Naučnici su dizajnirali novi model veštačke inteligencije koji oponaša randomizovana klinička ispitivanja kako bi odredili opcije lečenja koje su najefikasnije u prevenciji moždanog udara kod ljudi sa srčanim oboljenjima.
Model je bio napunjen sa de-identifikovanim podacima o milionima pacijenata prikupljenih iz informacija o zdravstvenim zahtevima koje su podneli poslodavci, zdravstveni planovi i bolnice – strategija osnovnog modela slična onoj kod generativnih alata veštačke inteligencije kao što je ChatGPT.
Prethodno obučavajući model na ogromnom kešu opštih podataka, istraživači bi zatim mogli da fino podese model sa informacijama o specifičnim zdravstvenim uslovima i tretmanima – u ovom slučaju, fokusirajući se na rizik od moždanog udara – da bi procenili uzročni efekat svake terapije i odredili koja bi terapija najbolje funkcionisala na osnovu individualnih karakteristika pacijenta.
Tim sa Državnog univerziteta Ohajo izvestio je u časopisu Obrasci da je njihov model nadmašio sedam postojećih modela i došao do istih preporuka za lečenje kao četiri randomizovana klinička ispitivanja.
„Nijedan postojeći algoritam ne može da uradi ovaj posao“, rekao je stariji autor Ping Zhang, vanredni profesor računarskih nauka i inženjerstva i biomedicinske informatike u državi Ohajo. „Kvantitativno, naša metoda je povećala performanse za 7% do 8% u odnosu na druge metode. A poređenje je pokazalo da druge metode mogu zaključiti slične rezultate, ali ne mogu proizvesti rezultat baš kao randomizovano kliničko ispitivanje. Naša metoda može.“
Zamena kliničkih istraživanja zlatnih standarda nije poenta – ali istraživači se nadaju da bi mašinsko učenje moglo pomoći u uštedi vremena i novca tako što će klinička ispitivanja ubrzati i podržati personalizaciju brige o pacijentima.
„Naš model bi mogao da bude modul za ubrzavanje koji bi mogao da pomogne da se prvo identifikuje mala grupa lekova kandidata koji su efikasni u lečenju bolesti, omogućavajući kliničarima da sprovode randomizovana klinička ispitivanja u ograničenom obimu sa samo nekoliko lekova“, rekao je prvi autor Ruoki Liu. , doktor računarskih nauka i inženjerstva. student u Džangovoj laboratoriji.
Tim je predloženi okvir nazvao CURE: CaUsal tReatment Effect estimation.
Lepota modela procene efekta lečenja unapred obučenog sa ogromnim količinama neobeleženih podataka iz stvarnog sveta je njegova primenljivost na mnoštvo bolesti i lekova, rekao je Liu.
„Možemo unapred da obučimo model na velikim skupovima podataka bez ograničavanja na bilo kakve tretmane. Zatim fino podešavamo unapred obučeni model na malim skupovima podataka specifičnih za zadatak tako da se model može brzo prilagoditi različitim zadacima nizvodno, “ Ona je rekla.
Neoznačeni podaci koji su korišćeni za prethodnu obuku modela potiču iz MarketScan Commercial Claims and Encounters od 2012-2017, obezbeđujući 3 miliona slučajeva pacijenata, 9.435 medicinskih kodova (uključujući 282 dijagnostička koda) i 9.153 koda lekova.
Dve Liuove tehnike za konstruisanje modela dodale su moći CURE-a: popunjavanje praznina u kartonima pacijenata uparujući informacije o pacijentima sa grafikonima biomedicinskog znanja koji predstavljaju biomedicinske koncepte i odnose i prethodno obučavanje duboko sinergizovanog modela temeljnog znanja o pacijentima koristeći medicinske tvrdnje i znanje grafikoni u razmeri.
„Takođe smo predložili KG-TREAT, temeljni model unapređen znanjem, kako bismo podatke o pacijentima uporedili sa grafikonima znanja kako bi model bolje razumeo podatke o pacijentima“, rekao je Liu, koji je bio prvi autor martovskog zbornika AAAI. Rad sa konferencije o veštačkoj inteligenciji koji opisuje rad na grafu znanja.
Da bi došao do procena efekata lečenja, model razmatra prethodno obučene podatke koji se preklapaju sa konkretnijim informacijama o medicinskim stanjima i terapijama i, nakon daljeg finog podešavanja, predviđa koji će ishodi pacijenata odgovarati različitim tretmanima.
Kao deo poređenja modela sa drugim alatima za mašinsko učenje i njegove validacije u odnosu na rezultate kliničkog ispitivanja, studija je pokazala da je široka pred-trening okosnica efikasnosti CURE-a—a ugradnja grafikona znanja dodatno je poboljšala njegove performanse.
Zhang predviđa dan — čekajući da Uprava za hranu i lekove odobri AI kao alat za podršku odlučivanju — kada bi kliničari mogli da koriste ovu vrstu algoritma, napunjenog elektronskim zdravstvenim podacima desetina miliona ljudi, da pristupe „digitalnom blizancu“ stvarnog pacijenta „i neka model funkcioniše kao vodič za lečenje.
„Ovaj model je bolji od kristalne kugle: Na osnovu velikih podataka i osnovnog modela AI, možemo imati razumno samopouzdanje da možemo da kažemo koja je strategija lečenja bolja“, rekao je Zhang, koji vodi Veštačku inteligenciju u laboratoriji za medicinu i član osnovnog fakulteta u Institutu za analitiku translacionih podataka u državi Ohajo. „Želimo da stavimo lekare na mesto vozača da vide da li je to nešto što im može biti od pomoći kada donose kritične odluke.“
