Разработчики ИИ приготовили “подарок” для ипохондриков: модель, которая предсказывает, какие болезни, вероятно, ждут вас в будущем. Группа ученых представила ИИ, который определяет вероятность более 1 тыс. заболеваний на основе данных из медицинских карт.

Модель, работающая на той же технологии, что и ChatGPT, получила название Delphi-2M. Ее обучили на данных 402,8 тыс. человек, зарегистрированных в Британском биобанке. Информация включала в себя возраст, пол, ИМТ, наличие вредных привычек, а также диагнозы. После этого работу Delphi-2M оценили на выборке пациентов из Дании: 1,93 млн человек, которым было 50-80 лет на момент 1 января 2016 г. ИИ давал в отношении них прогнозы, которые затем сравнивались с реальной заболеваемостью в 2017 г.

Разработчики оценивали эффективность Delphi-2M с помощью параметра AUC, принимающего значения от 0 до 1: чем он выше, тем лучше работает модель. При проверке ИИ на датских данных он составил 0,67. Впрочем, это не значит, что Delphi-2M эффективен на 67%. Например, на данных из Великобритании AUC для прогнозов на 1 год вперед был равен 0,76. На практике это означало, что модель верно предсказывала 17% заболеваний, которые ждали пациентов в течение следующего года.

Сами разработчики сравнивают действие модели с метеорологическим прогнозом: “точно так же, как в случае с погодой, где вероятность дождя составляет 70%”, Delphi-2M предсказывает вероятность развития заболевания в определенный год жизни пациента. Но тех, кто попадал под дождь без зонта после того, как синоптики пообещали ясный день, такая точность может и не обнадежить.

В чем заключаются проблемы Delphi-2M, и как подобные ИИ повлияют на общество?
✳️ Общий недостаток таких моделей - узкая выборка. Например, Delphi-2M был обучен на выборке людей, все из которых были живы на момент сбора данных, что искажало прогнозы по смертности.
✳️ Многие связи между диагнозами очевидны и без ИИ: врачи будут обращать повышенное внимание на состояние сердца и сосудов у пациентов с ожирением или глаз у тех, кто страдает диабетом. Модели наиболее успешны в выявлении именно таких заметных связей: между предраковым состоянием и раком женских половых органов, диабетом и нейропатией и т.д.
✳️ В болезнях, связи между которыми для людей менее очевидны, ИИ теряется точно также. Например, для инфекционных заболеваний, которые начинаются почти рандомно, вероятность точного прогноза гораздо ниже. Особенно это касается редких инфекций, таких как менингококк. Но и для других диагнозов она может быть на уровне погрешности: например, для прогнозов по флебиту и тромбофлебиту на год вперед AUC равен 0,53 у женщин и 0,27 у мужчин.
✳️ В дальнейшем технологию “чтения будущего по медицинской карте” могут взять на вооружение медклиники, которым выгодна гипердиагностика. Такие ИИ обещают им золотые горы на профилактике и лечении того, чего еще нет. Пациентам же, помимо опустошения кошелька, это может принести только ипохондрию на ровном месте. Хотя людям из семей с генетическими заболеваниями иногда назначают тестирование, чтобы определить вероятность болезни в будущем, у ИИ-оракулов точность гораздо ниже, а список недугов, которые они вам предскажут, - куда шире.
✳️ Сами авторы предлагают эту технологию правительствам и страховым в целях планирования бюджета. По их замыслу, Delphi-2M способен оценивать уровень заболеваемости для всего населения на год вперед, что поможет рассчитывать расходы на здравоохранение. Но вот в чем проблема. Если ИИ будет ошибаться в меньшую сторону, это приведет к массовому недофинансированию: мы уже видели на примере США, как из больниц выписывали недолеченных пациентов только потому, что ИИ одобрил для них слишком маленький срок госпитализации. С помощью Delphi-2M необоснованное сокращение расходов может выйти на национальный уровень. И вероятность этого очень высока: правительства скорее будут отдавать предпочтение моделям, которые прогнозируют низкие расходы на медицину, чем наоборот.