Bruke kunstig intelligens for å forutsi dødelighet
Ny forskning som dukker opp i tidsskriftet PLOS ETT antyder at maskinlæring kan være et verdifullt verktøy for å forutsi risikoen for for tidlig død. Forskerne sammenlignet nøyaktigheten av prediksjon av kunstig intelligens med statistiske metoder som eksperter for tiden bruker i medisinsk forskning.
En økende mengde nyere forskning tyder på at datamaskinalgoritmer og kunstig intelligens (AI) læring kan vise seg å være svært nyttig i den medisinske verdenen.
For eksempel fant en studie som dukket opp for noen måneder siden at algoritmer for dyplæring nøyaktig kan forutsi utbruddet av Alzheimers sykdom så tidlig som 6 år i forveien.
Ved hjelp av et såkalt “treningsdatasett” kan dyplæringsalgoritmer “lære seg selv” å forutsi om og når en hendelse sannsynligvis vil inntreffe.
Nå har forskere begitt seg ut for å undersøke om maskinlæring nøyaktig kan forutsi for tidlig dødelighet på grunn av kronisk sykdom.
Stephen Weng, som er assisterende professor i epidemiologi og datavitenskap ved University of Nottingham i Storbritannia, ledet den nye forskningen.
Hvordan AI kan hjelpe forebyggende behandling
Weng og kollegaer undersøkte helsedata om mer enn en halv million mennesker mellom 40 og 69 år. Deltakerne hadde registrert seg i UK Biobank-studien mellom 2006 og 2010. UK Biobank-studieforskerne fulgte klinisk deltakerne frem til 2016.
For den nåværende studien utviklet Weng og team et system for læringsalgoritmer ved hjelp av to modeller kalt "tilfeldig skog" og "dyp læring." De brukte modellene for å forutsi risikoen for for tidlig død på grunn av kronisk sykdom.
Forskerne undersøkte den prediktive nøyaktigheten til disse modellene og sammenlignet dem med konvensjonelle prediksjonsmodeller, for eksempel ”Cox regresjonsanalyse” og en multivariat Cox-modell.
"Vi kartla de resulterende spådommene til dødelighetsdata fra kohorten ved hjelp av Office of National Statistics dødsopptegnelser, det britiske kreftregisteret og" sykehusepisoder "-statistikk," forklarer studiens ledende etterforsker.
Studien fant at Cox-regresjonsmodellen var minst nøyaktig når det gjelder å forutsi for tidlig død, mens den multivariate Cox-modellen var litt bedre, men sannsynligvis ville forutsi dødsrisiko.
Samlet sett var "maskinlæringsalgoritmer betydelig mer nøyaktige i å forutsi død enn standard prediksjonsmodeller utviklet av en menneskelig ekspert," rapporterer Weng. Forskeren kommenterer også den kliniske betydningen av funnene.
Han sier: "Forebyggende helsetjenester er en økende prioritet i kampen mot alvorlige sykdommer, så vi har jobbet i flere år for å forbedre nøyaktigheten av datastyrt vurdering av helserisiko i befolkningen generelt."
"De fleste applikasjoner fokuserer på et enkelt sykdomsområde, men å forutsi død på grunn av flere forskjellige sykdomsutfall er svært komplisert, spesielt gitt miljømessige og individuelle faktorer som kan påvirke dem."
"Vi har tatt et stort skritt fremover på dette feltet ved å utvikle en unik og helhetlig tilnærming til å forutsi en persons risiko for tidlig død ved maskinlæring."
Stephen Weng
"Dette bruker datamaskiner til å bygge nye risikoprognosemodeller som tar hensyn til et bredt spekter av demografiske, biometriske, kliniske og livsstilsfaktorer for hver enkelt person, til og med deres diettforbruk av frukt, grønnsaker og kjøtt per dag," forklarer Weng.
Videre, sier forskerne, styrker resultatene av den nye studien tidligere funn, som viste at visse AI-algoritmer er bedre til å forutsi hjertesykdomsrisiko enn de konvensjonelle prediksjonsmodellene som kardiologer for tiden bruker.
"Det er for tiden intens interesse for potensialet for å bruke" AI "eller" maskinlæring "for bedre å forutsi helseresultater. I noen situasjoner kan det hende at det hjelper, i andre ikke. I dette spesielle tilfellet har vi vist at med nøye innstilling kan disse algoritmene med fordel forbedre prediksjonen, sier professor Joe Kai, en klinisk akademiker som også jobbet med studien.
Han fortsetter, “Disse teknikkene kan være nye for mange innen helseforskning og vanskelig å følge. Vi tror at ved å tydelig rapportere disse metodene på en gjennomsiktig måte, kan dette hjelpe med vitenskapelig verifisering og fremtidig utvikling av dette spennende feltet for helsevesenet. "
