Neuralt netværk til ældrepleje kan spare millioner

Hvis sundhedsudbydere præcist kunne forudsige, hvordan deres tjenester ville blive brugt, de kunne spare store summer ved ikke at skulle allokere midler unødigt. Deep learning kunstige intelligensmodeller kan være gode til at forudsige fremtiden givet tidligere adfærd, og forskere med base i Finland har udviklet en, der kan forudsige, hvornår og hvorfor ældre mennesker vil bruge sundhedsydelser.

Forskere ved det finske center for kunstig intelligens (FCAI), Aalto Universitet, universitetet i Helsinki, og det finske institut for sundhed og velfærd (THL) udviklede en såkaldt risikojusteringsmodel til at forudsige, hvor ofte ældre søger behandling på et sundhedscenter eller på et hospital. Resultaterne tyder på, at den nye model er mere præcis end traditionelle regressionsmodeller, der normalt bruges til denne opgave, og kan pålideligt forudsige, hvordan situationen ændrer sig gennem årene.

Risikojusteringsmodeller gør brug af data fra tidligere år, og bruges til at tildele sundhedsfonde på en fair og effektiv måde. Disse modeller bruges allerede i lande som Tyskland, Holland, og USA. Imidlertid, dette er det første proof-of-concept, at dybe neurale netværk har potentiale til betydeligt at forbedre nøjagtigheden af ​​sådanne modeller.

"Uden en risikojusteringsmodel, sundhedsudbydere, hvis patienter oftere er syge end almindelige mennesker, ville blive behandlet uretfærdigt, "Pekka Marttinen, Lektor ved Aalto University og FCAI siger. Ældre er et godt eksempel på sådan en patientgruppe. Målet med modellen er at tage højde for disse forskelle mellem patientgrupper, når de træffer finansieringsbeslutninger.

Ifølge Yogesh Kumar, hovedforfatteren til forskningsartiklen og en doktorand ved Aalto University og FCAI, resultaterne viser, at dyb læring kan hjælpe med at designe mere præcise og pålidelige modeller for risikojustering. "At have en præcis model har potentiale til at spare flere millioner dollars, ”Påpeger Kumar.

Forskerne uddannede modellen ved at bruge data fra Register of Primary Health Care Visits of THL. Dataene består af ambulante besøgsoplysninger for hver finsk statsborger på 65 år eller derover. Dataene er blevet pseudonymiseret, hvilket betyder, at individuelle personer ikke kan identificeres. Dette var første gang, forskere brugte denne database til træning af en dyb maskinlæringsmodel.

Resultaterne viser, at træning af en dyb model ikke nødvendigvis kræver et enormt datasæt for at producere pålidelige resultater. I stedet, den nye model fungerede bedre end enklere, tæl-baserede modeller, selv når den kun brugte en tiendedel af alle tilgængelige data. Med andre ord, det giver præcise forudsigelser, selv med et relativt lille datasæt, hvilket er et bemærkelsesværdigt fund, da det altid er svært at erhverve store mængder medicinske data.

"Vores mål er ikke at omsætte modellen udviklet i denne forskning i praksis som sådan, men at integrere funktioner i dybe læringsmodeller i eksisterende modeller, kombinerer de bedste sider af begge dele. I fremtiden, målet er at gøre brug af disse modeller til at understøtte beslutningstagning og tildele midler på en mere rimelig måde, ”forklarer Marttinen.

Konsekvenserne af denne forskning er ikke begrænset til at forudsige, hvor ofte ældre besøger et sundhedscenter eller et hospital. I stedet, ifølge Kumar, forskernes arbejde kan let udvides på mange måder, for eksempel, ved kun at fokusere på patientgrupper diagnosticeret med sygdomme, der kræver meget dyre behandlinger eller sundhedscentre på bestemte steder i landet.

Forskningsresultaterne blev offentliggjort i den videnskabelige publikationsserie af Procedurer for maskinlæringsforskning .