Używanie sztucznej inteligencji do przewidywania śmiertelności
Nowe badania, które pojawiają się w czasopiśmie PLOS ONE sugeruje, że uczenie maszynowe może być cennym narzędziem do przewidywania ryzyka przedwczesnej śmierci. Naukowcy porównali dokładność przewidywania sztucznej inteligencji z dokładnością metod statystycznych, z których obecnie korzystają eksperci w badaniach medycznych.
Coraz więcej ostatnich badań sugeruje, że algorytmy komputerowe i uczenie się sztucznej inteligencji (AI) mogą okazać się bardzo przydatne w świecie medycyny.
Na przykład badanie, które pojawiło się kilka miesięcy temu, wykazało, że algorytmy głębokiego uczenia mogą dokładnie przewidywać początek choroby Alzheimera już z 6-letnim wyprzedzeniem.
Korzystając z tak zwanego „zestawu danych szkoleniowych”, algorytmy uczenia głębokiego mogą „nauczyć się” przewidywać, czy i kiedy prawdopodobne jest wystąpienie zdarzenia.
Teraz naukowcy postanowili zbadać, czy uczenie maszynowe może dokładnie przewidywać przedwczesną śmiertelność z powodu chorób przewlekłych.
Stephen Weng, który jest adiunktem w dziedzinie epidemiologii i nauk o danych na Uniwersytecie w Nottingham w Wielkiej Brytanii, kierował nowymi badaniami.
Jak sztuczna inteligencja może pomóc w opiece profilaktycznej
Weng i współpracownicy zbadali dane dotyczące zdrowia ponad pół miliona osób w wieku od 40 do 69 lat. Uczestnicy zarejestrowali się w brytyjskim badaniu Biobank w latach 2006–2010. Brytyjscy naukowcy prowadzący badanie Biobank obserwowali ich klinicznie do 2016 r.
W ramach obecnego badania Weng i zespół opracowali system algorytmów uczenia się, wykorzystujący dwa modele zwane „losowym lasem” i „głębokim uczeniem”. Wykorzystali modele do przewidywania ryzyka przedwczesnej śmierci z powodu chorób przewlekłych.
Naukowcy zbadali predykcyjną dokładność tych modeli i porównali je z konwencjonalnymi modelami predykcyjnymi, takimi jak analiza „regresji Coxa” i wielowymiarowy model Coxa.
„Zmapowaliśmy uzyskane prognozy na dane dotyczące śmiertelności z kohorty, korzystając z rejestrów zgonów Urzędu National Statistics, rejestru nowotworów w Wielkiej Brytanii i statystyk„ epizodów szpitalnych ”- wyjaśnia główny badacz badania.
Badanie wykazało, że model regresji Coxa był najmniej dokładny w przewidywaniu przedwczesnej śmierci, podczas gdy wielowymiarowy model Cox był nieco lepszy, ale prawdopodobnie przepowiadał ryzyko zgonu.
Ogólnie rzecz biorąc, „algorytmy uczenia maszynowego były znacznie dokładniejsze w przewidywaniu śmierci niż standardowe modele predykcyjne opracowane przez eksperta od ludzi” - informuje Weng. Badacz komentuje również kliniczne znaczenie wyników.
Mówi: „Profilaktyka zdrowotna jest coraz ważniejszym priorytetem w walce z poważnymi chorobami, dlatego od wielu lat pracujemy nad poprawą dokładności skomputeryzowanej oceny ryzyka zdrowotnego w populacji ogólnej”.
„Większość zastosowań skupia się na jednym obszarze chorobowym, ale przewidywanie śmierci z powodu kilku różnych następstw choroby jest bardzo złożone, zwłaszcza biorąc pod uwagę czynniki środowiskowe i indywidualne, które mogą na nie wpływać”.
„Zrobiliśmy duży krok naprzód w tej dziedzinie, opracowując unikalne i całościowe podejście do przewidywania ryzyka przedwczesnej śmierci danej osoby za pomocą systemów uczących się”.
Stephen Weng
„Wykorzystuje to komputery do tworzenia nowych modeli przewidywania ryzyka, które uwzględniają szeroki zakres czynników demograficznych, biometrycznych, klinicznych i stylu życia dla każdej ocenianej osoby, a nawet dziennego spożycia owoców, warzyw i mięsa w diecie” - wyjaśnia Weng.
Ponadto, twierdzą naukowcy, wyniki nowego badania potwierdzają wcześniejsze ustalenia, które pokazały, że niektóre algorytmy sztucznej inteligencji lepiej przewidują ryzyko chorób serca niż konwencjonalne modele prognozowania, z których obecnie korzystają kardiolodzy.
„Obecnie istnieje duże zainteresowanie możliwością wykorzystania„ sztucznej inteligencji ”lub„ uczenia maszynowego ”do lepszego przewidywania wyników zdrowotnych. W niektórych sytuacjach może nam to pomóc, w innych może nie. W tym konkretnym przypadku wykazaliśmy, że po dokładnym dostrojeniu algorytmy te mogą w użyteczny sposób poprawić przewidywanie ”- mówi prof. Joe Kai, naukowiec kliniczny, który również pracował nad badaniem.
Kontynuuje: „Te techniki mogą być nowe dla wielu w badaniach nad zdrowiem i trudne do naśladowania. Wierzymy, że jasne i przejrzyste zgłaszanie tych metod mogłoby pomóc w naukowej weryfikacji i przyszłym rozwoju tej ekscytującej dziedziny opieki zdrowotnej ”.
