Een AI-systeem dat is ontwikkeld met behulp van uitgebreide persoonlijke gegevens uit Denemarken heeft aangetoond opmerkelijk nauwkeurig te zijn in het voorspellen van iemands risico op overlijden.
Deze AI, gedocumenteerd in een studie gepubliceerd in Nature Computational Scienceis gemaakt door Sune Lehmann Jørgensen en zijn team van de Technische Universiteit van Denemarken.
Ze analyseerden een enorme dataset met talrijke factoren uit de hele Deense bevolking, waaronder gegevens over opleiding, medische bezoeken, diagnoses, inkomen en beroep, van zes miljoen personen tussen 2008 en 2020.
Deze gegevens werden vervolgens omgezet in een formaat dat geschikt is voor het trainen van een groot taalmodel (LLM). THet Life2vec-model van het team bekijkt de levensgebeurtenissen van een persoon en voorspelt waarschijnlijke toekomstige uitkomsten, vergelijkbaar met hoe een LLM taal verwerkt.
Om Life2vec te testen, reserveerde het team de laatste vier jaar van de gegevens en richtte zich op personen tussen 35 en 65 jaar, waarvan de helft tussen 2016 en 2020 overleed.
De voorspellingen van Life2vec over wie al dan niet zou overleven, overtroffen bestaande AI-modellen en actuariële levenstabellen (gebruikt door de verzekeringsindustrie) met ongeveer 11%. Het werd ook gebruikt om persoonlijkheidsuitkomsten te voorspellen, wat aantoont dat het model in staat is om grootschalige maatschappelijke inputs te koppelen aan outputs op individueel niveau.
Jørgensen ziet dit model als een hulpmiddel voor vroegtijdige detectie van gezondheids- en sociale problemen, waardoor het overheden mogelijk kan helpen om gezondheids- en sociale ongelijkheden te verminderen. Het legt verbanden bloot tussen sterfte en economie, arbeid, inkomensniveau en geboortejaar en biedt zo een andere manier om de invloed van dit soort macro-demografische factoren op de gezondheid van een individu te onderzoeken.
Jørgensen waarschuwt echter voor mogelijk zakelijk misbruik, met name in de verzekeringsbranche, waar het het fundamentele principe van gedeeld risico zou kunnen verstoren.
Als verzekeraars AI zouden gebruiken om te bepalen wanneer een bepaald individu een groter risico loopt om te overlijden, zou dat een complex ethisch debat opleveren. Dat is enigszins vergelijkbaar met andere voorspellende toepassingen van AI, zoals voorspellende politieprogramma'sdie individuen als potentiële 'verdachten' hebben aangemerkt voordat ze een mogelijk misdrijf hebben gepleegd.
Jørgensen zei hierover"Het is duidelijk dat ons model niet gebruikt zou moeten worden door een verzekeringsmaatschappij, want het hele idee van verzekeringen is dat, door het delen van het gebrek aan kennis over wie de ongelukkige persoon zal zijn die getroffen wordt door een incident, of overlijden, of het verliezen van je rugzak, we deze last min of meer kunnen delen."
Meer over het onderzoek
Hier is wat meer informatie over de doelen van het onderzoek, de nieuwe aanpak en hoe het werkte:
- Gegevensverzameling en -transformatie: Het onderzoeksteam verzamelde een uitgebreide dataset die de hele bevolking van Denemarken omvatte, van 2008 tot 2016 en met ongeveer zes miljoen inwoners. Deze dataset bevatte gedetailleerde dagelijkse registraties van verschillende levensgebeurtenissen, waaronder gezondheidsincidenten, opleidingsniveau, werkstatus, inkomensniveaus, woonplaats en werkuren.
- Een synthetische taal voor levensgebeurtenissen creëren: De onderzoekers zetten deze levensgebeurtenissen om in een formaat dat op taal lijkt, zodat ze natuurlijke taalverwerkingstechnieken konden gebruiken. Ze behandelden elke levensgebeurtenis als een 'zin' die bestond uit 'concept tokens', die gedetailleerde informatie bevatten zoals het type gebeurtenis, inkomensniveau en type baan.
- Ontwikkeling van het Life2vec-model: Met behulp van transformatorarchitectuur ontwikkelde het team het model. Dit model kon complexe relaties tussen verschillende levensgebeurtenissen vastleggen, vergelijkbaar met hoe LLM's relaties tussen woorden begrijpen.
- Voorspellende analyse en testen: Life2vec werd getest op zijn vermogen om verschillende resultaten te voorspellen, met name vroegtijdige sterfte en persoonlijkheidskenmerken. Voor het voorspellen van sterfte evalueerde het model de waarschijnlijkheid dat individuen vier jaar na 2016 zouden overleven. Hierbij presteerde het beter dan traditionele modellen.
- Het model begrijpen en interpreteren: De onderzoekers gebruikten methoden zoals conceptactivatievectoren (TCAV) om de voorspellingen van het model te interpreteren. Dit hield in dat ze levensrichtingen identificeerden die overeenkwamen met verschillende levensresultaten of eigenschappen. Door deze richtingen te analyseren, kregen ze inzicht in hoe factoren, zoals werkstatus of gezondheidsdiagnoses, de voorspellingen van het model beïnvloedden.
AI gebruiken om belangrijke levensgebeurtenissen te voorspellen, waarvan de dood ongetwijfeld een van de belangrijkste is, is een prikkelend vooruitzicht.
Hoewel de voordelen en risico's nauw tegen elkaar zijn afgewogen, zijn soortgelijke toepassingen positief uitgevallen, zoals dit model dat wordt gebruikt om Zelfmoord en zelfbeschadiging bij adolescenten voorspellen. In de gezondheidszorg in het algemeen helpt voorspellende modellering bij het prioriteren van behandelingen voor risicogroepen.
Maar, zoals Jørgensen toegeeft, er is werk aan de winkel om het ethische gebruik van deze technologieën te beschermen.
