Медицински истраживачи открили су узнемирујућу способност вештачке интелигенције (АИ): предвиђајући рану смрт особе.
Научници су недавно обучили АИ систем за процену деценије општих здравствених података које је поднело више од пола милиона људи у Великој Британији. Затим су задужили АИ да предвиде да ли су појединци у ризику да прерано умре - другим речима, пре него што је просечно трајање живота - од хроничне болести, извештавали су у новом истраживању.
Предвиђања ране смрти направљена помоћу АИ алгоритама била су "значајно тачнија" од предвиђања донесеног по моделу који није користио машинско учење, водећи аутор студије др Степхен Венг, доцент за епидемиологију и науку података на Универзитету у Нотингхам (УН) у Великој Британији, наводи се у изјави.
Да би проценили вероватноћу преурањене смртности испитаника, истраживачи су тестирали две врсте АИ: "дубоко учење", у којем слојевите мреже за обраду информација помажу рачунару да научи из примера; и "случајна шума", једноставнији тип АИ који комбинује више модела сличних дрвећу како би узео у обзир могуће исходе.
Затим су упоредили закључке АИ модела са резултатима стандардног алгоритма познатог као Цоков модел.
Користећи ова три модела, научници су проценили податке у британској Биобанци - бази података о генетским, физичким и здравственим подацима отвореног приступа - које је поднело више од 500.000 људи између 2006. и 2016. За то време умрло је скоро 14.500 учесника, пре свега од рака, срчаних и респираторних болести.
Различите променљиве
Сва три модела су утврдила да су фактори као што су старост, пол, историја пушења и претходна дијагноза рака биле главне варијабле за процену вероватноће ране смрти особе. Истраживачи су открили да су се модели разликовали од других кључних фактора.
Цоков модел се у великој мери ослањао на етничку припадност и физичку активност, док модели машинског учења нису. За поређење, случајни шумски модел стављао је већи нагласак на проценат масти у тијелу, обим струка, количину воћа и поврћа које су људи јели и на тон коже, наводи се у студији. За модел дубоког учења, главни фактори су били изложеност опасностима везаним за посао и загађивању ваздуха, унос алкохола и употреба одређених лекова.
Када је обављено све смањење броја, алгоритам дубоког учења дао је најтачнија предвиђања, тачно идентификујући 76 процената испитаника који су умрли током периода испитивања. За поређење, случајни модел шума тачно је предвидио око 64 процената преране смрти, док је Цоков модел идентификовао само око 44 процента.
Ово није први пут да стручњаци користе АИ-јеву предиктивну моћ за здравствену заштиту. Током 2017. године, други тим истраживача показао је да АИ може научити да уочи ране знаке Алзхеимерове болести; њихов алгоритам оцењивао је скенирање мозга како би предвидио да ли ће неко вероватно развити Алзхеимере, и то је учинио са тачно око 84 процената, објавио је Ливе Сциенце раније.
Друга студија је открила да АИ може да предвиди појаву аутизма код беба са шест месеци које су биле изложене великом ризику од развоја поремећаја. Још једна студија могла је открити знакове кршења дијабетеса анализом мрежнице; и још један - такође користећи податке добијене скенирањем мрежнице - предвидио је вероватноћу да пацијент доживи срчани удар или мождани удар.
У новој студији научници су показали да се машинско учење - „пажљивим подешавањем“ - може користити за успешно предвиђање исхода смртности током времена, изјавио је у изјави коаутор студије Јое Каи, професор примарне неге УН-а.
Иако коришћење АИ на овај начин може бити непознато многим здравственим радницима, представљање метода коришћених у студији "могло би помоћи научној верификацији и будућем развоју овог узбудљивог поља", рекао је Каи.
Открића су објављена данас (27. марта) на мрежи у часопису ПЛОС ОНЕ.
