Derzeit haben Ärzte viele Möglichkeiten, die Gesundheit eines Patienten vorherzusagen. Keiner von ihnen ist jedoch universell und viele Pathologien (zum Beispiel Herzinfarkte) sind sehr schwer vorherzusagen. Wissenschaftler haben gezeigt, dass selbstlernende Computer sogar eine bessere Leistung als herkömmliche medizinische Praktiken erbringen und die Qualität der Vorhersage erheblich verbessern können. Wenn diese Praxis umgesetzt wird, wird die neue Methode jedes Jahr Tausende, wenn nicht Millionen von Menschenleben retten.
Jedes Jahr sterben etwa 20 Millionen Menschen an Herz-Kreislauf-Erkrankungen, darunter Herzinfarkte, Schlaganfälle, verstopfte Arterien und andere Herz-Kreislauf-Erkrankungen. Um solche Komplikationen vorherzusagen, verwenden Ärzte in westlichen Ländern die Richtlinien des American College of Cardiology / der American Heart Association (ACC / AHA). Sie basieren auf acht Risikofaktoren, einschließlich Alter, Blutcholesterinspiegel und Blutdruck, aus denen der Arzt versucht, ein einziges Bild der Krankheit zu erstellen.
In vielen Fällen ist dieser Ansatz oft zu einfach, außerdem können andere Faktoren den Körper des Patienten beeinflussen, wodurch sich Herz-Kreislauf-Erkrankungen entwickeln können. In einer neuen Studie verglich Stephen Wan, Epidemiologe an der Universität von Nottingham in Großbritannien, die ACC / AHA-Richtlinien mit vier Algorithmen für maschinelles Lernen: Zufallswald, logistische Regression, Gradientenverstärkung und neuronales Netzwerk. Alle vier Algorithmen zielten darauf ab, viele Daten zu analysieren, die es der KI theoretisch ermöglichen würden, medizinische Vorhersagen besser als Menschen zu treffen. In diesem Fall wurden die Daten aus elektronischen Patientenakten von 378.256 Patienten in Großbritannien abgerufen. Ziel war es, Probenaufzeichnungen zu finden, die mit kardiovaskulären Ereignissen assoziiert waren.
Erstens mussten Algorithmen für künstliche Intelligenz (KI) selbst trainieren. Sie verwendeten ungefähr 78% der Daten - ungefähr 295.267 Datensätze -, um nach Mustern zu suchen und ihre eigenen internen „Empfehlungen“zu erstellen. Dann testeten sie sich an den restlichen Dokumenten. Unter Verwendung von Daten aus dem Jahr 2005 sagten die Algorithmen voraus, welche Patienten in den nächsten 10 Jahren Herz- und Gefäßprobleme bekommen würden, und testeten dann ihre Annahmen anhand der Aufzeichnungen von 2015. Im Gegensatz zu den ACC / AHA-Richtlinien durfte beim maschinellen Lernen 22 weitere Datenpunkte berücksichtigt werden, darunter ethnische Zugehörigkeit, Arthritis und Nierenerkrankungen.
Als Ergebnis wurde festgestellt, dass alle vier KI-Methoden bei der Vorhersage viel effizienter sind als die ACC / AHA-Empfehlungen. Unter Verwendung von AUC-Statistiken (wobei 1.0 100% genau ist) haben die ACC / AHA-Richtlinien 0,728 erreicht. Die vier neuen Methoden lagen zwischen 0,745 und 0,764, wie Wens Team in der Zeitschrift PLOS ONE berichtete. In der Testprobe nahmen ungefähr 83.000 Einträge teil, und im Kampf zwischen KI und Mensch "retteten" die Maschinen 355 weitere Patienten. Laut Wen führt die Vorhersage häufig zur Vorbeugung durch Cholesterinsenkung oder Ernährungsumstellung.
Einige der Risikofaktoren, die Algorithmen für maschinelles Lernen als die stärksten Prädiktoren identifiziert haben, sind in den ACC / AHA-Richtlinien nicht enthalten. Dazu gehören beispielsweise schwere psychische Erkrankungen und die orale Verabreichung von Kortikosteroiden. In der Zwischenzeit gehört keiner der Parameter auf der ACC / AHA-Liste zu den 10 wichtigsten maschinellen Prädiktoren (und sogar Diabetes). Weng hofft, in Zukunft weitere soziale und genetische einbeziehen zu können, um die Genauigkeit der Algorithmen weiter zu verbessern.
Wassili Makarow
