|
Искуственный интеллект научился предсказывать заболевания человека
|
|
|
|
В настоящее время у врачей имеется множество способов прогнозировать состояние здоровья пациента. Ни один из них, впрочем, не является универсальным, и многие патологии (к примеру, сердечные приступы) предвидеть очень сложно. Ученые продемонстрировали, что компьютеры, способные к самообучению, могут работать даже лучше стандартных медицинских практик и значительно улучшить качество прогнозирования. Если подобная практика будет реализована, новый метод поможет ежегодно спасать тысячи, если не миллионы жизней.
|
|
|
| Каждый год около 20 миллионов человек умирают от сердечно-сосудистых
заболеваний, включая сердечные приступы, инсульты, закупорку артерий и другие
патологии сердечно-сосудистой системы. Для того, чтобы попытаться предсказать
подобные осложнения, доктора в западных странах используют директивы American
College of Cardiology/American Heart Association (ACC/AHA). Они базируются
на восьми факторах риска, включая возраст, уровень холистерина в крови и
кровяное давление, из показателей которых врач и пытается составить единую
картину заболевания. |
 |
|
Для многих случаев такой подход часто бывает излишне упрощенным, к тому же на организм пациента могут влиять и другие факторы, в результате которых могут развиться сердечно-сосудистые заболевания. В новом исследовании Стивен Вэн, эпидемиолог из Университета Ноттингема в Великобритании, сравнил директивы ACC/AHA с четырьмя алгоритмами машинного обучения: случайный лес (random forest), логистическая регрессия, повышение градиента и нейронная сеть. Все четыре алгоритма были направлены на анализ множества данных, которые в теории позволили бы ИИ совершать медицинские прогнозы лучше человека. В этом случае данные были получены из электронных медицинских записей 378 256 пациентов в Великобритании. Целью было найти образцы записей, которые были связаны с сердечно-сосудистыми событиями.
|
|
|
|
Во-первых, алгоритмы искусственного интеллекта (AI) должны были тренироваться самостоятельно. Они использовали около 78% данных — примерно 295 267 записей — для поиска шаблонов и создания своих собственных внутренних «рекомендаций». Затем они протестировали себя на остальных документах. Используя данные 2005 года, алгоритмы предсказали, какие пациенты получат проблемы с сердцем и сосудами в течение следующих 10 лет, а затем проверили свои предположения с помощью записей 2015 года. В отличие от рекомендаций ACC / AHA, машинным методам обучения было разрешено учитывать еще 22 точки данных, включая этническую принадлежность, артрит и заболевание почек.
|
|
|
|
В результате, все четыре метода ИИ оказались куда более эффективными в прогнозах, чем рекомендации ACC / AHA. Используя статистику AUC (в которой 1,0 балла означает 100% -ную точность), директивы ACC / AHA достигли 0,728. Четыре новых метода варьировались от 0,745 до 0,764, о чем команда Вэна сообщила в журнале PLOS ONE. В тестовой выборке участвовали около 83 000 записей, и в битве ИИ и человека машины «спасли» на 355 пациентов больше. Это потому, говорит Вэн, что предсказание часто приводит к профилактике, посредством снижения уровня холестерина или изменения в диете.
|
|
|
|
Некоторые из факторов риска, которые алгоритмы машинного обучения определили как наиболее сильные предикторы, не включены в рекомендации ACC / AHA. Среди них, например, тяжелые психические заболевания и пероральный прием кортикостероидов. Между тем, ни один из параметров, который находится в списке ACC / AHA, не входит в число 10 самых важных предикторов по версии машин (и даже диабет). В будущем, Вэн надеется подключить и другие социальные и генетические для дальнейшего увеличения точности алгоритмов.
|
|
|
|
Источник
|
