Ovo nije prvi pokušaj stručnjaka da iskoriste moć predviđanja veštačke inteligencije u zdravstvene svrhe. Medicinski stručnjaci su uspeli da iskoriste uznemirujuću sposobnost veštačke inteligencije, a to je da predvidi dužinu ljudskog života. Naučnici su nedavno obučili veštačku inteligenciju da oceni desetogodišnje opšte zdravstvene podatke više od pola miliona ljudi u Velikoj Britaniji. Posle toga, zadali su joj zadatak da odredi koji se pojedinci nalaze u opasnosti od prerane smrti, drugim rečima, koji pojedinci neće dočekati prosečnu starost, već će umreti od neke hronične bolesti. Prognoze prerane smrti koje su napravili algoritmi veštačke inteligencije bili su „značajno precizniji“ od prognoza koje je napravio model koji nije koristio mašinsko učenje. Da bi se odredila verovatnoća prerane smrti, istraživači su testirali dva tipa veštačke inteligencije: „duboko učenje“, u kome su slojevite mreže za obradu informacija pomogle računaru da uči iz primera i „nasumična šuma“, koja predstavlja jednostavniji tip veštačke inteligencije i kombinuje višestruke modele u obliku razgranatog stabla da bi razmotrila sve moguće ishode. Posle toga su uporedili zaključke modela veštačke inteligencije sa rezultatima standardnog algoritma poznatijeg pod nazivom Koksov (Cox) model.
Upotrebom tri navedena modela, naučnici su vrednovali podatke iz baze UK Biobank, koja predstavlja bazu podataka sa otvorenim pristupom i sadrži genetske, fizičke i zdravstvene podatke pola miliona ljudi, a koje su prikupili u periodu od 2006 do 2016. godine. Tokom tok perioda, skoro 14.500 ispitanika je preminulo, uglavnom od raka, srčanih oboljenja i respiratornih problema.
Različite promenljive
Sva tri modela su ustanovila da su činioci kao što su starost, pol, pušenje i prethodno dijagnostikovanje raka tri najvažnije promenljive za procenu verovatnoće prerane smrti. Istraživači su otkrili da se tri modela razilaze po pitanju drugih ključnih činilaca. Koksov model se prevashodno oslanjao na etničku pripadnost i fizičku aktivnost, što nije bio slučaj kod modela koji su zasnovani na mašinskom učenju nisu. Na primer, model nasumične šume mnogo više se oslanjao na procenat masti u organizmu, obim struka, količinu voća i povrća koje ljudi konzumiraju i na ten. Što se tiče modela mašinskog učenja, najvažniji činioci obuhvatili su izloženost opasnostima na radnom mestu, zagađenje vazduha, konzumiranje alkohola i korišćenje određenih lekova.
Kad su se svi brojčani podaci analizirani, algoritam dubokog učenja došao je do najpreciznijih prognoza, a to znači da je ispravno identifikovao 76% ispitanika koji su preminuli tokom perioda istraživanja. U poređenju s njim, model nasumične šume predvideo je preranu smrt u 64% slučajeva, a Koksov model u samo oko 44%. To nije prvi put da su stručnjaci uspeli da iskoriste prognostičku moć veštačke inteligencije u zdravstvene svrhe. Drugi tim istraživača je 2017. godine, prikazao da je veštačka inteligencija sposobna da uoči rane znake Alchajmerove bolesti. Naime, njihov algoritam je procenjivao snimke skeniranja mozga da bi predvideo da li je osoba u opasnosti da oboli od Alchajmerove bolesti. Preciznost prognoziranja je u tom slučaju bila 84%.
Još jedna studija je otkrila da veštačka inteligencija može da predvidi početak autizma kod šestomesečnih beba koje su bile u rizičnoj grupi. Još jedno istraživanje je uspelo da otkrije znakove dijabetesa analizirajući snimke skeniranja mrežnjače, a isti ti snimci poslužili su još jednoj studiji koja se bavila ustanovljavanjem verovatnoće pojavljivanja srčanog ili moždanog udara kod pacijenata.
U najnovijem istraživanju, naučnici su prikazali da se mašinsko učenje uz fino podešavanja može koristiti da bi se uspešno prognozirali smrtni ishodi tokom vremena.
Iako je upotreba veštačke inteligencije možda nepoznata mnogim medicinskim stručnjacima, predstavljanje metoda korišćenog u studiji može pomoći pri naučnoj potvrdi i budućem razvoju te uzbudljive oblasti.