Достижения в области машинного обучения и наличие медицинских и социально-экономических данных о населении в электронном виде поспособствовали разработке алгоритмов, которые позволяют предсказать изменения в состоянии здоровья пациентов, например, спрогнозировать показатели смертности в краткосрочной перспективе.
Исследователи из Института молекулярной медицины в Финляндии разработали модель рекуррентной нейронной сети для точного прогнозирования смертности в течение 1 года среди всего населения Финляндии, основываясь на общенациональных медицинских и социально-экономических данных. В своей работе они использовали широкий спектр продольных предикторов, которые охватывали историю болезни пациентов на ближайшие 50 лет. Созданная модель глубокого обучения отличается от предыдущих значительно более обширным объемом информации и большим размером выборки и таким образом уменьшает погрешность. Исследователи проанализировали эффективность прогнозирования по возрасту, полу, причине смерти и другим параметрам, имеющим отношение к достоверности прогнозов, таким как место проживания, доход, семейное положение, иммиграционный статус и психическое здоровье.
Разработанная модель демонстрирует высокие прогностические характеристики (площадь под ROC-кривой (AUC) составляет 0,944 при чувствительности 95% и специфичности 77%, они превосходят более простую базовую модель, в которой используется информация только о возрасте и поле.
Новое исследование показывает возможности эффективного использования лонгитюдных данных по нескольким категориям по всей стране с целью точного прогнозирования краткосрочного риска смертности. Примечательно, что модель глубокого обучения продемонстрировала высокую эффективность при прогнозировании различных причин смерти, в том числе новых, таких как COVID-19.
Ограничение исследования заключается в том, что оно проводилось с использованием данных о населении Финляндии, а потому для применения модели в других странах следует учитывать местные особенности.
Фото: Freepik.
Источник: 2 июля 2024, https://www.nature.com/articles/s43587-024-00665-5.