Прочитать оригинал статьи можно на сайте издания Scientific American.
В чем проблема?
От дефицита микроэлементов страдают более 2 млрд человек во всем мире, в том числе 340 млн детей. Недостаток витаминов и минералов может иметь серьезные последствия для здоровья людей. Однако диагностика дефицита на ранней стадии требует дорогостоящих и трудоемких анализов крови и лабораторных исследований.
Как ее поможет решить ИИ?
Новое исследование предлагает более эффективный подход. Американский IT-специалист Элизабет Бонди и ее коллеги из Гарвардского университета использовали открытые спутниковые данные и искусственный интеллект для наиболее точного определения географических областей, в которых население подвержено высокому риску дефицита микроэлементов. Такой анализ потенциально можно применить в сфере здравоохранения.
Существующие системы ИИ могут использовать спутниковые данные для прогнозирования локальных проблем продовольственной безопасности, но они опираются на определенные характеристики. Например, продуктивность сельского хозяйства можно оценить по виду растительности, но доступность микроэлементов рассчитать сложнее. Как правило, такие расчеты основываются на результатах исследований, которые показывают, допустим, что районы, расположенные вблизи лесов, отличаются большим разнообразием питательных веществ.
Бонди и ее коллеги вдохновились идеей выявить менее известные маркеры потенциального недоедания. Их работа показывает, что комбинация данных о растительном покрове, погоде и наличии воды позволяет определить, где население испытывает недостаток железа, витамина B12 или витамина A.
Команда изучила необработанные спутниковые измерения и проконсультировалась с местными представителями здравоохранения Мадагаскара, а затем использовала искусственный интеллект для фильтрации данных и определения ключевых особенностей местности. К ним относили, например, размеры продуктовых базаров, так как они важны для прогнозирования уровня риска недоедания местного населения. Далее исследователи связали эти особенности с конкретными питательными веществами, которых не хватает населению четырех регионов Мадагаскара. Они использовали реальные данные о биомаркерах (образцы крови, исследованные в лабораториях) для обучения и тестирования своей программы ИИ.
Старые алгоритмы статистического моделирования и машинного обучения, включая нейронные сети, работали с базами данных, где уже существовали признаки с возможностью предсказания. Например, при прогнозировании возможного банкротства банка можно предположить, что определенные финансовые коэффициенты (рентабельность активов, собственного капитала и так далее) могут иметь предсказательную ценность. При прогнозировании страхового мошенничества мы можем предположить, что возраст полиса будет иметь предсказательную силу.
Результаты проекта
Прогнозы дефицита микроэлементов на региональном уровне в популяциях за пределами обучающих наборов данных соответствовали, а иногда и превосходили по точности оценки, основанные на опросах, проводимых местными службами здравоохранения. «Наш метод позволяет выявить и направить уязвимые группы населения для получения продовольственной помощи, которая может дополнить дорогостоящие и инвазивные процедуры», — говорит Элизабет Бонди. Исследование было подробно описано на онлайн-встрече Ассоциации по развитию искусственного интеллекта в 2022 году.
Кристин Экенга, эпидемиолог Университета Эмори:
«Это новый вклад, который подчеркивает потенциал ИИ для развития общественного здравоохранения. Сбор медицинских данных может быть затруднен из-за стоимости и инфраструктурных ограничений, но авторы исследования, возможно, нашли метод, который поможет преодолеть эти трудности».