LifeClock utilise des analyses sanguines de routine pour suivre l'âge biologique de la petite enfance jusqu'à la vieillesse
Un modèle de type transformer, entraîné sur 24,6 millions de consultations en clinique, estime l'âge biologique tout au long de la vie et signale le risque de maladies futures chez les enfants et les adultes.
Résumé
LifeClock est une horloge biologique basée sur l'IA, construite à partir des dossiers médicaux électroniques courants et des analyses de laboratoire de routine, plutôt qu'à partir de la méthylation de l'ADN ou de données omiques. Les chercheurs ont entraîné un modèle de type transformer, EHRFormer, sur 24,6 millions de consultations concernant 9,7 millions de personnes issues de cohortes hospitalières chinoises, puis l'ont testé sur des cohortes externes, dont la UK Biobank. La physiologie pédiatrique et la physiologie adulte étant très différentes, l'équipe a conçu deux horloges distinctes : une horloge de « maturité physiologique » pour les moins de 18 ans et une horloge de vieillissement pour les adultes. L'écart entre l'âge prédit et l'âge chronologique était associé à la maladie. Les enfants présentant une maturité accélérée ou retardée avaient les troubles de la croissance attendus, et les adultes dont l'âge prédit était supérieur à l'âge réel présentaient davantage de maladies. Des versions affinées (fine-tuned) du modèle ont prédit des maladies telles que le diabète, l'accident vasculaire cérébral et la maladie coronarienne, avec des AUC allant jusqu'à 0,98 pour le diagnostic actuel et d'au moins 0,8 pour le risque futur. Ces travaux sont prometteurs, mais ils sont rétrospectifs et réalisés en milieu hospitalier.
Résumé détaillé
La plupart des horloges du vieillissement sont conçues pour les adultes et reposent sur la méthylation de l'ADN (DNA) ou sur d'autres dosages spécialisés. L'enfance y est largement absente, alors même que le développement rapide à cet âge reflète une maturation programmée plutôt qu'une accumulation de dommages. Une horloge valable sur l'ensemble de la vie, et fondée sur des données bon marché et courantes, pourrait rendre l'évaluation de l'âge biologique praticable dans les soins quotidiens.
Les chercheurs ont mis au point EHRFormer, un transformer de séries temporelles entraîné sur des dossiers médicaux électroniques longitudinaux et des analyses biologiques. Les données d'entraînement provenaient de quatre cohortes hospitalières de la China Healthy Aging Investigation : 9 680 764 personnes et 24 633 025 consultations, à partir de 184 indicateurs cliniques. Le modèle utilisait un masquage aléatoire des entrées et des sorties pour gérer les valeurs manquantes, ainsi qu'un entraînement adversarial pour supprimer les différences entre hôpitaux. Il était également entraîné de façon autorégressive, de sorte que la représentation de chaque consultation reflète la trajectoire de santé de la personne. Un modèle de régression entraîné sur des individus en bonne santé prédisait l'âge chronologique, et cette prédiction tenait lieu d'âge biologique. La validation externe a utilisé une cinquième cohorte (86 257 personnes) et la UK Biobank (146 087 personnes).
Les données ont fait apparaître deux régimes distincts de marqueurs biologiques, une phase pédiatrique (de la naissance à 18 ans) et une phase adulte ; l'équipe a donc construit des horloges séparées, ce qui a amélioré la précision. L'analyse SHAP a montré que les principaux contributeurs différaient presque entièrement entre les deux. Une AST basse, une créatinine élevée et une protéinémie totale élevée orientaient l'horloge pédiatrique, tandis qu'une urée élevée, une albumine basse et une largeur de distribution des globules rouges (RDW) élevée orientaient l'horloge adulte. Dans la UK Biobank, le modèle adulte a atteint une erreur absolue moyenne de 4,14 ans, l'urée, l'albumine et la RDW figurant de nouveau parmi les principaux contributeurs.
