Коришћење вештачке интелигенције за предвиђање смртности
Ново истраживање које се појављује у часопису ПЛОС ОНЕ сугерише да машинско учење може бити драгоцено средство за предвиђање ризика од превремене смрти. Научници су упоредили тачност предвиђања вештачке интелигенције са тачношћу статистичких метода које стручњаци тренутно користе у медицинским истраживањима.
Све већи број недавних истраживања сугерише да се рачунарски алгоритми и учење вештачке интелигенције (АИ) могу показати веома корисним у медицинском свету.
На пример, студија која се појавила пре неколико месеци открила је да алгоритми дубоког учења могу тачно предвидети појаву Алцхајмерове болести већ 6 година унапред.
Коришћењем такозваног „скупа података за обуку“, алгоритми дубоког учења могу се „научити“ да предвиђају да ли ће и када неки догађај вероватно наступити.
Сада су истраживачи кренули да испитују да ли машинско учење може тачно предвидети превремени смртни случај због хроничне болести.
Стивен Венг, који је доцент епидемиологије и науке о подацима на Универзитету у Нотингему у Великој Британији, водио је ново истраживање.
Како би АИ могао помоћи у превентивној нези
Венг и колеге испитали су здравствене податке више од пола милиона људи у доби између 40 и 69 година. Учесници су се регистровали у студији УК Биобанк између 2006. и 2010. Истраживачи студије УК Биобанк клинички су пратили учеснике до 2016. године.
За тренутну студију, Венг и тим су развили систем алгоритама учења користећи два модела која се називају „случајна шума“ и „дубоко учење“. Они су користили моделе за предвиђање ризика од превремене смрти услед хроничне болести.
Научници су испитали тачност предвиђања ових модела и упоредили их са конвенционалним моделима предвиђања, као што су „Цокова регресија“ анализа и мултиваријантни Цоков модел.
„Мапирали смо резултујућа предвиђања са подацима о смртности из кохорте користећи евиденцију смрти Националне статистике, УК регистар карцинома и статистику„ болничких епизода “, објашњава водећи истражитељ студије.
Студија је открила да је Цоков регресијски модел био најмање тачан у предвиђању превремене смрти, док је мултиваријантни Цоков модел био нешто бољи, али је вероватно претерано предвидео ризик од смрти.
Све у свему, „алгоритми машинског учења били су знатно прецизнији у предвиђању смрти од стандардних модела предвиђања које је развио људски стручњак“, извештава Венг. Истраживач такође коментарише клинички значај налаза.
Каже, „Превентивна здравствена заштита постаје све већи приоритет у борби против озбиљних болести, тако да већ низ година радимо на побољшању тачности компјутеризоване процене здравственог ризика у општој популацији.“
„Већина апликација фокусира се на једно подручје болести, али предвиђање смрти услед неколико различитих исхода болести веома је сложено, посебно с обзиром на околинске и појединачне факторе који могу утицати на њих.“
„Направили смо велики корак напред на овом пољу развијањем јединственог и холистичког приступа предвиђању човековог ризика од превремене смрти помоћу машинског учења.“
Степхен Венг
„Ово користи рачунаре за изградњу нових модела предвиђања ризика који узимају у обзир широк спектар демографских, биометријских, клиничких и животних фактора за сваког процењеног појединца, чак и њихову прехрамбену конзумацију воћа, поврћа и меса дневно“, објашњава Венг.
Даље, кажу истраживачи, резултати нове студије ојачавају претходна открића, која су показала да одређени алгоритми АИ боље предвиђају ризик од срчаних болести од конвенционалних модела предвиђања које кардиолози тренутно користе.
„Тренутно постоји велико интересовање за потенцијал коришћења„ АИ “или„ машинског учења “за боље предвиђање здравствених резултата. У неким ситуацијама може нам се учинити да помаже, у другима не. У овом конкретном случају показали смо да пажљивим подешавањем ови алгоритми могу корисно побољшати предвиђање “, каже проф. Јое Каи, клинички академик који је такође радио на студији.
Наставља, „Ове технике многима могу бити нове у здравственим истраживањима и тешко их је следити. Верујемо да би јасним извештавањем о овим методама на транспарентан начин ово могло помоћи научној верификацији и будућем развоју овог узбудљивог поља у здравству. “
