V současné době mají lékaři mnoho způsobů, jak předpovědět zdraví pacienta. Žádná z nich však není univerzální a mnoho patologií (například srdeční infarkty) je velmi obtížné předvídat. Vědci prokázali, že počítače schopné samoučení se mohou chovat ještě lépe než standardní lékařské postupy a výrazně zlepšit kvalitu predikce. Pokud bude tato praxe implementována, pomůže nová metoda zachránit tisíce, ne-li miliony životů každý rok.
Každý rok zemře na kardiovaskulární onemocnění asi 20 milionů lidí, včetně srdečních záchvatů, mrtvice, ucpaných tepen a dalších kardiovaskulárních chorob. Aby se pokusili tyto komplikace předvídat, lékaři v západních zemích používají pokyny Americké asociace kardiologie / American Heart Association (ACC / AHA). Jsou založeny na osmi rizikových faktorech, včetně věku, hladin cholesterolu v krvi a krevního tlaku, ze kterých se lékař snaží sestavit jediný obrázek onemocnění.
V mnoha případech je tento přístup často příliš zjednodušující, kromě toho mohou na tělo pacienta ovlivnit i další faktory, v důsledku čehož se mohou vyvinout kardiovaskulární onemocnění. Stephen Wan, epidemiolog na University of Nottingham ve Velké Británii, v nové studii porovnával směrnice ACC / AHA se čtyřmi algoritmy strojového učení: náhodná doménová struktura, logická regrese, podpora přechodu a neuronová síť. Všechny čtyři algoritmy byly zaměřeny na analýzu velkého množství dat, která by teoreticky umožnila umělé inteligenci zlepšit lékařské předpovědi než lidé. V tomto případě byla data získána z elektronických zdravotních záznamů 378 256 pacientů ve Velké Británii. Cílem bylo najít ukázkové nahrávky spojené s kardiovaskulárními událostmi.
Nejprve musely algoritmy umělé inteligence (AI) trénovat samy. Použili asi 78% údajů - zhruba 295 267 záznamů - k vyhledávání vzorů a vytvoření vlastních interních „doporučení“. Pak se testovali na zbývajících dokumentech. Pomocí dat z roku 2005 algoritmy předpovídaly, kteří pacienti budou mít v příštích 10 letech problémy se srdcem a cévami, a poté své předpoklady testovali pomocí záznamů z roku 2015. Na rozdíl od pokynů ACC / AHA bylo strojovému učení umožněno zohlednit 22 dalších datových bodů, včetně etnicity, artritidy a onemocnění ledvin.
Výsledkem bylo, že všechny čtyři metody AI byly při prognózování mnohem účinnější než doporučení ACC / AHA. Pomocí statistik AUC (kde 1.0 je 100% přesnost) dosáhly směrnice ACC / AHA 0,728. Jak uvádí Wenův tým v časopise PLOS ONE, čtyři nové metody se pohybovaly od 0,745 do 0,764. Ve zkušebním vzorku se zúčastnilo asi 83 000 záznamů a v bitvě mezi umělou inteligencí a člověkem stroje „uložily“dalších 355 pacientů. Důvodem je, protože Wen říká, že predikce často vede k prevenci prostřednictvím snižování hladiny cholesterolu nebo dietních změn.
Některé z rizikových faktorů, které algoritmy strojového učení identifikovaly jako nejsilnější prediktory, nejsou zahrnuty do pokynů ACC / AHA. Patří sem například těžké duševní onemocnění a orální podávání kortikosteroidů. Mezitím žádný z parametrů, které jsou na seznamu ACC / AHA, nepatří mezi 10 nejdůležitějších prediktorů podle stroje (a dokonce i cukrovky). V budoucnu Weng doufá, že bude zahrnovat další sociální a genetické, aby se dále zlepšila přesnost algoritmů.
Vasily Makarov