Kunstmatige intelligentie gebruiken om sterfte te voorspellen
Nieuw onderzoek dat in het tijdschrift verschijnt PLOS EEN suggereert dat machine learning een waardevol hulpmiddel kan zijn om het risico op vroegtijdig overlijden te voorspellen. De wetenschappers vergeleken de nauwkeurigheid van de voorspelling van kunstmatige intelligentie met die van statistische methoden die experts momenteel gebruiken in medisch onderzoek.
Een toenemend aantal recent onderzoek suggereert dat computeralgoritmen en leren van kunstmatige intelligentie (AI) zeer nuttig kunnen zijn in de medische wereld.
Een studie die een paar maanden geleden verscheen, toonde bijvoorbeeld aan dat deep learning-algoritmen het begin van de ziekte van Alzheimer al 6 jaar van tevoren nauwkeurig kunnen voorspellen.
Met behulp van een zogenaamde ‘trainingsdataset’ kunnen deep learning-algoritmen ‘zichzelf leren’ voorspellen of en wanneer een gebeurtenis zich waarschijnlijk zal voordoen.
Nu hebben onderzoekers onderzocht of machine learning de vroegtijdige sterfte als gevolg van chronische ziekten nauwkeurig kan voorspellen.
Stephen Weng, assistent-professor epidemiologie en data science aan de Universiteit van Nottingham in het Verenigd Koninkrijk, leidde het nieuwe onderzoek.
Hoe AI kan helpen bij preventieve zorg
Weng en collega's onderzochten gezondheidsgegevens van meer dan een half miljoen mensen tussen de 40 en 69 jaar. De deelnemers hadden zich tussen 2006 en 2010 aangemeld bij de UK Biobank-studie. De onderzoekers van de UK Biobank-studie volgden de deelnemers klinisch tot 2016.
Voor de huidige studie hebben Weng en team een systeem van leeralgoritmen ontwikkeld met behulp van twee modellen genaamd "random forest" en "deep learning". Ze gebruikten de modellen om het risico op vroegtijdig overlijden door chronische ziekten te voorspellen.
De wetenschappers onderzochten de voorspellende nauwkeurigheid van deze modellen en vergeleken ze met conventionele voorspellingsmodellen, zoals "Cox-regressie" -analyse en een multivariate Cox-model.
"We brachten de resulterende voorspellingen in kaart met sterftegegevens van het cohort met behulp van overlijdensrecords van het Office of National Statistics, de Britse kankerregistratie en statistieken over 'ziekenhuisafleveringen'", legt de hoofdonderzoeker van het onderzoek uit.
Uit de studie bleek dat het Cox-regressiemodel het minst nauwkeurig was in het voorspellen van vroegtijdig overlijden, terwijl het multivariate Cox-model iets beter was, maar waarschijnlijk het overlijdensrisico overdreef.
Over het algemeen waren "algoritmen voor machinaal leren significant nauwkeuriger in het voorspellen van de dood dan de standaard voorspellingsmodellen ontwikkeld door een menselijke expert", meldt Weng. De onderzoeker geeft ook commentaar op de klinische betekenis van de bevindingen.
Hij zegt: "Preventieve gezondheidszorg is een steeds grotere prioriteit in de strijd tegen ernstige ziekten, dus we werken al een aantal jaren aan het verbeteren van de nauwkeurigheid van geautomatiseerde gezondheidsrisicobeoordelingen bij de algemene bevolking."
"De meeste toepassingen zijn gericht op een enkel ziektegebied, maar het voorspellen van de dood als gevolg van verschillende ziekteresultaten is zeer complex, vooral gezien de omgevings- en individuele factoren die hen kunnen beïnvloeden."
"We hebben een grote stap voorwaarts gemaakt op dit gebied door een unieke en holistische benadering te ontwikkelen voor het voorspellen van iemands risico op vroegtijdig overlijden door machine learning."
Stephen Weng
"Hierbij worden computers gebruikt om nieuwe risicovoorspellingsmodellen te bouwen die rekening houden met een breed scala aan demografische, biometrische, klinische en leefstijlfactoren voor elk beoordeeld individu, zelfs hun dagelijkse consumptie van fruit, groenten en vlees", legt Weng uit.
Bovendien, zeggen de onderzoekers, versterken de resultaten van de nieuwe studie eerdere bevindingen, die aantoonden dat bepaalde AI-algoritmen het risico op hart- en vaatziekten beter voorspellen dan de conventionele voorspellingsmodellen die cardiologen momenteel gebruiken.
"Er is momenteel grote belangstelling voor het potentieel om‘ AI ’of‘ machine learning ’te gebruiken om gezondheidsresultaten beter te voorspellen. In sommige situaties kunnen we merken dat het helpt, in andere niet. In dit specifieke geval hebben we aangetoond dat deze algoritmen met zorgvuldige afstemming de voorspelling nuttig kunnen verbeteren ”, zegt prof. Joe Kai, een klinische academicus die ook aan het onderzoek heeft meegewerkt.
Hij vervolgt: “Deze technieken kunnen nieuw zijn voor velen in gezondheidsonderzoek en moeilijk te volgen. Wij zijn van mening dat door deze methoden duidelijk op een transparante manier te rapporteren, dit zou kunnen helpen bij wetenschappelijke verificatie en toekomstige ontwikkeling van dit opwindende veld voor de gezondheidszorg. "
