Tällä hetkellä lääkäreillä on monia tapoja ennustaa potilaan terveys. Mikään niistä ei kuitenkaan ole universaali, ja monia patologioita (esimerkiksi sydänkohtauksia) on erittäin vaikea ennustaa. Tutkijat ovat osoittaneet, että itseoppimiseen kykenevät tietokoneet voivat toimia jopa paremmin kuin tavalliset lääketieteelliset käytännöt ja parantaa merkittävästi ennusteiden laatua. Jos tämä käytäntö toteutetaan, uusi menetelmä auttaa pelastamaan tuhansia, ellei miljoonia ihmishenkiä vuosittain.
Joka vuosi noin 20 miljoonaa ihmistä kuolee sydän- ja verisuonisairauksiin, kuten sydänkohtauksiin, aivohalvauksiin, tukkeutuneisiin valtimoihin ja muihin sydän- ja verisuonisairauksiin. Yrittääkseen ennustaa tällaisia komplikaatioita länsimaiden lääkärit käyttävät American Cardiology College / American Heart Associationin (ACC / AHA) ohjeita. Ne perustuvat kahdeksaan riskitekijään, mukaan lukien ikä, veren kolesterolitasot ja verenpaine, joista lääkäri yrittää laatia yhden kuvan taudista.
Tämä lähestymistapa on monissa tapauksissa usein liian yksinkertainen, lisäksi muut tekijät voivat vaikuttaa potilaan kehoon, minkä seurauksena sydän- ja verisuonitaudit voivat kehittyä. Uudessa tutkimuksessa Nottinghamin yliopiston epidemiologi Stephen Wan Yhdistyneessä kuningaskunnassa vertasi ACC / AHA -direktiivejä neljään koneoppimisalgoritmiin: satunnainen metsä, logistinen regressio, gradientin lisääminen ja hermoverkko. Kaikkien neljän algoritmin tavoitteena oli analysoida paljon tietoa, joka teoriassa mahdollistaisi AI: n tehdä lääketieteellisiä ennusteita paremmin kuin ihmiset. Tässä tapauksessa tiedot saatiin Yhdistyneen kuningaskunnan 378 256 potilaan sähköisistä terveyskertomuksista. Tavoitteena oli löytää näytteitä nauhoituksista, jotka liittyivät sydän- ja verisuonitapahtumiin.
Ensinnäkin tekoälyn (AI) algoritmien piti harjoittaa yksinään. He käyttivät noin 78% tiedoista - noin 295 267 tietuetta - mallien etsimiseen ja omien sisäisten "suositusten" luomiseen. Sitten he testasivat itseään muissa asiakirjoissa. Vuodesta 2005 saatuja tietoja käyttämällä algoritmit ennustivat, mitkä potilaat saavat sydän- ja verisuonivaikeuksia seuraavan 10 vuoden aikana, ja testasivat sitten oletuksensa vuoden 2015 ennätysten avulla. Vastoin ACC / AHA -ohjeita, koneoppimisessa annettiin ottaa huomioon vielä 22 tietopistettä, mukaan lukien etnisyys, niveltulehdus ja munuaissairaus.
Seurauksena oli, että kaikkien neljän AI-menetelmän ennustettiin olevan paljon tehokkaampia kuin ACC / AHA: n suositukset. Käyttämällä AUC-tilastoja (missä 1,0 on 100% tarkka), ACC / AHA -direktiivit ovat saavuttaneet 0,728. Neljä uutta menetelmää vaihteli välillä 0,745 - 0,764, kuten Wen-ryhmä raportoi PLOS ONE -lehdessä. Koenäytteeseen osallistui noin 83 000 ilmoitusta, ja taisteluun AI: n ja ihmisen välillä koneet "pelastivat" 355 potilasta enemmän. Tämä johtuu siitä, että Wen sanoo, että ennustaminen johtaa usein ehkäisyyn kolesterolin alentamisen tai ruokavalion muutosten kautta.
Jotkut riskitekijöistä, jotka koneoppimisalgoritmit ovat todenneet vahvoiksi ennusteiksi, eivät sisälly ACC / AHA-ohjeisiin. Näihin kuuluvat esimerkiksi vakava mielisairaus ja kortikosteroidien oraalinen anto. Samaan aikaan yksikään ACC / AHA-luettelossa olevista parametreista ei kuulu kymmenen tärkeimmän koneen mukaan ennustettavan arvioijan (ja jopa diabeteksen) perusteella. Jatkossa Weng toivoo sisällyttävän muut sosiaaliset ja geneettiset tekijät algoritmien tarkkuuden parantamiseksi edelleen.
Vasily Makarov