For tiden har leger mange måter å forutsi helsen til en pasient. Ingen av dem er imidlertid universelle, og mange patologier (for eksempel hjerteinfarkt) er svært vanskelige å forutsi. Forskere har vist at datamaskiner som er i stand til selvlæring, kan utføre enda bedre enn standard medisinsk praksis og forbedre kvaliteten på prediksjon betydelig. Hvis denne praksisen blir implementert, vil den nye metoden bidra til å redde tusenvis, om ikke millioner av liv hvert år.
Hvert år dør omtrent 20 millioner mennesker av hjerte- og karsykdommer, inkludert hjerteinfarkt, hjerneslag, tilstoppede arterier og andre hjerte- og karsykdommer. For å prøve å forutsi slike komplikasjoner, bruker leger i vestlige land retningslinjene fra American College of Cardiology / American Heart Association (ACC / AHA). De er basert på åtte risikofaktorer, inkludert alder, kolesterolnivå i blodet og blodtrykk, som legen prøver å komponere et enkelt bilde av sykdommen fra.
I mange tilfeller er denne tilnærmingen ofte altfor forenklet, i tillegg kan andre faktorer påvirke pasientens kropp, som et resultat av hvilke hjerte- og karsykdommer kan utvikle seg. I en ny studie sammenlignet Stephen Wan, en epidemiolog ved University of Nottingham i Storbritannia, ACC / AHA-direktiver med fire maskinlæringsalgoritmer: tilfeldig skog, logistisk regresjon, gradient boosting og et nevralt nettverk. Alle de fire algoritmene hadde som mål å analysere mye data som i teorien ville gi AI mulighet til å gjøre medisinske prediksjoner bedre enn mennesker. I dette tilfellet ble dataene hentet fra elektroniske helsejournaler for 378 256 pasienter i Storbritannia. Målet var å finne prøveopptak som var assosiert med kardiovaskulære hendelser.
For det første måtte kunstig intelligens (AI) algoritmer trene på egenhånd. De brukte omtrent 78% av dataene - omtrent 295.267 poster - for å søke etter mønstre og lage sine egne interne “anbefalinger”. Så testet de seg på resten av dokumentene. Ved hjelp av data fra 2005 spådde algoritmene hvilke pasienter som ville få hjerte- og vaskulære problemer i løpet av de neste 10 årene, og testet deretter antagelsene sine ved hjelp av 2015-poster. I motsetning til ACC / AHA-retningslinjene, fikk maskinlæring ta hensyn til 22 flere datapunkter, inkludert etnisitet, leddgikt og nyresykdom.
Som et resultat ble alle fire AI-metodene funnet å være mye mer effektive når det gjelder prognoser enn ACC / AHA-anbefalingene. Ved å bruke AUC-statistikk (hvor 1.0 er 100% nøyaktig) har ACC / AHA-direktivene nådd 0.728. De fire nye metodene varierte fra 0,745 til 0,764, slik Wens team rapporterte i magasinet PLOS ONE. I testprøven deltok rundt 83 000 oppføringer, og i kampen mellom AI og mann "reddet" 355 flere pasienter. Dette skyldes, sier Wen, at prediksjon ofte fører til forebygging, gjennom kolesterolsenking eller kostholdsendringer.
Noen av risikofaktorene som maskinlæringsalgoritmer har identifisert som de sterkeste prediktorene, er ikke inkludert i ACC / AHA-retningslinjene. Disse inkluderer for eksempel alvorlig psykisk sykdom og oral administrering av kortikosteroider. I mellomtiden er ingen av parametrene som er på ACC / AHA-listen blant de 10 viktigste prediktorene etter maskin (og til og med diabetes). I fremtiden håper Weng å inkludere andre sosiale og genetiske for å forbedre nøyaktigheten til algoritmene ytterligere.
Vasily Makarov
