Machine learning ist zu überholen Menschen in der Vorhersage von Tod oder Herzinfarkt. Das ist die Kernaussage einer Studie, die heute vorgestellt wurden am ICNC 2019.
Die International Conference on Nuclear Cardiology and Cardiac CT (ICNC) ist co-organisiert von der American Society of Nuclear Cardiology (ASNC), die European Association of Cardiovascular Imaging (EACVI) der europäischen Gesellschaft von Kardiologie (ESC) und der European Association of Nuclear Medicine (EANM).
Durch wiederholtes analysieren, 85 Variablen in 950 Patienten mit bekannten sechs-Jahres-Ergebnisse, einen Algorithmus „gelernt“, wie imaging-Daten interagiert. Es identifiziert Muster korrelieren die Variablen Tod und Herzinfarkt mit mehr als 90% Genauigkeit.
Machine learning, die moderne Grundlage der künstlichen Intelligenz (KI), die verwendet wird jeden Tag. Die Suchmaschine von Google, der Gesichtserkennung auf smartphones, self-driving cars, Netflix und Spotify-Empfehlung alle Systeme verwenden maschinelles lernen algorithmen Anpassung an den individuellen Nutzer.
Autor der Studie Dr. Luis Eduardo Juarez-Orozco, der Turku PET Centre, Finnland, sagte: „Diese Fortschritte sind weit über was getan wurde, in der Medizin, wo wir müssen vorsichtig sein, wie wir bewerten Risiken und Ergebnisse. Wir haben die Daten, aber wir sind nicht verwenden, um sein volles Potenzial noch.“
Ärzte verwenden Risiko-scores auf die Behandlung Entscheidungen. Aber diese scores beruhen auf nur einer Handvoll von Variablen und haben oft bescheidene Genauigkeit in den einzelnen Patienten. Durch Wiederholung und Anpassung, maschinelles lernen nutzen können große Mengen von Daten und erkennen komplexe Muster, die möglicherweise nicht offensichtlich auf den Menschen.
Dr. Juarez-Orozco erklärte: „die Menschen haben eine sehr harte Zeit, die denken weiter als drei Dimensionen (Würfel) oder vier Dimensionen (Würfel durch die Zeit). Der moment, in dem wir den Sprung in die fünfte dimension, sind wir verloren. Unsere Studie zeigt, dass sehr hohe dreidimensionale Muster, die nützlich sind als eine einzige dreidimensionale Muster, um vorherzusagen, Ergebnisse im Personen-und dafür brauchen wir die Maschine lernen.“
An der Studie nahmen 950 Patienten mit Schmerzen in der Brust, die eine der Mitte ist das übliche zu sehen für die koronare Herzkrankheit. Eine koronare Computertomographie-Angiographie (CCTA) scan ergab 58 Stück von Daten auf Vorhandensein von koronaren plaque, Gefäß Verengung und Verkalkung. Diejenigen, die mit scans suggestive der Krankheit wurde eine Positronen-emissions-Tomographie (PET) – scan, die produziert 17-Variablen auf die Durchblutung. Zehn klinische Variablen wurden aus den Krankenakten einschließlich Geschlecht, Alter, Rauchen und diabetes.
Während durchschnittlich sechs-Jahres-follow-up waren es 24 Herzinfarkt und 49 Todesfälle jedweder Ursache. Der 85 Variablen, die eingegeben wurden in eine machine-learning-Algorithmus genannt LogitBoost, analysiert Sie immer und immer wieder, bis es festgestellt, dass die beste Struktur, um vorherzusagen, wer hatte einen Herzinfarkt und starb.
Dr. Juarez-Orozco sagte: „Der Algorithmus schrittweise lernt aus den Daten, und nach unzähligen Runden von Analysen, zahlen, die hohe dreidimensionale Muster, die verwendet werden sollte, um effizient zu identifizieren Patienten, die die Veranstaltung. Das Ergebnis ist eine Punktzahl, die der individuellen Risiko.“
Die prädiktive Leistung über die zehn klinischen Variablen allein (ähnlich der aktuellen klinischen Praxis) war bescheiden, mit einer Fläche unter der Kurve (AUC) von 0,65 (wo 1.0 ist ein perfekter test, und 0,5 ist ein zufälliges Ergebnis). Bei der PET-Daten waren Hinzugefügt, die AUC erhöhte sich auf 0.69. Die predictive performance signifikant erhöht (p=0,005), wenn CCTA Daten Hinzugefügt wurden, klinische-und PET-Daten, die eine AUC 0,82 und mehr als 90% Genauigkeit.