محققان مسیر ایمن‌تری برای پیش‌بینی بیماری با هوش مصنوعی پیشنهاد کردند

شفقنا – پژوهشگران هشدار می‌دهند مدل‌های پیچیده هوش مصنوعی که برای پیش‌بینی بیماری‌های مزمن استفاده می‌شوند، اگر درست تنظیم (کالیبره) نشوند، ریسک بیماری را بیش از حد واقعی نشان می‌دهند. یک مطالعه بین‌المللی به رهبری عبدالعزیز علابی از دانشگاه ایالتی جورجیا، راهکاری عملی پیشنهاد کرده است: قبل از استفاده بالینی، «کالیبراسیون اولویت اول باشد».

به گزارش سرویس ترجمه شفقنا، بیماری‌های مزمن مانند دیابت، بیماری قلبی، بیماری کلیوی و بیماری مزمن انسدادی ریه همچنان به سیستم‌های سلامت در سراسر جهان فشار وارد می‌کنند، به ویژه در آفریقا، جایی که دسترسی به مراقبت‌های پیشرفته هنوز نابرابر است و منابع محدود می‌باشند.

علابی و همکارانش بررسی کردند که چگونه ابزارهای مدرن هوش مصنوعی در پیش‌بینی نتایج بیماران در مقایسه با روش‌های آماری سنتی عمل می‌کنند.

بر اساس این مطالعه، مدل‌های پیشرفته شامل XGBoost و LightGBM پیشرفت‌های قابل توجهی در چندین مطالعه ثبت کردند. اما علابی هشدار داد این پیشرفت‌ها اگر به درستی مدیریت نشوند با خطراتی همراه هستند. او گفت: بسیاری از این مدل‌ها قبل از اینکه بتوانند با خیال راحت در محیط بالینی استفاده شوند نیاز به کالیبراسیون (فرآیندی است که در آن عملکرد یک ابزار اندازه‌گیری با یک مرجع استاندارد معتبر مقایسه می‌شود) پس از پردازش دارند و اشاره کرد که بدون چنین تنظیماتی، برخی سیستم‌ها ریسک بیمار را به طور قابل توجهی بیش از حد تخمین می‌زنند.

علابی توضیح داد که سیستم‌های سلامت بیش از حد بر دقت متمرکز شده‌اند در حالی که این مهم را نادیده گرفته‌اند که آیا پیش‌بینی‌ها با نتایج واقعی جهان مطابقت دارند یا خیر. محققان معیارهای شفافی از جمله «شیب کالیبراسیون بین ۰.۹۰ تا ۱.۱۰» و آستانه‌های عملکرد سختگیرانه پیشنهاد کردند و اصرار داشتند هر مدلی که این استانداردها را برآورده نکند «صرف نظر از اینکه دقتش چقدر چشمگیر به نظر می‌رسد نباید مستقر شود».

این تحقیق همچنین مدل‌های بنیادین نوظهور را که روی مجموعه‌داده‌های عظیم سلامت آموزش دیده‌اند بررسی کرد و نشان داد که آنها نویدبخش هستند، به ویژه در محیط‌های با منابع کم. یک یافته نشان داد که چنین مدل‌هایی می‌توانند با «استفاده از کمتر از یک درصد از برچسب‌های هدف» با سیستم‌های سنتی برابری کنند یا از آنها فراتر روند. علابی نتیجه‌گیری کرد که در حالی که مدل‌های ساده‌تر در بسیاری از محیط‌ها مؤثر باقی می‌مانند، «مدل‌های بنیادین آینده‌ای را ارائه می‌دهند که حتی بیمارستان‌های کم‌برخوردار نیز می‌توانند از آن بهره‌مند شوند، به شرطی که کالیبراسیون و شفافیت به استاندارد تبدیل شوند.»

این خبر را اینجا ببینید.