Trenutno liječnici imaju mnogo načina da predvide zdravlje pacijenta. Nijedna od njih, međutim, nije univerzalna, a mnoge patologije (na primjer, srčani udar) vrlo je teško predvidjeti. Znanstvenici su pokazali da računala sposobna za samo učenje mogu biti bolja čak i od standardnih medicinskih praksi i značajno poboljšati kvalitetu predviđanja. Ako se ova praksa provede, nova će metoda pomoći spasiti tisuće, ako ne i milijune života svake godine.
Svake godine oko 20 milijuna ljudi umre od kardiovaskularnih bolesti, uključujući srčani udar, moždani udar, začepljene arterije i druge kardiovaskularne bolesti. Kako bi pokušali predvidjeti takve komplikacije, liječnici zapadnih zemalja koriste se smjernicama American College of Cardiology / American Heart Association (ACC / AHA). Temelji se na osam čimbenika rizika, uključujući dob, razinu kolesterola u krvi i krvni tlak iz kojih liječnik pokušava sastaviti jedinstvenu sliku bolesti.
U mnogim slučajevima takav je pristup često pretjerano pojednostavljen, osim toga, drugi faktori mogu utjecati na pacijentovo tijelo, kao rezultat toga mogu se razviti kardiovaskularne bolesti. U novoj studiji, Stephen Wan, epidemiolog sa Sveučilišta u Nottinghamu u Velikoj Britaniji, usporedio je smjernice ACC / AHA s četiri algoritma strojnog učenja: slučajna šuma, logistička regresija, povećanje gradijenta i neuronska mreža. Sva četiri algoritma bila su usmjerena na analizu mnogih podataka koji bi teoretski omogućili AI da medicinske prognoze učini boljim od ljudi. U ovom su slučaju podaci dobiveni iz elektroničke zdravstvene evidencije 378.256 pacijenata u Velikoj Britaniji. Cilj je bio pronaći uzorke snimaka koji su bili povezani s kardiovaskularnim događajima.
Prvo, algoritmi umjetne inteligencije (AI) morali su samostalno trenirati. Koristili su oko 78% podataka - otprilike 295.267 zapisa, u potrazi za obrascima i stvaranju vlastitih „preporuka“. Zatim su se testirali na ostalim dokumentima. Koristeći podatke iz 2005., algoritmi su predviđali koji će pacijenti dobiti srčane i krvožilne probleme tijekom sljedećih 10 godina, a zatim su svoje pretpostavke testirali koristeći zapise iz 2015. godine. Suprotno ACC / AHA smjernicama, strojno je učenje moglo uzeti u obzir još 22 podatkovne točke, uključujući etničku pripadnost, artritis i bubrežne bolesti.
Kao rezultat, pokazalo se da su sve četiri AI metode u prognoziranju mnogo efikasnije od preporuka ACC / AHA. Koristeći AUC statistiku (gdje je 1.0 točno 100%), ACC / AHA smjernice su dosegle 0.728. Četiri nove metode kretale su se u rasponu od 0,745 do 0,764, kako je Wenov tim objavio u časopisu PLOS ONE. U testnom uzorku sudjelovalo je oko 83 000 unosa, a u bitci između AI i čovjeka strojevi su "spasili" još 355 pacijenata. To je zato što, kaže Wen, predviđanje često vodi prevenciji, smanjenjem kolesterola ili promjenama prehrane.
Neki čimbenici rizika koji su algoritmi strojnog učenja identificirali kao najjači prediktori nisu uključeni u ACC / AHA smjernice. Oni uključuju, na primjer, teške mentalne bolesti i oralnu primjenu kortikosteroida. U međuvremenu, nijedan parametar koji se nalazi na popisu ACC / AHA ne spada među 10 najvažnijih prediktora strojnim (pa čak i dijabetesom). U budućnosti se Weng nada da će uključiti i druge socijalne i genetske kako bi se poboljšala točnost algoritama.
Vasily Makarov
