Pada masa ini, doktor mempunyai banyak cara untuk meramalkan kesihatan pesakit. Walau bagaimanapun, tidak ada yang bersifat universal, dan banyak patologi (misalnya, serangan jantung) sangat sukar untuk diramalkan. Para saintis telah membuktikan bahawa komputer yang mampu belajar sendiri dapat menunjukkan prestasi yang lebih baik daripada amalan perubatan standard dan meningkatkan kualiti ramalan dengan ketara. Sekiranya amalan ini dilaksanakan, kaedah baru akan membantu menyelamatkan ribuan, jika tidak berjuta-juta nyawa setiap tahun.
Setiap tahun, kira-kira 20 juta orang mati akibat penyakit kardiovaskular, termasuk serangan jantung, strok, arteri tersumbat dan penyakit kardiovaskular lain. Untuk cuba meramalkan komplikasi tersebut, doktor di negara-negara Barat menggunakan garis panduan American College of Cardiology / American Heart Association (ACC / AHA). Mereka didasarkan pada lapan faktor risiko, termasuk usia, tahap kolesterol darah dan tekanan darah, dari mana doktor cuba menyusun satu gambar penyakit ini.
Dalam banyak kes, pendekatan ini sering terlalu sederhana, di samping itu, faktor lain boleh mempengaruhi tubuh pesakit, akibatnya penyakit kardiovaskular dapat berkembang. Dalam kajian baru, Stephen Wan, ahli epidemiologi di University of Nottingham di UK, membandingkan arahan ACC / AHA dengan empat algoritma pembelajaran mesin: hutan rawak, regresi logistik, peningkatan gradien, dan jaringan saraf. Keempat-empat algoritma bertujuan menganalisis banyak data yang, secara teori, memungkinkan AI membuat ramalan perubatan lebih baik daripada manusia. Dalam kes ini, data diperoleh dari rekod kesihatan elektronik dari 378,256 pesakit di UK. Tujuannya adalah untuk mencari rakaman sampel yang berkaitan dengan kejadian kardiovaskular.
Pertama, algoritma kecerdasan buatan (AI) harus dilatih sendiri. Mereka menggunakan sekitar 78% data - kira-kira 295.267 rekod - untuk mencari corak dan membuat "cadangan" dalaman mereka sendiri. Kemudian mereka menguji diri mereka pada dokumen yang lain. Dengan menggunakan data dari tahun 2005, algoritma meramalkan pesakit mana yang akan mendapat masalah jantung dan vaskular selama 10 tahun ke depan, dan kemudian menguji andaian mereka menggunakan catatan 2015. Bertentangan dengan garis panduan ACC / AHA, pembelajaran mesin dibenarkan untuk mempertimbangkan 22 titik data lagi, termasuk etnik, artritis, dan penyakit ginjal.
Hasilnya, keempat-empat kaedah AI didapati jauh lebih efisien dalam peramalan daripada cadangan ACC / AHA. Dengan menggunakan statistik AUC (di mana 1.0 adalah 100% tepat), arahan ACC / AHA telah mencapai 0.728. Empat kaedah baru berkisar antara 0,745 hingga 0,764, seperti yang dilaporkan oleh pasukan Wen di majalah PLOS ONE. Dalam sampel ujian, kira-kira 83,000 penyertaan mengambil bahagian, dan dalam pertempuran antara AI dan manusia, mesin "menyelamatkan" 355 lebih banyak pesakit. Ini kerana, kata Wen, ramalan sering membawa kepada pencegahan, melalui penurunan kolesterol atau perubahan diet.
Beberapa faktor risiko yang dikenal pasti algoritma pembelajaran mesin sebagai peramal terkuat tidak termasuk dalam garis panduan ACC / AHA. Ini termasuk, misalnya, penyakit mental yang teruk dan pemberian kortikosteroid oral. Sementara itu, tiada parameter yang terdapat dalam senarai ACC / AHA adalah antara 10 ramalan terpenting oleh mesin (dan juga diabetes). Di masa depan, Weng berharap dapat memasukkan sosial dan genetik lain untuk meningkatkan lagi ketepatan algoritma.
Vasily Makarov
