Ett AI-system som utvecklats med hjälp av omfattande persondata från Danmark har visat anmärkningsvärd träffsäkerhet när det gäller att förutsäga en individs risk att dö.
Denna AI, som dokumenterats i en studie publicerad i Nature Computational Scienceskapades av Sune Lehmann Jørgensen och hans team från Danmarks tekniska universitet.
De analyserade ett stort dataset som innehöll många faktorer från hela den danska befolkningen, inklusive uppgifter om utbildning, läkarbesök, diagnoser, inkomst och yrke, från sex miljoner individer från 2008 till 2020.
Dessa data omvandlades sedan till ett format som lämpar sig för träning av en stor språkmodell (LLM). Teamets Life2vec-modell går igenom en persons livshändelser och förutspår sannolika framtida resultat, på samma sätt som en LLM bearbetar språk.
För att testa Life2vec reserverade teamet de sista fyra årens data och fokuserade på personer i åldern 35-65 år, varav hälften avled mellan 2016 och 2020.
Life2vecs förutsägelser om vem som sannolikt skulle överleva eller inte överträffade alla befintliga AI-modeller och aktuariella livstabeller (som används av försäkringsbranschen) med cirka 11%. Den användes också för att förutsäga personlighetsresultat, vilket visar modellens förmåga att kartlägga storskaliga samhälleliga ingångar till utgångar på individnivå.
Jørgensen ser modellen som ett verktyg för tidig upptäckt av hälsoproblem och sociala problem, vilket skulle kunna hjälpa regeringar att minska ojämlikheter i hälsa och samhälle. Den avslöjar samband mellan dödlighet och ekonomi, arbete, inkomstnivå och födelseår, vilket ger ytterligare en möjlighet att utforska hur dessa typer av makromedemografiska faktorer påverkar en individs hälsa.
Jørgensen varnar dock för potentiellt affärsmissbruk, särskilt inom försäkringsbranschen, där det skulle kunna rubba den grundläggande principen om delad risk.
Om försäkringsbolagen använde AI för att avgöra när en viss individ löper större risk att dö, skulle det öppna upp för en komplex etisk debatt. Det är en viss parallell till AI:s andra prediktiva användningsområden, som t.ex. program för förebyggande polisarbetesom har pekat ut individer som potentiella "misstänkta" innan de har begått ett eventuellt brott.
Jørgensen sade om detta"Det är uppenbart att vår modell inte bör användas av ett försäkringsbolag, eftersom hela idén med försäkringar är att vi genom att dela bristen på kunskap om vem som kommer att vara den olyckliga personen som drabbas av någon incident, eller dödsfall, eller förlora din ryggsäck, kan dela denna börda."
Mer om studien
Här följer lite mer information om studiens mål, nya tillvägagångssätt och hur den fungerade:
- Insamling och bearbetning av data: Forskargruppen samlade in ett omfattande dataset som omfattade hela Danmarks befolkning, från 2008 till 2016, med cirka sex miljoner invånare. Detta dataset innehöll detaljerade dagliga register över olika livshändelser, inklusive hälsoincidenter, utbildningsnivå, anställningsstatus, inkomstnivåer, bosättning och arbetstid.
- Skapande av ett syntetiskt språk för livshändelser: Forskarna omvandlade dessa livshändelser till ett språkliknande format, vilket möjliggjorde användning av tekniker för bearbetning av naturligt språk. De behandlade varje livshändelse som en "mening" bestående av "koncepttokens", som innehöll detaljerad information som typ av händelse, inkomstnivå och typ av jobb.
- Utveckling av Life2vec-modellen: Med hjälp av transformatorarkitektur utvecklade teamet modellen. Denna modell kan fånga komplexa relationer mellan olika livshändelser, på samma sätt som LLM:er förstår relationer mellan ord.
- Prediktiv analys och testning: Life2vec testades för sin förmåga att förutsäga olika utfall, framför allt tidig dödlighet och personlighetsdrag. För dödlighetsprognoser utvärderade modellen sannolikheten för att individer skulle överleva fyra år efter 2016. Den överträffade traditionella modeller i detta avseende.
- Förståelse och tolkning av modellen: Forskarna använde metoder som konceptaktiveringsvektorer (TCAV) för att tolka modellens förutsägelser. Detta innebar att identifiera livsriktningar som motsvarar olika livsresultat eller egenskaper. Genom att analysera dessa riktningar fick de insikter om hur faktorer, såsom sysselsättningsstatus eller hälsodiagnoser, påverkade modellens förutsägelser.
Att använda AI för att förutsäga viktiga livshändelser, där döden utan tvekan är en av de viktigaste, är ett lockande perspektiv.
Även om fördelarna och riskerna är noga avvägda har liknande tillämpningar kanaliserats till ett positivt syfte, som denna modell som används för att förutsäga självmord och självskadebeteende hos ungdomar. Inom sjukvården i allmänhet hjälper prediktiv modellering till att prioritera behandlingar för riskgrupper.
Som Jørgensen medger återstår dock en del arbete för att skydda den etiska användningen av dessa tekniker.
