Kunstig intelligens kan forudsige for tidlig død, undersøgelse finder

Computere, der er i stand til at lære sig selv at forudsige for tidlig død, kan i høj grad forbedre forebyggende sundhedsydelser i fremtiden, foreslår en ny undersøgelse af eksperter ved University of Nottingham.

Teamet af sundhedsdataforskere og læger har udviklet og testet et system med computerbaserede 'machine learning' algoritmer til at forudsige risikoen for tidlig død på grund af kronisk sygdom i en stor midaldrende befolkning.

De fandt ud af, at dette AI -system var meget præcist i sine forudsigelser og udførte bedre end den nuværende standardmetode til forudsigelse udviklet af menneskelige eksperter. Undersøgelsen er udgivet af PLOS ONE i en særlig samlingudgave af "Machine Learning in Health and Biomedicine".

Teamet brugte sundhedsdata fra lidt over en halv million mennesker i alderen mellem 40 og 69 år, der blev rekrutteret til den britiske biobank mellem 2006 og 2010 og fulgt op til 2016.

Leder arbejdet, Lektor i Epidemiologi og datavidenskab, Dr. Stephen Weng, sagde:"Forebyggende sundhedspleje er en stigende prioritet i kampen mod alvorlige sygdomme, så vi har arbejdet i en årrække for at forbedre nøjagtigheden af ​​computeriseret sundhedsrisikovurdering i den generelle befolkning. De fleste applikationer fokuserer på et enkelt sygdomsområde, men forudsiger død på grund af flere forskellige sygdomsudfald er meget kompleks, især givet miljømæssige og individuelle faktorer, der kan påvirke dem.

"Vi har taget et stort skridt fremad på dette område ved at udvikle en unik og holistisk tilgang til at forudsige en persons risiko for for tidlig død ved maskinlæring. Dette bruger computere til at bygge nye risikoforudsigelsesmodeller, der tager højde for en bred vifte af demografiske, biometrisk, kliniske og livsstilsfaktorer for hver enkelt vurderet, selv deres kostindtag af frugt, grøntsager og kød om dagen.

"Vi kortlagde de resulterende forudsigelser til dødelighedsdata fra kohorten, ved hjælp af Office of National Statistics dødsregistre, det britiske kræftregister og statistikker over 'hospitalsepisoder'. Vi fandt ud af, at maskinlærte algoritmer var væsentligt mere nøjagtige til at forudsige død end standardprædiktionsmodellerne udviklet af en menneskelig ekspert. "

AI -maskinindlæringsmodellerne, der blev brugt i den nye undersøgelse, er kendt som 'tilfældig skov' og 'dyb læring'. Disse blev sat op mod den traditionelt anvendte 'Cox regression' forudsigelsesmodel baseret på alder og køn-fundet at være den mindst nøjagtige til at forudsige dødelighed-og også en multivariat Cox-model, der fungerede bedre, men havde en tendens til at forudsige risiko.

Professor Joe Kai, en af ​​de kliniske akademikere, der arbejder på projektet, sagde:"Der er i øjeblikket intens interesse for potentialet til at bruge 'AI' eller 'machine-learning' til bedre at forudsige sundhedsresultater. I nogle situationer kan vi opleve, at det hjælper, i andre er det måske ikke. I dette særlige tilfælde, vi har vist, at med omhyggelig tuning, disse algoritmer kan med fordel forbedre forudsigelsen.

"Disse teknikker kan være nye for mange inden for sundhedsforskning, og svært at følge. Vi mener, at ved klart at rapportere disse metoder på en gennemsigtig måde, dette kunne hjælpe med videnskabelig verifikation og fremtidig udvikling af dette spændende område for sundhedspleje. "

Denne nye undersøgelse bygger på tidligere arbejde fra Nottingham -teamet, der viste, at fire forskellige AI -algoritmer, 'tilfældig skov', 'Logistisk regression', 'gradient boosting' og 'neurale netværk', var betydeligt bedre til at forudsige kardiovaskulær sygdom end en etableret algoritme, der blev brugt i de nuværende kardiologiske retningslinjer. Denne tidligere undersøgelse er tilgængelig her.

Nottingham -forskerne forudsiger, at AI vil spille en afgørende rolle i udviklingen af ​​fremtidige værktøjer, der er i stand til at levere personlig medicin, skræddersy risikostyring til individuelle patienter. Yderligere forskning kræver at verificere og validere disse AI -algoritmer i andre befolkningsgrupper og undersøge måder at implementere disse systemer på rutinemæssig sundhedspleje.