Penyelidik perubatan telah membuka kunci keupayaan tidak menentu dalam kecerdasan buatan (AI): meramalkan kematian awal seseorang.
Para saintis baru-baru ini melatih sistem AI untuk menilai satu dekad data kesihatan umum yang diserahkan oleh lebih daripada setengah juta orang di United Kingdom. Kemudian, mereka menugaskan AI dengan meramalkan jika individu-individu berisiko mati sebelum waktunya - dengan kata lain, lebih awal daripada jangka hayat purata - dari penyakit kronik, mereka melaporkan dalam satu kajian baru.
Ramalan kematian awal yang dibuat oleh algoritma AI adalah "ketara lebih tepat" daripada ramalan yang disampaikan oleh model yang tidak menggunakan pembelajaran mesin, penyelidik utama penyelidikan Dr. Stephen Weng, pembantu profesor epidemiologi dan sains data di Universiti Nottingham (PBB) di UK, dalam satu kenyataan.
Untuk menilai kemungkinan subjek 'kematian pramatang, penyelidik menguji dua jenis AI: "pembelajaran mendalam," di mana rangkaian pemprosesan maklumat berlapis membantu komputer untuk belajar dari contoh; dan "hutan rawak," jenis AI yang lebih mudah yang menggabungkan pelbagai, model seperti pokok untuk mempertimbangkan hasil yang mungkin.
Kemudian, mereka membandingkan kesimpulan model AI kepada hasil daripada algoritma standard, yang dikenali sebagai model Cox.
Dengan menggunakan ketiga-tiga model ini, saintis menilai data di UK Biobank - pangkalan data genetik, fizikal dan kesihatan yang terbuka - yang diserahkan oleh lebih daripada 500,000 orang antara 2006 dan 2016. Pada masa itu, hampir 14,500 peserta mati, terutamanya daripada kanser, penyakit jantung dan penyakit pernafasan.
Pembolehubah yang berlainan
Ketiga-tiga model tersebut menentukan faktor-faktor seperti umur, jantina, sejarah merokok dan diagnosis kanser terdahulu adalah pembolehubah teratas untuk menilai kemungkinan kematian awal seseorang. Tetapi model menyimpulkan faktor-faktor utama yang lain, penyelidik mendapati.
Model Cox bersandar pada kegiatan etnik dan fizikal, sedangkan model pembelajaran mesin tidak. Sebagai perbandingan, model hutan secara rawak meletakkan penekanan pada peratusan lemak badan, lilitan pinggang, jumlah buah dan sayuran yang dimakan oleh orang, dan nada kulit, menurut kajian itu. Untuk model pembelajaran mendalam, faktor-faktor utama termasuk pendedahan kepada bahaya yang berkaitan dengan pekerjaan dan pencemaran udara, pengambilan alkohol dan penggunaan ubat-ubatan tertentu.
Apabila kesemua angka telah dilakukan, algoritma pembelajaran mendalam memberikan ramalan yang paling tepat, dengan tepat mengenal pasti 76 peratus subjek yang meninggal semasa tempoh kajian. Sebagai perbandingan, model hutan rawak dengan betul meramalkan kira-kira 64 peratus kematian awal, manakala model Cox hanya mengenal pasti kira-kira 44 peratus.
Ini bukan kali pertama pakar telah memanfaatkan kuasa ramalan AI untuk penjagaan kesihatan. Pada tahun 2017, pasukan penyelidik yang berbeza menunjukkan bahawa AI dapat belajar untuk menunjukkan tanda-tanda awal penyakit Alzheimer; algoritma mereka menilai imbasan otak untuk meramalkan jika seseorang mungkin akan mengembangkan Alzheimer, dan ia melakukannya dengan ketepatan 84 peratus, Live Science sebelum ini dilaporkan.
Satu lagi kajian mendapati bahawa AI boleh meramalkan permulaan autisme dalam bayi berusia 6 bulan yang mempunyai risiko tinggi untuk mengalami gangguan itu. Namun satu lagi kajian dapat mengesan tanda-tanda mengatasi diabetes melalui analisis imbasan retina; dan satu lagi - juga menggunakan data yang diperoleh daripada imbasan retina - meramalkan kemungkinan pesakit mengalami serangan jantung atau strok.
Dalam kajian baru, para saintis menunjukkan bahawa pembelajaran mesin - "dengan penalaan yang teliti" - boleh digunakan untuk berjaya meramalkan hasil mortalinya dari masa ke masa, kajian bersama pengarang Joe Kai, seorang profesor penjagaan utama PBB, dalam kenyataan itu.
Semasa menggunakan AI cara ini mungkin tidak diketahui oleh banyak profesional penjagaan kesihatan, menyampaikan kaedah yang digunakan dalam kajian "boleh membantu pengesahan saintifik dan perkembangan masa depan bidang yang menarik ini," kata Kai.
Penemuan ini diterbitkan dalam talian hari ini (27 Mac) dalam jurnal PLOS ONE.
