用于内容推荐的算法可预测死亡或心脏病发作,准确率达90%
2019年05月14日 由 明知不问 发表
495493
0
类似于Netflix和Spotify等应用都含有用于定制服务的算法,而这类算法不仅可以为用户提供推荐服务,它现在能够比医生更准确地发现濒临死亡或心脏病发作的人。
机器学习被用于训练LogitBoost,其开发人员表示,LogitBoost能够以90%的准确率预测死亡或心脏病发作。
该程序使用85个变量来计算950名病人的健康风险,这些病人接受了美联储的扫描和数据。它被编程为使用85个变量来计算健康风险,数据来源于950名患者。
在用传统方法治疗胸痛之前,患者要接受一系列扫描和测试,他们的数据后来被用来训练算法。算法学习了风险,并且在六年的随访期间,预测24次心脏病发作和49次死亡,成功率为90%。
研究作者芬兰图尔库PET中心的Luis Eduardo Juarez-Orozco博士说,“这些进步远远超出了医学方面的进步,我们需要对如何评估风险和结果持谨慎态度。我们有很多数据,但我们尚未充分利用它们。”
医生使用风险评分来做出治疗决定,但这些评分仅基于患者的少数变量。通过重复和调整,机器使用大量数据来识别人类不明显的复杂模式。
Juarez-Orozco博士表示,“人类很难想到三维或四维。我们的研究表明,非常高的维度模式比单维模式更有用,可以预测个体的结果,因此我们需要机器学习。”
该研究纳入了950例胸痛患者,这些患者接受了该中心通常的寻找冠状动脉疾病的方案。
冠状动脉计算机断层扫描血管造影(CCTA)扫描收集了58条关于心脏病发作潜在风险的数据。包括冠状动脉斑块的存在,血管狭窄和钙化。
那些扫描提示疾病的患者接受了正电子发射断层扫描(PET),该扫描产生了17个血流变量。并且从医疗记录中获得了十个临床变量,包括性别,年龄,吸烟和糖尿病。
团队将85个变量输入LogitBoost,重复分析它们,直到找到预测心脏病发作或死亡的最佳结构。
Juarez-Orozco博士说,“该算法逐步从数据中学习,经过无数轮的分析,它得出了应该用来有效识别发生该事件的患者的高维模式——结果是个体风险得分。我们发现,机器学习可以整合这些数据,准确预测个体风险。这将使我们能够个性化治疗,最终为患者带来更好的结果。”