Praegu on arstidel patsiendi tervise ennustamiseks palju võimalusi. Ükski neist pole siiski universaalne ja paljusid patoloogiaid (näiteks südameinfarkt) on väga raske ennustada. Teadlased on näidanud, et iseõppimiseks võimelised arvutid toimivad isegi paremini kui tavalised meditsiinipraktikad ja parandavad oluliselt ennustamise kvaliteeti. Sellise praktika rakendamisel aitab uus meetod päästa tuhandeid, kui mitte miljoneid inimelusid igal aastal.
Igal aastal sureb südame-veresoonkonna haigustesse, sealhulgas südameinfarkti, insuldi, ummistunud arterite ja muude südame-veresoonkonna haigustesse umbes 20 miljonit inimest. Selliste tüsistuste prognoosimiseks kasutavad lääneriikide arstid Ameerika Kardioloogiakolledži / Ameerika Südameassotsiatsiooni (ACC / AHA) juhiseid. Need põhinevad kaheksal riskifaktoril, sealhulgas vanus, vere kolesteroolitase ja vererõhk, millest arst püüab koostada haigusest ühe pildi.
Paljudel juhtudel on see lähenemisviis sageli liiga lihtsustatud, lisaks võivad patsiendi keha mõjutada muud tegurid, mille tagajärjel võivad areneda südame-veresoonkonna haigused. Uues uuringus võrdles Suurbritannia Nottinghami ülikooli epidemioloog Stephen Wan ACC / AHA direktiive nelja masinõppe algoritmiga: juhuslik mets, logistiline regressioon, gradiendi suurendamine ja närvivõrk. Kõigi nelja algoritmi eesmärk oli analüüsida palju andmeid, mis teoreetiliselt võimaldaksid AI-l teha meditsiinilisi ennustusi inimestest paremaks. Sel juhul saadi andmed Ühendkuningriigi 378 256 patsiendi elektroonilistest terviseandmetest. Eesmärk oli leida proovide salvestusi, mis olid seotud kardiovaskulaarsete sündmustega.
Esiteks pidid tehisintellekti (AI) algoritmid iseseisvalt treenima. Nad kasutasid mustrite otsimiseks ja oma sisemiste “soovituste” loomiseks umbes 78% andmetest - umbes 295 267 kirjet -. Siis panid nad end proovile ülejäänud dokumentidega. Kasutades 2005. aasta andmeid, ennustasid algoritmid, millised patsiendid saavad järgmise 10 aasta jooksul südame- ja veresoonkonna probleeme, ning testisid seejärel oma eeldusi, kasutades 2015. aasta andmeid. Vastupidiselt ACC / AHA juhistele lubati masinõppel arvestada veel 22 andmepunkti, sealhulgas etnilisus, artriit ja neeruhaigused.
Selle tulemusel leiti, et kõik neli AI meetodit on prognoosimisel palju tõhusamad kui ACC / AHA soovitused. Kasutades AUC statistikat (kus 1,0 on 100% täpne), on ACC / AHA direktiivid jõudnud 0.728-ni. Neli uut meetodit olid vahemikus 0,745 kuni 0,764, nagu Weni meeskond teatas ajakirjas PLOS ONE. Testproovis osales umbes 83 000 võistlustööd ning AI ja inimese vahelises lahingus "päästsid" masinad veel 355 patsienti. Weni sõnul põhjustab see ennustamine sageli ennetamist kolesterooli alandamise või toitumisharjumuste muutmise kaudu.
ACC / AHA juhised ei hõlma mõnda riskitegurit, mille masinõppe algoritmid on tuvastanud tugevaimate ennustajatena. Nende hulka kuuluvad näiteks raske vaimuhaigus ja kortikosteroidide suukaudne manustamine. Samal ajal ei kuulu ükski ACC / AHA nimekirjas olevatest parameetritest 10 masina järgi kõige olulisemat ennustajat (ja isegi diabeeti). Tulevikus loodab Weng lisada teisi sotsiaalseid ja geneetilisi, et algoritmide täpsust veelgi parendada.
Vassili Makarov
