Использование искусственного интеллекта для прогнозирования смертности
Новое исследование, опубликованное в журнале PLOS ONE предполагает, что машинное обучение может быть ценным инструментом для прогнозирования риска преждевременной смерти. Ученые сравнили точность прогнозов искусственного интеллекта с точностью статистических методов, которые в настоящее время используют эксперты в медицинских исследованиях.
Все большее количество недавних исследований предполагает, что компьютерные алгоритмы и обучение искусственного интеллекта (ИИ) могут оказаться очень полезными в мире медицины.
Например, исследование, появившееся несколько месяцев назад, показало, что алгоритмы глубокого обучения могут точно предсказать начало болезни Альцгеймера уже на 6 лет вперед.
Используя так называемый «обучающий набор данных», алгоритмы глубокого обучения могут «научиться» предсказывать, когда и когда произойдет событие.
Теперь исследователи решили изучить, может ли машинное обучение точно предсказать преждевременную смертность из-за хронических заболеваний.
Стивен Венг, доцент кафедры эпидемиологии и науки о данных в Ноттингемском университете в Соединенном Королевстве, возглавил новое исследование.
Как искусственный интеллект может помочь в профилактике
Вен и его коллеги изучили данные о состоянии здоровья более полумиллиона человек в возрасте от 40 до 69 лет. Участники были зарегистрированы в исследовании Биобанка Великобритании в период с 2006 по 2010 год. Исследователи британского Биобанка клинически наблюдали за участниками до 2016 года.
Для текущего исследования Вен и его команда разработали систему алгоритмов обучения с использованием двух моделей, названных «случайный лес» и «глубокое обучение». Они использовали модели для прогнозирования риска преждевременной смерти из-за хронических заболеваний.
Ученые изучили точность прогнозов этих моделей и сравнили их с обычными моделями прогнозирования, такими как «регрессионный анализ Кокса» и многомерная модель Кокса.
«Мы сопоставили полученные прогнозы с данными о смертности из когорты, используя записи о смерти Управления национальной статистики, онкологический регистр Великобритании и статистику« больничных эпизодов », - поясняет ведущий исследователь исследования.
Исследование показало, что регрессионная модель Кокса наименее точна при прогнозировании преждевременной смерти, в то время как многомерная модель Кокса была немного лучше, но, вероятно, преувеличивала риск смерти.
В целом, «алгоритмы машинного обучения были значительно более точными при прогнозировании смерти, чем стандартные модели прогнозирования, разработанные экспертом-человеком», - сообщает Вен. Исследователь также комментирует клиническую значимость результатов.
Он говорит: «Профилактическая медицина становится все более приоритетной задачей в борьбе с серьезными заболеваниями, поэтому мы уже несколько лет работаем над повышением точности компьютеризированной оценки риска для здоровья населения в целом».
«Большинство приложений сосредоточены на одной области заболевания, но предсказать смерть в результате нескольких различных заболеваний очень сложно, особенно с учетом факторов окружающей среды и индивидуальных факторов, которые могут на них повлиять».
«Мы сделали большой шаг вперед в этой области, разработав уникальный и целостный подход к прогнозированию риска преждевременной смерти человека с помощью машинного обучения».
Стивен Венг
«При этом используются компьютеры для построения новых моделей прогнозирования рисков, которые учитывают широкий спектр демографических, биометрических, клинических факторов и факторов образа жизни для каждого оцениваемого человека, даже их ежедневное диетическое потребление фруктов, овощей и мяса», - объясняет Вен.
Кроме того, говорят исследователи, результаты нового исследования подтверждают предыдущие выводы, которые показали, что определенные алгоритмы ИИ лучше предсказывают риск сердечных заболеваний, чем обычные модели прогнозирования, которые в настоящее время используют кардиологи.
«В настоящее время наблюдается повышенный интерес к возможности использования« ИИ »или« машинного обучения »для более точного прогнозирования результатов в отношении здоровья. В одних ситуациях это может помочь, в других - нет. В этом конкретном случае мы показали, что при тщательной настройке эти алгоритмы могут с пользой улучшить прогноз », - говорит профессор Джо Кай, клинический академик, который также работал над исследованием.
Он продолжает: «Эти методы могут быть новыми для многих в исследованиях в области здравоохранения, и им сложно следовать. Мы считаем, что четкое и прозрачное сообщение об этих методах могло бы помочь с научной проверкой и будущим развитием этой захватывающей области здравоохранения ».
