Medicinske forskere har åbnet en foruroligende evne inden for kunstig intelligens (AI): at forudsige en persons tidlige død.
Forskere har for nylig trænet et AI-system til at evaluere et årti med generelle sundhedsdata indsendt af mere end en halv million mennesker i Storbritannien. Derefter opgav de AI med at forudsige, om individer var i risiko for at dø for tidligt - med andre ord, hurtigere end den gennemsnitlige levealder - af kronisk sygdom, rapporterede de i en ny undersøgelse.
Forudsigelserne om tidlig død, der blev foretaget af AI-algoritmer, var "betydeligt mere nøjagtige" end forudsigelser leveret af en model, der ikke brugte maskinlæring, ledede forfatterforfatter Dr. Stephen Weng, en adjunkt i epidemiologi og datavidenskab ved University of Nottingham (FN) i Storbritannien, sagde det i en erklæring.
For at evaluere sandsynligheden for forsøgspersons for tidlige dødelighed testede forskerne to typer AI: "dyb læring", hvor lagdelte informationsbehandlingsnetværk hjælper en computer med at lære af eksempler; og "tilfældig skov", en enklere type AI, der kombinerer flere, trælignende modeller for at overveje mulige resultater.
Derefter sammenlignede de AI-modellenes konklusioner med resultater fra en standardalgoritme, kendt som Cox-modellen.
Ved hjælp af disse tre modeller vurderede forskerne data i UK Biobank - en åben-adgangsdatabase med genetiske, fysiske og sundhedsmæssige data - indsendt af mere end 500.000 mennesker mellem 2006 og 2016. I løbet af den tid døde næsten 14.500 af deltagerne, primært fra kræft, hjertesygdomme og luftvejssygdomme.
Forskellige variabler
Alle tre modeller bestemte, at faktorer som alder, køn, rygevirksomhed og en tidligere kræftdiagnose var topvariabler til vurdering af sandsynligheden for en persons tidlige død. Men modellerne divergerede over andre nøglefaktorer, fandt forskerne.
Cox-modellen læner sig stærkt på etnicitet og fysisk aktivitet, mens maskinlæringsmodellerne ikke gjorde det. Til sammenligning lægger den tilfældige skovmodel større vægt på procentdel af kropsfedt, taljemængde, mængden af frugt og grøntsager, som folk spiste, og hudfarve, ifølge undersøgelsen. For den dybe indlæringsmodel omfattede topfaktorer eksponering for jobrelaterede farer og luftforurening, alkoholindtagelse og brug af visse medicin.
Når al antallet knuste blev udført, leverede dyb-læringsalgoritmen de mest nøjagtige forudsigelser, idet de korrekt identificerede 76 procent af forsøgspersoner, der døde i undersøgelsesperioden. Til sammenligning forudsagde den tilfældige skovmodel korrekt 64 procent af de tidlige dødsfald, mens Cox-modellen kun identificerede ca. 44 procent.
Dette er ikke første gang, at eksperter udnytter AIs forudsigelsesevne til sundhedsvæsenet. I 2017 demonstrerede et andet team af forskere, at AI kunne lære at se tidlige tegn på Alzheimers sygdom; deres algoritme evaluerede hjernescanninger for at forudsige, om en person sandsynligvis ville udvikle Alzheimers, og det gjorde det med cirka 84 procent nøjagtighed, rapporterede Live Science tidligere.
En anden undersøgelse fandt, at AI kunne forudsige starten af autisme hos 6 måneder gamle babyer, der havde en høj risiko for at udvikle lidelsen. Endnu en undersøgelse kunne påvise tegn på indgreb i diabetes gennem analyse af nethindescanninger; og endnu en - også ved hjælp af data, der stammer fra nethindescanninger - forudsagde sandsynligheden for, at en patient oplever et hjerteanfald eller slagtilfælde.
I den nye undersøgelse demonstrerede videnskabsmændene, at maskinlæring - "med omhyggelig indstilling" - kan bruges til at forudsige dødelighedsresultater over tid, sagde medforfatter Joe Kai, en FN-professor i primærpleje, i erklæringen.
Mens brugen af AI på denne måde kan være ukendt for mange sundhedsfagfolk, kan præsentation af metoderne, der bruges i undersøgelsen, "hjælpe med videnskabelig verifikation og fremtidig udvikling af dette spændende felt," sagde Kai.
Resultaterne blev offentliggjort online i dag (27. marts) i tidsskriftet PLOS ONE.
