Οι ιατρικοί ερευνητές έχουν ξεκλειδώσει μια ανησυχητική ικανότητα στην τεχνητή νοημοσύνη (AI): πρόβλεψη του πρώιμου θανάτου ενός ατόμου.
Οι επιστήμονες εκπαίδευσαν πρόσφατα ένα σύστημα AI για να αξιολογήσουν μια δεκαετία γενικών δεδομένων υγείας που υπέβαλαν περισσότερα από μισό εκατομμύριο άτομα στο Ηνωμένο Βασίλειο. Στη συνέχεια, ανέθεσαν στον AI να προβλέψει αν τα άτομα κινδύνευαν να πεθάνουν πρόωρα - με άλλα λόγια, νωρίτερα από το μέσο προσδόκιμο ζωής - από χρόνια ασθένεια, ανέφεραν σε νέα μελέτη.
Οι προβλέψεις του πρώιμου θανάτου που έγιναν από τους αλγορίθμους AI ήταν «σημαντικά πιο ακριβείς» από τις προβλέψεις που παρείχε ένα μοντέλο που δεν χρησιμοποίησε μηχανική μάθηση, ο συντάκτης της μελέτης Dr. Stephen Weng, βοηθός καθηγητής επιδημιολογίας και επιστήμης δεδομένων στο Πανεπιστήμιο Νότιγχαμ (ΗΕ) στο Ηνωμένο Βασίλειο, δήλωσε σε δήλωση.
Για να αξιολογηθεί η πιθανότητα πρόωρης θνησιμότητας των υποκειμένων, οι ερευνητές εξέτασαν δύο τύπους ΑΙ: "βαθιά εκμάθηση", όπου τα πολυεπίπεδα δίκτυα επεξεργασίας πληροφοριών βοηθούν τον υπολογιστή να μάθει από παραδείγματα. και "τυχαίο δάσος", ένας απλούστερος τύπος AI που συνδυάζει πολλαπλά, δέντρα-όπως μοντέλα για να εξετάσει πιθανά αποτελέσματα.
Στη συνέχεια, συνέκριναν τα συμπεράσματα των μοντέλων ΑΙ σε αποτελέσματα από έναν τυπικό αλγόριθμο, γνωστό ως μοντέλο Cox.
Χρησιμοποιώντας αυτά τα τρία μοντέλα, οι επιστήμονες αξιολόγησαν τα στοιχεία της βρετανικής Biobank - μιας βάσης δεδομένων ανοικτής πρόσβασης με γενετικά, φυσικά και υγειονομικά δεδομένα - που υποβλήθηκαν από περισσότερους από 500.000 ανθρώπους μεταξύ 2006 και 2016. Κατά το διάστημα αυτό, σχεδόν 14.500 από τους συμμετέχοντες απεβίωσαν, από καρκίνο, καρδιακές παθήσεις και αναπνευστικές ασθένειες.
Διαφορετικές μεταβλητές
Και τα τρία μοντέλα καθόρισαν ότι παράγοντες όπως η ηλικία, το φύλο, το ιστορικό καπνίσματος και μια προηγούμενη διάγνωση καρκίνου ήταν κορυφαίες μεταβλητές για την εκτίμηση της πιθανότητας πρόωρου θανάτου ενός προσώπου. Αλλά τα μοντέλα αποκλίνουν σε άλλους βασικούς παράγοντες, διαπίστωσαν οι ερευνητές.
Το μοντέλο Cox βασιζόταν σε μεγάλο βαθμό στην εθνότητα και τη σωματική δραστηριότητα, ενώ τα μοντέλα μηχανικής μάθησης δεν είχαν. Συγκριτικά, το τυχαίο μοντέλο των δασών έδωσε μεγαλύτερη έμφαση στο ποσοστό σωματικού λίπους, την περιφέρεια της μέσης, την ποσότητα φρούτων και λαχανικών που έφαγαν οι άνθρωποι και τον τόνο του δέρματος, σύμφωνα με τη μελέτη. Για το μοντέλο βαθιάς μάθησης, κορυφαίοι παράγοντες περιλάμβαναν την έκθεση σε κινδύνους που σχετίζονται με την εργασία και την ατμοσφαιρική ρύπανση, την πρόσληψη αλκοόλ και τη χρήση ορισμένων φαρμάκων.
Όταν ολοκληρώθηκε ο πλήρης αριθμητικός υπολογισμός, ο αλγόριθμος βαθιάς μάθησης έδωσε τις πιο ακριβείς προβλέψεις, εντοπίζοντας σωστά το 76% των ατόμων που πέθαναν κατά την περίοδο της μελέτης. Συγκριτικά, το τυχαίο μοντέλο δάσους προέβλεψε σωστά περίπου το 64 τοις εκατό των πρόωρων θανάτων, ενώ το μοντέλο Cox αναγνώρισε μόνο το 44 τοις εκατό.
Δεν είναι η πρώτη φορά που οι εμπειρογνώμονες έχουν αξιοποιήσει την προγνωστική δύναμη του AI για την υγειονομική περίθαλψη. Το 2017, μια διαφορετική ομάδα ερευνητών απέδειξε ότι το AI θα μπορούσε να μάθει να εντοπίζει τα πρώιμα συμπτώματα της νόσου του Alzheimer. ο αλγόριθμός τους αξιολόγησε τις εγκεφαλικές εξετάσεις για να προβλέψει εάν ένα άτομο θα ήταν πιθανό να αναπτύξει το Αλτσχάιμερ και το έπραξε με ακρίβεια 84 τοις εκατό.
Μια άλλη μελέτη διαπίστωσε ότι το AI θα μπορούσε να προβλέψει την εμφάνιση του αυτισμού σε βρέφη ηλικίας 6 μηνών που διατρέχουν υψηλό κίνδυνο ανάπτυξης της διαταραχής. Μια άλλη μελέτη θα μπορούσε να ανιχνεύσει σημάδια διάσπασης του διαβήτη μέσω ανάλυσης αμφιβληστροειδικών σαρώσεων. και ένα ακόμη - χρησιμοποιώντας επίσης δεδομένα που προέρχονται από σαρώσεις αμφιβληστροειδούς - προέβλεψε την πιθανότητα ενός ασθενή να υποστεί καρδιακή προσβολή ή εγκεφαλικό επεισόδιο.
Στη νέα μελέτη, οι επιστήμονες κατέδειξαν ότι η μηχανική μάθηση - «με προσεκτικό συντονισμό» - μπορεί να χρησιμοποιηθεί για την επιτυχή πρόβλεψη των αποτελεσμάτων της θνησιμότητας με την πάροδο του χρόνου, δήλωσε στη δήλωση ο συν-συγγραφέας Joe Kai, καθηγητής πρωτοβάθμιας φροντίδας του ΟΗΕ.
Ενώ η χρήση του AI με αυτόν τον τρόπο μπορεί να είναι άγνωστη σε πολλούς επαγγελματίες του τομέα της υγείας, παρουσιάζοντας τις μεθόδους που χρησιμοποιούνται στη μελέτη "θα μπορούσε να βοηθήσει στην επιστημονική επαλήθευση και τη μελλοντική ανάπτυξη αυτού του συναρπαστικού πεδίου", δήλωσε ο Kai.
Τα ευρήματα δημοσιεύθηκαν σήμερα (27 Μαρτίου) στο περιοδικό PLOS ONE.
