Използване на изкуствен интелект за прогнозиране на смъртността
Ново изследване, което се появява в списанието PLOS ONE предполага, че машинното обучение може да бъде ценен инструмент за прогнозиране на риска от преждевременна смърт. Учените сравниха точността на прогнозирането на изкуствения интелект с тази на статистическите методи, които експертите в момента използват в медицинските изследвания.
Все по-голямо количество неотдавнашни изследвания показват, че компютърните алгоритми и обучението по изкуствен интелект (AI) могат да се окажат изключително полезни в медицинския свят.
Например, проучване, което се появи преди няколко месеца, установи, че алгоритмите за задълбочено обучение могат точно да предвидят началото на болестта на Алцхаймер още 6 години предварително.
Използвайки така наречения „набор от данни за обучение“, алгоритмите за дълбоко обучение могат да се „научат“ да предсказват дали и кога е вероятно да се случи събитие.
Сега изследователите са се заели да изследват дали машинното обучение може точно да предскаже преждевременна смъртност поради хронично заболяване.
Стивън Уенг, който е асистент по епидемиология и наука за данни в Университета в Нотингам, Великобритания, ръководи новото изследване.
Как AI може да помогне за превантивни грижи
Уенг и колеги са изследвали здравни данни за повече от половин милион души на възраст между 40 и 69 години. Участниците са се регистрирали в проучването на Обединеното кралство Biobank между 2006 и 2010 г. Изследователите от проучването на UK Biobank клинично са проследявали участниците до 2016 г.
За настоящото проучване Уенг и екипът разработиха система от алгоритми за обучение, използвайки два модела, наречени „произволна гора“ и „дълбоко обучение“. Те използваха моделите за прогнозиране на риска от преждевременна смърт поради хронично заболяване.
Учените изследват точността на предсказване на тези модели и ги сравняват с конвенционалните модели за прогнозиране, като например анализ на „регресия на Кокс“ и мултивариантния модел на Кокс.
„Насочихме получените прогнози към данните за смъртността от кохортата, използвайки Службата за национална статистика на смъртта, регистъра на рак на Обединеното кралство и статистиката на„ болнични епизоди “, обяснява водещият изследовател на изследването.
Проучването установи, че регресионният модел на Кокс е най-малко точен при прогнозиране на преждевременна смърт, докато мултивариантният модел на Кокс е малко по-добър, но е вероятно да надвиши риска от смърт.
Като цяло „алгоритмите за машинно обучение бяха значително по-точни при предсказване на смърт от стандартните модели за прогнозиране, разработени от човешки експерт“, съобщава Уенг. Изследователят също коментира клиничното значение на констатациите.
Той казва: „Превантивното здравеопазване е нарастващ приоритет в борбата срещу сериозните заболявания, така че ние работим от няколко години за подобряване на точността на компютърната оценка на здравния риск сред населението.“
„Повечето приложения се фокусират върху една област на заболяването, но прогнозирането на смърт поради няколко различни резултата от заболяването е много сложно, особено предвид екологичните и индивидуални фактори, които могат да ги повлияят.“
„Направихме голяма стъпка напред в тази област, като разработихме уникален и цялостен подход за прогнозиране на риска от преждевременна смърт на човек чрез машинно обучение.“
Стивън Уенг
„Това използва компютри, за да изгради нови модели за прогнозиране на риска, които отчитат широк спектър от демографски, биометрични, клинични и фактори на начина на живот за всеки индивид, дори тяхната консумация на плодове, зеленчуци и месо на ден“, обяснява Венг.
Освен това, казват изследователите, резултатите от новото проучване укрепват предишни констатации, които показват, че някои алгоритми на ИИ са по-добри в прогнозирането на риска от сърдечни заболявания, отколкото конвенционалните модели за прогнозиране, които кардиолозите използват в момента.
„В момента има силен интерес към възможността да се използва„ AI “или„ машинно обучение “, за да се предскажат по-добре здравните резултати. В някои ситуации може да открием, че помага, в други - не. В този конкретен случай ние показахме, че с внимателна настройка тези алгоритми могат полезно да подобрят прогнозирането “, казва проф. Джо Кай, клиничен академик, който също е работил по изследването.
Той продължава: „Тези техники могат да бъдат нови за мнозина в здравните изследвания и трудни за следване. Вярваме, че чрез ясно отчитане на тези методи по прозрачен начин, това може да помогне за научна проверка и бъдещо развитие на тази вълнуваща сфера за здравеопазване. "