Le regroupement (clustering) des représentations issues des dossiers médicaux a produit 64 clusters, dont 14 pédiatriques et 50 adultes, avec des trajectoires de maladie distinctes. Les adultes « sur-âgés » (écart d'âge supérieur à 3 écarts-types) présentaient une prévalence de maladies plus élevée que leurs pairs d'âge moyen au sein du même cluster, et cette différence s'accentuait avec le temps. Chez l'enfant, une maturité accélérée apparaissait dans la puberté précoce et les syndromes de croissance excessive, et un ralentissement apparaissait dans la puberté retardée, le déficit en hormone de croissance et le retard de développement. Certains clusters présentaient des hazard ratios élevés, comme 37,7 pour l'insuffisance rénale dans le cluster adulte 20 et 15,4 pour l'hyperfonction hypophysaire dans le cluster pédiatrique 14. Les modèles affinés (fine-tuned) diagnostiquaient une maladie en cours avec des AUC de 0,94 à 0,98, notamment pour la fibrillation atriale, la maladie coronarienne, l'AVC ischémique, le diabète et la maladie de Parkinson. Ils prédisaient les maladies futures avec des AUC d'au moins 0,8 et des AUC d'incidence à 5 et 10 ans de 0,80 à 0,91. Ils surpassaient les modèles de référence RNN et XGBoost. Le risque pédiatrique, calculé à partir des données antérieures à 12 ans, atteignait des AUC de 0,70 à 0,96, et les groupes à haut risque se séparaient nettement sur les courbes d'incidence cumulée.
Ces résultats suggèrent que les analyses biologiques de routine, y compris les valeurs situées dans les plages normales, contiennent des informations sur la maturité, le vieillissement et le risque de maladie que les outils fondés sur une seule consultation peuvent manquer. Des réserves importantes s'imposent. Les données sont des dossiers hospitaliers rétrospectifs ; les patients ne sont donc pas représentatifs de la population générale, et l'horloge est entraînée sur des individus en bonne santé définis dans un cadre clinique. L'âge chronologique est la cible d'entraînement, ce qui peut limiter la capacité de l'horloge à saisir le véritable vieillissement biologique. Les AUC élevées peuvent en partie refléter des informations diagnostiques déjà présentes dans les dossiers, et une validation prospective ainsi que des critères de mortalité renforceraient les conclusions.
Principales conclusions
- LifeClock was trained on 24.6 million visits from 9.7 million people and validated externally in a fifth cohort and in UK Biobank.
- Pediatric and adult clocks rely on almost entirely different lab markers; urea, albumin and RDW drive the adult clock.
- In UK Biobank, the adult clock reached a mean absolute error of 4.14 years, with the same top biomarkers.
- Fine-tuned models diagnosed diabetes, stroke and coronary artery disease with AUCs of 0.97–0.98 and predicted future risk with AUCs of at least 0.8.
- Children with growth-promoting or growth-inhibiting disorders showed accelerated or decelerated maturity relative to healthy controls.
Méthodologie
Étude rétrospective multicohorte utilisant un modèle de fondation de type transformeur (EHRFormer), entraîné par reconstruction masquée, débiaisage adversarial des cohortes et apprentissage autorégressif de la visite suivante, sur 184 indicateurs biologiques et cliniques. Des modèles de régression de l'âge, entraînés sur des individus en bonne santé, ont permis de définir l'âge biologique. Les modèles de maladies ont été affinés (fine-tuning) puis validés en interne, dans une cohorte indépendante et dans la UK Biobank, à l'aide de l'AUC, de modèles de Cox et de la méthode SHAP.
Limites de l'étude
Les données proviennent de dossiers hospitaliers rétrospectifs, principalement issus de cohortes chinoises ; un biais de sélection et une généralisabilité limitée au-delà des populations hospitalières sont donc probables. L'horloge est entraînée à prédire l'âge chronologique, et l'on ignore dans quelle mesure elle reflète le véritable vieillissement biologique. Par ailleurs, le texte intégral fourni s'arrête avant la discussion : les limites déclarées par les auteurs ne sont donc pas couvertes. Les AUC rapportées pour le diagnostic actuel peuvent être surestimées, car les dossiers contiennent déjà des informations diagnostiques, et aucun résultat concernant une intervention ou la mortalité n'apparaît dans le texte disponible.
Ce résumé vous a plu ?
Recevez les dernières recherches sur la longévité dans votre boîte de réception chaque semaine.
Saisissez votre e-mail pour vous abonner :
