AI i hälso- och sjukvård förutsäger vem som kommer att dö för tidigt

Wikia
Vänligen dela denna berättelse!
Förutspå. Henri de Saint-Simon, den tidiga fadern till Technocracy, definierade Scientism: ”En vetenskapsman, mina kära vänner, är en man som förutser; det beror på att vetenskapen tillhandahåller betyder att förutsäga att det är användbart, och forskarna är överlägsna alla andra män. ”

Försäkringsbolag straffar konsumenterna med denna teknik eftersom de mäter risk, ofta falskt, för att avgöra vem som kommer att bli sjuka med vilken sjukdom och när de kommer att dö. Följande studie inkluderar inte DNA-analys, men det kommer att tillräckligt snart. ⁃ TN Editor

Forskare utbildade nyligen ett AI-system för att utvärdera ett decennium av allmänna hälsodata som lämnats in av mer än en halv miljon människor i Storbritannien. Därefter uppgav de AI att förutsäga om individer riskerade att dö för tidigt - med andra ord förr än den genomsnittliga livslängden - av kronisk sjukdom, rapporterade de i en ny studie.

Förutsägelserna om tidig död som gjordes av AI-algoritmer var "betydligt mer exakta" än förutsägelser från en modell som inte använde maskininlärning, ledande studieförfattare Dr Stephen Weng, biträdande professor i epidemiologi och datavetenskap vid University of Nottingham (FN) i Storbritannien, sade i ett uttalande. [Kan maskiner vara kreativa? Möt 9 AI-artister]

För att utvärdera sannolikheten för försökspersonernas för tidiga dödlighet testade forskarna två typer av AI: “djupinlärning”, där skiktade informationsbehandlingsnätverk hjälper en dator att lära av exempel; och "random forest", en enklare typ av AI som kombinerar flera trädliknande modeller för att överväga möjliga resultat.

Sedan jämförde de AI-modellens slutsatser med resultat från en standardalgoritm, känd som Cox-modellen.

Med hjälp av dessa tre modeller utvärderade forskarna data i UK Biobank - en databas med öppen åtkomst av genetiska, fysiska och hälsodata - som skickats in av mer än 500,000 personer mellan 2006 och 2016. Under den tiden dog nästan 14,500 av deltagarna, främst av cancer, hjärtsjukdomar och luftvägssjukdomar.

Olika variabler

Alla tre modellerna bestämde att faktorer som ålder, kön, rökhistoria och en tidigare cancerdiagnos var toppvariabler för att bedöma sannolikheten för en persons tidiga död. Men modellerna skilde sig från andra viktiga faktorer, fann forskarna.

Cox-modellen lutade kraftigt på etnicitet och fysisk aktivitet, medan maskininlärningsmodellerna inte gjorde det. Som jämförelse lägger den slumpmässiga skogsmodellen större tonvikt på kroppsfettprocent, midjeomkrets, mängden frukt och grönsaker som folk åt och hudton, enligt studien. För den djupa inlärningsmodellen inkluderade toppfaktorer exponering för arbetsrelaterade faror och luftföroreningar, alkoholintag och användning av vissa mediciner.

När alla siffrorna blev klara, levererade djupinlärningsalgoritmen de mest exakta förutsägelserna och identifierade korrekt 76 procent av de personer som dog under studietiden. Som jämförelse förutspådde den slumpmässiga skogsmodellen korrekt cirka 64 procent av för tidiga dödsfall, medan Cox-modellen bara identifierade cirka 44 procent.

Det här är inte första gången som experter utnyttjar AI: s förutsägbarhet för vården. År 2017 visade ett annat forskargrupp att AI kunde lära sig att upptäcka tidiga tecken på Alzheimers sjukdom. deras algoritm utvärderade hjärnskanningar för att förutsäga om en person sannolikt skulle utveckla Alzheimers, och det gjorde det med ungefär 84 procent noggrannhet, WordsSideKick.com tidigare rapporterad.

En annan studie fann att AI kunde förutsäga början av autism hos 6 månader gamla barn som hade en hög risk att utveckla störningen. Ännu en studie kunde upptäcka tecken på intrång i diabetes genom analys av näthinneskanningar; och ytterligare en - även med data som härrör från näthinneskanningar - förutspådde sannolikheten för att en patient skulle uppleva en hjärtattack eller stroke.

Läs hela historien här ...

Prenumerera
Meddela om
gäst
0 Kommentarer
Inline feedbacks
Visa alla kommentarer