Χρήση της τεχνητής νοημοσύνης για την πρόβλεψη της θνησιμότητας
Νέα έρευνα που εμφανίζεται στο περιοδικό ΠΑΝΩ ΕΝΑ προτείνει ότι η μηχανική μάθηση μπορεί να είναι ένα πολύτιμο εργαλείο για την πρόβλεψη του κινδύνου πρόωρου θανάτου. Οι επιστήμονες συνέκριναν την ακρίβεια της πρόβλεψης τεχνητής νοημοσύνης με εκείνη των στατιστικών μεθόδων που οι εμπειρογνώμονες χρησιμοποιούν επί του παρόντος στην ιατρική έρευνα.
Μια αυξανόμενη ποσότητα πρόσφατης έρευνας υποδηλώνει ότι οι αλγόριθμοι υπολογιστών και η εκμάθηση τεχνητής νοημοσύνης (AI) μπορούν να αποδειχθούν εξαιρετικά χρήσιμα στον ιατρικό κόσμο.
Για παράδειγμα, μια μελέτη που εμφανίστηκε πριν από λίγους μήνες διαπίστωσε ότι οι αλγόριθμοι βαθιάς μάθησης μπορούν να προβλέψουν με ακρίβεια την έναρξη της νόσου του Alzheimer ήδη από 6 χρόνια νωρίτερα.
Χρησιμοποιώντας το λεγόμενο «σύνολο δεδομένων κατάρτισης», οι αλγόριθμοι βαθιάς μάθησης μπορούν να «διδαχθούν» για να προβλέψουν εάν και πότε είναι πιθανό να συμβεί ένα συμβάν.
Τώρα, οι ερευνητές έχουν ξεκινήσει να εξετάσουν εάν η μηχανική μάθηση μπορεί να προβλέψει με ακρίβεια την πρόωρη θνησιμότητα λόγω χρόνιας νόσου.
Ο Stephen Weng, ο οποίος είναι επίκουρος καθηγητής επιδημιολογίας και επιστήμης δεδομένων στο Πανεπιστήμιο του Nottingham στο Ηνωμένο Βασίλειο, ηγήθηκε της νέας έρευνας.
Πώς θα μπορούσε η AI να βοηθήσει στην προληπτική φροντίδα
Ο Weng και οι συνάδελφοί του εξέτασαν δεδομένα υγείας για περισσότερα από μισό εκατομμύριο άτομα ηλικίας μεταξύ 40 και 69 ετών. Οι συμμετέχοντες είχαν εγγραφεί στη μελέτη Biobank του Ηνωμένου Βασιλείου μεταξύ 2006 και 2010. Οι ερευνητές της μελέτης του UK Biobank παρακολούθησαν κλινικά τους συμμετέχοντες μέχρι το 2016.
Για την τρέχουσα μελέτη, ο Weng και η ομάδα ανέπτυξαν ένα σύστημα αλγορίθμων μάθησης χρησιμοποιώντας δύο μοντέλα που ονομάζονται «τυχαίο δάσος» και «βαθιά μάθηση». Χρησιμοποίησαν τα μοντέλα για να προβλέψουν τον κίνδυνο πρόωρου θανάτου λόγω χρόνιας νόσου.
Οι επιστήμονες εξέτασαν την προγνωστική ακρίβεια αυτών των μοντέλων και τα συνέκριναν με συμβατικά μοντέλα πρόβλεψης, όπως η ανάλυση "Cox regression" και ένα μοντέλο πολλαπλών παραλλαγών Cox.
«Χαρτογράψαμε τις προκύπτουσες προβλέψεις για δεδομένα θνησιμότητας από την κοόρτη χρησιμοποιώντας αρχεία θανάτου του Office of National Statistics, το μητρώο καρκίνου του Ηνωμένου Βασιλείου και στατιστικά στοιχεία« επεισοδίων νοσοκομείου », εξηγεί ο επικεφαλής ερευνητής της μελέτης.
