Η IBM λέει ότι το AI μπορεί να βελτιώσει τα νεογνικά αποτελέσματα και να προβλέψει την έναρξη του διαβήτη τύπου 1


Η IBM παρουσίασε αυτήν την εβδομάδα έρευνα που διερευνά τον τρόπο με τον οποίο η τεχνητή νοημοσύνη και η μηχανική μάθηση θα μπορούσαν να χρησιμοποιηθούν για τη βελτίωση της μητρικής υγείας στις αναπτυσσόμενες χώρες και την πρόβλεψη της έναρξης και της εξέλιξης του διαβήτη τύπου 1. Χρηματοδοτούμενο από το Ίδρυμα Invoice and Melinda Gates, ερευνητές της IBM δημιούργησαν μοντέλα για την ανάλυση των δημογραφικών συνόλων δεδομένων των αφρικανικών χωρών, βρίσκοντας συνδέσμους “υποστηριζόμενων από δεδομένα” μεταξύ του αριθμού ετών μεταξύ εγκυμοσύνης και του μεγέθους του κοινωνικού δικτύου μιας γυναίκας με τα αποτελέσματα της γέννησης. Σε μια ξεχωριστή εργασία, μια άλλη ομάδα από την IBM ανέλυσε δεδομένα από τρεις δεκαετίες και τέσσερις χώρες για να προσπαθήσει να προβλέψει την έναρξη του διαβήτη τύπου 1 3 έως 12 μήνες πριν διαγνωστεί τυπικά και στη συνέχεια να προβλέψει την πρόοδό του. Ισχυρίζονται ότι ένα από τα μοντέλα προέβλεψε με ακρίβεια την εξέλιξη του 84% του χρόνου.

Βελτίωση του νεογνικού αποτελέσματος

Παρά την παγκόσμια πτώση των ποσοστών βρεφικής θνησιμότητας, πολλές χώρες δεν βρίσκονται σε καλό δρόμο για την επίτευξη των προτεινόμενων στόχων για τον τερματισμό των αποτρέψιμων θανάτων μεταξύ βρεφών και παιδιών κάτω των 5 ετών. Δεν προκαλεί έκπληξη, η πρόοδος προς την επίτευξη αυτών των στόχων παραμένει άνιση, γεγονός που αντικατοπτρίζεται στις ανισότητες στην πρόσβαση σε υπηρεσίες υγείας και στην άνιση κατανομή των πόρων.

Προς πιθανές λύσεις, οι ερευνητές της IBM προσπάθησαν να εντοπίσουν χαρακτηριστικά που σχετίζονται με τη νεογνική θνησιμότητα “όπως καταγράφονται σε εθνικά αντιπροσωπευτικά δεδομένα διατομής.” Ανέλυσαν την ομάδα δύο πρόσφατων δημογραφικών ερευνών (2014 και 2018) που διεξήχθησαν σε 10 διαφορετικές υποσαχάρια χώρες, δημιουργώντας ένα μοντέλο για κάθε έρευνα για να ταξινομήσουν (1) μητέρες που ανέφεραν τον τοκετό τα 5 χρόνια πριν από την έρευνα. (2) εκείνοι που έχουν αναφέρει ότι έχασαν ένα ή περισσότερα παιδιά κάτω των 28 ημερών και (3) εκείνοι που δεν ανέφεραν ότι έχασαν ένα παιδί. Στη συνέχεια, οι ερευνητές εξέτασαν κάθε μοντέλο βλέποντας τα χαρακτηριστικά στα δεδομένα που ενημέρωσαν τα συμπεράσματα του μοντέλου, καθώς και πώς οι αλλαγές στις τιμές των χαρακτηριστικών ενδέχεται να έχουν επηρεάσει τη θνησιμότητα των νεογνών.

