Yurii Mongol
0 
4722
886
Medisinske forskere har låst opp en urovekkende evne innen kunstig intelligens (AI): å forutsi en persons tidlige død.
Forskere trente nylig et AI-system for å evaluere et tiår med generelle helsedata sendt inn av mer enn en halv million mennesker i Storbritannia. Deretter oppgav de AI å forutsi om individer risikerte å dø for tidlig - med andre ord, raskere enn gjennomsnittlig levealder - av kronisk sykdom, rapporterte de i en ny studie.
Forutsigelsene om tidlig død som ble laget av AI-algoritmer, var "betydelig mer nøyaktige" enn spådommer levert av en modell som ikke brukte maskinlæring, ledet forskningsforfatter Dr. Stephen Weng, adjunkt i epidemiologi og datavitenskap ved University of Nottingham (FN) i Storbritannia, sa det i en uttalelse. [Kan maskiner være kreative? Møt 9 AI 'artister']
For å evaluere sannsynligheten for forsøkspersonenes for tidlige dødelighet, testet forskerne to typer AI: "dyp læring", der lagdelte informasjonsbehandlingsnettverk hjelper en datamaskin til å lære av eksempler; og "tilfeldig skog", en enklere type AI som kombinerer flere, tre-lignende modeller for å vurdere mulige utfall.
Deretter sammenlignet de AI-modellenes konklusjoner med resultater fra en standardalgoritme, kjent som Cox-modellen.
Ved hjelp av disse tre modellene evaluerte forskerne data i UK Biobank - en åpen tilgangsdatabase med genetiske, fysiske og helsedata - sendt inn av mer enn 500 000 mennesker mellom 2006 og 2016. I løpet av den tiden døde nesten 14 500 av deltakerne, først og fremst fra kreft, hjertesykdommer og luftveissykdommer.
Ulike variabler
Alle tre modellene bestemte at faktorer som alder, kjønn, røykinghistorie og en tidligere kreftdiagnose var de viktigste variablene for å vurdere sannsynligheten for en persons tidlige død. Men modellene divergerte over andre viktige faktorer, fant forskerne.
Cox-modellen lente seg tungt på etnisitet og fysisk aktivitet, mens maskinlæringsmodellene ikke gjorde det. Til sammenligning la den tilfeldige skogmodellen større vekt på kroppsfettprosent, midjeomkrets, mengden frukt og grønnsaker som folk spiste og hudfarge, ifølge studien. For den dype læringsmodellen inkluderte toppfaktorer eksponering for arbeidsrelaterte farer og luftforurensning, alkoholinntak og bruk av visse medisiner.
Når alt antall knusing var gjort, leverte dybdelæringsalgoritmen de mest nøyaktige spådommene, og identifiserte 76 prosent av forsøkspersonene som døde i løpet av studietiden. Til sammenligning spådde den tilfeldige skogmodellen riktig om lag 64 prosent av for tidlige dødsfall, mens Cox-modellen bare identifiserte omtrent 44 prosent.
Dette er ikke første gang eksperter utnytter AIs forutsigbare krefter for helsehjelp. I 2017 demonstrerte et annet team av forskere at AI kunne lære å oppdage tidlige tegn på Alzheimers sykdom; algoritmen deres evaluerte hjerneskanninger for å forutsi om en person vil sannsynligvis utvikle Alzheimere, og det gjorde det med omtrent 84 prosent nøyaktighet, tidligere rapportert.
En annen studie fant at AI kunne forutsi begynnelsen av autisme hos 6 måneder gamle babyer som hadde en høy risiko for å utvikle lidelsen. Nok en studie kunne oppdage tegn på å innbryte diabetes ved analyse av netthinneskanninger; og en til - også ved bruk av data hentet fra netthinneskanninger - spådde sannsynligheten for at en pasient skulle få hjerteinfarkt eller hjerneslag.
I den nye studien demonstrerte forskerne at maskinlæring - "med nøye innstilling" - kan brukes til å forutsi dødelighetsresultater over tid, sa medforfatter Joe Kai, en FN-professor i primæromsorg, i uttalelsen.
Selv om bruk av AI på denne måten kan være ukjent for mange helsepersonell, kan presentasjon av metodene som ble brukt i studien "kunne hjelpe med vitenskapelig verifisering og fremtidig utvikling av dette spennende feltet," sa Kai.
Funnene ble publisert online i dag (27. mars) i tidsskriftet PLOS ONE.
- Intelligent Machines to Space Colonies: 5 Sci-Fi Visions of the Future
- 5 spennende bruker for kunstig intelligens (som ikke dreper roboter)
- Historien om kunstig intelligens (Infographic)
Opprinnelig publisert på .