fbpx

A Mesterséges Intelligencia azt is megmondja, ki fog meghalni covidban

Milyen frontokon harcol a mesterséges intelligencia és a gépi tanulás a járvány harmadik hullámának előszobájában tomboló koronavírussal?

A jelenlegi és a történelem során lezajlott korábbi járványok közötti lényeges különbség, hogy ma már nem csak részletes adatokat tudunk gyűjteni a fertőzésről, de azokat a legkorszerűbb algoritmusok segítségével dolgozhatjuk fel. Legyen az a vírus működése, a megbetegedés pontos lefolyása, vagy a fertőzöttek esélyei, az adathalmazban olyan összefüggéseket találhatunk, melyeket hagyományos módszerekkel lehetetlen lenne. A 100 évvel ezelőtti spanyolnátha pusztítása közben még álmodni sem lehetett arról, hogy mesterséges intelligencia pásztázza majd a statisztikákat.

A modell egy nap alatt 4 milliárd létező gyógyszert képes célzottan átvizsgálni

A mesterséges intelligencia (MI) és annak egyik ága, a gépi tanulás, lehetővé teszi, hogy a vírushoz kötődő hatalmas adathalmazok emberfeletti gyorsasággal legyenek átfésülhetők. Ez nem csak a járvány lefolyásának kordában tartását segíti, hanem a kutatásokat is meggyorsítja. Az MI egyik célkeresztjében a vírus ellenszerének vizsgálata van, melyben élen jár az Egyesült Államokban található Argonne Nemzeti Laboratórium. Abból a feltételezésből indultak ki, hogy bár a COVID-19 egy új betegség, számtalan, már létező gyógyszer és azok kombinációja rejti magában azt a lehetőséget, hogy ellenszerként szolgáljon. Ilyen lehetséges ellenszer volt a tavaly nyáron nagy reményeket ígérő klorokin malária gyógyszer, amelynél felmerült, hogy hatásos lehet a koronavírus ellen is, de további kutatások és tesztek ezt mégsem támasztották alá.

Számtalan, akár a gyógyszertárak polcain várakozó gyógyszer, vagy azok összetevői, kombinációi viszont lehetnek még potenciális ellenszerei a vírusnak, de a végeláthatatlan lista átvizsgálása éveket vehet igénybe: itt lép közbe a mesterséges intelligencia.

Az általunk kifejlesztett modell képes volt csupán egyetlen nap leforgása alatt négy milliárd gyógyszert átvizsgálni, miközben a hagyományos számítási modellek maximum 10 millióra képesek.

állítja Thomas Brettin, az Argonne stratégiai programvezetője. Ezeket az eredményeket kombinálják a SARS-CoV-2 vírus fehérje-szerkezetéről szerzett adatokkal – melyeket szintén a saját laboratóriumaikból gyűjtenek – ,hogy remélhetőleg minél hamarabb megtalálják a nyerő kombinációt, azt a gyógyszert amely képes lehet leküzdeni a vírust.

A gyógyszer adatbázisokon túl a mesterséges intelligencia rendkívül jól kezeli a fertőzöttekről vezetett adatbázisokat is. Egy európai kutatócsoport dán és brit betegek adatait felhasználva fejlesztett ki egy online eszközt a Koppenhágai Egyetem vezetésével, amely képes megjósolni, milyen súlyosságú lehet a kór lefolyása különböző pácienseknél. Köztudott, hogy a túlterhelt kórházaknak nehéz felmérnie, hogy mely fertőzötteknek lehet szüksége további ellátásra, főleg, amikor a kórház erőforrásai korlátozottak. A kutatócsoport nemrég publikált cikke [https://rdcu.be/cfAnp] szerint viszont gépi tanulással operáló algoritmusok képesek nagy pontossággal megjósolni a beteg néhány jellemzőjéből, hogy milyen eséllyel lesz szüksége további terápiára.

