Aalto-yliopistossa kehitetty koneoppimistyökalu hyödyntää terveystietojen monimutkaisia yhteyksiä ja tarjoaa yksityiskohtaisempia riskiarvioita kuin perinteiset mallit.
Tutkijat ja lääkärit voivat menetelmällä arvioida aiempaa tarkemmin ja yksilöllisemmin potilaan riskiä sairastua yleisiin sairauksiin, kuten sydän- ja verisuonitauteihin, diabetekseen tai maksasairauksiin.
Koneoppimistyökalu ei tarkastele riskitekijöitä erillään vaan huomioi, miten esimerkiksi ikä, kolesteroli ja elämäntavat yhdessä heijastuvat pitkäaikaisterveyteen.
“Ihmisen terveys on monimutkainen kokonaisuus – ja niin on siitä saatava datakin”, sanoo tutkija Heli Julkunen, Nature Communications -lehdessä julkaistun artikkelin pääkirjoittaja.
Hänen mukaansa ikä, elämäntavat ja perimä vaikuttavat terveyteemme harvoin yksin. Ne vaikuttavat monin tavoin myös toisiinsa.
”Halusimme luoda menetelmän, joka pystyy mallintamaan näitä riippuvuuksia, mutta on silti riittävän selkeä tutkijoille ja kliinikoille ymmärtää ja käyttää.”
Ennustaa etenkin yksittäisen ihmisen riskit
Aallon tutkijat testasivat menetelmää UK Biobank -terveystietopankin aineistolla.
Aineisto sisältää terveystietoja, laboratoriotuloksia, elämäntapatietoja ja geneettistä dataa noin puolelta miljoonalta brittiläiseltä vapaaehtoiselta.
Menetelmä ennusti kymmenen yleisen sairauden riskiä kymmenen vuoden aikavälillä.
Useimmissa sairauksissa menetelmä päihitti perinteiset ennustemalli. Se osoittautui vanhoja malle tarkemmaksi erityisesti yksittäisten potilaiden riskiarvioissa.
Terveydenhuollon ammattilaiset käyttävät yleisesti ennustemalleja arvioimaan sitä, miten todennäköisesti henkilö sairastuu tiettyyn tautiin pitkän ajan kuluessa.
Tilaa Kemiamedian uutiskirje!
Tilaajana saat sähköpostiisi kerran viikossa kiinnostavimmat uutiset ja tiedot alan tapahtumista ja työpaikoista. Osallistut samalla arvontaan!
