Mesterséges intelligencia felhasználása a halálozás előrejelzésére
Új kutatás, amely megjelenik a folyóiratban PLOS ONE azt sugallja, hogy a gépi tanulás értékes eszköz lehet az idő előtti halál kockázatának előrejelzésében. A tudósok összehasonlították a mesterséges intelligencia előrejelzésének pontosságát a statisztikai módszerekével, amelyeket a szakértők jelenleg az orvosi kutatás során alkalmaznak.
A legújabb kutatások egyre nagyobb száma azt sugallja, hogy a számítógépes algoritmusok és a mesterséges intelligencia (AI) tanulása nagyon hasznosnak bizonyulhat az orvosi világban.
Például egy néhány hónappal ezelőtt megjelent tanulmány megállapította, hogy a mély tanulási algoritmusok már 6 évvel korábban pontosan meg tudják jósolni az Alzheimer-kór kialakulását.
Az úgynevezett „képzési adatkészlet” használatával a mély tanulási algoritmusok „megtaníthatják magukat” arra, hogy megjósolják, hogy egy esemény valószínűleg mikor következik be.
A kutatók most megvizsgálták, hogy a gépi tanulás képes-e pontosan megjósolni a krónikus betegség miatti korai halálozást.
Stephen Weng, aki az Egyesült Királyság Nottingham Egyetemének epidemiológiai és adattudományi adjunktusa vezette az új kutatást.
Hogyan segítheti az AI a megelőző ellátást
Weng és munkatársai több mint félmillió 40 és 69 év közötti ember egészségügyi adatait vizsgálták. A résztvevők 2006 és 2010 között regisztráltak az Egyesült Királyság Biobank tanulmányába. Az Egyesült Királyság Biobank tanulmányának kutatói klinikailag követték a résztvevőket 2016-ig.
A mostani tanulmányhoz Weng és csapata kifejlesztett egy tanulási algoritmus rendszert, két modellt felhasználva, úgynevezett „random forest” és „deep learning” módszerekkel. A modelleket a krónikus betegség miatti korai halálozás kockázatának előrejelzésére használták.
A tudósok megvizsgálták ezeknek a modelleknek a prediktív pontosságát, és összehasonlították őket a hagyományos predikciós modellekkel, például a „Cox regresszió” elemzéssel és a többváltozós Cox modellel.
"A kapott előrejelzéseket a kohorsz halálozási adataira térképeztük fel a Nemzeti Statisztikai Hivatal halálozási nyilvántartásai, az Egyesült Királyság ráknyilvántartásának és a" kórházi epizódok "statisztikáinak felhasználásával" - magyarázza a tanulmány vezető nyomozója.
A tanulmány megállapította, hogy a Cox regressziós modell volt a legkevésbé pontos az idő előtti halál előrejelzésében, míg a többváltozós Cox modell valamivel jobb volt, de valószínűleg túlbecsülte a halálozási kockázatot.
Összességében „a gépi tanulási algoritmusok lényegesen pontosabbak voltak a halál előrejelzésében, mint az emberi szakértő által kifejlesztett szokásos előrejelzési modellek” - írja Weng. A kutató az eredmények klinikai jelentőségét is kommentálja.
Azt mondja: "A megelőző egészségügyi ellátás egyre növekvő prioritás a súlyos betegségek elleni küzdelemben, ezért évek óta azon dolgozunk, hogy javítsuk a számítógépes egészségügyi kockázatok értékelésének pontosságát a lakosság körében."
"A legtöbb alkalmazás egyetlen betegségterületre összpontosít, de a betegség különböző kimenetelei miatt bekövetkező halál megjósolása rendkívül összetett, különös tekintettel az őket befolyásoló környezeti és egyéni tényezőkre."
"Jelentős előrelépést tettünk ezen a területen azáltal, hogy egyedi és holisztikus megközelítést alakítottunk ki az ember korai halálozásának gépi tanulással történő előrejelzésére."
Stephen Weng
"Ez a számítógépek segítségével olyan új kockázat-előrejelzési modelleket épít fel, amelyek figyelembe veszik a demográfiai, biometrikus, klinikai és életmódbeli tényezők széles skáláját minden egyes értékelt egyén számára, akár napi gyümölcs-, zöldség- és húsfogyasztásukat is."
Továbbá, mondják a kutatók, az új tanulmány eredményei megerősítik a korábbi eredményeket, amelyek azt mutatták, hogy bizonyos AI-algoritmusok jobban meg tudják jósolni a szívbetegség kockázatát, mint azok a hagyományos előrejelzési modellek, amelyeket a kardiológusok jelenleg használnak.
„Jelenleg intenzív érdeklődés mutatkozik az„ AI ”vagy„ gépi tanulás ”felhasználásának lehetőségei iránt az egészségügyi eredmények jobb előrejelzésében. Bizonyos helyzetekben úgy találhatjuk, hogy segít, másokban nem. Ebben a konkrét esetben megmutattuk, hogy gondos hangolással ezek az algoritmusok hatékonyan javíthatják az előrejelzést ”- mondja Joe Kai professzor, klinikai akadémikus, aki szintén dolgozott a tanulmányon.
Folytatja: „Ezek a technikák sokak számára újdonságok lehetnek és nehezen követhetők. Úgy gondoljuk, hogy e módszerek egyértelmű és átlátható jelentésével ez segíthet a tudományos igazolásban és az egészségügy ezen izgalmas területének jövőbeli fejlesztésében. "
