Kan AI forudsige en O(1) persons sandsynlighed for at udvikle en genetisk sygdom med 99 % nøjagtighed ved kun at analysere deres mikrobiom og miljømæssige eksponeringsdata ?

Genomisk prædiktion er blevet forbedret, men miljømæssige interaktioner er stadig dårligt modellerede. Privatlivslove og etiske bekymringer forsinker udbredt individbaseret forudsigelse uden klinisk validering.

---

Pr. 2024 kan AI forudsige polygenetiske risici for et fåtal af almindelige sygdomme (f.eks. type 2-diabetes, tyktarmskræft) ved at kombinere mikrobiomprofiler med livsstil og miljødata, men modellerne når i bedste fald en beskeden til moderat diskrimination (AUC ≈ 0,65–0,80) frem for den påståede 99 % nøjagtighed. Store konsortier som American Gut Project og UK Biobank har vist, at mikrobiom- og eksposomkarakteristika kun forklarer en lille del af den arvelige genetiske sygdomsvarians, og disse modeller er langt fra klinisk niveau til risikostratificering af enkeltpatienter. Integration af polygenetiske scores med transkriptomiske eller proteomiske aflæsninger forbedrer yderligere arealet under kurven, men de højeste rapporterede præstationer ligger stadig langt under 99 %. At demonstrere 99 % prædiktion af individuel genetisk sygdomsdebut udelukkende ved hjælp af mikrobiom- og miljødata er ikke blevet opnået og er ikke konsistent med nuværende arvelighedsestimater.

— Opdateret 10. maj 2026 · Kilde: NIH Human Microbiome Project

---

Selvom AI har gjort betydelige fremskridt i analysen af mikrobiom- og miljøeksponeringsdata til at forudsige sygdomsrisiko, er det fortsat et uopnåeligt mål at forudsige en persons sandsynlighed for at udvikle en genetisk sygdom med 99 % nøjagtighed. Nuværende AI-modeller kan identificere sammenhænge mellem visse mikrobiommønstre og sygdomsrisiko, men de er endnu ikke i stand til at opnå en så høj nøjagtighed på grund af det komplekse samspil mellem genetiske, miljømæssige og livsstilsmæssige faktorer. Den nuværende state-of-the-art involverer brug af maskinlæringsmodeller til at identificere personer med høj risiko, men disse modeller er ofte begrænset af mængden og kvaliteten af tilgængelige data samt manglen på en omfattende forståelse af de underliggende biologiske mekanismer. Som følge heraf anvendes AI-baserede forudsigelser typisk i kombination med andre diagnostiske værktøjer og klinisk ekspertise for at give mere præcise vurderinger.

— Status tjekket 10. maj 2026.