An AI tool for prioritizing candidate biomarkers from wearable sensor data
El avance en la tecnología de dispositivos portátiles ha permitido la captura continua de señales fisiológicas a gran escala, desde dinámicas de ritmo cardíaco hasta patrones de sueño. Sin embargo, el desafío ahora radica en convertir estos datos en biomarcadores clínicamente significativos. Para abordar este reto, se ha desarrollado el Biomarker Discovery Framework, un sistema multiagente que prioriza candidatos a biomarcadores a partir de datos de sensores portátiles mediante un ciclo iterativo de generación de hipótesis, análisis estadístico y razonamiento basado en literatura.
El Biomarker Discovery Framework estructura la priorización de biomarcadores candidatos como un bucle de investigación iterativo bajo supervisión humana. Combina generación de hipótesis, análisis estadístico paralelo, entrenamiento de modelos, validación adversarial y razonamiento fundamentado en literatura para acelerar el proceso de descubrimiento, manteniendo un rigor estadístico estricto y preservando la supervisión humana. En estudios realizados con tres cohortes (N = 9,279 observaciones de participantes), el sistema recuperó señales clínicas conocidas, identificó biomarcadores convergentes en conjuntos de datos independientes y mejoró la predicción al combinarse con características demográficas.
El sistema ingiere datos de series temporales de dispositivos portátiles y laboratorios clínicos. Una arquitectura de bucle cerrado orquesta seis fases que reflejan el ciclo de vida de priorización de biomarcadores humanos. Un agente Orchestrator descompone directivas de investigación en lenguaje natural en planes de ejecución y guía a agentes especializados a través de un proceso de seis fases. Mientras tanto, una memoria compartida, una hoja de hechos estructurada y herramientas comunes preservan la trazabilidad a lo largo del flujo de trabajo.
El Biomarker Discovery Framework combina computación determinista para análisis numérico con razonamiento generativo para la formación e interpretación de hipótesis. A través de un proceso estructurado con validación adversarial y supervisión humana, el sistema garantiza la validez estadística, separando la construcción de características de las señales objetivo y requiriendo que los candidatos pasen una fase de filtrado adversarial de 11 pruebas.
El sistema ha sido aplicado de manera independiente en tres cohortes a gran escala, totalizando 9,279 observaciones de participantes, abarcando tanto la salud mental como enfermedades metabólicas. La tubería identificó de manera autónoma 41 biomarcadores digitales candidatos para la salud mental y 25 para resultados metabólicos, demostrando su capacidad para extraer ideas fisiológicas plausibles de datos ruidosos.