Obecnie lekarze mają wiele sposobów przewidywania stanu zdrowia pacjenta. Żaden z nich nie jest jednak uniwersalny, a wiele patologii (np. Zawał serca) jest bardzo trudnych do przewidzenia. Naukowcy wykazali, że komputery zdolne do samouczenia się mogą działać nawet lepiej niż standardowe praktyki medyczne i znacznie poprawić jakość prognozowania. Jeśli ta praktyka zostanie wdrożona, nowa metoda pomoże uratować tysiące, jeśli nie miliony istnień ludzkich każdego roku.
Każdego roku około 20 milionów ludzi umiera z powodu chorób układu krążenia, w tym zawałów serca, udarów, zatkania tętnic i innych chorób sercowo-naczyniowych. Aby spróbować przewidzieć takie powikłania, lekarze w krajach zachodnich posługują się wytycznymi American College of Cardiology / American Heart Association (ACC / AHA). Opierają się na ośmiu czynnikach ryzyka, w tym wieku, poziomie cholesterolu we krwi i ciśnieniu krwi, z których lekarz próbuje ułożyć jeden obraz choroby.
W wielu przypadkach podejście to jest często zbyt uproszczone, ponadto na organizm pacjenta mogą wpływać inne czynniki, w wyniku których mogą rozwinąć się choroby układu krążenia. W nowym badaniu Stephen Wan, epidemiolog z University of Nottingham w Wielkiej Brytanii, porównał dyrektywy ACC / AHA z czterema algorytmami uczenia maszynowego: losowym lasem, regresją logistyczną, wzmocnieniem gradientowym i siecią neuronową. Wszystkie cztery algorytmy miały na celu analizę wielu danych, które teoretycznie pozwoliłyby sztucznej inteligencji na dokonywanie prognoz medycznych lepszych niż ludzie. W tym przypadku dane uzyskano z elektronicznej dokumentacji medycznej 378 256 pacjentów w Wielkiej Brytanii. Celem było znalezienie przykładowych nagrań, które były powiązane ze zdarzeniami sercowo-naczyniowymi.
Po pierwsze, algorytmy sztucznej inteligencji (AI) musiały trenować samodzielnie. Wykorzystali około 78% danych - około 295 267 rekordów - do wyszukiwania wzorców i tworzenia własnych wewnętrznych „rekomendacji”. Następnie przetestowali pozostałe dokumenty. Korzystając z danych z 2005 roku, algorytmy przewidziały, którzy pacjenci będą mieli problemy z sercem i naczyniami w ciągu najbliższych 10 lat, a następnie przetestowali swoje założenia na podstawie danych z 2015 roku. W przeciwieństwie do wytycznych ACC / AHA, uczenie maszynowe mogło uwzględnić 22 dodatkowe punkty danych, w tym pochodzenie etniczne, zapalenie stawów i chorobę nerek.
W rezultacie wszystkie cztery metody sztucznej inteligencji okazały się znacznie skuteczniejsze w prognozowaniu niż zalecenia ACC / AHA. Używając statystyk AUC (gdzie 1,0 jest w 100% dokładny), dyrektywy ACC / AHA osiągnęły 0,728. Cztery nowe metody wahały się od 0,745 do 0,764, jak podał zespół Wen w magazynie PLOS ONE. W próbie testowej wzięło udział około 83 000 zgłoszeń, aw bitwie między sztuczną inteligencją a człowiekiem maszyny „uratowały” 355 kolejnych pacjentów. Dzieje się tak, ponieważ, jak twierdzi Wen, przewidywanie często prowadzi do profilaktyki poprzez obniżenie poziomu cholesterolu lub zmiany diety.
Niektóre z czynników ryzyka, które algorytmy uczenia maszynowego zidentyfikowały jako najsilniejsze predyktory, nie zostały uwzględnione w wytycznych ACC / AHA. Należą do nich na przykład ciężkie choroby psychiczne i doustne podawanie kortykosteroidów. Tymczasem żaden z parametrów znajdujących się na liście ACC / AHA nie znajduje się wśród 10 najważniejszych predyktorów według maszyn (a nawet cukrzycy). Weng ma nadzieję, że w przyszłości włączy inne społeczne i genetyczne, aby jeszcze bardziej poprawić dokładność algorytmów.
Wasilij Makarow
