I øjeblikket har læger mange måder at forudsige en patients sundhed på. Ingen af dem er imidlertid universelle, og mange patologier (for eksempel hjerteanfald) er meget vanskelige at forudsige. Forskere har vist, at computere, der er i stand til selvlæring, kan udføre endnu bedre end almindelig medicinsk praksis og markant forbedre kvaliteten af forudsigelse. Hvis denne praksis implementeres, hjælper den nye metode med at redde tusinder, hvis ikke millioner af liv hvert år.
Hvert år dør cirka 20 millioner mennesker af hjerte-kar-sygdomme, herunder hjerteanfald, slagtilfælde, tilstoppede arterier og andre hjerte-kar-sygdomme. For at forsøge at forudsige sådanne komplikationer bruger læger i vestlige lande retningslinjerne fra American College of Cardiology / American Heart Association (ACC / AHA). De er baseret på otte risikofaktorer, inklusive alder, blodcholesterolniveauer og blodtryk, hvorfra lægen prøver at sammensætte et enkelt billede af sygdommen.
I mange tilfælde er denne tilgang ofte overdreven forenklet, derudover kan andre faktorer påvirke patientens krop, som et resultat af hvilke hjerte-kar-sygdomme kan udvikle sig. I en ny undersøgelse sammenlignede Stephen Wan, en epidemiolog ved University of Nottingham i Storbritannien, ACC / AHA-direktiver med fire maskinlæringsalgoritmer: tilfældig skov, logistisk regression, gradient boosting og et neuralt netværk. Alle fire algoritmer var rettet mod at analysere en masse data, der i teorien ville give AI mulighed for at gøre medicinske forudsigelser bedre end mennesker. I dette tilfælde blev data indhentet fra elektroniske sundhedsregistre for 378.256 patienter i Storbritannien. Målet var at finde prøveoptagelser, der var forbundet med hjerte-kar-hændelser.
Først måtte kunstig intelligens (AI) algoritmer træne på egen hånd. De brugte omkring 78% af dataene - ca. 295.267 poster - til at søge efter mønstre og oprette deres egne interne”anbefalinger”. Derefter testede de sig selv på resten af dokumenterne. Ved hjælp af data fra 2005 forudsagde algoritmerne, hvilke patienter der ville få hjerte- og vaskulære problemer i løbet af de næste 10 år, og testede derefter deres antagelser ved hjælp af 2015-poster. I modsætning til ACC / AHA-retningslinjerne fik maskinlæring lov til at tage højde for 22 flere datapunkter, herunder etnicitet, gigt og nyresygdom.
Som et resultat blev alle fire AI-metoder fundet at være meget mere effektive til forudsigelse end ACC / AHA-anbefalingerne. Ved hjælp af AUC-statistikker (hvor 1,0 er 100% nøjagtigt) er ACC / AHA-direktiverne nået 0,728. De fire nye metoder varierede fra 0,745 til 0,764, som Wens team rapporterede i PLOS ONE-magasinet. I testprøven deltog omkring 83.000 poster, og i slaget mellem AI og mand "reddede" maskinerne 355 flere patienter. Dette skyldes, forudsiger Wen, at forudsigelse ofte fører til forebyggelse gennem kolesterolsenkning eller diætændringer.
Nogle af de risikofaktorer, som maskinlæringsalgoritmer har identificeret som de stærkeste prediktorer, er ikke inkluderet i ACC / AHA-retningslinjerne. Disse inkluderer fx alvorlig mental sygdom og oral indgivelse af kortikosteroider. I mellemtiden er ingen af de parametre, der er på ACC / AHA-listen, blandt de 10 vigtigste prediktorer efter maskine (og endda diabetes). I fremtiden håber Weng at inkludere andre sociale og genetiske for yderligere at forbedre nøjagtigheden af algoritmerne.
Vasily Makarov