Az adatokból a MI megjósolja az intenzív osztályra kerülés, a lélegeztetőgép és a halálozás esélyét

Több mint ötezer beteg adatait felhasználva hozták létre azt az ingyenesen és szabadon elérhető eszközt, mely három különböző valószínűséget tud megjósolni: a halálozás esélyét, annak az esélyét, hogy a beteg intenzív osztályra kerül és azt, hogy szüksége lesz-e lélegeztetőgépre.

Több mint ötezer beteg adatait felhasználva hozták létre azt az ingyenesen és szabadon elérhető eszközt, mely három különböző valószínűséget tud megjósolni: a halálozás esélyét, annak az esélyét, hogy a beteg intenzív osztályra kerül és azt, hogy szüksége lesz-e lélegeztetőgépre. A modell négy különböző bemeneti paramétert használ: életkort, nemet, testtömeg-indexet és jelenleg fennálló betegségeket. Ezek megadása alapján képes megbecsülni, hogy szükség lesz-e további kezelésre.

A gépi tanulás egyedisége abban rejlik, hogy a modell először átnéz egy úgynevezett betanító adatszettet, amely a már lezajlott eseményeket tartalmazza. Ezek alapján felállít valamiféle modellt, anélkül, hogy összefüggéseket keresne az adatban. Esetünkben a betanító adatszett az 5594 kórházba került beteg, az ő betegségük lefolyása és a kezelés (szükség volt-e intenzív ápolásra vagy lélegeztetőgépre, stb.). A modell ezen adathalmaz megemésztése után lesz élesítve. Megkapja az 5595. beteg adatait, ahol viszont még nem született meg a döntés, hogy szükség lesz-e további kezelésre: ezt a döntést már a modellnek kell meghoznia. A gépi tanulást sokszor hasonlítják egy fekete dobozhoz, vagy az emberi “megérzéshez”, hiszen a modell nem tudja pontosan megmondani, hogyan jutott az adott eredményre, csak kikövetkeztette azt a betanító adatszettből. A gépnek fogalma sincs arról sem, hogy valójában mit vizsgál, nem “érti” a problémát, csak olyan sokszor nézte át a betanító adatszettet, hogy már “megérzi” mit kéne tenni.

Segíthet a kórházakban helyesen dönteni

Az eszköz ugyan szabadon elérhető [https://cope.science.ku.dk/], ennek ellenére a fejlesztői leszögezik, hogy azok számára, akik nincsenek kórházban, nem mondanak semmit ezek az adatok és óva intenek attól, hogy orvosokon és kutatókon kívül más is következtetéseket vonjon le belőle. Reményeik szerint viszont megkönnyítheti a fertőző osztályokon dolgozók munkáját, ha segít a kórházi erőforrások optimális elosztásában. Az orvosok ugyanis kerülhetnek olyan helyzetbe, hogy hasonló súlyosságú betegek között kell eldönteni, ki kerüljön a korlátozott számú lélegeztetőgépek egyikére. Ilyen döntésekben segíthet ez az eszköz.

A modell több mint 90 százalékos valószínűséggel helyesen becsüli meg a halálozást, 82 százalékos valószínűséggel a lélegeztetőgép szükségességét és 72 százalékos eséllyel az intenzív osztályra kerülést. Az utóbbi eredmény viszont a kutatók szerint nem elég jó, bár már felülmúlták a New York-i Stony Brooks Egyetem ugyanilyen kutatásának eredményeit, akik 3 hónappal korábban publikáltak hasonló modellt.

A gép tanulás a legváratlanabb helyeken segít a vírus elleni harcban: a Sevilla-i Egyetem kutatócsoportja például ennek segítségével igyekszik olyan holografikus kamerát készíteni amely képes “látni”, hogy egy adott felületen megtalálható-e a vírus (https://en.gfi-us.org/proyecto-c-clean). A MI egyik legfontosabb feladata pedig nem más, mint megjósolni, milyen stratégiák működhetnek a legjobban a járvány teljes leküzdésének érdekében – remélhetőleg a lehető leghamarabb.

További hírek

Szólj hozzá!