Onderzoekers van King’s College in Londen hebben een groot onderzoek uitgevoerd om op kunstmatige intelligentie gebaseerde ‘verouderingsklokken’ te beoordelen. De klokken voorspellen levensduur en gezondheid aan de hand van gegevens uit het bloed.
Door gegevens van meer dan 225.000 deelnemers uit de UK Biobank (leeftijd 40-69 jaar) te analyseren, liet het onderzoeksteam zien hoe machine learning kan helpen bij het begrijpen van biologische veroudering en de invloed ervan op gezondheid.
MileAge
Metabolieten, kleine moleculen die vrijkomen bij de stofwisseling, geven informatie over de toestand van ons lichaam. De onderzoekers introduceerden “MileAge”, een maat voor metabolomische leeftijd, die laat zien hoe oud je lichaam intern lijkt. Het verschil tussen deze berekende leeftijd en je werkelijke leeftijd (MileAge delta) geeft aan of je biologische veroudering sneller of langzamer verloopt. Je chronologische leeftijd is simpelweg hoe oud je bent volgens de kalender.
In hun studie, gepubliceerd in Science Advances, vergeleken de onderzoekers 17 machine-learningmodellen om te bepalen welke het beste gezondheid en levensverwachting kon voorspellen. Ze zagen dat mensen met een hogere MileAge delta (snellere veroudering, voorspeld door Ai) kwetsbaarder zijn, meer kans hebben op chronische ziekten en kortere telomeren. Telomeren zijn biologische markers die verband houden met veroudering en ziekten.
Volgens onderzoeker Julian Mutz bieden metabolomische verouderingsklokken een manier om te zien wie meer risico loopt op gezondheidsproblemen. “In tegenstelling tot je chronologische leeftijd, kun je je biologische leeftijd mogelijk aanpassen. Deze klokken geven onderzoekers en gezondheidsprofessionals een nieuwe manier om biologische leeftijd te meten.” Hij voegt toe dat deze inzichten kunnen helpen bij het maken van gezondere keuzes en het ontwikkelen van preventieve gezondheidsprogramma’s.
Het onderzoek laat zien dat het Cubist-model, een regelgebaseerd algoritme, het beste werkt voor het voorspellen van metabolomische leeftijd. Dit model legt op een sterke manier de verbanden tussen gezondheid en metabolieten vast en presteert beter dan andere modellen doordat het complexe relaties tussen metabolieten en leeftijd goed begrijpt. Cathryn Lewis, expert in genetische epidemiologie, zegt: “Er is veel interesse in methoden om onze biologische leeftijd precies te meten. Big data-analyse speelt daarbij een grote rol. Dit onderzoek laat zien hoe belangrijk zulke methoden kunnen zijn voor het helpen maken van geïnformeerde gezondheidskeuzes.”
Complex
Een opvallend resultaat is dat versnelde biologische veroudering vaak samenhangt met slechte gezondheid. Maar als iemands biologische leeftijd lager is dan zijn echte leeftijd, lijkt dat minder duidelijk verband te houden met betere gezondheid. Dit benadrukt hoe voorzichtig we moeten zijn bij het interpreteren van biologische leeftijd.
Verouderingsklokken zouden artsen kunnen helpen om vroegtijdig gezondheidsproblemen te signaleren en preventieve stappen te nemen. Ze geven mensen ook een manier om hun biologische gezondheid jaarlijks bij te houden en hun leefstijl aan te passen.
Dit onderzoek is een stap in het combineren van kunstmatige intelligentie met biologische data. Het doel is om mensen langer gezond te houden. Naarmate dit vakgebied groeit, kunnen deze inzichten grote veranderingen teweegbrengen in hoe we onze gezondheid volgen en verbeteren, waardoor we beter voorbereid zijn op uitdagingen die met ouder worden te maken hebben.
