Forudsige. Henri de Saint-Simon, den tidlige far til teknokratiet, definerede Scientism: ”En videnskabsmand, mine kære venner, er en mand, der forudser; det er fordi videnskab leverer betyder at forudsige at det er nyttigt, og forskerne er bedre end alle andre mænd. ”
Forsikringsselskaber straffer forbrugerne med denne teknologi, da de måler risiko, ofte forkert, for at afgøre, hvem der bliver syg med, hvilken sygdom, og hvornår de dør. Den følgende undersøgelse inkluderer ikke DNA-analyse, men den kommer snart nok. ⁃ TN Editor
Forskere har for nylig trænet et AI-system til at evaluere et årti med generelle sundhedsdata indsendt af mere end en halv million mennesker i Storbritannien. Derefter opgav de AI med at forudsige, om individer var i risiko for at dø for tidligt - med andre ord, hurtigere end den gennemsnitlige levealder - af kronisk sygdom, rapporterede de i en ny undersøgelse.
Forudsigelserne om tidlig død, der blev fremsat af AI-algoritmer, var "signifikant mere nøjagtige" end forudsigelser leveret af en model, der ikke brugte maskinindlæring, ledte forskerforfatter Dr. Stephen Weng, en assisterende professor i epidemiologi og datalogi ved University of Nottingham (FN) i Storbritannien, sagde i en erklæring. [Kan maskiner være kreative? Mød 9 AI 'kunstnere']
For at vurdere sandsynligheden for forsøgspersoners for tidlige dødelighed testede forskerne to typer AI: "dyb læring", hvor lagdelte informationsbehandlingsnetværk hjælper en computer med at lære af eksempler; og "tilfældig skov", en enklere type AI, der kombinerer flere, trælignende modeller for at overveje mulige resultater.
Derefter sammenlignede de AI-modellernes konklusioner med resultater fra en standardalgoritme, kendt som Cox-modellen.
Ved hjælp af disse tre modeller vurderede forskerne data i UK Biobank - en åben-adgangsdatabase med genetiske, fysiske og sundhedsdata - indsendt af mere end 500,000 personer mellem 2006 og 2016. I løbet af denne tid døde næsten 14,500 af deltagerne, primært af kræft, hjertesygdom og luftvejssygdomme.
Forskellige variabler
Alle tre modeller fastslog, at faktorer som alder, køn, rygningshistorie og en tidligere kræftdiagnose var topvariabler til vurdering af sandsynligheden for en persons tidlige død. Men modellerne divergerede over andre nøglefaktorer, fandt forskerne.
Cox-modellen læner sig kraftigt på etnicitet og fysisk aktivitet, mens maskinlæringsmodellerne ikke gjorde det. Til sammenligning lægger den tilfældige skovmodel større vægt på kropsfedtprocent, taljeomkrets, mængden af frugt og grønsager, som folk spiste, og hudfarve, ifølge undersøgelsen. For den dybe indlæringsmodel omfattede topfaktorer eksponering for jobrelaterede farer og luftforurening, alkoholindtagelse og brug af visse medicin.
Når al antallet knuste blev udført, leverede dyb-læringsalgoritmen de mest nøjagtige forudsigelser, idet 76 procent af de personer, der døde i undersøgelsesperioden, korrekt identificeres. Til sammenligning forudsagde den tilfældige skovmodel korrekt 64 procent af for tidlige dødsfald, mens Cox-modellen kun identificerede omkring 44 procent.
Dette er ikke første gang, at eksperter udnytter AIs forudsigelige evne til sundhedspleje. I 2017 demonstrerede et andet team af forskere, at AI kunne lære at få øje på tidlige tegn på Alzheimers sygdom; deres algoritme evaluerede hjerneskanninger for at forudsige, om en person sandsynligvis vil udvikle Alzheimers, og det gjorde det med cirka 84 procents nøjagtighed, WordsSideKick.com tidligere rapporteret.
En anden undersøgelse fandt, at AI kunne forudsige starten på autisme hos 6 måneder gamle babyer, der havde en høj risiko for at udvikle lidelsen. Endnu en undersøgelse kunne opdage tegn på indgreb i diabetes gennem analyse af nethindescanninger; og en mere - også ved hjælp af data, der stammer fra nethindescanninger - forudsagde sandsynligheden for, at en patient oplever en hjerteanfald eller slagtilfælde.
wpDiscuz