Dirbtinio intelekto naudojimas prognozuojant mirtingumą
Nauji tyrimai, pasirodę žurnale PLOS ONE siūlo, kad mašininis mokymasis gali būti vertinga priemonė prognozuoti ankstyvos mirties riziką. Mokslininkai palygino dirbtinio intelekto prognozavimo tikslumą su statistinių metodų, kuriuos ekspertai šiuo metu naudoja medicinos tyrimuose, tikslumu.
Vis daugiau naujausių tyrimų rodo, kad kompiuteriniai algoritmai ir dirbtinio intelekto (AI) mokymasis gali pasirodyti labai naudingas medicinos pasaulyje.
Pavyzdžiui, prieš keletą mėnesių pasirodęs tyrimas parodė, kad gilaus mokymosi algoritmai gali tiksliai numatyti Alzheimerio ligos atsiradimą jau prieš 6 metus.
Naudojant vadinamąjį „mokymo duomenų rinkinį“, gilaus mokymosi algoritmai gali „išmokyti save“ nuspėti, kada ir kada įvykis gali įvykti.
Dabar mokslininkai nusprendė ištirti, ar mašininis mokymasis gali tiksliai numatyti ankstyvą mirtingumą dėl lėtinių ligų.
Naujam tyrimui vadovavo Stephenas Wengas, kuris yra Jungtinės Karalystės Notingemo universiteto epidemiologijos ir duomenų mokslo profesorius.
Kaip dirbtinis intelektas galėtų padėti prevencinei priežiūrai
Wengas ir jo kolegos ištyrė daugiau nei pusės milijono žmonių, kurių amžius nuo 40 iki 69 metų, sveikatos duomenis. Dalyviai buvo užsiregistravę JK „Biobank“ tyrime 2006–2010 m. JK „Biobank“ tyrimo tyrėjai kliniškai stebėjo dalyvius iki 2016 m.
Šiam tyrimui Wengas ir komanda sukūrė mokymosi algoritmų sistemą, naudodami du modelius, vadinamus „atsitiktiniu mišku“ ir „giliu mokymusi“. Jie naudojo modelius, kad numatytų ankstyvos mirties dėl lėtinės ligos riziką.
Mokslininkai ištyrė šių modelių prognozuojamą tikslumą ir palygino juos su įprastais prognozavimo modeliais, tokiais kaip „Cox regresijos“ analizė ir daugiamatis Kokso modelis.
"Gautas prognozes pagal mirtingumo duomenis iš kohortos naudodamiesi Nacionalinės statistikos biuro mirties įrašais, JK vėžio registru ir" ligoninės epizodų "statistika", - paaiškina tyrimo pagrindinis tyrėjas.
Tyrimas parodė, kad Kokso regresijos modelis buvo mažiausiai tikslus numatant priešlaikinę mirtį, o daugiamatis Kokso modelis buvo šiek tiek geresnis, tačiau greičiausiai pervertė mirties riziką.
Apskritai, „mašininio mokymosi algoritmai buvo žymiai tikslesni numatant mirtį, nei standartiniai prognozavimo modeliai, kuriuos sukūrė žmogaus ekspertas“, praneša Wengas. Tyrėjas taip pat komentuoja klinikinę išvadų reikšmę.
Jis sako: „Profilaktinė sveikatos priežiūra yra vis svarbesnis kovos su sunkiomis ligomis prioritetas, todėl kelerius metus dirbome tam, kad pagerintume kompiuterizuoto pavojaus sveikatai įvertinimo tikslumą gyventojams“.
„Dauguma programų skiriamos vienai ligos sričiai, tačiau prognozuoti mirtį dėl kelių skirtingų ligos rezultatų yra labai sudėtinga, ypač atsižvelgiant į aplinkos ir individualius veiksnius, kurie gali juos paveikti.“
„Žengėme didelį žingsnį į priekį šioje srityje, sukurdami unikalų ir visapusišką požiūrį į ankstyvos mirties rizikos prognozavimą mašininio mokymosi būdu.“
Stephenas Wengas
„Tam naudojami kompiuteriai kuriant naujus rizikos prognozavimo modelius, kuriuose atsižvelgiama į įvairius demografinius, biometrinius, klinikinius ir gyvenimo būdo veiksnius kiekvienam vertinamam asmeniui, net per dieną vartojamus vaisius, daržoves ir mėsą“, - aiškina Wengas.
Be to, sako mokslininkai, naujo tyrimo rezultatai sustiprina ankstesnes išvadas, kurios parodė, kad tam tikri AI algoritmai geriau prognozuoja širdies ligų riziką nei įprasti prognozavimo modeliai, kuriuos šiuo metu naudoja kardiologai.
„Šiuo metu labai domimasi galimybe naudoti„ AI “ar„ mašininį mokymąsi “, kad būtų galima geriau numatyti sveikatos rezultatus. Kai kuriose situacijose mums gali būti naudinga, kitose - ne. Šiuo konkrečiu atveju mes parodėme, kad kruopščiai sureguliavus, šie algoritmai gali naudingai pagerinti prognozavimą “, - sako klinikos akademikas prof. Joe Kai, taip pat dirbęs tyrime.
Jis tęsia: „Šie metodai daugeliui sveikatos tyrimų gali būti nauji ir sunkiai sekami. Manome, kad aiškiai ir skaidriai pranešus apie šiuos metodus, tai gali padėti atlikti mokslinį patikrinimą ir ateityje plėtoti šią įdomią sveikatos priežiūros sritį “.
