Tekoälyn käyttäminen kuolleisuuden ennustamiseen
Uusi tutkimus, joka ilmestyy lehdessä PLOS ONE ehdottaa, että koneoppiminen voi olla arvokas työkalu ennenaikaisen kuoleman riskin ennustamiseen. Tutkijat vertasivat tekoälyn ennustamisen tarkkuutta tilastollisten menetelmien tarkkuuteen, joita asiantuntijat käyttävät tällä hetkellä lääketieteellisessä tutkimuksessa.
Yhä useampi viimeaikainen tutkimus viittaa siihen, että tietokonealgoritmit ja tekoälyn oppiminen voivat osoittautua erittäin hyödyllisiksi lääketieteellisessä maailmassa.
Esimerkiksi muutama kuukausi sitten ilmestynyt tutkimus osoitti, että syvälliset oppimisalgoritmit voivat ennustaa tarkasti Alzheimerin taudin puhkeamisen jo 6 vuotta etukäteen.
Käyttämällä ns. "Koulutustietojoukkoa", syvälliset oppimisalgoritmit voivat "opettaa itsensä" ennustamaan tapahtuman todennäköisesti tapahtuvan ja milloin.
Nyt tutkijat ovat alkaneet tutkia, voidaanko koneoppimalla ennustaa tarkasti kroonisen sairauden aiheuttama ennenaikainen kuolleisuus.
Stephen Weng, joka on epidemiologian ja datatieteen apulaisprofessori Nottinghamin yliopistossa Iso-Britanniassa, johti uutta tutkimusta.
Kuinka tekoäly voi auttaa ennaltaehkäisevässä hoidossa
Weng ja hänen kollegansa tutkivat terveystietoja yli puolesta miljoonasta 40-69-vuotiaasta ihmisestä. Osallistujat olivat rekisteröityneet Ison-Britannian biopankkitutkimukseen vuosina 2006–2010. Ison-Britannian biopankkitutkimuksen tutkijat seurasivat osallistujia kliinisesti vuoteen 2016 asti.
Tätä tutkimusta varten Weng ja tiimi ovat kehittäneet oppimisalgoritmijärjestelmän, jossa käytetään kahta mallia, joita kutsutaan nimellä "satunnainen metsä" ja "syvä oppiminen". He käyttivät malleja ennustamaan kroonisen sairauden aiheuttaman ennenaikaisen kuoleman riskiä.
Tutkijat tutkivat näiden mallien ennustustarkkuutta ja vertailivat niitä tavanomaisiin ennustusmalleihin, kuten “Cox-regressio” -analyysiin ja monimuuttujaiseen Cox-malliin.
"Kartoitimme tuloksena olevat ennusteet kohortin kuolleisuustiedoille käyttämällä kansallisen tilastotoimiston kuolemantietoja, Ison-Britannian syöpärekisteriä ja" sairaalatilastoja "-tilastoja", kertoo tutkimuksen johtava tutkija.
Tutkimuksessa todettiin, että Cox-regressiomalli oli vähiten tarkka ennenaikaisen kuoleman ennustamisessa, kun taas monimuuttujainen Cox-malli oli hieman parempi, mutta se todennäköisesti ennusti kuoleman riskiä.
Kaiken kaikkiaan "koneoppimisalgoritmit olivat huomattavasti tarkempia kuoleman ennustamisessa kuin ihmisasiantuntijan kehittämät tavanomaiset ennustusmallit", Weng kertoo. Tutkija kommentoi myös löydösten kliinistä merkitystä.
Hän sanoo: "Ennaltaehkäisevä terveydenhuolto on kasvava prioriteetti vakavien sairauksien torjunnassa, joten olemme työskennelleet useita vuosia parantaaksemme tietokoneistettujen terveysriskien arvioinnin tarkkuutta väestössä."
"Useimmat sovellukset keskittyvät yhteen sairausalueeseen, mutta useista erilaisista taudin lopputuloksista johtuvan kuoleman ennustaminen on erittäin monimutkaista, etenkin kun otetaan huomioon ympäristöön liittyvät ja yksilölliset tekijät, jotka voivat vaikuttaa niihin."
"Olemme ottaneet merkittävän askeleen eteenpäin tällä alalla kehittämällä ainutlaatuisen ja kokonaisvaltaisen lähestymistavan ennustamaan henkilön ennenaikaisen kuoleman riski koneoppimisen avulla."
Stephen Weng
"Tämä käyttää tietokoneita uusien riskien ennustemallien rakentamiseen, joissa otetaan huomioon laaja joukko demografisia, biometrisiä, kliinisiä ja elämäntapatekijöitä jokaiselle arvioidulle yksilölle, jopa heidän päivittäinen ruokavalionsa hedelmille, vihanneksille ja lihalle", Weng selittää.
Lisäksi tutkijoiden mukaan uuden tutkimuksen tulokset vahvistavat aikaisempia havaintoja, jotka osoittivat, että tietyt tekoälyn algoritmit ennustavat paremmin sydänsairauksien riskiä kuin perinteiset ennustemallit, joita kardiologit käyttävät tällä hetkellä.
"Tällä hetkellä on paljon kiinnostusta mahdollisuuteen käyttää tekoälyä tai" koneoppimista "terveystulosten ennustamiseksi paremmin. Joissakin tilanteissa se saattaa auttaa meitä, toisissa ei. Tässä tapauksessa olemme osoittaneet, että huolellisella virityksellä nämä algoritmit voivat hyödyllisesti parantaa ennustamista ”, sanoo myös tutkimuksen parissa työskennellyt professori Joe Kai.
Hän jatkaa: ”Nämä tekniikat voivat olla monille terveystutkimuksessa uusia ja vaikeasti seurattavia. Uskomme, että raportoimalla nämä menetelmät selkeästi avoimella tavalla, tämä voi auttaa tieteellisessä todentamisessa ja tämän jännittävän terveydenhuollon alan tulevassa kehittämisessä. "
