Actualmente, los médicos tienen muchas formas de predecir la salud de un paciente. Ninguno de ellos, sin embargo, es universal y muchas patologías (por ejemplo, infartos) son muy difíciles de predecir. Los científicos han demostrado que las computadoras capaces de autoaprendizaje pueden funcionar incluso mejor que las prácticas médicas estándar y mejorar significativamente la calidad de la predicción. Si se implementa esta práctica, el nuevo método ayudará a salvar miles, si no millones, de vidas cada año.
Cada año, alrededor de 20 millones de personas mueren por enfermedades cardiovasculares, incluidos ataques cardíacos, accidentes cerebrovasculares, arterias obstruidas y otras enfermedades cardiovasculares. Para tratar de predecir tales complicaciones, los médicos de los países occidentales utilizan las pautas del Colegio Americano de Cardiología / Asociación Americana del Corazón (ACC / AHA). Se basan en ocho factores de riesgo, que incluyen la edad, los niveles de colesterol en sangre y la presión arterial, a partir de los cuales el médico intenta componer una imagen única de la enfermedad.
Para muchos casos, este enfoque es a menudo demasiado simplista, además, otros factores pueden afectar el cuerpo del paciente, como resultado de lo cual se pueden desarrollar enfermedades cardiovasculares. En un nuevo estudio, Stephen Wan, epidemiólogo de la Universidad de Nottingham en el Reino Unido, comparó las directivas ACC / AHA con cuatro algoritmos de aprendizaje automático: bosque aleatorio, regresión logística, aumento de gradiente y una red neuronal. Los cuatro algoritmos estaban destinados a analizar una gran cantidad de datos que, en teoría, permitirían a la IA hacer predicciones médicas mejores que los humanos. En este caso, los datos se obtuvieron de las historias clínicas electrónicas de 378.256 pacientes en el Reino Unido. El objetivo era encontrar grabaciones de muestra que estuvieran asociadas con eventos cardiovasculares.
Primero, los algoritmos de inteligencia artificial (IA) tenían que entrenarse por sí mismos. Utilizaron aproximadamente el 78% de los datos, aproximadamente 295,267 registros, para buscar patrones y crear sus propias "recomendaciones" internas. Luego se pusieron a prueba en el resto de los documentos. Utilizando datos de 2005, los algoritmos predijeron qué pacientes sufrirían problemas cardíacos y vasculares durante los próximos 10 años, y luego probaron sus suposiciones utilizando registros de 2015. Contrariamente a las pautas de ACC / AHA, se permitió al aprendizaje automático tener en cuenta 22 puntos de datos más, incluidos el origen étnico, la artritis y la enfermedad renal.
norte
Como resultado, se descubrió que los cuatro métodos de IA eran mucho más eficientes en la predicción que las recomendaciones de ACC / AHA. Usando estadísticas AUC (donde 1.0 es 100% exacto), las directivas ACC / AHA han llegado a 0.728. Los cuatro nuevos métodos variaron de 0,745 a 0,764, como informó el equipo de Wen en la revista PLOS ONE. En la muestra de prueba, participaron alrededor de 83.000 entradas, y en la batalla entre la IA y el hombre, las máquinas "salvaron" a 355 pacientes más. Esto se debe a que, según Wen, la predicción a menudo conduce a la prevención, mediante la reducción del colesterol o cambios en la dieta.
Algunos de los factores de riesgo que los algoritmos de aprendizaje automático han identificado como los predictores más sólidos no están incluidos en las pautas de ACC / AHA. Estos incluyen, por ejemplo, enfermedades mentales graves y la administración oral de corticosteroides. Mientras tanto, ninguno de los parámetros que están en la lista de ACC / AHA se encuentra entre los 10 predictores más importantes por máquina (e incluso diabetes). En el futuro, Weng espera incluir otros sociales y genéticos para mejorar aún más la precisión de los algoritmos.
Vasily Makarov
