Medicinos tyrinėtojai atrado neramų dirbtinio intelekto (AI) sugebėjimą: numatyti ankstyvą žmogaus mirtį.
Neseniai mokslininkai apmokė AI sistemą, kad galėtų įvertinti dešimtmetį bendrųjų sveikatos duomenų, kuriuos pateikė daugiau nei pusė milijono žmonių Jungtinėje Karalystėje. Tada jie pavedė AI numatyti, ar asmenims gresia pavojus per anksti mirti - kitaip tariant, greičiau nei vidutinė gyvenimo trukmė - nuo lėtinės ligos, jie pranešė naujame tyrime.
Ankstyvosios mirties prognozės, padarytos AI algoritmais, buvo „žymiai tikslesnės“ nei prognozės, pateiktos modelio, nenaudojančio mašininio mokymosi, pagrindinio tyrimo autorius dr. Stephenas Wengas, Universiteto universiteto epidemiologijos ir duomenų mokslo docentas. Notingemas (JT) JK, sakoma pranešime.
Norėdami įvertinti tiriamųjų priešlaikinio mirštamumo tikimybę, tyrėjai išbandė dviejų tipų PG: „gilųjį mokymąsi“, kuriame sluoksniuoti informacijos apdorojimo tinklai padeda kompiuteriui mokytis iš pavyzdžių; ir „atsitiktinis miškas“ - paprastesnio tipo AI, apjungiantis kelis į medžius panašius modelius, kad būtų galima įvertinti galimus rezultatus.
Tada jie palygino AI modelių išvadas su rezultatais iš standartinio algoritmo, vadinamo Cox modeliu.
Naudodamiesi šiais trim modeliais, mokslininkai įvertino JK „Biobanko“ - atviros prieigos genetinių, fizinių ir sveikatos duomenų bazės - duomenis, kuriuos pateikė daugiau nei 500 000 žmonių nuo 2006 iki 2016 m. Per tą laiką mirė beveik 14 500 dalyvių, pirmiausia nuo vėžio, širdies ir kvėpavimo takų ligų.
Skirtingi kintamieji
Visi trys modeliai nustatė, kad tokie faktoriai kaip amžius, lytis, rūkymo istorija ir ankstesnė vėžio diagnozė buvo svarbiausi kintamieji įvertinant ankstyvos asmens mirties tikimybę. Tyrėjai nustatė, kad modeliai išsiskyrė dėl kitų pagrindinių veiksnių.
Cokso modelis labai priklausė nuo etninės priklausomybės ir fizinio aktyvumo, o mašininio mokymosi modeliai to nepadarė. Palyginimui, remiantis atsitiktiniu miško modeliu, daugiau dėmesio buvo skiriama kūno riebalų procentinei daliai, juosmens apimčiai, vaisių ir daržovių kiekiui, kurį žmonės valgė, ir odos tonui. Giluminio mokymosi modelyje svarbiausi veiksniai buvo su darbu susijusių pavojų ir oro taršos poveikis, alkoholio vartojimas ir tam tikrų vaistų vartojimas.
Kai visi skaičiai buvo sugniuždyti, giluminio mokymosi algoritmas pateikė tiksliausias prognozes, teisingai nustatęs 76 procentus tiriamojo laikotarpio mirusių asmenų. Palyginimui, atsitiktinis miško modelis teisingai numatė apie 64 procentus ankstyvų mirčių, o Cox modelis nustatė tik apie 44 procentus.
Tai nėra pirmas kartas, kai ekspertai pasinaudoja AI numatoma galia sveikatos priežiūros srityje. 2017 m. Skirtinga tyrėjų komanda parodė, kad PG gali išmokti pastebėti ankstyvuosius Alzheimerio ligos požymius; jų algoritmas įvertino smegenų skenavimą, kad būtų galima numatyti, ar žmogus greičiausiai susirgs Alcheimeriais, ir tai padarė maždaug 84 procentų tikslumu, anksčiau pranešė „Live Science“.
Kitame tyrime nustatyta, kad AI gali numatyti autizmo atsiradimą 6 mėnesių kūdikiams, kuriems buvo didelė rizika susirgti sutrikimu. Dar vienas tyrimas galėtų aptikti užkrečiamojo diabeto požymius analizuojant tinklainės skenavimą; ir dar vienas - taip pat naudojant duomenis, gautus iš tinklainės skenavimo - numatė paciento širdies priepuolio ar insulto tikimybę.
Naujajame tyrime mokslininkai pademonstravo, kad mokymasis mašinomis - „kruopščiai derinant“ - gali būti panaudotas sėkmingai prognozuoti mirtingumą per tam tikrą laiką, teigė tyrimo bendraautorius, JT pirminės sveikatos priežiūros profesorius, Joe Kai.
Kai AI naudojimas tokiu būdu gali būti nepažįstamas daugeliui sveikatos priežiūros specialistų, tyrime naudojamų metodų pristatymas „galėtų padėti atlikti mokslinį patikrinimą ir ateityje plėtoti šią jaudinančią sritį“, - teigė Kai.
Išvados buvo paskelbtos internete šiandien (kovo 27 d.) Žurnale „PLOS ONE“.