Οι ερευνητές κατέληξαν στο συμπέρασμα ότι στις περισσότερες χώρες (π.χ. Νιγηρία, Σενεγάλη, Τανζανία, Ζάμπια, Νότια Αφρική, Κένυα, Γκάνα, Αιθιοπία, Λαϊκή Δημοκρατία του Κονγκό και Μπουρκίνα Φάσο), οι θάνατοι νεογνών ευθύνονται για το μεγαλύτερο μέρος της απώλειας παιδιά κάτω των 5 ετών και ότι τα ποσοστά θανάτου των νεογνών παρέμειναν ιστορικά υψηλά παρά τη μείωση των θανάτων κάτω των 5 ετών. Διαπίστωσαν ότι ο αριθμός των γεννήσεων τα τελευταία 5 χρόνια συσχετίστηκε θετικά με τη νεογνική θνησιμότητα, ενώ το μέγεθος της οικογένειας συσχετίστηκε αρνητικά με τη νεογνική θνησιμότητα. Επιπλέον, δήλωσαν ότι έχουν διαπιστώσει ότι οι μητέρες που ζουν σε μικρότερα νοικοκυριά έχουν μεγαλύτερο κίνδυνο θνησιμότητας από νεογέννητα από τις μητέρες που ζουν σε μεγαλύτερα νοικοκυριά, με παράγοντες όπως η ηλικία και το φύλο του νοικοκυριού να φαίνεται να επηρεάζουν συσχέτιση μεταξύ οικογενειακού μεγέθους. και νεογνική θνησιμότητα.

Οι συν-συγγραφείς της μελέτης σημειώνουν τους περιορισμούς της εργασίας τους, όπως το γεγονός ότι οι έρευνες, οι οποίες είναι αυτοαναφερόμενες, ενδέχεται να παραλείψουν βασικές πληροφορίες όπως η πρόσβαση σε υγειονομική περίθαλψη και συμπεριφορές έρευνας για την υγεία. Παραδέχονται επίσης ότι τα μοντέλα θα μπορούσαν να εντοπίσουν και να εκμεταλλευτούν ανεπιθύμητα μοτίβα για να κάνουν τις προβλέψεις τους. Ωστόσο, λένε ότι έχουν συμβάλει σημαντικά στην ερευνητική κοινότητα, αποδεικνύοντας ότι η μηχανική μάθηση στο σύνολό της μπορεί δυνητικά να αντλήσει γνώσεις σχετικά με τα νεογνικά αποτελέσματα από έρευνες υγείας μόνο.

“Η δουλειά μας δείχνει την πρακτική εφαρμογή της μηχανικής μάθησης για τη δημιουργία πληροφοριών μέσω της επιθεώρησης μοντέλων μαύρου κουτιού και της δυνατότητας χρήσης τεχνικών μηχανικής μάθησης για τη δημιουργία νέων πληροφοριών και εναλλακτικών υποθέσεων σχετικά με τα φαινόμενα που καταγράφονται στο δεδομένα υγείας σε επίπεδο πληθυσμού “, έγραψαν οι ερευνητές στο χαρτί περιγράψτε τις προσπάθειές τους. «Η θετική συσχέτιση μεταξύ του αναφερόμενου αριθμού γεννήσεων και της θνησιμότητας των νεογνών που αντανακλάται στα αποτελέσματά μας επιβεβαιώνει την προηγούμενη γνωστή παρατήρηση σχετικά με την απόσταση μεταξύ των γεννήσεων ως βασικό καθοριστικό παράγοντα της θνησιμότητας των νεογνών»

Πρόβλεψη διαβήτη τύπου 1

Μια ξεχωριστή ομάδα της IBM προσπάθησε να διερευνήσει το βαθμό στον οποίο η τεχνητή νοημοσύνη θα μπορούσε να είναι χρήσιμη στη διάγνωση και τη θεραπεία του διαβήτη τύπου 1, ο οποίος επηρεάζει περίπου 1 στους 100 ενήλικες κατά τη διάρκεια της ζωής τους. Με βάση την έρευνα που δείχνει ότι ο κλινικός διαβήτης τύπου 1 προηγείται γενικά από μια κατάσταση που ονομάζεται νησίδα αυτοανοσία, στην οποία το σώμα παράγει συνεχώς αντισώματα που ονομάζονται νησίδες αυτοαντισώματα, η ομάδα ανέπτυξε έναν αλγόριθμο που ομαδοποιεί τους ασθενείς και καθορίζει τον αριθμό των συστάδων και τα προφίλ τους για να ανακαλύψουν ομοιότητες μεταξύ διαφορετικών γεωγραφικών ομάδων.

