בסקירה שפורסמה לאחרונה ב BMC Medicine, מדענים מעריכים מודלים של בינה מלאכותית (AI-Ms) המנבאים סיכונים למחלות לב וכלי דם (CVD) באוכלוסיות כלליות וספציפיות, תוך שהם מפתחים ציון אימות עצמאי (IVS) עבור AI-Ms.
לימוד: בינה מלאכותית במודלים של חיזוי סיכונים של מחלות לב וכלי דם ופיתוח של כלי בדיקת אימות עצמאי: סקירה שיטתית. קרדיט תמונה: Summit Art Creations / Shutterstock.com
רקע כללי
השכיחות העולמית של מחלות לב וכלי דם (CVDs) עולה במהירות, מה שהוביל לפיתוח של מספר מודלים לחיזוי CVD. מודלים לחיזוי CVD כמו Framingham ו- SCORE מזהים אנשים בסיכון גבוה יותר לפתח CVDs כדי ליישם בסופו של דבר אמצעי מניעה על פני האוכלוסייה הפגיעה.
בתוך מדעי המחשב, ניתן להשתמש ביישום של AI, למידת מכונה (ML) ולמידה עמוקה (DL) לפיתוח מערכות חישוביות בעלות יכולת תפקוד דומה בדומה לאינטליגנציה האנושית תוך ביצוע משימה מורכבת. יכולת תפקוד זו קשורה לכישורי החשיבה, הלמידה, התפיסה, פתרון הבעיות, קבלת ההחלטות והבנת השפה של בני האדם.
AI-Ms יושמו יותר ויותר במגזר הבריאות לצורך חיזוי סיכון למחלות. עם זאת, יישום זה היה נתון לאתגרים מרובים הקשורים לפרטיות נתונים, אבטחה, שקיפות, חוקיות וחששות הקשורים לאתיקה. עם זאת, בהשוואה למודלים מסורתיים של חיזוי סיכונים, AI-Ms קשורים לדיוק רב יותר, ליכולת עיבוד נתונים ולפחות הגבלות עיבוד.
לגבי המחקר
מיצוי נתונים נרחב בוצע בהתבסס על מנבאים, אלגוריתמים, הטיה ואוכלוסיה. כלי להערכת השכפול והישימות של AI-Ms, כמו גם להבטיח אימות חיצוני של AI-Ms, פותח כדי לסנן AI-Ms.
עבור הסקירה הנוכחית, כל המאמרים הרלוונטיים הושגו מאמבאס, Web of Science, PubMed ו-IEEE Library. נעשה שימוש גם בכלי הערכת הטיה (PROBAST).
ממצאי מפתח
בסך הכל התקבלו 79 מאמרים רלוונטיים שפורסמו בין 2017 ל-2021, מתוכם זוהו 486 AI-Ms. רוב המחקרים הללו היו קשורים לפיתוח של AI-Ms חדשים; עם זאת, אף אחד מהמודלים לא עבר אימות חיצוני עצמאי.
לפיכך, נראה כי חוקרי חיזוי סיכונים בינה מלאכותית מתמקדים יותר בפיתוח מודלים חדשים מאשר באימות מודלים קיימים, דבר חיוני עבור יישומים קליניים. מכיוון ש-AI-Ms לא מאומתים יביאו ליצירת מודלים רבים של חיזוי חסרי תועלת, החוקרים חייבים להתמקד באימות AI-Ms כדי להימנע מבזבוז זמן מחקר.
גורם מפתח המגביל את היישום של אימות חיצוני הוא השימוש במקורות נתונים מוגבלים לפיתוח מודל. עם זאת, ניתן לטפל בכך באמצעות נתונים ממאגרי מידע מרובי מקורות.
רוב המודלים המבוססים על בינה מלאכותית כמנבאי סיכון CVD פותחו בצפון אמריקה ובאירופה, מעט מאוד מהם פותחו במדינות אסיה ודרום אמריקה, בעוד שאף אחד מהם לא פותח באפריקה. מכיוון שהיקף הסיכונים ל-CVD משתנה בין העדות, חשוב לפתח AI-Ms המתמקדים בקבוצות אתניות ספציפיות.
ארבעת המשתנים הנפוצים ביותר המשמשים ב-AI-Ms לחיזוי סיכון CVD כוללים כולסטרול כולל, גיל, מין ומצב עישון. בהשוואה למודלים מסורתיים, AI-Ms מעריכים נתונים רב-מודאליים, כולל מידע נוסף הקשור לגנים או לחלבונים ונתוני תמונה. יתרונות נוספים של מודלים של AI כוללים קלט מחדש של נתונים ושירות.
מחקרים רבים לא סיפקו מידע מחקרי חשוב, מה שפגע באימות המודל. בעתיד, מחקרים חייבים לספק דיווח שקוף של מודל חיזוי רב-משתני עבור הצהרת פרוגנוזה או אבחנה אינדיבידואלית (TRIPOD) בעת הגשת כתב היד.
לפי PROBAST, כל המודלים היו בסיכון גבוה להטיה, בעיקר בגלל שימוש לא הולם בכלים סטטיסטיים. ניתוח IVS העלה כי רק 10 דגמים "הומלצו" לשימוש, בעוד שהדגמים הנותרים סווגו תחת "לא מומלץ" או "אזהרה".
הכלי IVS פותח לסינון מודלים של אימות חיצוני עצמאי. מערכת ניקוד זו מעריכה את ההתאמה לאימות חיצוני עצמאי בהתבסס על שקיפות, הערכת סיכונים, ביצועים והשלכה קלינית.
ה-IVS החדש שפותח הצביע על כך שאימות חיצוני עצמאי עשוי שלא להתאים ליותר מ-95% מהמודלים, ובכך מרמז שלא ניתן להשתמש במודלים אלו במסגרות קליניות.
מסקנות
למרות שקיימים מספר AI-Ms לחיזוי CVD, מעט מחקרים ניתחו באופן שיטתי את המודלים ליעילותם. הסקירה הנוכחית סיכמה AI-Ms עבור CVD ודנה באתגרים הנוכחיים הקשורים לשימוש בהם.
המחקר הנוכחי סיפק תובנות חשובות לגבי מודלים של בינה מלאכותית המשמשים לחיזוי סיכון CVD, כולל חוסר האיזון הגיאוגרפי, סיכון גבוה להטיה, שיעור נמוך של איכות הדיווח המגיע לסטנדרטים, היעדר אימות חיצוני בלתי תלוי ומערכת הערכה לא מושלמת. בהקשר זה, השימוש בכלי IVS שפותח לאחרונה יכול לעזור להעריך את יכולת השכפול של המודלים.
