Peneliti medis telah membuka kemampuan yang mengganggu dalam kecerdasan buatan (AI): memprediksi kematian dini seseorang.
Para ilmuwan baru-baru ini melatih sistem AI untuk mengevaluasi satu dekade data kesehatan umum yang diajukan oleh lebih dari setengah juta orang di Inggris. Kemudian, mereka menugaskan AI untuk memprediksi jika individu berisiko meninggal sebelum waktunya - dengan kata lain, lebih cepat dari harapan hidup rata-rata - dari penyakit kronis, mereka melaporkan dalam sebuah studi baru.
Prediksi kematian dini yang dibuat oleh algoritma AI "secara signifikan lebih akurat" daripada prediksi yang disampaikan oleh model yang tidak menggunakan pembelajaran mesin, penulis studi utama Dr. Stephen Weng, asisten profesor epidemiologi dan ilmu data di Universitas Nottingham (PBB) di Inggris, mengatakan dalam sebuah pernyataan.
Untuk mengevaluasi kemungkinan kematian dini subjek, para peneliti menguji dua jenis AI: "pembelajaran mendalam," di mana jaringan pemrosesan informasi berlapis membantu komputer untuk belajar dari contoh; dan "hutan acak," jenis AI yang lebih sederhana yang menggabungkan beberapa model mirip pohon untuk mempertimbangkan kemungkinan hasil.
Kemudian, mereka membandingkan kesimpulan model AI dengan hasil dari algoritma standar, yang dikenal sebagai model Cox.
Dengan menggunakan ketiga model ini, para ilmuwan mengevaluasi data di UK Biobank - basis data akses terbuka data genetik, fisik dan kesehatan - yang diajukan oleh lebih dari 500.000 orang antara 2006 dan 2016. Selama waktu itu, hampir 14.500 peserta meninggal, terutama dari kanker, penyakit jantung dan penyakit pernapasan.
Variabel yang berbeda
Ketiga model menentukan bahwa faktor-faktor seperti usia, jenis kelamin, riwayat merokok dan diagnosis kanker sebelumnya adalah variabel teratas untuk menilai kemungkinan kematian dini seseorang. Tetapi model berbeda dengan faktor-faktor kunci lainnya, para peneliti menemukan.
Model Cox sangat bergantung pada etnis dan aktivitas fisik, sedangkan model pembelajaran mesin tidak. Sebagai perbandingan, model hutan acak lebih menekankan persentase lemak tubuh, lingkar pinggang, jumlah buah dan sayuran yang dimakan orang, dan warna kulit, menurut penelitian. Untuk model pembelajaran dalam, faktor-faktor utama termasuk paparan terhadap bahaya terkait pekerjaan dan polusi udara, asupan alkohol dan penggunaan obat-obatan tertentu.
Ketika semua angka-angka telah dilakukan, algoritma pembelajaran mendalam memberikan prediksi yang paling akurat, mengidentifikasi 76 persen subjek yang meninggal selama periode penelitian dengan benar. Sebagai perbandingan, model hutan acak memprediksi dengan benar sekitar 64 persen kematian dini, sedangkan model Cox hanya mengidentifikasi sekitar 44 persen.
Ini bukan pertama kalinya para ahli memanfaatkan kekuatan prediktif AI untuk perawatan kesehatan. Pada 2017, tim peneliti yang berbeda menunjukkan bahwa AI bisa belajar mengenali tanda-tanda awal penyakit Alzheimer; algoritme mereka mengevaluasi pemindaian otak untuk memprediksi apakah seseorang akan mengembangkan Alzheimer, dan itu dilakukan dengan akurasi sekitar 84 persen, Live Science sebelumnya melaporkan.
Studi lain menemukan bahwa AI dapat memprediksi timbulnya autisme pada bayi berusia 6 bulan yang berisiko tinggi mengembangkan gangguan tersebut. Namun studi lain dapat mendeteksi tanda-tanda diabetes yang melanggar batas melalui analisis scan retina; dan satu lagi - juga menggunakan data yang berasal dari scan retina - memperkirakan kemungkinan seorang pasien mengalami serangan jantung atau stroke.
Dalam studi baru, para ilmuwan menunjukkan bahwa pembelajaran mesin - "dengan penyetelan hati-hati" - dapat digunakan untuk berhasil memprediksi hasil kematian dari waktu ke waktu, rekan penulis studi Joe Kai, seorang profesor perawatan primer PBB, mengatakan dalam pernyataan itu.
Walaupun menggunakan AI dengan cara ini mungkin tidak biasa bagi banyak profesional perawatan kesehatan, menghadirkan metode yang digunakan dalam penelitian ini "dapat membantu dengan verifikasi ilmiah dan pengembangan masa depan bidang yang menarik ini," kata Kai.
Temuan ini dipublikasikan online hari ini (27 Maret) di jurnal PLOS ONE.
