Las computadoras que son capaces de enseñarse a sí mismas para predecir la muerte prematura podrían mejorar en gran medida la atención médica preventiva en el futuro, sugiere un nuevo estudio realizado por expertos de la Universidad de Nottingham.
Según el estudio “Prediction of premature all-cause mortality: A prospective general population cohort study comparing machine-learning and standard epidemiological approaches“, la inteligencia artificial puede predecir la muerte prematura
Descubrieron que este sistema de inteligencia artificial era muy preciso en sus predicciones y funcionaba mejor que el enfoque estándar actual para la predicción desarrollado por expertos humanos. El estudio es publicado por PLOS ONE en una edición de colecciones especiales de “Machine Learning in Health and Biomedicine” (Aprendizaje automático en salud y biomedicina).
El equipo utilizó datos de salud de poco más de medio millón de personas de con edades de 40 a 69 años reclutadas en el Biobanco del Reino Unido entre 2006 y 2010 y seguidas hasta 2016.
Al liderar el trabajo, el Profesor Asistente de Epidemiología y Ciencia de Datos, el Dr. Stephen Weng, dijo: “La atención médica preventiva es una prioridad cada vez mayor en la lucha contra enfermedades graves, por lo que hemos estado trabajando durante varios años para mejorar la precisión de la evaluación de riesgos de salud computarizada. en la población general. La mayoría de las aplicaciones se centran en un área de enfermedad única, pero predecir la muerte debido a diferentes resultados de la enfermedad es muy complejo, especialmente debido a los factores ambientales e individuales que pueden afectarlos“.
“Hemos dado un gran paso adelante en este campo al desarrollar un enfoque único y holístico para predecir el riesgo de muerte prematura de una persona mediante el aprendizaje automático. Esto utiliza computadoras para crear nuevos modelos de predicción de riesgos que tengan en cuenta una amplia gama de características demográficas. Factores biométricos, clínicos y de estilo de vida para cada individuo evaluado, incluso su consumo dietético de frutas, verduras y carne por día“.
“Asignamos las predicciones resultantes a los datos de mortalidad de la cohorte, utilizando los registros de defunciones de la Oficina de Estadísticas Nacionales, el registro de cáncer del Reino Unido y las estadísticas de ‘episodios hospitalarios por un experto humano“.
Los modelos de aprendizaje automático de la IA utilizados en el nuevo estudio se conocen como “bosque aleatorio” y “aprendizaje profundo“. Estos se compararon con el modelo de predicción de ‘regresión de Cox‘ tradicionalmente utilizado basado en la edad y el género (se encontró que era el menos preciso para predecir la mortalidad) y también un modelo multivariado de Cox que funcionaba mejor pero tendía a predecir el riesgo.
El profesor Joe Kai, uno de los académicos clínicos que están trabajando en el proyecto, explicó que “actualmente existe un gran interés en el potencial de usar ‘AI’ o ‘aprendizaje automático’ para predecir mejor los resultados de salud. En algunas situaciones, podemos encontrar que es útil, en otros casos, puede que no. En este caso particular, hemos demostrado que con un ajuste cuidadoso, estos algoritmos pueden mejorar la predicción de manera útil“.
“Estas técnicas pueden ser nuevas para muchos en investigación de salud y difíciles de seguir. Creemos que al informar claramente estos métodos de manera transparente, esto podría ayudar con la verificación científica y el desarrollo futuro de este apasionante campo para el cuidado de la salud“.
Este nuevo estudio se basa en el trabajo previo del equipo de Nottingham que mostró que cuatro algoritmos de IA diferentes, ‘bosque aleatorio‘, ‘regresión logística‘, ‘aumento de gradiente‘ y ‘redes neuronales‘ fueron significativamente mejores para predecir enfermedades cardiovasculares que un algoritmo establecido Utilizado en las guías de cardiología actuales.
Los investigadores de Nottingham predicen que la IA desempeñará un papel vital en el desarrollo de futuras herramientas capaces de ofrecer medicamentos personalizados, adaptando la gestión de riesgos a pacientes individuales. La investigación adicional requiere verificar y validar estos algoritmos de IA en otros grupos de población y explorar formas de implementar estos sistemas en la atención médica de rutina[.]
[referencias]
