Використання штучного інтелекту для прогнозування смертності
Нове дослідження, яке з’являється в журналі PLOS ONE припускає, що машинне навчання може бути цінним інструментом для прогнозування ризику передчасної смерті. Вчені порівняли точність прогнозування штучного інтелекту з статистичними методами, які експерти в даний час використовують у медичних дослідженнях.
Збільшення кількості останніх досліджень свідчить про те, що комп’ютерні алгоритми та навчання штучному інтелекту (ШІ) можуть виявитися надзвичайно корисними в медичному світі.
Наприклад, дослідження, яке з’явилося кілька місяців тому, показало, що алгоритми глибокого навчання можуть точно передбачити початок хвороби Альцгеймера вже за 6 років наперед.
Використовуючи так званий „навчальний набір даних”, алгоритми глибокого навчання можуть „навчитися” передбачати, чи і коли подія може відбутися і коли.
Зараз дослідники вирішили вивчити, чи може машинне навчання точно передбачити передчасну смертність через хронічні захворювання.
Стівен Венг, доцент епідеміології та науки про дані в Університеті Ноттінгема, Великобританія, керував новим дослідженням.
Як ШІ може допомогти профілактичній допомозі
Венг та його колеги вивчили дані про стан здоров'я понад півмільйона людей у віці від 40 до 69 років. Учасники зареєструвались у дослідженні Великобританії Biobank між 2006 і 2010 рр. Дослідники дослідження Biobank Великобританії клінічно стежили за учасниками до 2016 року.
Для поточного дослідження Венг та команда розробили систему алгоритмів навчання, використовуючи дві моделі, що називаються "випадковий ліс" та "глибоке навчання". Вони використовували моделі для прогнозування ризику передчасної смерті внаслідок хронічного захворювання.
Вчені вивчили точність прогнозування цих моделей та порівняли їх із звичайними моделями прогнозування, такими як аналіз "регресії Кокса" та багатовимірна модель Кокса.
"Ми відобразили отримані прогнози на дані смертності з когорти, використовуючи записи національної статистики смерті, реєстр раку Великобританії та статистику" епізодів лікарні ", - пояснює провідний дослідник дослідження.
Дослідження показало, що модель регресії Кокса була найменш точною при прогнозуванні передчасної смерті, тоді як багатовимірна модель Кокса була трохи кращою, але, ймовірно, перевищувала ризик смерті.
Загалом, "алгоритми машинного навчання були значно точнішими у прогнозуванні смерті, ніж стандартні моделі прогнозування, розроблені людським експертом", - повідомляє Венг. Дослідник також коментує клінічне значення висновків.
Він каже: "Профілактична медична допомога стає все більшим пріоритетом у боротьбі із серйозними захворюваннями, тому ми вже кілька років працюємо над підвищенням точності комп'ютеризованої оцінки ризику для здоров'я серед населення".
"Більшість програм зосереджені на одній області захворювання, але прогнозування смерті через кілька різних наслідків захворювання є дуже складним, особливо з огляду на екологічні та індивідуальні фактори, які можуть вплинути на них".
"Ми зробили великий крок вперед у цій галузі, розробивши унікальний і цілісний підхід до прогнозування ризику передчасної смерті людини за допомогою машинного навчання".
Стівен Венг
"Це використовує комп'ютери для побудови нових моделей прогнозування ризику, які враховують широкий спектр демографічних, біометричних, клінічних факторів та факторів способу життя для кожної оціненої людини, навіть споживання їжі фруктів, овочів та м'яса на день", - пояснює Венг.
Крім того, за словами дослідників, результати нового дослідження підсилюють попередні висновки, які показали, що певні алгоритми ШІ краще прогнозують ризик серцевих захворювань, ніж звичайні моделі прогнозування, якими в даний час користуються кардіологи.
«В даний час існує великий інтерес до можливості використання« ШІ »або« машинного навчання »для кращого прогнозування результатів для здоров’я. У деяких ситуаціях ми можемо виявити, що це допомагає, в інших - ні. У цьому конкретному випадку ми показали, що за допомогою ретельної настройки ці алгоритми можуть корисно покращити прогнозування ”, - говорить професор Джо Кай, клінічний академік, який також працював над дослідженням.
Він продовжує: «Ці методи можуть бути новими для багатьох у дослідженнях здоров’я та важкими для дотримання. Ми вважаємо, що, чітко звітуючи про ці методи у прозорий спосіб, це може допомогти у науковій верифікації та подальшому розвитку цієї захоплюючої галузі охорони здоров’я ".
