Το ποσοστό θνησιμότητας μας μπορεί να είναι ένα δύσκολο θέμα. Θέλετε να μάθετε πότε θα πεθάνετε εάν αυτές οι πληροφορίες είναι διαθέσιμες σε εσάς; Ίσως όχι μια ακριβής ημερομηνία, αλλά θέλετε να μάθετε αν είστε έτοιμοι να πεθάνετε πριν από τη μέση ηλικία;
Για παράδειγμα, για μένα, αυτό δεν έχει νόημα. Δεν θέλω να μάθω ιδιαίτερα, αλλά έχω έναν φίλο που έχει ήδη ξεπεράσει τις πιθανότητες: είναι επιζών από καρκίνο. Έτσι οι πιθανότητές του αυξήθηκαν. Εμφάνιση αλγορίθμων Τεχνητή νοημοσύνη Τώρα μεγαλύτερη ακρίβεια στον προσδιορισμό του πρόωρου θανάτου. Αν και μπορεί να είναι ευκολότερο να προσδιορίσω τη θέση μου, μπορεί να μην είναι το επόμενο άτομο, αλλά Το AI εξακολουθεί να είναι ικανό Αυτό είναι πιο ακριβές από τις τρέχουσες μεθόδους.
Η τεχνητή νοημοσύνη προβλέπει τον πρόωρο θάνατο με μεγαλύτερη ακρίβεια
Ιατρικοί ερευνητές, με επικεφαλής τον Δρ Stephen Wong, Επίκουρο Καθηγητή Επιδημιολογίας και Επιστήμης Δεδομένων στο Πανεπιστήμιο του Nottingham στο Ηνωμένο Βασίλειο, εκπαίδευσαν ένα σύστημα AI για την αξιολόγηση των δεδομένων υγείας περισσότερων από μισό εκατομμύριο ανθρώπων στο Ηνωμένο Βασίλειο. Χρησιμοποίησαν πρόβλεψη για να δουν εάν οι άνθρωποι διέτρεχαν μεγαλύτερο κίνδυνο πρόωρου θανάτου από χρόνια νόσο.
Ο φίλος μου είχε καρκίνο πριν από έξι χρόνια όπως είπα. Πριν από δέκα χρόνια, θα μπορούσε η AI να είχε προβλέψει ότι είχε αυτή την ασθένεια ή ότι είχα περισσότερες πιθανότητες να πεθάνω νωρίς από την ασθένεια;
Οι προβλέψεις που έκανε η AI για τον πρόωρο θάνατο ήταν «πολύ πιο ακριβείς» από προηγούμενες μεθόδους που είχαν χρησιμοποιηθεί, σύμφωνα με το Wing.
Δύο τύποι τεχνητής νοημοσύνης χρησιμοποιήθηκαν για την αξιολόγηση της πιθανότητας πρόωρου θανάτου: «βαθιά μάθηση» και «τυχαία ζούγκλα». Η βαθιά μάθηση συμβαίνει όταν ένας υπολογιστής χρησιμοποιεί δίκτυα επεξεργασίας πληροφοριών σε επίπεδα για να μάθει από παραδείγματα. Το Random Forest συνδυάζει πολλά μοντέλα που μοιάζουν με δέντρα για να προσδιορίσει το ίδιο πράγμα.
Τα αποτελέσματα της βαθιάς μάθησης και των μεθόδων τυχαίας δασικής συγκρίθηκαν στη συνέχεια με τον τυπικό αλγόριθμο που χρησιμοποιήθηκε για τον προσδιορισμό του πρόωρου θανάτου: το μοντέλο Cox.
Γενετικά, φυσικά και δεδομένα υγείας από τη βάση δεδομένων ανοιχτής πρόσβασης της UK Biobank αξιολογήθηκαν από τους ερευνητές χρησιμοποιώντας τα τρία μοντέλα. Αυτή η βάση δεδομένων περιελάμβανε περίπου 14500 ανθρώπους που πέθαναν, στις περισσότερες περιπτώσεις από καρκίνο, καρδιακές παθήσεις και αναπνευστικές παθήσεις, από το 2006 έως το 2016.
Η ηλικία, το φύλο, το ιστορικό καπνίσματος και η προηγούμενη διάγνωση του καρκίνου ήταν σημαντικές μεταβλητές για τον προσδιορισμό του εάν ένα άτομο θα πέθαινε πρόωρα, σύμφωνα με τους τρεις αλγόριθμους.
Αλλά οι αλγόριθμοι εξέτασαν τις άλλες μεταβλητές διαφορετικά. Το μοντέλο Cox επικεντρώθηκε στη φυλή και τη σωματική δραστηριότητα, ενώ το AI όχι.
Το τυχαίο δάσος AI έδωσε σημασία στο ποσοστό λίπους, την περίμετρο της μέσης, την ποσότητα των φρούτων και λαχανικών που καταναλώθηκαν και το χρώμα του δέρματος. Το Deep Learning AI εξέτασε την έκθεση σε κινδύνους που σχετίζονται με την εργασία και την ατμοσφαιρική ρύπανση, και έλαβε επίσης υπόψη το αλκοόλ και ορισμένα φάρμακα.
Όταν συγκρίθηκαν οι τρεις αλγόριθμοι, η βαθιά μάθηση ήταν η πιο ακριβής. Αναγνώρισε σωστά το 76 τοις εκατό των ανθρώπων που πέθαναν κατά τη διάρκεια της δεκαετίας της μελέτης. Το τυχαίο δάσος ήταν ακριβές με το 65 τοις εκατό των ανθρώπων, ενώ το μοντέλο Cox ήταν ακριβές με περίπου το 44 τοις εκατό των ανθρώπων.
Το AI είναι αξιόπιστο
Αυτές δεν είναι οι μόνες φορές που η τεχνητή νοημοσύνη ήταν ακριβής στην πρόβλεψη των αποτελεσμάτων της υγειονομικής περίθαλψης. Έχει χρησιμοποιηθεί για τον εντοπισμό πρώιμων σημείων της νόσου του Αλτσχάιμερ, του αυτισμού, του διαβήτη, της καρδιακής προσβολής και του εγκεφαλικού.
Τώρα που γνωρίζουμε ότι η τεχνητή νοημοσύνη μπορεί να προβλέψει με ακρίβεια τον πρόωρο θάνατο, πού μας αφήνει αυτό; Είναι αυτό κάτι που θέλουμε να μάθουμε για να μπορέσουμε να εφαρμόσουμε τις λίστες κάδου μας; Θέλετε η τεχνητή νοημοσύνη να σας πει για τις πιθανότητές σας να πεθάνετε πρόωρα; Προσθέστε τις σκέψεις σας σχετικά με αυτό στα σχόλια παρακάτω.
