Saat ini, dokter memiliki banyak cara untuk memprediksi kesehatan pasien. Namun, tak satu pun dari mereka bersifat universal, dan banyak patologi (misalnya, serangan jantung) sangat sulit diprediksi. Para ilmuwan telah mendemonstrasikan bahwa komputer yang mampu belajar mandiri dapat bekerja lebih baik daripada praktik medis standar dan secara signifikan meningkatkan kualitas prediksi. Jika praktik ini diterapkan, metode baru akan membantu menyelamatkan ribuan, jika tidak jutaan nyawa setiap tahun.
Setiap tahun, sekitar 20 juta orang meninggal akibat penyakit kardiovaskular, termasuk serangan jantung, stroke, penyumbatan arteri, dan penyakit kardiovaskular lainnya. Untuk mencoba memprediksi komplikasi tersebut, dokter di negara Barat menggunakan pedoman American College of Cardiology / American Heart Association (ACC / AHA). Mereka didasarkan pada delapan faktor risiko, termasuk usia, kadar kolesterol darah dan tekanan darah, yang darinya dokter mencoba menyusun satu gambaran penyakit.
Dalam banyak kasus, pendekatan ini sering kali terlalu sederhana, selain itu, faktor lain dapat memengaruhi tubuh pasien, akibatnya penyakit kardiovaskular dapat berkembang. Dalam studi baru, Stephen Wan, seorang ahli epidemiologi di University of Nottingham di Inggris, membandingkan arahan ACC / AHA dengan empat algoritma pembelajaran mesin: hutan acak, regresi logistik, peningkatan gradien, dan jaringan saraf. Keempat algoritme ditujukan untuk menganalisis banyak data yang, secara teori, memungkinkan AI membuat prediksi medis lebih baik daripada manusia. Dalam hal ini, data diperoleh dari catatan kesehatan elektronik dari 378.256 pasien di Inggris. Tujuannya adalah untuk menemukan rekaman sampel yang terkait dengan kejadian kardiovaskular.
Pertama, algoritme kecerdasan buatan (AI) harus dilatih sendiri. Mereka menggunakan sekitar 78% data - sekitar 295.267 catatan - untuk mencari pola dan membuat "rekomendasi" internal mereka sendiri. Kemudian mereka menguji diri mereka sendiri pada dokumen-dokumen lainnya. Menggunakan data dari tahun 2005, algoritme memprediksi pasien mana yang akan mengalami masalah jantung dan pembuluh darah selama 10 tahun ke depan, dan kemudian menguji asumsi mereka menggunakan catatan 2015. Bertentangan dengan pedoman ACC / AHA, pembelajaran mesin diizinkan untuk memperhitungkan 22 poin data lainnya, termasuk etnis, artritis, dan penyakit ginjal.
Hasilnya, keempat metode AI ditemukan jauh lebih efisien dalam meramalkan daripada rekomendasi ACC / AHA. Menggunakan statistik AUC (di mana 1.0 adalah 100% akurat), arahan ACC / AHA telah mencapai 0,728. Empat metode baru tersebut berkisar antara 0,745 hingga 0,764, seperti yang dilaporkan tim Wen di majalah PLOS ONE. Dalam sampel uji, sekitar 83.000 entri ikut serta, dan dalam pertempuran antara AI dan manusia, mesin "menyelamatkan" 355 lebih pasien. Ini karena, kata Wen, prediksi sering mengarah pada pencegahan, melalui penurunan kolesterol atau perubahan pola makan.
Beberapa faktor risiko yang diidentifikasi oleh algoritme pembelajaran mesin sebagai prediktor terkuat tidak disertakan dalam pedoman ACC / AHA. Ini termasuk, misalnya, penyakit mental yang parah dan pemberian kortikosteroid oral. Sementara itu, tidak ada satu pun parameter yang ada di daftar ACC / AHA yang termasuk dalam 10 prediktor terpenting menurut mesin (dan bahkan diabetes). Kedepannya, Weng berharap bisa memasukkan sosial dan genetik lainnya untuk lebih meningkatkan akurasi algoritma.
Vasily Makarov
