Авторы утверждают, что система работает точнее других существующих методов.
Оператора здравоохранения в Пенсильвании Geisinger научил ИИ предсказывать повышенный риск смерти пациентов. Системе достаточно ЭКГ, чтобы сказать, кто выживет, а кто умрёт в течение следующего года. Об этом сообщил сайт New Scientist со ссылкой на исследователей, создавших алгоритм.
По словам авторов, система оказалась точнее любых других методов прогнозирования на основе ЭКГ. Модель Geisinger обнаруживала проблемы с сердцем даже у пациентов, которые до этого успешно прошли врачей-кардиологов.
Эффективность алгоритма измерили с помощью показателя AUC. Этот коэффициенте измеряет, как хорошо модель видит разницу между двумя группами людей: теми, кто умрёт и теми, кто выживет в течение следующего года.
Системы Geisinger достигла уровня 0,85 AUC при идеальном показателе в единицу и отсутствии разницы в 0,5. При этом результаты модели, используемой врачами в медицине, варьируются от 0,65 до 0,8.
Мы обнаружили, что модель видит вещи, которые люди, видимо, не могут заметить или мы просто игнорируем их и считаем нормальными. В теории ИИ может научить нас вещам, которые мы, вероятно, десятилиями интерпретировали неверно.
Исследователи обучили алгоритм на 1,77 миллионе записей ЭКГ от 400 тысяч пациентов с измерениями вольтажа через разные промежутки времени. Так система научилась видеть шаблоны, которые могут указывать на будущие проблемы с сердцем, в том числе сердечные приступы и мерцательную аритмию.
При этом исследователи сами не знают, какие именно паттерны позволили алгоритму добиться такой точности. Как отметили на New Scientist, из-за этого некоторые врачи не доверяют предиктивным системам и критикуют возможность их использования в медицине.
Это уже не первая попытка создать алгоритм предсказания смерти. В 2018 году исследователи в Google представили предиктивную модель на основе электронных медкарт, которая прогнозирует продолжительность лечения пациента, дату выписки и время смерти в двух больницах США.
Модели на основе ИИ также зачастую используют для диагноза сердечной недостаточности и рака лёгких. В некоторых случаях алгоритмы справляются с анализом точнее людей.