Η μελέτη διαπίστωσε ότι το μοντέλο παλινδρόμησης Cox ήταν το λιγότερο ακριβές στην πρόβλεψη του πρόωρου θανάτου, ενώ το μοντέλο πολλαπλών μεταβλητών Cox ήταν ελαφρώς καλύτερο, αλλά ήταν πιθανό να υπερεκτιμήσει τον κίνδυνο θανάτου.
Συνολικά, «οι αλγόριθμοι μηχανικής μάθησης ήταν σημαντικά πιο ακριβείς στην πρόβλεψη του θανάτου από τα τυπικά μοντέλα πρόβλεψης που αναπτύχθηκαν από έναν ανθρώπινο εμπειρογνώμονα», αναφέρει ο Weng. Ο ερευνητής σχολιάζει επίσης την κλινική σημασία των ευρημάτων.
Λέει, «Η προληπτική υγειονομική περίθαλψη είναι μια αυξανόμενη προτεραιότητα στην καταπολέμηση σοβαρών ασθενειών, οπότε εργαζόμαστε εδώ και αρκετά χρόνια για να βελτιώσουμε την ακρίβεια της μηχανογραφημένης εκτίμησης κινδύνου υγείας στον γενικό πληθυσμό».
«Οι περισσότερες εφαρμογές επικεντρώνονται σε μία μόνο περιοχή της νόσου, αλλά η πρόβλεψη θανάτου λόγω πολλών διαφορετικών αποτελεσμάτων της νόσου είναι πολύ περίπλοκη, ειδικά δεδομένου του περιβαλλοντικού και ατομικού παράγοντα που μπορεί να τους επηρεάσουν».
«Έχουμε κάνει ένα σημαντικό βήμα μπροστά σε αυτόν τον τομέα αναπτύσσοντας μια μοναδική και ολιστική προσέγγιση για την πρόβλεψη του κινδύνου πρόωρου θανάτου ενός ατόμου από τη μηχανική μάθηση».
Στίβεν Γουένγκ
«Αυτό χρησιμοποιεί υπολογιστές για τη δημιουργία νέων μοντέλων πρόβλεψης κινδύνου που λαμβάνουν υπόψη ένα ευρύ φάσμα δημογραφικών, βιομετρικών, κλινικών και τρόπων ζωής για κάθε άτομο που αξιολογείται, ακόμη και τη διατροφική κατανάλωση φρούτων, λαχανικών και κρέατος ανά ημέρα», εξηγεί ο Weng.
Επιπλέον, λένε οι ερευνητές, τα αποτελέσματα της νέας μελέτης ενισχύουν προηγούμενα ευρήματα, τα οποία έδειξαν ότι ορισμένοι αλγόριθμοι AI είναι καλύτεροι στην πρόβλεψη του κινδύνου καρδιακής νόσου από τα συμβατικά μοντέλα πρόβλεψης που χρησιμοποιούν οι καρδιολόγοι.
«Υπάρχει επί του παρόντος έντονο ενδιαφέρον για τη δυνατότητα χρήσης« AI »ή« μηχανικής μάθησης »για καλύτερη πρόβλεψη των αποτελεσμάτων στην υγεία. Σε ορισμένες περιπτώσεις, μπορεί να θεωρούμε ότι βοηθά, σε άλλες μπορεί να μην είναι. Σε αυτήν τη συγκεκριμένη περίπτωση, έχουμε δείξει ότι με προσεκτικό συντονισμό, αυτοί οι αλγόριθμοι μπορούν να βελτιώσουν την πρόβλεψη », λέει ο καθηγητής Joe Kai, κλινικός ακαδημαϊκός που επίσης εργάστηκε στη μελέτη.
Συνεχίζει, «Αυτές οι τεχνικές μπορεί να είναι νέες σε πολλούς στην έρευνα για την υγεία και είναι δύσκολο να ακολουθηθούν. Πιστεύουμε ότι με σαφή αναφορά αυτών των μεθόδων με διαφανή τρόπο, αυτό θα μπορούσε να βοηθήσει στην επιστημονική επαλήθευση και τη μελλοντική ανάπτυξη αυτού του συναρπαστικού τομέα για την υγειονομική περίθαλψη. "
