, bez obrade identifikabilnih podataka pacijenata. Metode:Sprovedena je metodološka studija sa primarnom obukom i evaluacijom na Synthea sintetičkoj kohorti (≥100.000 zapisa), uz tehničke provere na MIMIC-III (de-identifikovani realni podaci intenzivne nege). Ishodi (≥1.000) su definisani mapiranjem ICD-10/ICD-10-CM kodova u PheCode kategorije. Model je transformer sa multitask izlazima (po jedan za svaki cilj) i vremenskim ugradnjama, sa evaluacijom diskriminacije (AUPRC, AUROC), kalibracije (Brier, intercept/nagib) i kliničke korisnosti (Decision Curve Analysis). Sprovedene su analize osetljivosti i osnovne provere pravičnosti (pol, starost). Rezultati:Model je postigao najbolje rezultate u kardiometaboličkom i onkološkom domenu, umerene u respiratornim/bubrežnim, a skromnije u mentalnim/infektivnim ishodima. Kalibracija je bila dobra u srednjim opsezima rizika; DCA je pokazala pozitivnu neto korist u pragovima relevantnim za oportunistički skrining (≈5-15% desetogodišnjeg rizika). Analize osetljivosti potvrdile su stabilnost rang-performansi na promenama pragova retkosti i dužine istorije, bez dokaza o značajnom "label leakage"-u. Zaključak:Prikazan je reproducibilan i etički prihvatljiv pristup dugoročnoj višebolećinskoj prognozi rizika koristeći generativni transformer na javnim/sintetičkim skupovima. Ovaj "barometar zdravlja" može da podrži trijažu i personalizovanu prevenciju, uz preporuku obavezne eksterne validacije, lokalne re-kalibracije i nadzora pravičnosti pre kliničke primene.