Använda artificiell intelligens för att förutsäga dödlighet
Ny forskning som dyker upp i tidskriften PLOS ONE föreslår att maskininlärning kan vara ett värdefullt verktyg för att förutsäga risken för för tidig död. Forskarna jämförde noggrannheten i förutsägelse av artificiell intelligens med den för statistiska metoder som experter för närvarande använder inom medicinsk forskning.
En ökande mängd ny forskning tyder på att datoralgoritmer och artificiell intelligens (AI) kan visa sig vara mycket användbart i den medicinska världen.
Till exempel fann en studie som dök upp för några månader sedan att algoritmer för djupinlärning exakt kan förutsäga Alzheimers sjukdom så tidigt som 6 år i förväg.
Med hjälp av en så kallad ”träningsdataset” kan djupinlärningsalgoritmer ”lära sig själva” att förutsäga om och när en händelse sannolikt kommer att inträffa.
Nu har forskare bestämt sig för att undersöka om maskininlärning exakt kan förutsäga för tidig dödlighet på grund av kronisk sjukdom.
Stephen Weng, som är biträdande professor i epidemiologi och datavetenskap vid University of Nottingham i Storbritannien, ledde den nya forskningen.
Hur AI kan hjälpa till med förebyggande vård
Weng och kollegor undersökte hälsodata om mer än en halv miljon människor mellan 40 och 69 år. Deltagarna hade registrerat sig i den brittiska biobankstudien mellan 2006 och 2010. Forskarna i brittiska biobankstudier följde kliniskt deltagarna fram till 2016.
För den aktuella studien utvecklade Weng och team ett system för inlärningsalgoritmer med hjälp av två modeller som kallades "random forest" och "deep learning." De använde modellerna för att förutsäga risken för för tidig död på grund av kronisk sjukdom.
Forskarna undersökte den förutsägbara noggrannheten hos dessa modeller och jämförde dem med konventionella prediktionsmodeller, såsom "Cox regression" -analys och en multivariat Cox-modell.
"Vi kartlade de resulterande förutsägelserna till dödlighetsdata från kohorten med hjälp av Office of National Statistics dödsregister, den brittiska cancerregistret och" sjukhusepisoder "statistik", förklarar studiens ledande utredare.
Studien visade att Cox-regressionsmodellen var minst korrekt vid förutsägelse av för tidig död, medan den multivariata Cox-modellen var något bättre men sannolikt skulle förutspå dödsrisken.
Sammantaget var "maskininlärningsalgoritmer betydligt mer exakta när det gäller att förutsäga död än de standardförutsägelsemodeller som utvecklats av en mänsklig expert", rapporterar Weng. Forskaren kommenterar också den kliniska betydelsen av resultaten.
Han säger, "Förebyggande hälso- och sjukvård är en växande prioritering i kampen mot allvarliga sjukdomar, så vi har arbetat i ett antal år för att förbättra noggrannheten i datoriserad hälsoriskbedömning i allmänheten."
"De flesta applikationer fokuserar på ett enda sjukdomsområde, men att förutsäga död på grund av flera olika sjukdomsresultat är mycket komplicerat, särskilt med tanke på miljömässiga och individuella faktorer som kan påverka dem."
"Vi har tagit ett stort steg framåt på detta område genom att utveckla en unik och helhetssyn för att förutsäga en persons risk för för tidig död genom maskininlärning."
Stephen Weng
"Detta använder datorer för att bygga nya riskprognosmodeller som tar hänsyn till ett brett spektrum av demografiska, biometriska, kliniska och livsstilsfaktorer för varje utvärderad individ, till och med deras kostkonsumtion av frukt, grönsaker och kött per dag", förklarar Weng.
Dessutom säger forskarna att resultaten av den nya studien förstärker tidigare resultat, som visade att vissa AI-algoritmer är bättre på att förutsäga hjärtsjukdomarisk än de konventionella förutsägelsemodeller som kardiologer för närvarande använder.
"Det finns för närvarande ett stort intresse för potentialen att använda" AI "eller" maskininlärning "för att bättre förutsäga hälsoresultat. I vissa situationer kan det hända att det hjälper, i andra kanske inte. I detta specifika fall har vi visat att med noggrann inställning kan dessa algoritmer med fördel förbättra förutsägelsen, säger professor Joe Kai, en klinisk akademiker som också arbetat med studien.
Han fortsätter: ”Dessa tekniker kan vara nya för många inom hälsoforskning och svåra att följa. Vi tror att genom att tydligt rapportera dessa metoder på ett transparent sätt kan detta hjälpa till med vetenskaplig verifiering och framtida utveckling av detta spännande fält för vården. ”
