Korištenje umjetne inteligencije za predviđanje smrtnosti
Novo istraživanje koje se pojavljuje u časopisu PLOS JEDAN sugerira da strojno učenje može biti dragocjen alat za predviđanje rizika od prerane smrti. Znanstvenici su usporedili točnost predviđanja umjetne inteligencije s onom statističkih metoda koje stručnjaci trenutno koriste u medicinskim istraživanjima.
Sve veći broj novijih istraživanja sugerira da se računalni algoritmi i učenje umjetne inteligencije (AI) mogu pokazati vrlo korisnima u medicinskom svijetu.
Primjerice, studija koja se pojavila prije nekoliko mjeseci otkrila je da algoritmi dubokog učenja mogu točno predvidjeti početak Alzheimerove bolesti već 6 godina unaprijed.
Korištenjem takozvanog "skupa podataka o treningu", algoritmi dubokog učenja mogu se "naučiti" predviđati hoće li i kada se događaj vjerojatno dogoditi.
Sada su istraživači krenuli ispitivati može li strojno učenje točno predvidjeti preranu smrtnost zbog kronične bolesti.
Stephen Weng, koji je docent epidemiologije i znanosti o podacima na Sveučilištu Nottingham u Velikoj Britaniji, vodio je novo istraživanje.
Kako bi AI mogao pomoći u preventivnoj skrbi
Weng i kolege ispitali su zdravstvene podatke više od pola milijuna ljudi u dobi između 40 i 69 godina. Sudionici su se registrirali u studiji UK Biobank između 2006. i 2010. Istraživači studije UK Biobank klinički su pratili sudionike do 2016. godine.
Za trenutnu studiju Weng i tim razvili su sustav algoritama učenja koristeći dva modela nazvana "slučajna šuma" i "duboko učenje". Modeli su koristili za predviđanje rizika od prerane smrti uslijed kronične bolesti.
Znanstvenici su ispitali točnost predviđanja ovih modela i uspoređivali ih s konvencionalnim modelima predviđanja, kao što su "Coxova regresija" analiza i multivarijacijski Coxov model.
"Mapirali smo rezultirajuća predviđanja s podacima o smrtnosti iz kohorte koristeći evidenciju smrti Državnog zavoda, britanski registar karcinoma i statistiku" bolničkih epizoda ", objašnjava vodeći istražitelj studije.
Studija je otkrila da je Coxov regresijski model najmanje precizan u predviđanju prerane smrti, dok je multivarijacijski Coxov model bio nešto bolji, ali je vjerojatno da će pretjerati u riziku od smrti.
Sve u svemu, "algoritmi strojnog učenja bili su znatno precizniji u predviđanju smrti od standardnih modela predviđanja koje je razvio ljudski stručnjak", izvještava Weng. Istraživač također komentira klinički značaj nalaza.
Kaže, "Preventivna zdravstvena zaštita sve je veći prioritet u borbi protiv ozbiljnih bolesti, tako da već niz godina radimo na poboljšanju točnosti računalne procjene zdravstvenog rizika u općoj populaciji."
"Većina se aplikacija fokusira na jedno područje bolesti, ali predviđanje smrti uslijed nekoliko različitih ishoda bolesti vrlo je složeno, posebno s obzirom na okolišne i pojedinačne čimbenike koji mogu utjecati na njih."
"Napravili smo veliki korak naprijed na ovom polju razvijanjem jedinstvenog i cjelovitog pristupa predviđanju čovjekove opasnosti od prerane smrti pomoću strojnog učenja."
Stephen Weng
"Ovo koristi računala za izgradnju novih modela predviđanja rizika koji uzimaju u obzir širok raspon demografskih, biometrijskih, kliničkih i životnih čimbenika za svakog pojedinca koji se procjenjuje, čak i njihovu prehrambenu konzumaciju voća, povrća i mesa dnevno", objašnjava Weng.
Nadalje, kažu istraživači, rezultati nove studije jačaju prethodna otkrića koja su pokazala da određeni algoritmi umjetne inteligencije bolje predviđaju rizik od srčanih bolesti od konvencionalnih modela predviđanja koje kardiolozi trenutno koriste.
„Trenutno postoji intenzivan interes za potencijal korištenja„ AI “ili„ strojnog učenja “za bolje predviđanje zdravstvenih ishoda. U nekim ćemo situacijama možda smatrati da pomaže, u drugima ne. U ovom konkretnom slučaju pokazali smo da pažljivim podešavanjem ovi algoritmi mogu korisno poboljšati predviđanje ”, kaže prof. Joe Kai, klinički akademik koji je također radio na studiji.
Nastavlja, „Ove tehnike mogu mnogima biti nove u zdravstvenim istraživanjima i teško ih je slijediti. Vjerujemo da bi jasnim izvještavanjem o ovim metodama na transparentan način ovo moglo pomoći u znanstvenoj provjeri i budućem razvoju ovog uzbudljivog područja za zdravstvo. "
