मृत्यु दर की भविष्यवाणी करने के लिए कृत्रिम बुद्धि का उपयोग करना
जर्नल में दिखाई देने वाला नया शोध एक और पता चलता है कि समय से पहले मौत के जोखिम की भविष्यवाणी करने के लिए मशीन लर्निंग एक मूल्यवान उपकरण हो सकता है। वैज्ञानिकों ने कृत्रिम बुद्धिमत्ता की भविष्यवाणी की सांख्यिकीय विधियों के साथ तुलना की है जो वर्तमान में चिकित्सा अनुसंधान में उपयोग कर रहे हैं।
हाल के शोध की बढ़ती मात्रा का सुझाव है कि कंप्यूटर एल्गोरिदम और कृत्रिम बुद्धिमत्ता (एआई) सीखना चिकित्सा दुनिया में अत्यधिक उपयोगी साबित हो सकता है।
उदाहरण के लिए, कुछ महीने पहले सामने आए एक अध्ययन में पाया गया था कि डीप लर्निंग एल्गोरिदम अल्जाइमर रोग की शुरुआत के 6 साल पहले की शुरुआत की सटीक भविष्यवाणी कर सकते हैं।
एक तथाकथित "प्रशिक्षण डेटासेट" का उपयोग करते हुए, डीप लर्निंग एल्गोरिदम "खुद को सिखा सकता है" यह अनुमान लगाने के लिए कि क्या और जब कोई घटना होने की संभावना है।
अब, शोधकर्ताओं ने यह जांचने के लिए निर्धारित किया है कि क्या मशीन सीखने से पुरानी बीमारी के कारण समय से पहले मृत्यु दर का सही अनुमान लगाया जा सकता है।
स्टीफन वेंग, जो यूनाइटेड किंगडम के नॉटिंघम विश्वविद्यालय में महामारी विज्ञान और डेटा विज्ञान के सहायक प्रोफेसर हैं, ने नए शोध का नेतृत्व किया।
एआई निवारक देखभाल कैसे मदद कर सकता है
वेंग और उनके सहयोगियों ने 40 से 69 वर्ष की उम्र के बीच के आधे मिलियन से अधिक लोगों के स्वास्थ्य डेटा की जांच की। प्रतिभागियों ने 2006 और 2010 के बीच यूके बायोबैंक अध्ययन के साथ पंजीकरण किया था। यूके बायोबैंक अध्ययनकर्ताओं ने 2016 तक प्रतिभागियों का चिकित्सकीय रूप से पालन किया।
वर्तमान अध्ययन के लिए, वेंग और टीम ने "रैंडम फ़ॉरेस्ट" और "डीप लर्निंग" नामक दो मॉडलों का उपयोग करके एल्गोरिदम सीखने की एक प्रणाली विकसित की है। उन्होंने पुरानी बीमारी के कारण अकाल मृत्यु के जोखिम की भविष्यवाणी करने के लिए मॉडलों का इस्तेमाल किया।
वैज्ञानिकों ने इन मॉडलों की भविष्यवाणी की सटीकता की जांच की और पारंपरिक भविष्यवाणी मॉडल, जैसे "कॉक्स प्रतिगमन" विश्लेषण और एक बहुभिन्न कॉक्स मॉडल के साथ उनकी तुलना की।
अध्ययन के प्रमुख अन्वेषक बताते हैं, "हमने नेशनल स्टैटिस्टिक्स डेथ रिकॉर्ड्स, यू.के. कैंसर रजिस्ट्री और‘ हॉस्पिटल एपिसोड्स के आंकड़ों का उपयोग करते हुए कोहोर्ट से मृत्यु दर के आंकड़ों का अनुमान लगाया है। "
अध्ययन में पाया गया कि समय से पहले मौत का अनुमान लगाने में कॉक्स रिग्रेशन मॉडल सबसे कम सटीक था, जबकि मल्टीवेरेट कॉक्स मॉडल थोड़ा बेहतर था, लेकिन मृत्यु के जोखिम को अधिक होने की संभावना थी।
कुल मिलाकर, "मशीन सीखना एल्गोरिदम एक मानव विशेषज्ञ द्वारा विकसित मानक भविष्यवाणी मॉडल की तुलना में मौत की भविष्यवाणी करने में काफी सटीक थे," वेंग की रिपोर्ट। शोधकर्ता निष्कर्षों के नैदानिक महत्व पर भी टिप्पणी करता है।
वे कहते हैं, "गंभीर बीमारियों के खिलाफ लड़ाई में निवारक स्वास्थ्य सेवा एक बढ़ती प्राथमिकता है, इसलिए हम सामान्य आबादी में कम्प्यूटरीकृत स्वास्थ्य जोखिम मूल्यांकन की सटीकता में सुधार के लिए कई वर्षों से काम कर रहे हैं।"
"अधिकांश अनुप्रयोग एक ही रोग क्षेत्र पर ध्यान केंद्रित करते हैं, लेकिन कई अलग-अलग रोग परिणामों के कारण मृत्यु की भविष्यवाणी करना अत्यधिक जटिल है, विशेष रूप से पर्यावरण और व्यक्तिगत कारक जो उन्हें प्रभावित कर सकते हैं।"
"हमने मशीन लर्निंग द्वारा किसी व्यक्ति की अकाल मृत्यु के जोखिम की भविष्यवाणी करने के लिए एक अनूठा और समग्र दृष्टिकोण विकसित करके इस क्षेत्र में एक बड़ा कदम उठाया है।"
स्टीफन वेंग
वेंग बताते हैं, "यह नए जोखिम पूर्वानुमान मॉडल बनाने के लिए कंप्यूटरों का उपयोग करता है, जो प्रत्येक व्यक्ति के लिए जनसांख्यिकीय, बायोमेट्रिक, नैदानिक और जीवन शैली कारकों की एक विस्तृत श्रृंखला को ध्यान में रखते हैं, यहां तक कि प्रति दिन उनके फलों, सब्जियों और मांस की खपत भी होती है।"
इसके अलावा, शोधकर्ताओं का कहना है कि नए अध्ययन के नतीजे पिछले निष्कर्षों को मजबूत करते हैं, जिससे पता चला है कि कुछ एआई एल्गोरिदम पारंपरिक भविष्यवाणी मॉडल की तुलना में हृदय रोग के जोखिम की भविष्यवाणी करने में बेहतर हैं जो कार्डियोलॉजिस्ट वर्तमान में उपयोग करते हैं।
“वर्तमान में स्वास्थ्य परिणामों की बेहतर भविष्यवाणी करने के लिए the एआई’ या ’मशीन लर्निंग’ का उपयोग करने की क्षमता में गहन रुचि है। कुछ स्थितियों में, हमें यह मदद मिल सकती है, दूसरों में यह नहीं हो सकता है। इस विशेष मामले में, हमने दिखाया है कि सावधान ट्यूनिंग के साथ, ये एल्गोरिदम उपयोगी रूप से भविष्यवाणी में सुधार कर सकते हैं, “प्रोफेसर जो काई, एक नैदानिक अकादमिक कहते हैं, जिन्होंने अध्ययन पर भी काम किया।
वह जारी रखता है, “ये तकनीक स्वास्थ्य अनुसंधान में कई नए हो सकते हैं और इनका पालन करना मुश्किल है। हमारा मानना है कि इन तरीकों की स्पष्ट रूप से पारदर्शी तरीके से रिपोर्टिंग करके, यह स्वास्थ्य सेवा के लिए इस रोमांचक क्षेत्र के वैज्ञानिक सत्यापन और भविष्य के विकास में मदद कर सकता है। ”
