Momenteel hebben artsen veel manieren om de gezondheid van een patiënt te voorspellen. Geen van hen is echter universeel en veel pathologieën (bijvoorbeeld hartaanvallen) zijn erg moeilijk te voorspellen. Wetenschappers hebben aangetoond dat computers die in staat zijn om zelf te leren, zelfs beter presteren dan standaard medische praktijken en de kwaliteit van voorspellingen aanzienlijk verbeteren. Als deze praktijk wordt toegepast, zal de nieuwe methode elk jaar duizenden, zo niet miljoenen levens helpen redden.
Elk jaar sterven ongeveer 20 miljoen mensen aan hart- en vaatziekten, waaronder hartaanvallen, beroertes, verstopte slagaders en andere hart- en vaatziekten. Om dergelijke complicaties te proberen te voorspellen, gebruiken artsen in westerse landen de richtlijnen van het American College of Cardiology / American Heart Association (ACC / AHA). Ze zijn gebaseerd op acht risicofactoren, waaronder leeftijd, cholesterolgehalte in het bloed en bloeddruk, waaruit de arts probeert een enkel beeld van de ziekte samen te stellen.
In veel gevallen is deze benadering vaak te simplistisch, daarnaast kunnen andere factoren het lichaam van de patiënt aantasten, waardoor hart- en vaatziekten kunnen ontstaan. In een nieuwe studie vergeleek Stephen Wan, een epidemioloog aan de Universiteit van Nottingham in het VK, ACC / AHA-richtlijnen met vier algoritmen voor machine learning: willekeurig bos, logistische regressie, gradiëntverhoging en een neuraal netwerk. Alle vier de algoritmen waren gericht op het analyseren van veel gegevens die, in theorie, AI in staat zouden stellen om medische voorspellingen beter te doen dan mensen. In dit geval werden de gegevens verkregen uit elektronische medische dossiers van 378.256 patiënten in het VK. Het doel was om voorbeeldopnamen te vinden die verband hielden met cardiovasculaire gebeurtenissen.
Ten eerste moesten algoritmen voor kunstmatige intelligentie (AI) zelfstandig trainen. Ze gebruikten ongeveer 78% van de gegevens - ongeveer 295.267 records - om naar patronen te zoeken en hun eigen interne "aanbevelingen" te creëren. Daarna testten ze zichzelf op de rest van de documenten. Met behulp van gegevens uit 2005 voorspelden de algoritmen welke patiënten de komende 10 jaar hart- en vaatproblemen zouden krijgen, en testten ze hun aannames vervolgens met behulp van records uit 2015. In tegenstelling tot de ACC / AHA-richtlijnen mocht machine learning rekening houden met 22 extra datapunten, waaronder etniciteit, artritis en nierziekte.
Als resultaat bleken alle vier AI-methoden veel efficiënter te zijn bij het voorspellen dan de ACC / AHA-aanbevelingen. Met behulp van AUC-statistieken (waarbij 1,0 100% nauwkeurig is), hebben de ACC / AHA-richtlijnen 0,728 bereikt. De vier nieuwe methoden varieerden van 0,745 tot 0,764, zoals het team van Wen meldde in het tijdschrift PLOS ONE. Aan het testexemplaar namen ongeveer 83.000 inzendingen deel, en in de strijd tussen AI en de mens "redden" de machines 355 extra patiënten. Dit komt omdat, zegt Wen, voorspelling vaak tot preventie leidt, door cholesterolverlaging of veranderingen in het voedingspatroon.
Sommige van de risicofactoren die door machine learning-algoritmen zijn geïdentificeerd als de sterkste voorspellers, zijn niet opgenomen in de ACC / AHA-richtlijnen. Deze omvatten bijvoorbeeld ernstige psychische aandoeningen en orale toediening van corticosteroïden. Ondertussen behoren geen van de parameters die op de ACC / AHA-lijst staan tot de 10 belangrijkste voorspellers per machine (en zelfs diabetes). In de toekomst hoopt Weng andere sociale en genetische op te nemen om de nauwkeurigheid van de algoritmen verder te verbeteren.
Vasily Makarov
