Uporaba umetne inteligence za napovedovanje smrtnosti
Nova raziskava, objavljena v reviji PLOS ONE meni, da je lahko strojno učenje dragoceno orodje za napovedovanje tveganja prezgodnje smrti. Znanstveniki so natančnost napovedi umetne inteligence primerjali z natančnostjo statističnih metod, ki jih strokovnjaki trenutno uporabljajo pri medicinskih raziskavah.
Vse več nedavnih raziskav kaže, da se lahko računalniški algoritmi in učenje umetne inteligence (AI) izkažejo za zelo koristne v medicinskem svetu.
Na primer, študija, ki se je pojavila pred nekaj meseci, je pokazala, da lahko algoritmi globokega učenja natančno napovedo pojav Alzheimerjeve bolezni že 6 let vnaprej.
Z uporabo tako imenovanega „nabora podatkov o usposabljanju“ se algoritmi za poglobljeno učenje lahko „naučijo“ napovedovati, ali in kdaj se bo dogodek verjetno zgodil.
Zdaj so raziskovalci začeli preučevati, ali lahko strojno učenje natančno napove prezgodnjo smrtnost zaradi kronične bolezni.
Stephen Weng, ki je docent epidemiologije in znanosti o podatkih na Univerzi v Nottinghamu v Združenem kraljestvu, je vodil novo raziskavo.
Kako lahko umetna inteligenca pomaga pri preventivni oskrbi
Weng in sodelavci so preučili zdravstvene podatke več kot pol milijona ljudi, starih med 40 in 69 let. Udeleženci so se prijavili v študijo Združenega kraljestva Biobank med letoma 2006 in 2010. Raziskovalci študije UK Biobank so klinično spremljali udeležence do leta 2016.
Za trenutno študijo sta Weng in ekipa razvila sistem učnih algoritmov, ki uporabljata dva modela, imenovana "naključni gozd" in "globoko učenje". Z modeli so napovedovali tveganje prezgodnje smrti zaradi kronične bolezni.
Znanstveniki so preučevali napovedno natančnost teh modelov in jih primerjali s konvencionalnimi napovednimi modeli, kot sta analiza "Coxove regresije" in multivariatni Coxov model.
"Nastale napovedi smo preslikali na podatke o umrljivosti iz kohorte z uporabo evidenc smrti državnega statističnega urada, registra raka Združenega kraljestva in statistike" epizod bolnišnic "," pojasnjuje vodilni preiskovalec študije.
Študija je pokazala, da je bil Coxov regresijski model najmanj natančen pri napovedovanju prezgodnje smrti, medtem ko je bil multivariatni Coxov model nekoliko boljši, vendar je verjetno preveč napovedal smrtno tveganje.
Na splošno so bili "algoritmi strojnega učenja bistveno bolj natančni pri napovedovanju smrti kot standardni napovedni modeli, ki jih je razvil človeški strokovnjak," poroča Weng. Raziskovalec komentira tudi klinični pomen ugotovitev.
Pravi: "Preventivno zdravstveno varstvo je vedno večja prednostna naloga v boju proti hudim boleznim, zato si že vrsto let prizadevamo izboljšati natančnost računalniške ocene zdravstvenega tveganja pri splošni populaciji."
"Večina aplikacij se osredotoča na eno področje bolezni, vendar je napovedovanje smrti zaradi več različnih izidov bolezni zelo zapleteno, zlasti glede na okoljske in posamezne dejavnike, ki lahko vplivajo nanje."
"Na tem področju smo naredili velik korak naprej z razvojem edinstvenega in celostnega pristopa k napovedovanju človekove nevarnosti prezgodnje smrti s pomočjo strojnega učenja."
Stephen Weng
"Ta uporablja računalnike za izdelavo novih modelov napovedovanja tveganj, ki upoštevajo široko paleto demografskih, biometričnih, kliničnih in življenjskih dejavnikov za vsakega ocenjenega posameznika, celo njihovo prehrano sadja, zelenjave in mesa na dan," pojasnjuje Weng.
Poleg tega, pravijo raziskovalci, rezultati nove študije krepijo prejšnje ugotovitve, ki so pokazale, da nekateri algoritmi umetne inteligence bolje napovedujejo tveganje za bolezni srca kot običajni napovedni modeli, ki jih trenutno uporabljajo kardiologi.
„Trenutno obstaja veliko zanimanje za možnost uporabe„ umetne inteligence “ali„ strojnega učenja “za boljše napovedovanje zdravstvenih izidov. V nekaterih situacijah se nam zdi, da pomaga, v drugih pa ne. V tem konkretnem primeru smo pokazali, da lahko ti algoritmi s skrbnim prilagajanjem koristno izboljšajo napovedovanje, «pravi prof. Joe Kai, klinični akademik, ki je tudi sodeloval pri študiji.
Nadaljuje: »Te tehnike so lahko pri mnogih na področju zdravstvenih raziskav nove in jih je težko slediti. Verjamemo, da bi lahko z jasnim poročanjem o teh metodah na pregleden način pomagalo pri znanstvenem preverjanju in nadaljnjem razvoju tega razburljivega področja za zdravstvo. "
