Meditsiiniuurijad on avanud tehisintellekti häiriva võime: ennustada inimese varajast surma.
Teadlased koolitasid hiljuti AI süsteemi, et hinnata aastakümne üldisi terviseandmeid, mille Ühendkuningriigis esitas enam kui pool miljonit inimest. Seejärel tegid nad ülesandeks AI-le ennustada, kas inimestel on oht surra enneaegselt - teisisõnu keskmisest oodatavamale elueale eelnedes - kroonilisest haigusest, teatasid nad uues uuringus.
AI algoritmide abil tehtud varase surma ennustused olid "märkimisväärselt täpsemad" kui masinaõpet mitte kasutanud mudeli esitatud ennustused, teatas uuringu juhtiv autor dr Stephen Weng, kes on University of University epidemioloogia ja andmeteaduse abiprofessor. Nottingham (ÜRO) Suurbritannias, öeldi avalduses.
Katsealuste enneaegse suremuse tõenäosuse hindamiseks testisid teadlased kahte tüüpi AI-d: "sügav õppimine", milles kihilised infotöötlusvõrgud aitavad arvutil näidetest õppida; ja "juhuslik mets" - lihtsam AI tüüp, mis ühendab mitu puudetaolist mudelit võimalike tulemuste arvestamiseks.
Seejärel võrdlesid nad AI-mudelite järeldusi standardse algoritmi, tuntud kui Coxi mudeli, tulemustega.
Neid kolme mudelit kasutades hindasid teadlased Ühendkuningriigi biopangas - geneetiliste, füüsiliste ja terviseandmete avatud juurdepääsuga andmebaasis - andmeid, mille esitas ajavahemikul 2006–2016 enam kui 500 000 inimest. Selle aja jooksul suri ligi 14 500 osalejat, peamiselt vähist, südamehaigustest ja hingamisteede haigustest.
Erinevad muutujad
Kõik kolm mudelit tegid kindlaks, et sellised tegurid nagu vanus, sugu, suitsetamise ajalugu ja varasem vähidiagnoos olid peamised muutujad inimese varajase surma tõenäosuse hindamisel. Teadlased leidsid, et mudelid erinesid teistest peamistest teguritest.
Coxi mudel tugines tugevalt etnilisele kuuluvusele ja kehalisele aktiivsusele, masinõppe mudelid aga mitte. Võrdluseks - juhusliku metsamudeli puhul pandi uuringu kohaselt suuremat rõhku keha rasvaprotsendile, vööümbermõõdule, puu- ja köögiviljade kogusele, mida inimesed sõid, ja nahatoonile. Süvaõppe mudeli puhul hõlmasid peamised tegurid kokkupuudet tööga seotud ohtudega ja õhusaastega, alkoholi tarbimist ja teatud ravimite kasutamist.
Kui kogu numbrite krigistamine oli tehtud, esitas sügava õppe algoritm kõige täpsemad ennustused, tuues õigesti 76 protsenti uuringuperioodil surnud katsealustest. Võrdluseks - juhuslik metsamudel ennustas õigesti umbes 64 protsenti enneaegsetest surmadest, Coxi mudel aga vaid umbes 44 protsenti.
See pole esimene kord, kui eksperdid kasutavad AI tervishoiuteenuste ennustavat jõudu. 2017. aastal näitas erinev teadlaste meeskond, et AI võib õppida tuvastama Alzheimeri tõve varased nähud; nende algoritm hindas aju skaneeringuid, et ennustada, kas inimesel tõenäoliselt tekivad Alzheimerid, ja tegi seda umbes 84-protsendise täpsusega, teatas Live Science varem.
Veel ühes uuringus leiti, et AI oskas ennustada autismi algust 6-kuulistel imikutel, kellel oli kõrge risk haigestuda. Veel üks uuring võib võrkkesta skaneeringute analüüsi abil tuvastada diabeediga seotud haiguste märke; ja veel üks - kasutades ka võrkkesta skaneeringutest saadud andmeid - ennustasid patsiendi südameataki või insuldi tõenäosust.
Uues uuringus näitasid teadlased, et masinõpet - "hoolika häälestamisega" - saab kasutada suremuse tulemuste edukaks ennustamiseks aja jooksul, ütles uuringu kaasautor, ÜRO esmatasandi arstiprofessor Joe Kai, avalduses.
Kuigi AI kasutamine sel viisil võib paljudele tervishoiutöötajatele võõras olla, võib uuringus kasutatud meetodite tutvustamine "aidata selle põneva valdkonna teaduslikul kinnitamisel ja edasisel arendamisel", ütles Kai.
Tulemused avaldati veebis täna (27. märtsil) ajakirjas PLOS ONE.
