Verwendung künstlicher Intelligenz zur Vorhersage der Sterblichkeit
Neue Forschung, die in der Zeitschrift erscheint PLUS EINS schlägt vor, dass maschinelles Lernen ein wertvolles Instrument zur Vorhersage des Risikos eines vorzeitigen Todes sein kann. Die Wissenschaftler verglichen die Genauigkeit der Vorhersage künstlicher Intelligenz mit der Genauigkeit statistischer Methoden, die Experten derzeit in der medizinischen Forschung anwenden.
Immer mehr neuere Forschungen deuten darauf hin, dass sich Computeralgorithmen und das Lernen künstlicher Intelligenz (KI) in der medizinischen Welt als äußerst nützlich erweisen können.
Eine vor einigen Monaten erschienene Studie ergab beispielsweise, dass Deep-Learning-Algorithmen den Ausbruch der Alzheimer-Krankheit bereits 6 Jahre im Voraus genau vorhersagen können.
Mithilfe eines sogenannten „Trainingsdatensatzes“ können sich Deep-Learning-Algorithmen „selbst beibringen“, vorherzusagen, ob und wann ein Ereignis wahrscheinlich eintritt.
Jetzt haben Forscher untersucht, ob maschinelles Lernen die vorzeitige Sterblichkeit aufgrund chronischer Krankheiten genau vorhersagen kann.
Stephen Weng, Assistenzprofessor für Epidemiologie und Datenwissenschaft an der Universität von Nottingham in Großbritannien, leitete die neue Forschung.
Wie KI zur Vorsorge beitragen kann
Weng und Kollegen untersuchten Gesundheitsdaten von mehr als einer halben Million Menschen im Alter zwischen 40 und 69 Jahren. Die Teilnehmer hatten sich zwischen 2006 und 2010 bei der britischen Biobank-Studie angemeldet. Die britischen Biobank-Studienforscher verfolgten die Teilnehmer klinisch bis 2016.
Für die aktuelle Studie entwickelten Weng und sein Team ein System von Lernalgorithmen unter Verwendung von zwei Modellen, die als "Random Forest" und "Deep Learning" bezeichnet werden. Sie verwendeten die Modelle, um das Risiko eines vorzeitigen Todes aufgrund einer chronischen Krankheit vorherzusagen.
Die Wissenschaftler untersuchten die Vorhersagegenauigkeit dieser Modelle und verglichen sie mit herkömmlichen Vorhersagemodellen wie der Cox-Regressionsanalyse und einem multivariaten Cox-Modell.
"Wir haben die resultierenden Vorhersagen anhand der Sterbeurkunden des Office of National Statistics, des britischen Krebsregisters und der Statistiken über Krankenhausepisoden auf Sterblichkeitsdaten aus der Kohorte abgebildet", erklärt der leitende Ermittler der Studie.
Die Studie ergab, dass das Cox-Regressionsmodell den vorzeitigen Tod am wenigsten genau vorhersagte, während das multivariate Cox-Modell etwas besser war, aber das Todesrisiko wahrscheinlich überprognostizierte.
Insgesamt „waren Algorithmen für maschinelles Lernen bei der Vorhersage des Todes wesentlich genauer als die von einem menschlichen Experten entwickelten Standardvorhersagemodelle“, berichtet Weng. Der Forscher kommentiert auch die klinische Bedeutung der Ergebnisse.
Er sagt: "Die vorbeugende Gesundheitsversorgung hat im Kampf gegen schwere Krankheiten eine wachsende Priorität. Deshalb arbeiten wir seit einigen Jahren daran, die Genauigkeit der computergestützten Bewertung des Gesundheitsrisikos in der Allgemeinbevölkerung zu verbessern."
"Die meisten Anwendungen konzentrieren sich auf einen einzelnen Krankheitsbereich, aber die Vorhersage des Todes aufgrund verschiedener Krankheitsergebnisse ist sehr komplex, insbesondere angesichts von Umwelt- und individuellen Faktoren, die sie beeinflussen können."
"Wir haben in diesem Bereich einen großen Schritt nach vorne gemacht, indem wir einen einzigartigen und ganzheitlichen Ansatz entwickelt haben, um das Risiko eines vorzeitigen Todes einer Person durch maschinelles Lernen vorherzusagen."
Stephen Weng
„Mithilfe von Computern werden neue Risikoprognosemodelle erstellt, die eine Vielzahl von demografischen, biometrischen, klinischen und Lebensstilfaktoren für jede bewertete Person berücksichtigen, selbst den täglichen Verzehr von Obst, Gemüse und Fleisch über die Nahrung“, erklärt Weng.
Darüber hinaus, so die Forscher, stützen die Ergebnisse der neuen Studie frühere Ergebnisse, die zeigten, dass bestimmte KI-Algorithmen das Risiko von Herzerkrankungen besser vorhersagen können als die herkömmlichen Vorhersagemodelle, die Kardiologen derzeit verwenden.
„Derzeit besteht ein starkes Interesse an dem Potenzial,„ KI “oder„ maschinelles Lernen “zu verwenden, um die Gesundheitsergebnisse besser vorherzusagen. In einigen Situationen kann es hilfreich sein, in anderen möglicherweise nicht. In diesem speziellen Fall haben wir gezeigt, dass diese Algorithmen bei sorgfältiger Abstimmung die Vorhersage sinnvoll verbessern können “, sagt Prof. Joe Kai, ein klinischer Wissenschaftler, der ebenfalls an der Studie gearbeitet hat.
Er fährt fort: „Diese Techniken können für viele in der Gesundheitsforschung neu und schwer zu befolgen sein. Wir glauben, dass eine klare Berichterstattung über diese Methoden auf transparente Weise zur wissenschaftlichen Überprüfung und zukünftigen Entwicklung dieses aufregenden Bereichs für das Gesundheitswesen beitragen kann. “
