Yapay Zeka Hastalıkları Belirtiler Görülmeden Yıllar Önce Tahmin Edebiliyor

  Amerika Birleşik Devletleri'ndeki Utah Üniversitesi araştırmacıları, kişilerin kronik hastalıkları geliştirip geliştirmeyeceğini semptomlar ortaya çıkmadan yıllar önce tahmin edebilen, açık kaynaklı bir yazılım geliştirdi. RiskPath adı verilen bu araç, açıklanabilir yapay zeka (XAI) kullanarak çalışıyor. Araştırmanın sonuçları Patterns adlı dergide yayımlandı.

Risk Faktörlerinin Zamanla Değişimini Analiz Ediyor

RiskPath, kişilerin yıllar içinde toplanan sağlık verilerindeki kalıpları analiz ederek, yüzde 85 ila 99 arasında bir doğruluk oranıyla risk altındaki bireyleri tespit edebiliyor. Açıklanabilir yapay zeka (XAI), karmaşık kararları insanların anlayabileceği şekilde açıklayabilen sistemleri ifade ediyor. Mevcut tıbbi tahmin sistemlerinin uzun süreli verilerde riskli hastaları doğru belirleme oranının genellikle yüzde 50 ila 75 arasında kaldığı belirtiliyor. RiskPath, gelişmiş zaman serisi yapay zeka algoritmaları kullanarak risk faktörlerinin hastalık gelişim süreci boyunca nasıl etkileşime girdiğini ve önem derecelerinin nasıl değiştiğini gösteren modeller sunuyor. Çalışmanın başyazarı Dr. Nina de Lacy, Kronik, ilerleyici hastalıklar sağlık harcamalarının ve ölümlerin %90'ından fazlasını oluşturuyor. Yüksek riskli bireyleri semptomlar ortaya çıkmadan veya hastalığın erken evrelerinde belirleyerek ve farklı yaşam evrelerinde hangi risk faktörlerinin en önemli olduğunu saptayarak daha hedefli ve etkili önleyici stratejiler geliştirebiliriz dedi.

Önemli Risk Faktörlerini ve Müdahale Zamanlarını Saptıyor

Araştırma ekibi, RiskPath'i binlerce katılımcıyı içeren üç büyük uzun vadeli hasta grubu üzerinde doğruladı. Araç, depresyon, anksiyete, DEHB (Dikkat Eksikliği Hiperaktivite Bozukluğu), hipertansiyon ve metabolik sendrom dahil olmak üzere sekiz farklı durumu başarıyla tahmin etti. Sistemin, farklı risk faktörlerinin zaman içinde önem derecesinin nasıl değiştiğini haritalandırabildiği belirtildi. Örneğin çalışma, çocukların ergenliğe yaklaşmasıyla ekran süresi ve yürütücü işlevlerin DEHB için giderek daha önemli risk faktörleri haline geldiğini gösterdi. RiskPath yüzlerce sağlık değişkenini analiz edebilse de, araştırmacılar çoğu durumun sadece 10 temel faktör kullanılarak benzer doğrulukla tahmin edilebileceğini buldu. Bu durumun, aracın klinik ortamlarda uygulanmasını kolaylaştırabileceği ifade edildi. Sistem ayrıca, bir kişinin hayatındaki hangi zaman dilimlerinin hastalık riskine en fazla katkıda bulunduğunu gösteren görselleştirmeler sunarak araştırmacıların önleyici müdahaleler için en uygun zamanları belirlemesine yardımcı oluyor. RiskPath'in açık kaynaklı bir yazılım olduğu bildirildi. Araştırma ekibi şimdi RiskPath'in klinik karar destek sistemlerine ve önleyici bakım programlarına nasıl entegre edilebileceğini araştırıyor ve çalışmalarını ek hastalıkları ve farklı popülasyonları içerecek şekilde genişletmeyi planlıyor.