Компьютеры, которые способны учить себя предсказывать преждевременную смерть, могут значительно улучшить профилактическое здравоохранение в будущем, предлагает новое исследование, проведенное экспертами из Ноттингемского университета.
Команда ученых и докторов медицинских данных разработала и проверила систему компьютерных алгоритмов « машинного обучения », чтобы предсказать риск ранней смерти от хронических заболеваний у большой популяции среднего возраста.
Они обнаружили, что эта система ИИ была очень точной в своих предсказаниях и работала лучше, чем текущий стандартный подход к предсказанию, разработанный специалистами-людьми. Исследование опубликовано PLOS ONE в специальном сборнике «Машинное обучение в здравоохранении и биомедицине».
Команда использовала данные о состоянии здоровья чуть более полумиллиона человек в возрасте от 40 до 69 лет, набранных в британский биобанк в период с 2006 по 2010 год, и прослеживала до 2016 года.
Возглавляя работу, доцент кафедры эпидемиологии и наук о данных доктор Стивен Венг, сказал: «Профилактическое здравоохранение является растущим приоритетом в борьбе с серьезными заболеваниями, поэтому мы работали в течение ряда лет, чтобы повысить точность компьютеризированного риска для здоровья оценка в общей популяции. Большинство приложений фокусируются на одной области заболевания, но прогнозирование смерти от нескольких различных исходов заболевания является очень сложным, особенно с учетом факторов окружающей среды и отдельных факторов, которые могут повлиять на них.
«Мы сделали большой шаг вперед в этой области, разработав уникальный и целостный подход к прогнозированию риска преждевременной смерти человека с помощью машинного обучения. При этом используются компьютеры для создания новых моделей прогнозирования риска, учитывающих широкий спектр демографических, биометрические, клинические факторы и факторы образа жизни для каждого оцениваемого индивидуума, даже их диетическое потребление фруктов, овощей и мяса в день.
«Мы сопоставили полученные прогнозы с данными о смертности из когорты, используя записи о смертях Управления национальной статистики, регистрацию онкологических заболеваний в Великобритании и статистику« эпизодов в больницах ». Мы обнаружили, что алгоритмы машинного обучения были значительно более точными в прогнозировании смерти, чем стандартные модели прогнозирования, разработанные человеческим экспертом «.
Модели машинного обучения ИИ, использованные в новом исследовании, известны как «случайный лес» и «глубокое обучение». Они были сопоставлены с традиционно используемой моделью прогнозирования «регрессии Кокса» на основе возраста и пола, которая оказалась наименее точной в прогнозировании смертности, а также с многовариантной моделью Кокса, которая работала лучше, но имела тенденцию переоценивать риск.
Профессор Джо Кай, один из клинических ученых, работающих над проектом, сказал: «В настоящее время существует большой интерес к возможности использовать« искусственный интеллект »или« машинное обучение »для лучшего прогнозирования результатов в отношении здоровья. В некоторых ситуациях мы можем обнаружить, что это помогает в других это может и не произойти. В этом конкретном случае мы показали, что при тщательной настройке эти алгоритмы могут с пользой улучшить прогнозирование .
«Эти методы могут быть новыми для многих в области исследований в области здравоохранения , и им трудно следовать. Мы верим, что четкая отчетность об этих методах прозрачным образом может помочь в научной проверке и дальнейшем развитии этой захватывающей области здравоохранения».
Это новое исследование основано на предыдущей работе команды Ноттингема, которая показала, что четыре различных алгоритма искусственного интеллекта, «случайный лес», «логистическая регрессия», «повышение градиента» и «нейронные сети», были значительно лучше в прогнозировании сердечно-сосудистых заболеваний, чем установленный алгоритм используется в современных руководствах по кардиологии. Это более раннее исследование доступно здесь.
Исследователи из Ноттингема предсказывают, что ИИ будет играть жизненно важную роль в разработке будущих инструментов, способных доставлять персонализированные лекарства, адаптируя управление рисками для отдельных пациентов. Дальнейшие исследования требуют проверки и проверки этих алгоритмов искусственного интеллекта в других группах населения и изучения путей внедрения этих систем в обычное здравоохранение.
