Datorer som kan lära sig själva att förutsäga för tidig död kan avsevärt förbättra den förebyggande sjukvården i framtiden, föreslår en ny studie av experter vid University of Nottingham.

Teamet av dataforskare och läkare inom sjukvården har utvecklat och testat ett system med datorbaserade "maskininlärnings"-algoritmer för att förutsäga risken för tidig död på grund av kronisk sjukdom i en stor medelålders befolkning.

De fann att detta AI-system var mycket exakt i sina förutsägelser och presterade bättre än den nuvarande standardmetoden för förutsägelse som utvecklats av mänskliga experter. Studien är publicerad av PLOS ETT i en särskild samlingsutgåva av "Machine Learning in Health and Biomedicine".

Teamet använde hälsodata från drygt en halv miljon människor mellan 40 och 69 år som rekryterades till den brittiska biobanken mellan 2006 och 2010 och följdes upp till 2016.

Leder arbetet, biträdande professor i epidemiologi och datavetenskap, Dr Stephen Weng, sade:"Förebyggande hälso- och sjukvård är en växande prioritet i kampen mot allvarliga sjukdomar så vi har arbetat i ett antal år för att förbättra noggrannheten i datoriserad hälsoriskbedömning i allmänheten. De flesta applikationer fokuserar på ett enskilt sjukdomsområde men förutsäger dödsfall på grund av flera olika sjukdomsutfall är mycket komplex, särskilt med tanke på miljö- och individuella faktorer som kan påverka dem.

"Vi har tagit ett stort steg framåt på detta område genom att utveckla ett unikt och holistiskt tillvägagångssätt för att förutsäga en persons risk för för tidig död genom maskininlärning. Detta använder datorer för att bygga nya riskprediktionsmodeller som tar hänsyn till ett brett spektrum av demografiska, biometrisk, kliniska faktorer och livsstilsfaktorer för varje bedömd individ, även deras kostkonsumtion av frukt, grönsaker och kött per dag.

"Vi kartlade de resulterande förutsägelserna till dödlighetsdata från kohorten, använder Office of National Statistics dödsregister, det brittiska cancerregistret och statistik över "sjukhusepisoder". Vi fann att maskininlärda algoritmer var betydligt mer exakta när det gäller att förutsäga döden än de standardmodeller som utvecklats av en mänsklig expert."

AI-maskininlärningsmodellerna som används i den nya studien är kända som "random forest" och "deep learning". Dessa ställdes mot den traditionellt använda "Cox-regression"-förutsägelsemodellen baserad på ålder och kön - som visade sig vara den minst exakta när det gäller att förutsäga dödlighet - och även en multivariat Cox-modell som fungerade bättre men tenderade att överförutsäga risk.

Professor Joe Kai, en av de kliniska akademiker som arbetar med projektet, sa:"Det finns för närvarande ett intensivt intresse för möjligheten att använda "AI" eller "maskininlärning" för att bättre förutsäga hälsoresultat. I vissa situationer kan vi upptäcka att det hjälper, i andra kanske det inte. I detta speciella fall, vi har visat att med noggrann inställning, dessa algoritmer kan med fördel förbättra förutsägelsen.

"Dessa tekniker kan vara nya för många inom hälsoforskning, och svår att följa. Vi tror att genom att tydligt rapportera dessa metoder på ett transparent sätt, detta kan hjälpa till med vetenskaplig verifiering och framtida utveckling av detta spännande område för hälsovård."

Denna nya studie bygger på tidigare arbete av Nottingham-teamet som visade att fyra olika AI-algoritmer, "slumpmässig skog", 'logistisk tillbakagång', 'gradientförstärkning' och 'neurala nätverk', var betydligt bättre på att förutsäga kardiovaskulär sjukdom än en etablerad algoritm som används i nuvarande kardiologiska riktlinjer. Denna tidigare studie finns tillgänglig här.

Nottingham-forskarna förutspår att AI kommer att spela en viktig roll i utvecklingen av framtida verktyg som kan leverera personlig medicin, skräddarsy riskhantering till enskilda patienter. Ytterligare forskning kräver att verifiera och validera dessa AI-algoritmer i andra befolkningsgrupper och utforska sätt att implementera dessa system i rutinsjukvård.