تواجه أنظمة الذكاء الاصطناعي في مجال الصحة الشخصية تحديًا جوهريًا، يتمثل في "مشكلة بدء التشغيل البارد". حيث تحتاج نماذج التعلم الآلي لفترات طويلة من البيانات السلوكية الفردية حتى تتمكن من التمييز بين الفروق الطبيعية الناتجة عن الدستور الوراثي والتغيرات البيئية.

لكن الباحثين في هذا المجال اقترحوا حلاً مبتكرًا يعتمد على استدلال سببّي (causal inference) وتصميم مسبق بايزي (Bayesian prior). إذ يُعتبر الملف الجيني للفرد بمثابة مرساة جينية خارجية تؤمن نموذجًا شخصيًا ثابتًا منذ مرحلة الحمل، مما يوفر قاعدة بيانات قبل جمع أي ملاحظات سلوكية.

يعمل هذا النظام من خلال إنشاء حالة اعتقاد بايزية حول نقطة ضبط الفسيولوجيا للفرد، والتي تُحسب من خلال متوسط التأثيرات الجينية مع الأخذ في الاعتبار عدد الأليلات المرتبطة بمخاطر معينة. وبمجرد وصول أي قياس فسيولوجي جديد، يتم حساب التغير غير الدستوري الذي تفصل فيه الإشارات الناتجة عن البيئة والحالة عن الخط الأساسي الثابت وراثيًا.

ومع مرور الوقت وتزايد البيانات السلوكية، يبدأ النموذج بالتحول تدريجيًا من الاعتماد على الجينات إلى الاعتماد على البيانات التجريبية. فعلى سبيل المثال، نفس قياس معدل ضربات القلب (HRV) الذي يبلغ 55 مللي ثانية قد يستنبط افتراضات متباينة لشخصين مختلفين وفقًا لتوقعات جيناتهما.

من خلال هذا الابتكار، تم تطوير هيكلية تشمل ستة مجالات فسيولوجية، وتم تصنيف المراجع الجينية حسب قوة الأدلة المتاحة. وتم بالتالي التمييز بين المراجع المعتمدة بثقة مثل FTO و FADS1/2، وبين الجينات المثيرة للجدل.

وهذا النموذج ليس فقط خطوة نحو استخدام الذكاء الاصطناعي في الصحة، بل أيضًا خطوة نحو تمكين الأفراد من فهم أفضل لبياناتهم الصحية بشكل شخصي ودقيق.