Šiuo metu gydytojai turi daug būdų numatyti paciento sveikatą. Tačiau nė vienas iš jų nėra universalus, o daugelį patologijų (pavyzdžiui, širdies priepuolius) labai sunku numatyti. Mokslininkai įrodė, kad kompiuteriai, galintys savarankiškai mokytis, gali veikti net geriau nei įprasta medicinos praktika ir žymiai pagerinti numatymo kokybę. Jei ši praktika bus įgyvendinta, naujas metodas padės išgelbėti tūkstančius, jei ne milijonus gyvybių kiekvienais metais.
Kasmet nuo širdies ir kraujagyslių ligų, įskaitant širdies priepuolius, insultus, užsikimšusias arterijas ir kitas širdies ir kraujagyslių ligas, miršta apie 20 milijonų žmonių. Siekdami nuspėti tokias komplikacijas, Vakarų šalių gydytojai naudojasi Amerikos kardiologijos koledžo / Amerikos širdies asociacijos (ACC / AHA) gairėmis. Jie pagrįsti aštuoniais rizikos veiksniais, įskaitant amžių, cholesterolio kiekį kraujyje ir kraujospūdį, iš kurių gydytojas bando sudaryti bendrą ligos vaizdą.
- „Salik.biz“
Daugeliu atvejų šis požiūris dažnai pernelyg supaprastinamas, be to, kiti veiksniai gali paveikti paciento kūną, dėl to gali išsivystyti širdies ir kraujagyslių ligos. Naujame tyrime Nottinghamo universiteto JK epidemiologas Stephenas Wanas palygino ACC / AHA direktyvas su keturiais mašininio mokymosi algoritmais: atsitiktiniu mišku, logistine regresija, gradiento didinimu ir neuroniniu tinklu. Visi keturi algoritmai buvo skirti išanalizuoti daugybę duomenų, kurie teoriškai leistų AI padaryti medicinines prognozes geresnes nei žmonėms. Šiuo atveju duomenys buvo gauti iš JK 378 256 pacientų elektroninių sveikatos įrašų. Tikslas buvo rasti mėginių įrašus, susijusius su širdies ir kraujagyslių sistemos įvykiais.
Pirmiausia, dirbtinio intelekto (AI) algoritmai turėjo treniruotis savarankiškai. Jie panaudojo apie 78% duomenų - apytiksliai 295 267 įrašus - norėdami ieškoti modelių ir sukurti savo vidines „rekomendacijas“. Tada jie išbandė save su likusiais dokumentais. Naudodamiesi 2005 m. Duomenimis, algoritmai numatė, kurie pacientai turės širdies ir kraujagyslių problemų per ateinančius 10 metų, tada patikrino savo prielaidas, naudodamiesi 2015 m. Priešingai ACC / AHA gairėms, mokantis kompiuteriu buvo leista atsižvelgti į dar 22 duomenų taškus, įskaitant tautybę, artritą ir inkstų ligas.
Todėl buvo nustatyta, kad visi keturi PG metodai yra daug efektyvesni prognozuojant nei ACC / AHA rekomendacijos. Naudojant AUC statistiką (kur 1,0 yra 100% tikslumas), ACC / AHA direktyvos pasiekė 0,728. Keturi nauji metodai svyravo nuo 0,745 iki 0,764, kaip Weno komanda pranešė žurnale „PLOS ONE“. Tiriamajame pavyzdyje dalyvavo apie 83 000 įrašų, o mūšyje tarp AI ir žmogaus mašinos „išgelbėjo“dar 355 pacientus. Taip yra todėl, kad, pasak Weno, prognozė dažnai lemia prevenciją - mažina cholesterolio kiekį ar keičia mitybą.
Kai kurie rizikos veiksniai, kuriuos mašininio mokymosi algoritmai nustatė kaip stipriausius numatytojus, neįtraukti į ACC / AHA gaires. Tai apima, pavyzdžiui, sunkią psichinę ligą ir kortikosteroidų vartojimą per burną. Tuo tarpu nė vienas iš ACC / AHA sąraše esančių parametrų nepatenka į 10 svarbiausių prognozių pagal aparatą (ir net diabetą). Ateityje Weng tikisi įtraukti kitus socialinius ir genetinius, kad dar labiau pagerintų algoritmų tikslumą.
Vasilijus Makarovas