Компьютеры, которые способны научиться предсказывать преждевременную смерть, могут значительно улучшить профилактическое здравоохранение в будущем, по данным нового исследования экспертов Ноттингемского Университета.
Команда ученых и врачей в области медицинских данных разработала и протестировала среди большого количества населения среднего возраста систему компьютерных алгоритмов «машинного обучения» для прогнозирования риска ранней смертности из-за хронических заболеваний.
Они обнаружили, что эта система ИИ очень точна в своих предсказаниях и работает лучше, чем нынешний стандартный подход к прогнозированию, разработанный человеческими экспертами. Исследование опубликовано 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, полученных в британском Биобанке в период с 2006 по 2010 год, и продолжила работу до 2016 года.
Ведущий исследователь, доцент эпидемиологии и науки о данных, д-р Стивен Венг, сказал: «профилактическое здравоохранение является растущим приоритетом в борьбе с серьезными заболеваниями, поэтому мы работаем в течение последних нескольких лет, чтобы повысить точность компьютерной оценки риска для здоровья населения в целом. Большинство приложений сосредоточены на одной области заболевания, но прогнозирование смерти из-за нескольких различных исходов заболевания является весьма сложной задачей, особенно с учетом экологических и индивидуальных факторов, которые могут повлиять на них.»
«Мы сделали очень важный шаг вперед в этой области, разработав уникальный и целостный подход к прогнозированию риска преждевременной смертности с помощью машинного обучения. Система использует компьютеры для построения новых моделей прогнозирования риска, которые учитывают широкий спектр демографических, биометрических, клинических факторов и факторов образа жизни для каждого оцениваемого человека, даже их питание, потребление ими фруктов, овощей и мяса в день.
«Мы сопоставили полученные прогнозы с данными о смертности большой группы пациентов, используя Управление Национальных Статистических Записей о смерти, реестр рака Великобритании и статистику «случаев госпитализации». Мы обнаружили, что алгоритмы машинного обучения были значительно более точными в прогнозировании смерти, чем стандартные модели прогнозирования, разработанные экспертом-человеком.»
Модели машинного обучения ИИ, используемые в новом исследовании, известны как «случайный лес» и «глубокое обучение». Они были сопоставлены с традиционно используемой моделью прогнозирования «регрессии Кокса», основанной на возрасте и поле, которая оказалась наименее точной при прогнозировании смертности, а также с многомерной моделью Кокса, которая работала лучше, но имела тенденцию к чрезмерному прогнозированию риска.
Профессор Джо Кай, один из клинических ученых, работающих над проектом, сказал: «в настоящее время существует большой интерес к потенциалу использования «ИИ» или «машинного обучения» для лучшего прогнозирования результатов в области здравоохранения. В некоторых ситуациях это может быть крайне полезным, в других нет. В этом конкретном случае мы показали, что при тщательной настройке эти алгоритмы могут значительно улучшить прогнозирование.»
«Эти методы могут быть новыми для многих медицинских исследователей, и им трудно будет их использовать на первом этапе. Мы считаем, что четкая и транспарентная отчетность об этих методах могла бы способствовать научной проверке и дальнейшему развитию этой интересной области здравоохранения.»
Это новое исследование основывается на предыдущей работе команды Ноттингема, которая показала, что четыре различных алгоритма ИИ, «случайный лес», «логистическая регрессия», «градиентное повышение» и «нейронные сети», были значительно лучше в прогнозировании сердечно-сосудистых заболеваний, чем текущий алгоритм, используемый в данный момент в кардиологии.
Исследователи Ноттингема предсказывают, что ИИ будет играть важную роль в разработке будущих инструментов, способных доставлять точную, персонализированную медицину, адаптируя управление рисками для отдельных пациентов. Дальнейшие исследования требуют тщательной проверки этих алгоритмов ИИ в других группах населения и изучения путей внедрения этих систем в практику текущего здравоохранения.
Источник: University of Nottingham