Trenutno imajo zdravniki veliko načinov, kako napovedati zdravje bolnika. Nobena od njih pa ni univerzalna in veliko patologij (na primer srčnih napadov) je zelo težko predvideti. Znanstveniki so dokazali, da lahko računalniki, ki so sposobni samostojnega učenja, delujejo celo bolje kot običajne medicinske prakse in bistveno izboljšajo kakovost napovedovanja. Če se bo ta praksa izvajala, bo nova metoda vsako leto rešila na tisoče, če ne celo milijone življenj.
Vsako leto zaradi srčno-žilnih bolezni umre približno 20 milijonov ljudi, vključno s srčnimi napadi, možgansko kapjo, zamašenimi arterijami in drugimi srčno-žilnimi boleznimi. Da bi poskušali napovedati takšne zaplete, zdravniki v zahodnih državah uporabljajo smernice Ameriškega koledarskega kardiološkega združenja / American Heart Association (ACC / AHA). Temeljijo na osmih dejavnikih tveganja, vključno s starostjo, ravni holesterola v krvi in krvnim tlakom, iz katerih zdravnik poskuša sestaviti enotno sliko bolezni.
Ta pristop je v mnogih primerih pogosto pretirano poenostavljen, poleg tega pa lahko na bolnikovo telo vplivajo tudi drugi dejavniki, zaradi katerih se lahko razvijejo srčno-žilne bolezni. V novi raziskavi je Stephen Wan, epidemiolog z univerze v Nottinghamu v Veliki Britaniji, primerjal direktive ACC / AHA s štirimi algoritmi strojnega učenja: naključni gozd, logistična regresija, povečanje gradientov in nevronska mreža. Vsi štirje algoritmi so bili namenjeni analizi številnih podatkov, ki bi teoretično omogočili AI, da bi medicinske napovedi naredil boljše od ljudi. V tem primeru so bili podatki pridobljeni iz elektronskih zdravstvenih kartotek 378.256 bolnikov v Veliki Britaniji. Cilj je bil najti vzorčne posnetke, ki so bili povezani s srčno-žilnimi dogodki.
Najprej so morali algoritmi umetne inteligence (AI) trenirati sami. Približno 78% podatkov - približno 295.267 zapisov - so uporabili za iskanje vzorcev in oblikovanje lastnih notranjih „priporočil“. Nato so se preizkusili na preostalih dokumentih. Na podlagi podatkov iz leta 2005 so algoritmi napovedovali, kateri bolniki bodo imeli težave s srcem in ožilju v naslednjih 10 letih, nato pa svoje predpostavke preizkusili s pomočjo zapisov iz leta 2015. V nasprotju s smernicami ACC / AHA je bilo pri strojnem učenju dovoljeno upoštevati še 22 podatkovnih točk, vključno z etnično pripadnostjo, artritisom in bolezni ledvic.
Kot rezultat tega so bile vse štiri metode AI pri napovedovanju veliko bolj učinkovite od napovedi ACC / AHA. Z uporabo statistike AUC (kjer je 1.0 natančno 100%) so direktive ACC / AHA dosegle 0,728. Štiri nove metode so se gibale od 0,745 do 0,764, kot je poročala Wenova ekipa v reviji PLOS ONE. V testnem vzorcu je sodelovalo približno 83.000 vnosov, v boju med AI in človekom pa so stroji "rešili" še 355 bolnikov. Razlog je, da, pravi Wen, napovedovanje pogosto vodi v preventivo, z zniževanjem holesterola ali prehranskimi spremembami.
Nekateri dejavniki tveganja, ki so jih algoritmi strojnega učenja opredelili kot najmočnejši napovedovalci, niso vključeni v smernice ACC / AHA. Sem spadajo na primer hude duševne bolezni in peroralna uporaba kortikosteroidov. Medtem noben od parametrov, ki so na seznamu ACC / AHA, ni med 10 najpomembnejšimi napovedovalci s strani strojev (in celo sladkorne bolezni). V prihodnje Weng upa, da bo vključil tudi druge družbene in genetske, da bi še izboljšal natančnost algoritmov.
Vasilij Makarov
