Brug af kunstig intelligens til at forudsige dødelighed
Ny forskning, der vises i tidsskriftet PLOS ONE foreslår, at maskinlæring kan være et værdifuldt værktøj til at forudsige risikoen for for tidlig død. Forskerne sammenlignede nøjagtigheden af forudsigelse af kunstig intelligens med den for statistiske metoder, som eksperter i øjeblikket bruger inden for medicinsk forskning.
Ny forskning tyder på, at sundhedspersonale skal bruge dyb læringsalgoritmer til at forudsige for tidlig dødsrisiko nøjagtigt.En stigende mængde nyere forskning tyder på, at computeralgoritmer og kunstig intelligens (AI) læring kan vise sig meget nyttigt i den medicinske verden.
For eksempel fandt en undersøgelse, der dukkede op for et par måneder siden, at dyb læringsalgoritmer nøjagtigt kan forudsige starten på Alzheimers sygdom så tidligt som 6 år i forvejen.
Ved hjælp af et såkaldt "træningsdatasæt" kan dyb læringsalgoritmer "lære sig selv" at forudsige, om og hvornår en begivenhed sandsynligvis vil forekomme.
Nu har forskere sat sig for at undersøge, om maskinindlæring nøjagtigt kan forudsige for tidlig dødelighed på grund af kronisk sygdom.
Stephen Weng, der er assisterende professor i epidemiologi og datalogi ved University of Nottingham i Storbritannien, ledede den nye forskning.
Hvordan AI kunne hjælpe med forebyggende pleje
Weng og kolleger undersøgte sundhedsdata om mere end en halv million mennesker i alderen 40 til 69 år. Deltagerne havde tilmeldt sig den britiske biobankundersøgelse mellem 2006 og 2010. De britiske biobankundersøgelser fulgte klinisk deltagerne indtil 2016.
Til den aktuelle undersøgelse udviklede Weng og teamet et system med indlæringsalgoritmer ved hjælp af to modeller kaldet "tilfældig skov" og "dyb læring." De brugte modellerne til at forudsige risikoen for for tidlig død på grund af kronisk sygdom.
Forskerne undersøgte den forudsigelige nøjagtighed af disse modeller og sammenlignede dem med konventionelle forudsigelsesmodeller, såsom "Cox regression" -analyse og en multivariat Cox-model.
"Vi kortlagde de resulterende forudsigelser til dødelighedsdata fra kohorten ved hjælp af Office of National Statistics dødsregistreringer, Det Forenede Kongeriges kræftregister og 'hospitalepisoder' statistikker," forklarer undersøgelsens førende efterforsker.
Undersøgelsen viste, at Cox-regressionsmodellen var den mindst nøjagtige til at forudsige for tidlig død, mens den multivariate Cox-model var lidt bedre, men sandsynligvis ville forudsige dødsrisiko.
Samlet set var ”maskinlæringsalgoritmer signifikant mere nøjagtige til at forudsige død end standardmodel til forudsigelse udviklet af en menneskelig ekspert,” rapporterer Weng. Forskeren kommenterer også den kliniske betydning af resultaterne.
Han siger, "Forebyggende sundhedspleje er en voksende prioritet i kampen mod alvorlige sygdomme, så vi har arbejdet i flere år for at forbedre nøjagtigheden af computeriseret sundhedsrisikovurdering i den generelle befolkning."
"De fleste applikationer fokuserer på et enkelt sygdomsområde, men forudsigelse af død på grund af flere forskellige sygdomsresultater er meget kompleks, især i betragtning af miljømæssige og individuelle faktorer, der kan påvirke dem."
"Vi har taget et stort skridt fremad på dette felt ved at udvikle en unik og holistisk tilgang til at forudsige en persons risiko for for tidlig død ved maskinlæring."
Stephen Weng
”Dette bruger computere til at opbygge nye risikoforudsigelsesmodeller, der tager højde for en bred vifte af demografiske, biometriske, kliniske og livsstilsfaktorer for hver enkelt vurderet, selv deres diætforbrug af frugt, grøntsager og kød om dagen,” forklarer Weng.
Desuden siger forskerne, at resultaterne af den nye undersøgelse styrker tidligere fund, som viste, at visse AI-algoritmer er bedre til at forudsige hjertesygdomsrisiko end de konventionelle forudsigelsesmodeller, som kardiologer i øjeblikket bruger.
”Der er i øjeblikket intens interesse for potentialet til at bruge“ AI ”eller“ maskinindlæring ”til bedre forudsigelse af sundhedsresultater. I nogle situationer kan det være, at det hjælper, i andre måske ikke. I dette særlige tilfælde har vi vist, at med omhyggelig tuning kan disse algoritmer nyttigt forbedre forudsigelsen, ”siger professor Joe Kai, en klinisk akademiker, der også har arbejdet med undersøgelsen.
Han fortsætter, ”Disse teknikker kan være nye for mange inden for sundhedsforskning og vanskelige at følge. Vi tror på, at det ved klart at rapportere disse metoder på en gennemsigtig måde kan hjælpe med videnskabelig verifikation og fremtidig udvikling af dette spændende felt inden for sundhedsvæsenet. ”