Ένας αλγόριθμος, που μπορεί να προβλέψει εάν ένα άτομο θα έχει καρδιακό επεισόδιο ή θα πεθάνει, με 90% ακρίβεια, έχει αναπτυχθεί από ερευνητές στο Φινλανδικό κέντρο PET Turku.
Χρησιμοποιώντας παρόμοιες λειτουργίες μηχανικής μάθησης με αυτές που χρησιμοποίησαν οι Netflix και Spotify για την εξατομίκευση περιεχομένου, μια ομάδα με επικεφαλής τον Dr. Luis Eduardo Juarez-Orozco έχει προγραμματισεί τον αλγόριθμο LogitBoost να χρησιμοποιήσει 85 μεταβλητές για τον υπολογισμό του κινδύνου για την υγεία 950 ατόμων σε μια σειρά από σαρώσεις και δοκιμές προτού υποβληθούν σε θεραπεία μέσω παραδοσιακών μεθόδων.
Αφού οι ασθενείς παραπονέθηκαν για θωρακικό πόνο, τα δεδομένα τους συλλέχθηκαν και χρησιμοποιήθηκαν για να «εκπαιδεύσουν» τον αλγόριθμο, ο οποίος «έμαθε» τους κινδύνους για μια εξαετή περίοδο, κατά την οποία είχε 90% επιτυχία στην πρόβλεψη 24 καρδιακών προσβολών και 49 θανάτων.
"Αυτές οι πρόοδοι ξεπερνούν όσα έχουν γίνει στην ιατρική, όπου πρέπει να είμαστε προσεκτικοί σχετικά με τον τρόπο αξιολόγησης του κινδύνου και των αποτελεσμάτων", δήλωσε ο Juarez-Orozco, προσθέτοντας "Έχουμε τα δεδομένα αλλά δεν τα χρησιμοποιούμε στο μέγιστο δυνατό . "
Οι γιατροί συνήθως χρησιμοποιούν βαθμολογίες κινδύνου για να λάβουν αποφάσεις θεραπείας, σύμφωνα με την Daily Mail, ωστόσο αυτά τα αποτελέσματα χρησιμοποιούν μόνο μια «χούφτα» μεταβλητών σε ασθενείς.
"Η μελέτη μας δείχνει ότι τα πολύ υψηλά διαστασιακά μοτίβα είναι πιο χρήσιμα από τα μονοδιάστατα μοτίβα για να προβλέψουμε τα αποτελέσματα σε άτομα και γι 'αυτό χρειαζόμαστε μηχανική μάθηση"είπε ο επικεφαλής.
Η μελέτη περιελάμβανε 950 ασθενείς με θωρακικό άλγος που υποβλήθηκαν στο συνηθισμένο πρωτόκολλο του Κέντρου αναζήτησης για στεφανιαία νόσο.
Μια σάρωση με στεφανιαία υπολογιστική αξονική τομογραφία (CCTA) συγκέντρωσε 58 στοιχεία δεδομένων σχετικά με πιθανούς κινδύνους καρδιακής προσβολής.
Αυτές περιελάμβαναν την παρουσία στεφανιαίας πλάκας, τη στένωση αγγείων και την ασβεστοποίηση.
Δέκα κλινικές μεταβλητές ελήφθησαν από ιατρικά αρχεία, όπως το φύλο, η ηλικία, το κάπνισμα και ο διαβήτης.
Οι 85 συνολικά μεταβλητές εισήχθησαν στο LogitBoost, το οποίο τις ανέλυε επανειλημμένα μέχρι να βρει την καλύτερη δομή για να προβλέψει ποιος είχε καρδιακή προσβολή ή πέθανε.
"Ο αλγόριθμος μαθαίνει σταδιακά από τα δεδομένα και μετά από πολυάριθμους κύκλους αναλύσεων, υπολογίζει τα υψηλά διαστατικά πρότυπα που πρέπει να χρησιμοποιηθούν για την αποτελεσματική ταυτοποίηση των ασθενών και τον βαθμό ατομικού κινδύνου", πρόσθεσε ο Juarez-Orozco.
