Menggunakan kecerdasan buatan untuk meramalkan kematian

Penyelidikan baru yang muncul dalam jurnal PLOS SATU menunjukkan bahawa pembelajaran mesin boleh menjadi alat yang berharga untuk meramalkan risiko kematian pramatang. Para saintis membandingkan ketepatan ramalan kecerdasan buatan dengan kaedah statistik yang sedang digunakan oleh pakar dalam penyelidikan perubatan.

Penyelidikan baru menunjukkan bahawa profesional penjagaan kesihatan harus menggunakan algoritma pembelajaran mendalam untuk meramalkan risiko kematian pramatang dengan tepat.

Peningkatan jumlah penyelidikan baru-baru ini menunjukkan bahawa pembelajaran algoritma komputer dan kecerdasan buatan (AI) terbukti sangat berguna dalam dunia perubatan.

Sebagai contoh, sebuah kajian yang muncul beberapa bulan yang lalu mendapati bahawa algoritma pembelajaran mendalam dapat dengan tepat meramalkan permulaan penyakit Alzheimer seawal 6 tahun sebelumnya.

Menggunakan apa yang disebut "set data latihan", algoritma pembelajaran mendalam dapat "mengajar diri mereka sendiri" untuk meramalkan apakah dan kapan suatu peristiwa kemungkinan akan terjadi.

Sekarang, para penyelidik telah berusaha untuk memeriksa sama ada pembelajaran mesin dapat meramalkan kematian pramatang dengan tepat kerana penyakit kronik.

Stephen Weng, yang merupakan penolong profesor epidemiologi dan sains data di University of Nottingham di United Kingdom, mengetuai penyelidikan baru.

Bagaimana AI dapat membantu penjagaan pencegahan

Weng dan rakannya meneliti data kesihatan lebih daripada setengah juta orang yang berumur antara 40 hingga 69 tahun. Peserta telah mendaftar dengan kajian Biobank UK antara tahun 2006 dan 2010. Penyelidik kajian Biobank UK mengikuti peserta secara klinikal sehingga tahun 2016.

Untuk kajian semasa, Weng dan pasukan mengembangkan sistem algoritma pembelajaran menggunakan dua model yang disebut "hutan rawak" dan "pembelajaran mendalam." Mereka menggunakan model untuk meramalkan risiko kematian pramatang akibat penyakit kronik.

Para saintis meneliti ketepatan ramalan model ini dan membandingkannya dengan model ramalan konvensional, seperti analisis "regresi Cox" dan model Cox multivariate.

"Kami memetakan ramalan yang dihasilkan terhadap data kematian dari kohort menggunakan catatan kematian Office of National Statistics, pendaftaran kanser UK, dan statistik" episod hospital "," jelas penyelidik utama kajian itu.

Kajian itu mendapati bahawa model regresi Cox paling tidak tepat dalam meramalkan kematian pramatang, sementara model Cox multivariate sedikit lebih baik tetapi cenderung untuk meramalkan risiko kematian.

Secara keseluruhan, "algoritma pembelajaran mesin secara signifikan lebih tepat dalam meramalkan kematian daripada model ramalan standard yang dikembangkan oleh pakar manusia," lapor Weng. Penyelidik juga memberi komen mengenai kepentingan klinikal penemuan tersebut.

Dia mengatakan, "Kesihatan pencegahan adalah keutamaan yang semakin meningkat dalam memerangi penyakit serius, jadi kami telah bekerja selama beberapa tahun untuk meningkatkan ketepatan penilaian risiko kesihatan berkomputer pada populasi umum."

"Sebilangan besar aplikasi memfokuskan pada satu penyakit, tetapi meramalkan kematian disebabkan oleh beberapa hasil penyakit yang sangat kompleks, terutama kerana faktor persekitaran dan individu yang mungkin mempengaruhi mereka."

"Kami telah mengambil langkah maju dalam bidang ini dengan mengembangkan pendekatan yang unik dan holistik untuk memprediksi risiko seseorang meninggal dunia dengan pembelajaran mesin."

Stephen Weng

"Ini menggunakan komputer untuk membangun model ramalan risiko baru yang memperhitungkan berbagai faktor demografi, biometrik, klinis, dan gaya hidup untuk setiap individu yang dinilai, bahkan penggunaan makanan buah, sayur-sayuran, dan daging mereka setiap hari," jelas Weng.

Selanjutnya, kata para penyelidik, hasil kajian baru itu memperkuat penemuan sebelumnya, yang menunjukkan bahawa algoritma AI tertentu lebih baik dalam meramalkan risiko penyakit jantung daripada model ramalan konvensional yang digunakan oleh pakar kardiologi pada masa ini.

"Saat ini ada minat yang kuat terhadap potensi untuk menggunakan" AI "atau" pembelajaran mesin "untuk meramalkan hasil kesihatan dengan lebih baik. Dalam beberapa keadaan, kita mungkin menganggapnya berguna, sementara yang lain mungkin tidak. Dalam kes ini, kami telah menunjukkan bahawa dengan penalaan yang teliti, algoritma ini dapat meningkatkan ramalan, ‚ÄĚkata Prof Joe Kai, seorang akademik klinikal yang juga bekerja dalam kajian ini.

Dia melanjutkan, "Teknik-teknik ini dapat menjadi hal baru bagi banyak orang dalam penyelidikan kesihatan dan sukar diikuti. Kami percaya bahawa dengan melaporkan kaedah ini dengan telus, ini dapat membantu pengesahan saintifik dan pengembangan masa depan bidang yang menarik untuk penjagaan kesihatan ini. "

none:  fibromyalgia mri - haiwan kesayangan - ultrasound mrsa - ketahanan terhadap dadah