Medicinska forskare har låst upp en oroande förmåga inom artificiell intelligens (AI): förutsäga en persons tidiga död.
Forskare utbildade nyligen ett AI-system för att utvärdera ett decennium av allmänna hälsodata som överlämnats av mer än en halv miljon människor i Storbritannien. Därefter uppgav de AI att förutsäga om individer riskerade att dö i förtid - med andra ord förr än den genomsnittliga livslängden - av kronisk sjukdom, rapporterade de i en ny studie.
Förutsägelserna om tidig död som gjordes av AI-algoritmer var "betydligt mer exakta" än förutsägelser som levererats av en modell som inte använde maskinlärande, författar doktor Stephen Weng, biträdande professor i epidemiologi och datavetenskap vid University of Nottingham (FN) i Storbritannien, sade i ett uttalande.
För att utvärdera sannolikheten för försökspersonernas för tidig dödlighet testade forskarna två typer av AI: "djup inlärning", där skiktade informationsbearbetningsnätverk hjälper en dator att lära av exempel; och "slumpmässig skog", en enklare typ av AI som kombinerar flera trädliknande modeller för att överväga möjliga resultat.
Sedan jämförde de AI-modellernas slutsatser med resultat från en standardalgoritm, känd som Cox-modellen.
Med hjälp av dessa tre modeller utvärderade forskarna data i UK Biobank - en databas med öppen åtkomst av genetiska, fysiska och hälsodata - som överlämnats av mer än 500 000 människor mellan 2006 och 2016. Under den tiden dog nästan 14 500 av deltagarna, främst från cancer, hjärtsjukdomar och luftvägssjukdomar.
Olika variabler
Alla tre modellerna bestämde att faktorer som ålder, kön, rökhistoria och en tidigare cancerdiagnos var de bästa variablerna för att bedöma sannolikheten för en persons tidiga död. Men modellerna divergerade över andra viktiga faktorer, fann forskarna.
Cox-modellen lutade starkt på etnicitet och fysisk aktivitet, medan maskininlärningsmodellerna inte gjorde det. Som jämförelse lägger den slumpmässiga skogsmodellen större tonvikt på kroppsfettprocent, midjeomkrets, mängden frukt och grönsaker som människor åt och hudton, enligt studien. För den djupinlärningsmodellen inkluderade toppfaktorer exponering för arbetsrelaterade faror och luftföroreningar, alkoholintag och användning av vissa mediciner.
När alla siffrorna blev klara levererade den djupinlärningsalgoritmen de mest exakta förutsägelserna och identifierade korrekt 76 procent av de personer som dog under studietiden. Som jämförelse förutsagde den slumpmässiga skogsmodellen korrekt cirka 64 procent av för tidiga dödsfall, medan Cox-modellen bara identifierade cirka 44 procent.
Detta är inte första gången som experter utnyttjar AI: s prediktiva kraft för hälsovård. Under 2017 visade ett annat forskarteam att AI kunde lära sig att upptäcka tidiga tecken på Alzheimers sjukdom; deras algoritm utvärderade hjärnscanningar för att förutsäga om en person skulle troligt utveckla Alzheimers, och det gjorde det med ungefär 84 procent noggrannhet, rapporterade Live Science tidigare.
En annan studie fann att AI kunde förutsäga början av autism hos 6 månader gamla barn som hade en hög risk att utveckla störningen. Ytterligare en studie kunde upptäcka tecken på att intrång i diabetes genom analys av näthinneskanning; och en till - även med data som härrör från näthinneskanningar - förutspådde sannolikheten för att en patient får hjärtattack eller stroke.
I den nya studien visade forskarna att maskininlärning - "med noggrann inställning" - kan användas för att framgångsrikt förutsäga dödlighetsresultat över tid, sa medförfattaren Joe Kai, FN: s professor i primärvård, i uttalandet.
Medan man använder AI på detta sätt kan det vara okänt för många hälso- och sjukvårdspersonal, men att presentera de metoder som används i studien "kan hjälpa till med vetenskaplig verifiering och framtida utveckling av detta spännande fält," sade Kai.
Resultaten publicerades online idag (27 mars) i tidskriften PLOS ONE.
