死亡可以被预测吗？科学家：是的，用这种方法
原创 筷子 国际科学
人们认知中的死亡，通常是难以预测的。然而，诺丁汉大学的一项研究表明，人工智能（AI）和机器学习（ML）可以相对更好地预测早死，这一能力或能彻底改变预防性医疗保健。
这篇文章发表在《科学公共图书馆综合》（PLOS ONE）的“健康与生物医学中的机器学习”特别收藏版上。
论文原题为“Prediction of premature all-cause mortality: A prospective general population cohort study comparing machine-learning and standard epidemiological approaches”，中文可译为《预测早死全因死亡率：一项比较机器学习和标准流行病学方法的前瞻性一般人群队列研究》。
使用标准方法建立的预后模型已经很成熟，特别是用于预测单一疾病的风险。机器学习可能为探索更为复杂的结果提供了潜力，例如过早死亡。这项研究的目的是，使用机器学习开发新的预测算法，除了建立标准的生存模型外，还可以预测过早的全因死亡率。
从2006年到2010年，英国生物银行（UK Biobank）招募了502628名年龄在40-69岁之间的前瞻性队列人群。
之后，研究人员对参与者随访评估，一直到2016年。其中涉及到的评估因素包括：生物特征，临床和生活方式。
ICD-10（ICD-10即疾病和有关健康问题的国际统计分类第10次修订本）的死亡率数据来自于该国国家统计局。
“我们利用国家统计局的死亡记录、英国癌症登记和‘医院事件’统计数据，将预测结果与队列中的死亡率数据进行了对比”，作者之一Weng说：“我们发现机器学习算法在预测死亡方面，比人类专家开发的标准预测模型要精确得多。”
研究中使用了人工智能，和被称为“随机森林”和“深度学习”的机器学习模型。Weng说，他们反对传统的基于年龄和性别的“Cox回归”预测模型，因为该模型在预测死亡率方面最不准确。
结果显示，在3508454人-年的总随访时间内发生14418例死亡（2.9%）。简单的年龄和性别Cox模型，预测性最低(AUC 0.689, 95% CI 0.681–0.699)。
多变量Cox回归模型，显著提高了6.2%的辨别力 (AUC 0.751, 95% CI 0.748–0.767)。随机森林的机器学习算法应用，进一步提高了3.2%的识别率（AUC 0.783，95%CI 0.776–0.791），使用深度学习提高了3.9%（AUC 0.790，95%CI 0.783–0.797）。
与简单的年龄和性别Cox回归模型相比，这些机器学习算法分别提高了9.4%和10.1%的识别率。
随机森林和深度学习获得了相似的辨别水平，没有显著差异。机器学习算法得到了很好的校正，而Cox回归模型始终高估了风险。
这项新的研究建立在诺丁汉研究小组先前的工作基础上，该研究表明，随机森林、逻辑回归、梯度增强和神经网络四种不同的人工智能算法，在预测心血管疾病方面，明显优于目前心脏病学指南中使用的算法。传统上，人们依赖于统计数据来预测，例如，一个人未来患心脏病的风险。这些已经证明了很高的预测准确性，并通过大量的验证研究进行了验证和复制。
“因此，使用机器学习开发的应用程序和算法面临的挑战是，不仅要增强传统方法所能实现的功能，还要以同样透明和可复制的方式，开发和报告这些功能。”作者写道。
作者表示：“在大数据时代，人们非常乐观地认为，机器学习有可能彻底改变医疗保健，提供诊断评估方法，并使治疗决策个性化，达到与临床医生不相上下的水平，甚至优于临床医生。”
https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0214365
https://www.forbes.com/sites/robinseatonjefferson/2019/03/29/new-research-finds-artificial-intelligence-can-predict-premature-death/?sh=1f5460f328d9