Ο αλγόριθμος εξέτασε τα προφίλ με βάση τους τύπους αυτοαντισωμάτων, την ηλικία στην οποία αναπτύχθηκαν τα αυτοαντισώματα και τις ανισορροπίες στη θετικότητα του αυτοαντισώματος. Αφού συγκεντρώθηκαν τα θετικά θέματα του αυτοαντισώματος μαζί, οι ερευνητές εφάρμοσαν το μοντέλο σε δεδομένα από 1.507 ασθενείς σε μελέτες που διεξήχθησαν στις Ηνωμένες Πολιτείες, τη Σουηδία και τη Φινλανδία. Σύμφωνα με πληροφορίες, η ακρίβεια μεταφοράς συμπλέγματος ήταν υψηλή, κατά μέσο όρο πάνω από 84%, υποδηλώνοντας ότι το προφίλ AAb μπορεί να χρησιμοποιηθεί για την πρόβλεψη της εξέλιξης του διαβήτη τύπου 1 ανεξάρτητα από τον πληθυσμό.

Σε συγγενή αυτή μελετάει, η ίδια ομάδα ερευνητών δημιούργησε οντολογία διαβήτη τύπου 1 που συλλαμβάνει μοτίβα ορισμένων βιοδεικτών και τα χρησιμοποιεί μαζί με ένα μοτίβο για να διακρίνει τα χαρακτηριστικά. Οι συν-συγγραφείς λένε ότι όταν εφαρμόστηκαν στα ίδια σύνολα δεδομένων με τον αλγόριθμο ομαδοποίησης, η οντολογία βελτίωσε την απόδοση πρόβλεψης έως και 12 μήνες νωρίτερα, επιτρέποντας προβλέψεις για τους οποίους οι ασθενείς θα μπορούσαν να αναπτύξουν διαβήτη τύπου 1 ένα χρόνο πριν είναι συνήθως ανιχνεύεται.

Είναι σημαντικό να σημειωθεί, φυσικά, ότι οι ανισορροπίες στα σύνολα δεδομένων ενδέχεται να έχουν επηρεάσει τις προβλέψεις. Μια ομάδα Βρετανών επιστημόνων βρέθηκαν ότι σχεδόν όλα τα σύνολα δεδομένων οφθαλμικών παθήσεων προέρχονται από ασθενείς στη Βόρεια Αμερική, την Ευρώπη και την Κίνα, πράγμα που σημαίνει ότι οι αλγόριθμοι διάγνωσης των οφθαλμικών παθήσεων είναι λιγότερο πιθανό να λειτουργούν καλά για φυλετικές ομάδες σε χώρες που υποεκπροσωπούνται. Σε μια άλλη μελέτη, ερευνητές από το Πανεπιστήμιο του Στάνφορντ δήλωσαν ότι τα περισσότερα από τα δεδομένα των ΗΠΑ για μελέτες που αφορούν ιατρικές χρήσεις τεχνητής νοημοσύνης προέρχονται από την Καλιφόρνια, τη Νέα Υόρκη και τη Μασαχουσέτη.

Οι συν-συγγραφείς του α έλεγχος τον περασμένο μήνα συνέστησαν στους ασκούμενους να εφαρμόσουν «αυστηρή» ανάλυση ιδίων κεφαλαίων πριν από την εφαρμογή ως λύση στην προκατάληψη. Ελπίζουμε ότι οι ερευνητές της IBM θα ακούσουν τις συμβουλές τους εάν αποφασίσουν να εφαρμόσουν τα μοντέλα της.



[via]

Αυτός ο ιστότοπος χρησιμοποιεί το Akismet για να μειώσει τα ανεπιθύμητα σχόλια. Μάθετε πώς υφίστανται επεξεργασία τα δεδομένα των σχολίων σας.