För närvarande har läkare många sätt att förutsäga en patients hälsa. Ingen av dem är emellertid universell, och många patologier (till exempel hjärtattacker) är mycket svåra att förutsäga. Forskare har visat att datorer som kan självlärande kan prestera ännu bättre än standardiserade medicinska metoder och avsevärt förbättra kvaliteten på förutsägelse. Om denna praxis implementeras kommer den nya metoden att hjälpa till att rädda tusentals, om inte miljoner liv varje år.
Varje år dör cirka 20 miljoner människor av hjärt-kärlsjukdomar, inklusive hjärtattacker, stroke, igensatta artärer och andra hjärt-kärlsjukdomar. För att försöka förutsäga sådana komplikationer använder läkare i västländer riktlinjerna från American College of Cardiology / American Heart Association (ACC / AHA). De bygger på åtta riskfaktorer, inklusive ålder, kolesterolnivåer i blodet och blodtryck, varifrån läkaren försöker komponera en enda bild av sjukdomen.
I många fall är detta tillvägagångssätt ofta alltför förenklat, dessutom kan andra faktorer påverka patientens kropp, till följd av vilka hjärt-kärlsjukdomar kan utvecklas. I en ny studie jämför Stephen Wan, en epidemiolog vid University of Nottingham i Storbritannien, ACC / AHA-direktiv med fyra maskininlärningsalgoritmer: slumpmässig skog, logistisk regression, gradient boosting och ett neuralt nätverk. Alla fyra algoritmer syftade till att analysera en hel del data som i teorin skulle göra det möjligt för AI att göra medicinska förutsägelser bättre än människor. I detta fall erhölls uppgifterna från elektroniska hälsoregister för 378 256 patienter i Storbritannien. Målet var att hitta provinspelningar som var förknippade med kardiovaskulära händelser.
Först måste AI-algoritmerna träna på egen hand. De använde cirka 78% av uppgifterna - ungefär 295 267 poster - för att söka efter mönster och skapa sina egna interna”rekommendationer”. Sedan testade de sig på resten av dokumenten. Med hjälp av data från 2005 förutspådde algoritmerna vilka patienter som skulle få hjärt- och kärlproblem under de kommande tio åren och testade sedan sina antaganden med 2015-poster. I motsats till ACC / AHA-riktlinjerna fick maskininlärning ta hänsyn till 22 ytterligare datapunkter, inklusive etnicitet, artrit och njursjukdom.
Som ett resultat konstaterades att alla fyra AI-metoder var mycket effektivare vid prognoser än ACC / AHA-rekommendationerna. Med hjälp av AUC-statistik (där 1,0 är 100% korrekt) har ACC / AHA-direktiven nått 0,728. De fyra nya metoderna sträckte sig från 0,745 till 0,764, som Wens team rapporterade i tidningen PLOS ONE. I testprovet deltog cirka 83 000 poster, och i striden mellan AI och mannen "sparade" maskinerna 355 fler patienter. Detta beror på, förklarar Wen, att förutsägelse ofta leder till förebyggande, genom kolesterolsänkande eller förändringar i kosten.
Vissa av de riskfaktorer som maskininlärningsalgoritmer har identifierat som de starkaste prediktorerna ingår inte i ACC / AHA-riktlinjerna. Dessa inkluderar till exempel svår psykisk sjukdom och oral administrering av kortikosteroider. Under tiden är ingen av parametrarna som finns på ACC / AHA-listan bland de 10 viktigaste prediktorerna per maskin (och till och med diabetes). I framtiden hoppas Weng att inkludera andra sociala och genetiska för att ytterligare förbättra algoritmernas noggrannhet.
Vasily Makarov
