Menggunakan kecerdasan buatan untuk memprediksi kematian
Penelitian baru yang muncul di jurnal PLOS ONE menunjukkan bahwa pembelajaran mesin dapat menjadi alat yang berharga untuk memprediksi risiko kematian dini. Para ilmuwan membandingkan akurasi prediksi kecerdasan buatan dengan metode statistik yang saat ini digunakan para ahli dalam penelitian medis.
Semakin banyak penelitian terbaru menunjukkan bahwa algoritma komputer dan pembelajaran kecerdasan buatan (AI) terbukti sangat berguna dalam dunia medis.
Misalnya, sebuah studi yang muncul beberapa bulan lalu menemukan bahwa algoritme pembelajaran mendalam dapat secara akurat memprediksi permulaan penyakit Alzheimer paling cepat 6 tahun sebelumnya.
Menggunakan apa yang disebut "set data pelatihan", algoritme pembelajaran mendalam dapat "belajar sendiri" untuk memprediksi jika dan kapan suatu peristiwa kemungkinan besar akan terjadi.
Sekarang, para peneliti telah berangkat untuk memeriksa apakah pembelajaran mesin dapat secara akurat memprediksi kematian dini akibat penyakit kronis.
Stephen Weng, yang merupakan asisten profesor epidemiologi dan ilmu data di University of Nottingham di Inggris, memimpin penelitian baru.
Bagaimana AI dapat membantu perawatan pencegahan
Weng dan koleganya memeriksa data kesehatan pada lebih dari setengah juta orang yang berusia antara 40 dan 69 tahun. Para peserta telah terdaftar pada studi Biobank Inggris antara 2006 dan 2010. Peneliti studi Biobank Inggris secara klinis mengikuti para peserta hingga 2016.
Untuk studi saat ini, Weng dan timnya mengembangkan sistem algoritme pembelajaran menggunakan dua model yang disebut "hutan acak" dan "pembelajaran mendalam". Mereka menggunakan model tersebut untuk memprediksi risiko kematian dini akibat penyakit kronis.
Para ilmuwan memeriksa akurasi prediksi model ini dan membandingkannya dengan model prediksi konvensional, seperti analisis "regresi Cox" dan model Cox multivariat.
"Kami memetakan prediksi yang dihasilkan ke data kematian dari kelompok tersebut menggunakan catatan kematian Kantor Statistik Nasional, registri kanker Inggris Raya, dan statistik 'episode rumah sakit'," jelas penyidik utama studi tersebut.
Studi tersebut menemukan bahwa model regresi Cox adalah yang paling tidak akurat dalam memprediksi kematian dini, sedangkan model Cox multivariat sedikit lebih baik tetapi cenderung terlalu memprediksi risiko kematian.
Secara keseluruhan, "algoritme pembelajaran mesin secara signifikan lebih akurat dalam memprediksi kematian daripada model prediksi standar yang dikembangkan oleh seorang ahli manusia," lapor Weng. Peneliti juga mengomentari signifikansi klinis dari temuan tersebut.
Dia berkata, "Perawatan kesehatan preventif adalah prioritas yang terus berkembang dalam memerangi penyakit serius, jadi kami telah bekerja selama beberapa tahun untuk meningkatkan keakuratan penilaian risiko kesehatan terkomputerisasi pada populasi umum."
“Sebagian besar aplikasi berfokus pada satu area penyakit, tetapi memprediksi kematian karena beberapa hasil penyakit yang berbeda sangatlah kompleks, terutama mengingat faktor lingkungan dan individu yang dapat mempengaruhinya.”
“Kami telah mengambil langkah besar ke depan dalam bidang ini dengan mengembangkan pendekatan yang unik dan holistik untuk memprediksi risiko kematian dini seseorang dengan pembelajaran mesin.”
Stephen Weng
“Ini menggunakan komputer untuk membuat model prediksi risiko baru yang memperhitungkan berbagai faktor demografis, biometrik, klinis, dan gaya hidup untuk setiap individu yang dinilai, bahkan konsumsi makanan buah, sayuran, dan daging per hari,” jelas Weng.
Lebih lanjut, kata para peneliti, hasil studi baru memperkuat temuan sebelumnya, yang menunjukkan bahwa algoritma AI tertentu lebih baik dalam memprediksi risiko penyakit jantung daripada model prediksi konvensional yang digunakan ahli jantung saat ini.
“Saat ini ada minat yang kuat pada potensi untuk menggunakan 'AI' atau 'pembelajaran mesin' untuk memprediksi hasil kesehatan dengan lebih baik. Dalam beberapa situasi, kita mungkin merasa itu membantu, dalam situasi lain mungkin tidak. Dalam kasus khusus ini, kami telah menunjukkan bahwa dengan penyetelan yang cermat, algoritme ini dapat berguna untuk meningkatkan prediksi, ”kata Prof. Joe Kai, seorang akademisi klinis yang juga mengerjakan studi tersebut.
Dia melanjutkan, “Teknik-teknik ini mungkin baru bagi banyak orang dalam penelitian kesehatan dan sulit diikuti. Kami yakin bahwa dengan melaporkan metode ini secara transparan secara transparan, hal ini dapat membantu verifikasi ilmiah dan pengembangan bidang perawatan kesehatan yang menarik ini di masa mendatang. "
