ICNC2019 Може да се утврди ризикот од миокарден инфаркт или смрт кај пациенти со ангина пекторис
LogitBoost, алгоритмот заснован на вештачка интелигенција, пресметува со точност од над 90% ризикот од миокарден инфаркт или смрт на пациенти со ангина пекторис. Според студија презентирана на # ICNC2019, резултатите генерирани од софтверот, како и точноста со која ги анализирал податоците, значително ги надминале оние на лекарите.
Алгоритмот беше подготвен со 85 варијабли, вклучувајќи присуство на коронарни плаки, стеснување на крвните садови, проток на крв, возраст, пол, итн. Тој ги анализирал постојано додека не успеал да идентификува одредени обрасци со кои може да ги поврзе променливите со ризикот од миокарден инфаркт или смрт.
„Овие технолошки достигнувања се далеку најдоброто нешто во медицината. Иако ги имаме сите податоци, сепак не ги користиме во целосен потенцијал “- вели авторот на студијата Д-р Луис Едуардо Хуарез-Ороско, Турку ПЕТ центар, Финска.
Обично лекарите користат резултати на ризик да донесува одлуки во врска со изборот на разни видови третмани. Сепак, овие резултати се засноваат на само неколку варијабли и најчесто имаат слаба точност кај пациентите. Преку повторување и прилагодување, вештачката интелигенција може да искористи огромна количина на податоци, идентификувајќи многу сложени обрасци кои е тешко да се набудуваат за луѓето.
Спроведување на студијата
Во студијата биле вклучени 950 пациенти со ангина пекторис, кои поминале низ вообичаениот протокол на центарот во кој припаѓале, извршувајќи ги сите тестови за идентификување на коронарна артериска болест.
„Лекарите веќе собираат многу информации од пациентите. Откривме дека машинското учење може да ги интегрира овие податоци и точно може да го предвиди индивидуалниот ризик за секој од нив. На овој начин ќе можеме да го персонализираме третманот и да добиеме подобри резултати за пациентите “- продолжува Д-р Хуарез-Ороско.
После коронарна ангиографија, тие беа идентификувани 58 варијабли за да се потврди присуството на корорнарна плакета, стеснување на крвните садови и калцификација на нивните wallsидови. Пациентите чии резултати од слики укажуваа на присуство на овие фактори беа упатени на преглед на ПЕТ (томографија со емисии на позитрони). Како резултат, тие беа добиени 17 варијабли поврзани со протокот на крв.
Други 10 клинички варијабли, како што се пушење, возраст, пол, дијабетес, се добиени од медицинската евиденција на учесниците.
После следен период од 6 години, тие беа снимени 24 миокарден инфаркт и 49 смртни случаи. 85-те варијабли беа воведени во алгоритмот LogitBoost, кој ги анализираше постојано додека не го откри најдобриот начин да предвиди кој од учесниците имал срцев удар и кој починал.
Машинското учење, кое се смета за камен-темелник на вештачката интелигенција, се користи секојдневно во огромното мнозинство на апликации што ги користиме. Во однос на нејзините импликации врз медицината, со текот на годините се развиени голем број алгоритми за да се зголеми и насочи искуството на лекарите и пациентите.