Ученые из Огайского государственного университета разработали новую модель искусственного интеллекта, которая способна оценивать эффективность лечения сердечных заболеваний, минуя стандартные клинические испытания. Эта модель, названная CURE (CaUsal tReatment Effect estimation), загружена деидентифицированными данными миллионов пациентов, собранными из медицинских данных, предоставленных работодателями, страховыми планами и больницами.
Перед началом использования специфических данных о состоянии здоровья и лечении, например, риска инсульта, модель предварительно обучалась на обширном массиве общих данных. Это позволило оценить причинно-следственное влияние каждой терапии и определить наиболее эффективное лечение, исходя из индивидуальных характеристик пациента.
Согласно исследованию, опубликованному в журнале Patterns 1 мая 2024 года, модель CURE превзошла семь существующих моделей и дала те же рекомендации по лечению, что и четыре случайных клинических испытания. По словам Пин Чжана, старшего автора исследования, профессора компьютерных наук и биомедицинской информатики, ни один существующий алгоритм не способен выполнить эту работу так точно, как случайные клинические испытания.
Целью использования машинного обучения, по словам исследователей, не является замена традиционных клинических исследований, а возможность ускорить и удешевить процесс, поддерживая при этом индивидуализацию ухода за пациентами. Модель может выявлять небольшую группу потенциально эффективных лекарств, что позволяет клиницистам проводить ограниченные клинические испытания.
Для предварительного обучения модели использовались немаркированные данные из базы данных MarketScan Commercial Claims and Encounters за период с 2012 по 2017 год, включая данные о 3 миллионах пациентов и тысячах медицинских кодов.
Важную роль в улучшении работы модели CURE сыграли техники конструирования модели, разработанные Руоци Лю, аспирантом в лаборатории Чжана. Одна из техник включает использование биомедицинских знаний для заполнения пробелов в медицинских записях пациентов, что помогает модели лучше понимать и интерпретировать данные.
Исследование было финансировано Национальными институтами здравоохранения, а среди соавторов статьи в журнале Patterns – Пин-Юй Чен из IBM Research и Лингфей Ву из Anytime AI.