Mākslības prognozēšanai mākslīgā intelekta izmantošana
Jauns pētījums, kas parādās žurnālā PLOS ONE liek domāt, ka mašīnmācīšanās var būt vērtīgs līdzeklis priekšlaicīgas nāves riska prognozēšanai. Zinātnieki salīdzināja mākslīgā intelekta prognozēšanas precizitāti ar statistikas metožu precizitāti, ko eksperti pašlaik izmanto medicīniskajos pētījumos.
Arvien vairāk neseno pētījumu liecina, ka datoru algoritmi un mākslīgā intelekta (AI) mācīšanās var izrādīties ļoti noderīga medicīnas pasaulē.
Piemēram, pētījums, kas parādījās pirms dažiem mēnešiem, atklāja, ka dziļi mācīšanās algoritmi var precīzi paredzēt Alcheimera slimības rašanos jau sešus gadus iepriekš.
Izmantojot tā saukto “apmācības datu kopu”, dziļi mācīšanās algoritmi var “iemācīt sevi” paredzēt, vai un kad notikums varētu notikt.
Tagad pētnieki ir nolēmuši pārbaudīt, vai mašīnmācīšanās var precīzi paredzēt priekšlaicīgu mirstību hronisku slimību dēļ.
Jauno pētījumu vadīja Stīvens Vens, kurš ir Lielbritānijas Notingemas universitātes epidemioloģijas un datu zinātnes docents.
Kā AI varētu palīdzēt profilaktiskai aprūpei
Vengs un viņa kolēģi pārbaudīja veselības datus par vairāk nekā pusmiljonu cilvēku vecumā no 40 līdz 69 gadiem. Dalībnieki bija reģistrējušies Apvienotās Karalistes Biobank pētījumā laikā no 2006. līdz 2010. gadam. Lielbritānijas Biobank pētījuma pētnieki klīniski sekoja dalībniekiem līdz 2016. gadam.
Pašreizējam pētījumam Venga un komanda izstrādāja mācību algoritmu sistēmu, izmantojot divus modeļus, kurus sauc par “izlases mežu” un “dziļu mācīšanos”. Viņi izmantoja modeļus, lai prognozētu priekšlaicīgas nāves risku hronisku slimību dēļ.
Zinātnieki pārbaudīja šo modeļu prognozēšanas precizitāti un salīdzināja tos ar parastajiem prognozēšanas modeļiem, piemēram, “Koksa regresijas” analīzi un daudzfaktoru Koksa modeli.
"Mēs kartējām iegūtās prognozes par kohortas mirstības datiem, izmantojot Nacionālās statistikas biroja nāves gadījumu reģistru, Lielbritānijas vēža reģistru un" slimnīcas epizožu "statistiku," skaidro pētījuma vadošais pētnieks.
Pētījumā tika atklāts, ka Koksa regresijas modelis bija vismazāk precīzs priekšlaicīgas nāves prognozēšanā, savukārt daudzfaktoru Koksas modelis bija nedaudz labāks, taču, iespējams, pārspīlēja nāves risku.
Kopumā "mašīnmācīšanās algoritmi bija daudz precīzāki, paredzot nāvi nekā standarta ekspertu prognozēšanas modeļi, ko izstrādājis cilvēku eksperts", ziņo Vengs. Pētnieks arī komentē atklājumu klīnisko nozīmi.
Viņš saka: "Profilaktiskā veselības aprūpe ir arvien lielāka prioritāte cīņā pret nopietnām slimībām, tāpēc mēs jau vairākus gadus strādājam, lai uzlabotu datorizētas veselības riska novērtēšanas precizitāti iedzīvotājiem."
"Lielākā daļa lietojumu koncentrējas uz vienu slimības apgabalu, taču nāves prognozēšana vairāku dažādu slimības iznākumu dēļ ir ļoti sarežģīta, īpaši ņemot vērā vides un individuālos faktorus, kas tos var ietekmēt."
"Mēs esam spēruši lielu soli uz priekšu šajā jomā, izstrādājot unikālu un holistisku pieeju, lai prognozētu personas priekšlaicīgas nāves risku, izmantojot mašīnmācīšanos."
Stīvens Vengs
"Tas izmanto datorus, lai izveidotu jaunus riska prognozēšanas modeļus, kas ņem vērā plašu demogrāfisko, biometrisko, klīnisko un dzīvesveida faktoru klāstu katram novērtētajam indivīdam, pat augļu, dārzeņu un gaļas patēriņu uzturā dienā," skaidro Vengs.
Turklāt, saka pētnieki, jaunā pētījuma rezultāti nostiprina iepriekšējos atklājumus, kas parādīja, ka daži AI algoritmi labāk prognozē sirds slimību risku nekā parastie prognozēšanas modeļi, kurus kardiologi pašlaik izmanto.
“Pašlaik ir liela interese par iespēju izmantot“ AI ”vai“ mašīnmācīšanos ”, lai labāk prognozētu veselības rezultātus. Dažās situācijās mums var šķist, ka tas palīdz, citās - ne. Šajā konkrētajā gadījumā mēs esam parādījuši, ka, rūpīgi pieskaņojoties, šie algoritmi var lietderīgi uzlabot prognozēšanu, ”saka prof. Džo Kai, klīniskais akadēmiķis, kurš arī strādāja pie pētījuma.
Viņš turpina: “Šie paņēmieni veselības pētījumos daudziem var būt jauni un grūti izpildāmi. Mēs uzskatām, ka skaidri un pārredzami ziņojot par šīm metodēm, tas varētu palīdzēt zinātniski pārbaudīt un nākotnē attīstīt šo aizraujošo veselības aprūpes jomu. ”
