Pašlaik ārstiem ir daudz veidu, kā paredzēt pacienta veselību. Tomēr neviens no tiem nav universāls, un daudzas patoloģijas (piemēram, sirdslēkmes) ir ļoti grūti paredzēt. Zinātnieki ir pierādījuši, ka datori, kas spēj apgūt pašmācību, var darboties pat labāk nekā standarta medicīnas prakse un ievērojami uzlabot pareģojuma kvalitāti. Ja šī prakse tiks ieviesta, jaunā metode palīdzēs izglābt tūkstošiem, ja ne miljoniem dzīvību katru gadu.
Katru gadu apmēram 20 miljoni cilvēku mirst no sirds un asinsvadu slimībām, ieskaitot sirdslēkmes, insultu, aizsērējušas artērijas un citas sirds un asinsvadu slimības. Lai mēģinātu paredzēt šādas komplikācijas, Rietumu valstu ārsti izmanto Amerikas Kardioloģijas koledžas / Amerikas Sirds asociācijas (ACC / AHA) vadlīnijas. Tie ir balstīti uz astoņiem riska faktoriem, ieskaitot vecumu, holesterīna līmeni asinīs un asinsspiedienu, no kuriem ārsts mēģina sastādīt vienu slimības ainu.
Daudzos gadījumos šī pieeja bieži ir pārāk vienkāršota, turklāt pacienta ķermeni var ietekmēt citi faktori, kā rezultātā var attīstīties sirds un asinsvadu slimības. Jaunā pētījumā Stefans Vans, Notingemas universitātes epidemiologs Lielbritānijā, salīdzināja ACC / AHA direktīvas ar četriem mašīnmācīšanās algoritmiem: izlases mežs, loģistikas regresija, gradienta palielināšana un neironu tīkls. Visu četru algoritmu mērķis bija analizēt daudz datu, kas teorētiski ļautu AI veikt medicīniskas prognozes labāk nekā cilvēkiem. Šajā gadījumā dati tika iegūti no elektroniskiem veselības ierakstiem par 378 256 pacientiem Lielbritānijā. Mērķis bija atrast ierakstu paraugus, kas bija saistīti ar kardiovaskulāriem notikumiem.
Pirmkārt, mākslīgā intelekta (AI) algoritmiem vajadzēja trenēties pašiem. Viņi izmantoja aptuveni 78% datu - aptuveni 295 267 ierakstus -, lai meklētu modeļus un izveidotu savus iekšējos “ieteikumus”. Tad viņi pārbaudīja sevi uz pārējiem dokumentiem. Izmantojot datus no 2005. gada, algoritmi paredzēja, kuri pacienti nākamajos 10 gados saņems sirds un asinsvadu problēmas, un pēc tam, izmantojot 2015. gada ierakstus, pārbaudīja savus pieņēmumus. Pretēji ACC / AHA vadlīnijām, mašīnmācoties tika atļauts ņemt vērā vēl 22 datu punktus, ieskaitot etnisko piederību, artrītu un nieru slimības.
Rezultātā visas četras AI metodes tika atzītas par daudz efektīvākām prognozēšanai nekā ACC / AHA ieteikumi. Izmantojot AUC statistiku (kur 1.0 ir 100% precīzs), ACC / AHA direktīvas ir sasniegušas 0.728. Četras jaunās metodes svārstījās no 0,745 līdz 0,764, kā Venas komanda ziņoja žurnālā PLOS ONE. Pārbaudes izlasē piedalījās aptuveni 83 000 ierakstu, un cīņā starp AI un cilvēku mašīnas "izglāba" vēl 355 pacientus. Tas ir tāpēc, ka Wen saka, ka pareģošana bieži noved pie profilakses, samazinot holesterīnu vai mainot uzturu.
Daži no riska faktoriem, kurus mašīnmācīšanās algoritmi ir identificējuši kā spēcīgākos prognozētājus, nav iekļauti ACC / AHA vadlīnijās. Tie ietver, piemēram, smagas garīgas slimības un kortikosteroīdu perorālu ievadīšanu. Tikmēr neviens no parametriem, kas ir ACC / AHA sarakstā, nav starp 10 svarīgākajiem prognozētājiem pēc mašīnas (un pat diabēta). Nākotnē Weng cer iekļaut citus sociālos un ģenētiskos, lai vēl vairāk uzlabotu algoritmu precizitāti.
Vasilijs Makarovs