Medicīnas pētnieki ir atklājuši mākslīgā intelekta (AI) satraucošās spējas: paredzēt cilvēka agrīnu nāvi.
Zinātnieki nesen apmācīja AI sistēmu, lai novērtētu desmit gadu vispārējos veselības datus, ko Apvienotajā Karalistē iesniedza vairāk nekā pusmiljons cilvēku. Pēc tam viņi uzdeva AI prognozēt, vai indivīdiem draud priekšlaicīga nāve - citiem vārdiem sakot, ātrāk nekā vidējais dzīves ilgums - no hroniskas slimības, viņi ziņoja jaunā pētījumā.
Agrīnās nāves prognozes, kas tika veiktas ar AI algoritmiem, bija "ievērojami precīzākas" nekā prognozes, kuras sniedza modelis, kurā neizmantoja mašīnmācību, svina pētījuma autors Dr. Stefans Vengs, epidemioloģijas un datu zinātnes docents Universitātes Universitātē. Notingema (ANO) Lielbritānijā, teikts paziņojumā.
Lai novērtētu subjektu priekšlaicīgas mirstības iespējamību, pētnieki pārbaudīja divu veidu AI: "dziļo mācīšanos", kurā slāņveida informācijas apstrādes tīkli palīdz datoram mācīties no piemēriem; un "izlases mežs", vienkāršāks AI tips, kas apvieno vairākus kokam līdzīgus modeļus, lai apsvērtu iespējamos rezultātus.
Pēc tam viņi salīdzināja AI modeļu secinājumus ar rezultātiem no standarta algoritma, kas pazīstams kā Cox modelis.
Izmantojot šos trīs modeļus, zinātnieki novērtēja datus Apvienotās Karalistes biobankā - ģenētisko, fizisko un veselības datu atvērtas piekļuves datu bāzē -, kurus no 2006. līdz 2016. gadam iesniedza vairāk nekā 500 000 cilvēku. Šajā laikā gandrīz 14 500 dalībnieku nomira, galvenokārt no vēža, sirds slimībām un elpošanas ceļu slimībām.
Dažādi mainīgie
Visi trīs modeļi noteica, ka tādi faktori kā vecums, dzimums, smēķēšanas vēsture un iepriekšēja vēža diagnoze bija galvenie mainīgie lielumi, lai novērtētu personas agrīnas nāves iespējamību. Bet pētnieki atklāja, ka modeļi atšķīrās no citiem galvenajiem faktoriem.
Koksa modelis lielā mērā balstījās uz etnisko piederību un fiziskajām aktivitātēm, savukārt mašīnmācīšanās modeļi to nedarīja. Salīdzinājumam, izlases veida meža modelī lielāks uzsvars tika likts uz ķermeņa tauku procentu, vidukļa apkārtmēru, augļu un dārzeņu daudzumu, ko cilvēki ēda, un ādas toni, liecina pētījums. Dziļās apmācības modelī galvenie faktori bija pakļaušana ar darbu saistītai bīstamībai un gaisa piesārņojumam, alkohola lietošana un noteiktu medikamentu lietošana.
Kad visi skaitļi tika saspiesti, dziļās mācīšanās algoritms sniedza visprecīzākās prognozes, pareizi identificējot 76 procentus subjektu, kuri nomira studiju periodā. Salīdzinājumam - nejaušais meža modelis pareizi paredzēja apmēram 64 procentus priekšlaicīgu nāves gadījumu, savukārt Koksa modelis identificēja tikai aptuveni 44 procentus.
Šī nav pirmā reize, kad eksperti ir izmantojuši AI paredzamo spēju veselības aprūpei. 2017. gadā atšķirīga pētnieku grupa parādīja, ka AI var iemācīties pamanīt agrīnas Alcheimera slimības pazīmes; viņu algoritms novērtēja smadzeņu skenēšanu, lai paredzētu, vai kādam varētu attīstīties Alcheimers, un tas tika izdarīts ar aptuveni 84 procentu precizitāti, iepriekš ziņoja Live Science.
Citā pētījumā atklājās, ka AI varēja paredzēt autisma sākšanos 6 mēnešus veciem zīdaiņiem, kuriem bija augsts traucējumu attīstības risks. Vēl viens pētījums varēja atklāt diabēta izplatības pazīmes, analizējot tīklenes skenēšanu; un vēl viens - izmantojot arī datus, kas iegūti no tīklenes skenēšanas - paredzēja pacienta sirdslēkmes vai insulta iespējamību.
Jaunajā pētījumā zinātnieki parādīja, ka mašīnmācību - "ar rūpīgu noskaņošanos" - var izmantot, lai laika gaitā veiksmīgi prognozētu mirstības iznākumu, paziņojumā sacīja pētījuma līdzautors Džo Kai, ANO primārās aprūpes profesors.
Kaut arī AI izmantošana šādā veidā var būt nepazīstama daudziem veselības aprūpes speciālistiem, pētījumā izmantoto metožu iepazīstināšana "varētu palīdzēt zinātniskai verifikācijai un šīs aizraujošās jomas turpmākai attīstībai", sacīja Kai.
Atklājumi tika publicēti tiešsaistē šodien (27. martā) žurnālā PLOS ONE.
