Исследователи российской компании Gero в сотрудничестве с группой специалистов по машинному обучению компании «АктивБК» обучили нейросети предсказывать вероятность смерти на основе данных носимого трекера физической активности. Результаты работы опубликованы 26 марта в журнале Scientific Reports.
Накопление огромного количества данных о здоровье людей способствует обучению систем искусственного интеллекта на этих базах и всё более частому применению ИИ в медицинских целях. С помощью искусственного интеллекта уже анализируют томограммы и кардиограммы, ставят диагнозы, определяют стратегии лечения болезней.
Последнее время наблюдается тенденция воспринимать старение как потенциально излечимую болезнь и, соответственно, использовать искусственный интеллект как в поисках значимых маркеров этого процесса, так и способов его замедления, предотвращения и обращения вспять.
С биологической точки зрения, старение — это увеличение с возрастом риска болезней и смерти. Однако биологический возраст людей одного календарного возраста может различаться на десяток лет. Поэтому в профилактике и терапии старения логично ориентироваться не на формальный календарный возраст, а на своевременно диагностированные реальные возрастные изменения.
Один из важных результатов нового исследования — убедительное доказательство того, что возрастные изменения, а следовательно и возрастание риска смерти («ускорение старения»), чётко коррелируют с изменением профиля двигательной активности. Последний же легко фиксируется обычными фитнес-трекерами — носимыми браслетами с акселерометром, способными собирать и передавать данные о движении.
Авторы работы опирались на медицинские данные 10 000 человек, собранные в 2003—2006 годах в ходе национального исследования NHANES в США. В базе данных исследования NHANES содержится информация о том, как люди с разным состоянием здоровья двигались во время непрерывного ношения фитнес-трекера: как часто переходили от движения к покою, сколько шагов делали в единицу времени, какая интенсивность физических нагрузок была для них максимальной.
Натренировав с помощью алгоритмов глубокого обучения на этих данных нейронную сеть, российские учёные получили систему, способную связывать определённые повторяющиеся последовательности движений с данными медицинских историй и показателями анализов и — в результате — определять риск смерти всего лишь по данным с фитнес-трекеров с более высокой точностью, чем это позволяют делать традиционные методы.
На основе полученного алгоритма исследователи создали мобильное приложение Gero Lifespan, бета-версию которого уже можно скачать и установить на iPhone.
Учёные полагают, что разработанный ими алгоритм будет полезен для контроля здоровья и риска смертности и своевременного медицинского вмешательства.
В ответ на опасения корреспондента портала «XX2 ВЕК» по поводу того, не будет ли алгоритм показывать увеличение риска смертности в периоды кратких изменений паттернов движения, связанных, например, с лёгкой простудой, и тем самым способствовать излишней невротизации, руководитель исследования кандидат физико-математических наук, заведующий лабораторией моделирования биологических систем МФТИ и научный директор Gero Пётр Федичев ответил:
«Да, во время простуды ожидаемая продолжительность жизни будет снижаться, но быстро вернётся к прежнему уровню — то же самое происходит, например, с показателями анализов крови. Обращать внимание нужно будет на долговременные тренды».
Также исследователи считают, что компании, занимающиеся страхованием здоровья и жизни и медицинскими страховыми услугами, смогут с помощью разработанного ими метода дистанционно выявлять людей из групп риска и оптимизировать работу с ними. На вопрос журналиста, не означает ли это, что те, у кого риск смерти, по показаниям трекера, окажется достаточно велик, не смогут получить необходимые страховые услуги или будут вынуждены платить за них больше, представитель компании Gero ответил:
«Всё немного сложнее. Дело в том, что люди из высокой группы риска и сегодня платят за страховку больше, просто риск оценивается с помощью анкеты и обследования. В этом смысле мы меняем инструмент, но не меняем состояние человеческой популяции, указываем всё на тех же людей, которых можно выявить и классическими методами, просто сложнее. Зато есть два положительных момента. Во-первых, динамическое наблюдение с помощью неинвазивной технологии позволяет обнаружить риск раньше, а значит, раньше принять меры и в итоге снизить и затраты на лечение, и стоимость страховки для такого человека. Во-вторых, уже сейчас зарубежные компании переходят на модель поощрения людей, ведущих здоровый образ жизни. Привычная модель в страховании негативная — повышающий коэффициент за хронические заболевания, возраст, вредные привычки — а такие инструменты, как наш, облегчают переход к положительному подкреплению, позволяя в динамике отслеживать успехи человека в поддержании здоровья».
