AI 90% nøjagtigt til at forudsige død ved hjerteanfald?

Del denne historie!
image_pdfimage_print
Når forsikringsselskaber, HMO'er, medicare osv. Implementerer denne teknologi, vil patienter se voldsom diskrimination baseret på deres AI-sundhedsresultat; når alt kommer til alt, hvem ville sælge en livsforsikringspolice til nogen, der snart skal dø? ⁃ TN Editor

Algoritmer, der ligner dem, der er ansat af Netflix og Spotify til at tilpasse tjenester er nu bedre end menneskelige læger til at se, hvem der vil dø eller have et hjerteanfald.

Maskinlæring blev brugt til at træne LogitBoost, som dens udviklere siger at kan forudsige dødsfald eller hjerteanfald med 90 procent nøjagtighed.

Det blev programmeret til at bruge 85-variabler til at beregne risikoen for sundheden for 950-patienterne, at det blev fodret scanninger og data fra.

Patienter, der klagede over smerter i brystet, blev udsat for en række scanninger og tests, før de blev behandlet ved traditionelle metoder.

Deres data blev senere brugt til at træne algoritmen.

Den 'lærte' risiciene og havde i løbet af den seks år lange opfølgning en succesrate på 90 procent ved at forudsige 24-hjerteanfald og 49-dødsfald af enhver årsag.

LogitBoost, som var programmeret til at bruge 85-variabler til at beregne risici for en persons helbred, der klagede over brystsmerter. Patienter havde en koronar computertomografi-angiografi (CCTA) -scanning (afbildet, bestandsscanning), som samlet 58 af datapunkterne

Tjenester som Netflix og Spotify-systemer bruger alle algoritmer på en lignende måde til at tilpasse sig individuelle brugere og give et mere personlig look.

Undersøgelsesforfatter dr. Edu Eduardo Juarez-Orozco fra Turku PET Center, Finland, sagde, at disse fremskridt går ud over medicin.

Han sagde: 'Disse fremskridt er langt ud over, hvad der er gjort i medicinen, hvor vi er nødt til at være forsigtige med, hvordan vi vurderer risiko og resultater.

'Vi har dataene, men vi bruger dem ikke endnu til sit fulde potentiale.'

Læger bruger risikoscore for at træffe behandlingsbeslutninger - men disse score er baseret på bare en 'håndfuld' af variabler hos patienter.

Gennem gentagelse og justering bruger maskiner store mængder data til at identificere komplekse mønstre, som ikke er synlige for mennesker.

Dr. Juarez-Orozco sagde: 'Mennesker har en meget hård tid på at tænke videre end tre dimensioner eller fire dimensioner.

'I det øjeblik, vi hopper ind i den femte dimension, er vi fortabt.

'Vores undersøgelse viser, at meget høje dimensionelle mønstre er mere nyttige end enkeltdimensionelle mønstre til at forudsige resultater hos enkeltpersoner, og til det har vi brug for maskinlæring.'

Læs hele historien her ...

Deltag i vores mailingliste!


Tilmeld
Underretning af
gæst
0 Kommentarer
Inline feedbacks
Se alle kommentarer