V súčasnosti majú lekári veľa spôsobov, ako predpovedať zdravie pacienta. Žiadna z nich však nie je univerzálna a mnohé patológie (napríklad srdcové infarkty) je veľmi ťažké predvídať. Vedci preukázali, že počítače schopné samoučenia môžu fungovať ešte lepšie ako štandardné lekárske postupy a významne zlepšiť kvalitu predikcie. Ak sa tento postup zavedie, nová metóda pomôže každý rok zachrániť tisíce, ak nie milióny životov.
Každý rok zomrie na kardiovaskulárne choroby asi 20 miliónov ľudí vrátane infarktov, mozgových príhod, upchatých tepien a iných kardiovaskulárnych chorôb. Aby sa pokúsili predpovedať takéto komplikácie, lekári v západných krajinách používajú pokyny Americkej asociácie kardiologov / American Heart Association (ACC / AHA). Sú založené na ôsmich rizikových faktoroch, vrátane veku, hladín cholesterolu v krvi a krvného tlaku, z ktorých sa lekár pokúša zostaviť jeden obraz choroby.
V mnohých prípadoch je tento prístup často príliš zjednodušený a okrem toho môžu ovplyvniť telo pacienta aj ďalšie faktory, v dôsledku čoho sa môžu vyvinúť kardiovaskulárne choroby. V novej štúdii Stephen Wan, epidemiológ na University of Nottingham vo Veľkej Británii, porovnával smernice ACC / AHA so štyrmi algoritmami strojového učenia: náhodný prales, logistická regresia, zosilňovanie gradientu a neurónová sieť. Všetky štyri algoritmy boli zamerané na analýzu množstva údajov, ktoré by teoreticky umožnili AI robiť lekárske predpovede lepšie ako ľudia. V tomto prípade boli údaje získané z elektronických zdravotných záznamov 378 256 pacientov vo Veľkej Británii. Cieľom bolo nájsť ukážkové záznamy, ktoré súvisia s kardiovaskulárnymi príhodami.
Najprv museli algoritmy umelej inteligencie (AI) trénovať samostatne. Použili asi 78% údajov - približne 295 267 záznamov - na vyhľadávanie vzorov a vytvorenie vlastných interných „odporúčaní“. Potom sa otestovali na ostatných dokumentoch. Pomocou údajov z roku 2005 algoritmy predpovedali, ktorí pacienti dostanú problémy so srdcom a cievami v priebehu nasledujúcich 10 rokov, a potom svoje predpoklady otestovali pomocou záznamov z roku 2015. Na rozdiel od usmernení ACC / AHA bolo v strojovom učení možné zohľadniť 22 ďalších údajových bodov vrátane etnicity, artritídy a obličiek.
V dôsledku toho sa zistilo, že všetky štyri metódy AI sú pri prognózovaní oveľa účinnejšie ako odporúčania ACC / AHA. Použitím štatistík AUC (kde 1.0 je 100% presnosť) dosiahli smernice ACC / AHA 0,728. Štyri nové metódy sa pohybovali od 0,745 do 0,764, ako uviedol tím Wen v časopise PLOS ONE. Na testovacej vzorke sa zúčastnilo asi 83 000 záznamov a v bitke medzi AI a človekom stroje „zachránili“355 ďalších pacientov. Je to preto, lebo Wen tvrdí, že predpoveď často vedie k prevencii prostredníctvom znižovania hladiny cholesterolu alebo zmien stravovania.
Niektoré z rizikových faktorov, ktoré algoritmy strojového učenia identifikovali ako najsilnejšie prediktory, nie sú zahrnuté v usmerneniach ACC / AHA. Patria sem napríklad závažné duševné choroby a orálne podávanie kortikosteroidov. Medzitým žiadny z parametrov, ktoré sú na zozname ACC / AHA, nepatrí medzi 10 najdôležitejších prediktorov podľa strojov (a dokonca aj cukrovky). V budúcnosti Weng dúfa, že zahrnie ďalšie sociálne a genetické, aby sa ešte viac zvýšila presnosť algoritmov.
Vasily Makarov