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 hadde en risiko for 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 studieforfatter Dr. Stephen Weng, adjunkt i epidemiologi og datavitenskap ved University of Nottingham (FN) i Storbritannia, sa det i en uttalelse.
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 slo fast 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 ble 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; deres algoritme evaluerte hjerneskanninger for å forutsi om en person vil sannsynligvis utvikle Alzheimere, og det gjorde det med omtrent 84 prosent nøyaktighet, rapporterte Live Science tidligere.
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. Enda en studie kunne oppdage tegn på inngrep i diabetes ved analyse av netthinneskanninger; og en til - også ved hjelp 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 tuning" - kan brukes til å forutsi dødelighetsresultater over tid, sier 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 det å presentere metodene som ble brukt i studien "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.
