Η μηχανική μάθηση, που οδηγεί τις εξελίξεις στην Τεχνητή Νοημοσύνη, ξεπέρασε τους γιατρούς στην πρόβλεψη θανάτου ή καρδιακής προσβολής.
Αυτό ήταν το συμπέρασμα νέας μελέτης, που παρουσιάστηκε στο International Conference on Nuclear Cardiology and Cardiac CT (ICNC). Το συνέδριο συνδιοργανώνεται από την American Society of Nuclear Cardiology (ASNC), την European Association of Cardiovascular Imaging (EACVI) και την European Association of Nuclear Medicine (EANM).
Η μηχανική μάθηση χρησιμοποιείται πλέον καθημερινά. Η μηχανή αναζήτησης της Google, η αναγνώριση προσώπου στα smartphones, τα αυτοκίνητα με αυτόνομη οδήγηση, τα συστήματα των Netflix και Spotify χρησιμοποιούν αλγόριθμους μηχανικής μάθησης για να προσαρμοστούν στις ανάγκες και προτιμήσεις κάθε χρήστη.
Η νέα μελέτη που παρουσιάστηκε στο συνέδριο περιλάμβανε 950 ασθενείς με πόνο στο στήθος, που υποβλήθηκαν στο συνηθισμένο πρωτόκολλο για τη στεφανιαία νόσο. Όλοι υποβλήθηκαν σε ψηφιακή αγγειογραφία, που παρείχε 58 παραμέτρουςδεδομένων για τη ύπαρξη πλάκας στις στεφανιαίες αρτηρίες, τη στένωση των αγγείων και την ασβεστοποίηση.
Όσοι ασθενείς βρέθηκε να έχουν ύποπτα ευρήματα για στεφανιαία νόσο υποβλήθηκαν επιπλέον σε σάρωση εκπομπής ποζιτρονίων (PET), η οποία παρήγαγε 17 παραμέτρους για τη ροή αίματος. Τέλος, 10 κλινικές παράμετροι ελήφθησαν από ιατρικά αρχεία, όπως το φύλο, η ηλικία, το κάπνισμα και ο διαβήτης.
Στη συνέχεια, οι ασθενείς έτυχαν ιατρικής παρακολούθησης κατά μέσο όρο για 6 χρόνια, στη διάρκεια των οποίων καταγράφησαν 24 καρδιακές προσβολές και 49 θάνατοι από οποιαδήποτε αιτία. Το σύνολο λοιπόν των 85 παραμέτρων τροφοδότησε έναν ειδικό αλγόριθμο με την ονομασία LogitBoost, ο οποίος κατάφερε και προέβλεψε με ακρίβεια άνω του 90%, ποιοι ασθενείς είχαν κίνδυνο να πάθουν καρδιακή προσβολή ή να πεθάνουν
Ο επικεφαλής των ερευνητών Δρ. Luis Eduardo Juarez-Orozco από το κέντρο PET Turku της Φινλανδίας δήλωσε: «Οι γιατροί συλλέγουν ήδη πολλές πληροφορίες σχετικά με τους ασθενείς – για παράδειγμα με το θωρακικό άλγος. Διαπιστώσαμε ότι η μηχανική μάθηση μπορεί να ενσωματώσει αυτά τα δεδομένα και να προβλέψει με ακρίβεια τον ατομικό κίνδυνο. Αυτό θα μας επιτρέψει να εξατομικεύσουμε τη θεραπεία και τελικά να οδηγήσουμε σε καλύτερα αποτελέσματα για τους ασθενείς».
Virus.com.gr
