Et AI-system som er utviklet ved hjelp av omfattende persondata fra Danmark, har vist seg å være bemerkelsesverdig nøyaktig når det gjelder å forutsi en persons dødsrisiko.
Denne AI-en, som er dokumentert i en studie publisert i Nature Computational Scienceble skapt av Sune Lehmann Jørgensen og hans team fra Danmarks Tekniske Universitet.
De analyserte et enormt datasett med en rekke faktorer fra hele den danske befolkningen, inkludert utdanning, legebesøk, diagnoser, inntekt og yrkesdata, fra seks millioner individer i perioden 2008-2020.
Disse dataene ble deretter omgjort til et format som egner seg for trening av en stor språkmodell (LLM). Teamets Life2vec-modell går gjennom en persons livshendelser og forutser sannsynlige fremtidige utfall, på samme måte som en LLM behandler språk.
For å teste Life2vec reserverte teamet de siste fire årene med data og fokuserte på personer i alderen 35 til 65 år, hvorav halvparten gikk bort mellom 2016 og 2020.
Life2vecs spådommer om hvem som sannsynligvis ville overleve eller ikke, overgikk alle eksisterende AI-modeller og aktuariske livstabeller (som brukes av forsikringsbransjen) med omtrent 11%. Den ble også brukt til å forutsi personlighetsresultater, noe som viser modellens evne til å kartlegge store samfunnsmessige input til output på individnivå.
Jørgensen ser for seg denne modellen som et verktøy for tidlig oppdagelse av helsemessige og sosiale problemer, noe som potensielt kan hjelpe myndighetene med å redusere helseforskjeller og sosiale ulikheter. Den avdekker sammenhenger mellom dødelighet og økonomi, arbeid, inntektsnivå og fødselsår, noe som gir en ny mulighet til å utforske effekten av denne typen makrodemografiske faktorer på den enkeltes helse.
Jørgensen advarer imidlertid mot potensielt misbruk, særlig i forsikringsbransjen, der det kan rokke ved det grunnleggende prinsippet om delt risiko.
Hvis forsikringsselskapene brukte kunstig intelligens til å avgjøre når en bestemt person har større risiko for å dø, ville det åpne opp for en kompleks etisk debatt. Det er en viss parallell til andre prediktive bruksområder for kunstig intelligens, som prediktive politiprogrammersom har utpekt enkeltpersoner som potensielle "mistenkte" før de har begått en mulig forbrytelse.
Jørgensen sa om dette"Det er klart at modellen vår ikke bør brukes av et forsikringsselskap, for hele ideen med forsikring er at vi kan dele byrden ved å dele mangelen på kunnskap om hvem som kommer til å være den uheldige personen som rammes av en hendelse, eller dør, eller mister ryggsekken din."
Mer om studien
Her er litt mer informasjon om studiens mål, nye tilnærming og hvordan den fungerte:
- Innsamling og bearbeiding av data: Forskerteamet samlet inn et omfattende datasett som dekket hele Danmarks befolkning fra 2008 til 2016, og som omfattet rundt seks millioner innbyggere. Datasettet inneholdt detaljerte daglige registreringer av ulike livshendelser, inkludert helsehendelser, utdanningsnivå, arbeidsstatus, inntektsnivå, bosted og arbeidstid.
- Å skape et syntetisk språk for livshendelser: Forskerne konverterte disse livshendelsene til et format som lignet språk, slik at de kunne bruke teknikker for naturlig språkbehandling. De behandlet hver livshendelse som en "setning" bestående av "konsepttokens", som inneholdt detaljert informasjon som type hendelse, inntektsnivå og jobbtype.
- Utvikling av Life2vec-modellen: Ved hjelp av transformatorarkitektur utviklet teamet modellen. Denne modellen kunne fange opp komplekse sammenhenger mellom ulike livshendelser, på samme måte som LLM-er forstår sammenhenger mellom ord.
- Prediktiv analyse og testing: Life2vec ble testet for sin evne til å forutsi ulike utfall, særlig tidlig dødelighet og personlighetstrekk. For dødelighetsprediksjon evaluerte modellen sannsynligheten for at personer ville overleve fire år etter 2016. Den gjorde det bedre enn tradisjonelle modeller.
- Forståelse og tolkning av modellen: Forskerne brukte metoder som begrepsaktiveringsvektorer (TCAV) for å tolke modellens prediksjoner. Dette innebar å identifisere livsretninger som tilsvarte ulike livsutfall eller egenskaper. Ved å analysere disse retningene fikk de innsikt i hvordan faktorer som sysselsettingsstatus eller helsediagnoser påvirket modellens prediksjoner.
Å bruke kunstig intelligens til å forutsi viktige livshendelser, der døden utvilsomt er en av de viktigste, er et fristende perspektiv.
Selv om fordeler og risikoer er nøye balansert, har lignende applikasjoner blitt kanalisert til et positivt formål, som denne modellen som brukes til å forutsi selvmord og selvskading blant ungdom. I helsevesenet generelt bidrar prediktiv modellering til å prioritere behandlinger for risikoutsatte grupper.
Men som Jørgensen innrømmer, gjenstår det mye arbeid for å beskytte den etiske bruken av disse teknologiene.
