Uso de la inteligencia artificial para comprender las tasas de mortalidad por cáncer de pulmón y bronquios
(a) Tasas anuales promedio de mortalidad por cáncer de pulmón y bronquios (LBC) a nivel de condado en 5 años (2013-2017), (b) Los grupos geográficos de condados con ( puntos calientes puntuaciones z positivas estadísticamente significativas, color rojo) o valores bajos (puntos fríos puntuaciones z negativas estadísticamente significativas, colores azul cielo) de las estadísticas Getis-Ord Gi* para la tasa LBC. Las tasas de mortalidad de LBC y los mapas de puntos calientes Getis-Ord Gi* se crearon en ArcGIS Desktop versión 10.6.1. Crédito: DOI: 10.1038/s41598-021-03198-8
Muchas personas piensan en robots cuando escuchan el término «inteligencia artificial (IA)». Sin embargo, en el caso de un nuevo estudio sobre el cáncer de pulmón y bronquios (LBC) en los EE. UU., la IA se refiere a varios modelos de aprendizaje automático apilados para hacer predicciones de alto nivel sobre las tasas de mortalidad de LBC.
Los investigadores de la Universidad de Buffalo, Zia U. Ahmed, Kang Sun, Michael Shelly y Lina Mu, fueron los autores del nuevo estudio, que identifica los factores de riesgo clave de la mortalidad de LBC utilizando inteligencia artificial explicable o XAI. Si bien la prevalencia del tabaquismo, la pobreza y la elevación de una comunidad fueron los más importantes para predecir las tasas de mortalidad de LBC entre los factores de riesgo estudiados, se encontró que las asociaciones entre los factores de riesgo y las tasas de mortalidad de LBC varían espacialmente, y la investigación exploró estas diferencias geográficas.
El artículo, «Inteligencia artificial explicable para explorar la variabilidad espacial de las tasas de mortalidad por cáncer de pulmón y bronquios en los Estados Unidos contiguos», se publicó en la revista Scientific Reports en diciembre de 2021.
El estudio reunió a un grupo interdisciplinario equipo. Ahmed, Ph.D., es especialista en base de datos/visualización en el Instituto UB RENEW; Sun, Ph.D., es miembro principal de la facultad del Instituto UB RENEW y profesor asistente de ingeniería civil, estructural y ambiental en la Escuela de Ingeniería y Ciencias Aplicadas de la UB; Shelly, Ph.D., es economista ambiental/ecológica del Instituto UB RENEW; y Mu, Ph.D., MD, es profesor asociado de epidemiología y salud ambiental en la Facultad de Salud Pública y Profesiones de la Salud de la UB.
Ahmed habla de la importancia del estudio y la investigación: «La los resultados son importantes porque EE. UU. es un entorno espacialmente heterogéneo. Hay una gran variedad de factores socioeconómicos y niveles de educación, esencialmente, una talla no sirve para todos. Aquí, la interpretación local de los modelos de aprendizaje automático es más importante que la interpretación global».
Agrega que los resultados pueden ser útiles para la gestión e intervención de la salud pública al indicar qué áreas necesitan apoyo.
«Queríamos que el modelo explicara cómo se conectan las tasas de mortalidad LBC conocidas y los predictores de factores de riesgo». dice Sun.
«El estudio puede ser un modelo para integrar la inteligencia artificial en un estudio epidemiológico», dice Mu. «También puede servir como un ejemplo del uso de modelos de predicción cuando se estudia el cáncer. Esto puede ser de gran ayuda para identificar áreas de alto riesgo donde el registro de cáncer no está disponible».
El estudio combinó el aprendizaje automático conjunto con algoritmos explicables para representar espacialmente las relaciones entre la mortalidad de LBC y los factores de riesgo en los EE. UU., lo que marca un avance en esta área de investigación. Los algoritmos de IA funcionan mejor con más datos con múltiples modelos, por lo que el conjunto de pila es más útil que cualquier modelo único.
«Todavía falta XAI en la interpretación local, especialmente en relación con el medio ambiente y la ciencia, » dice Ahmed.
La IA es una herramienta poderosa porque los modelos aprenden de los datos, lo que les permite procesar interacciones y relaciones complejas. Los modelos pueden «pensar» por sí mismos.
Los factores de riesgo que exploró el estudio representaron variables relacionadas con los estilos de vida, el nivel socioeconómico, la demografía, la contaminación del aire y el entorno físico. Incluyeron el tabaquismo, la tasa de pobreza, el seguro médico, la demografía, la contaminación del aire y los factores biofísicos.
El estudio señala que las tasas de tabaquismo se relacionaron con los niveles de pobreza y la raza/etnicidad. El estudio también señala una fuerte relación entre el estatus socioeconómico y las tasas de mortalidad de LBC en los EE. UU.
Con respecto a la contaminación del aire, los investigadores examinaron los contaminantes dióxido de nitrógeno (NO2), dióxido de azufre (SO2), ozono y partículas la materia y su variabilidad espacial en relación con las tasas de mortalidad por cáncer de pulmón y bronquios.
Explore más
La herramienta de inteligencia artificial puede detectar las tendencias de la diabetes tipo 2 en los EE. UU. Más información: Zia U. Ahmed et al, Inteligencia artificial explicable (XAI) para explorar la variabilidad espacial de los tasas de mortalidad por cáncer de bronquios (LBC) en los EE. UU. contiguos, Scientific Reports (2021). DOI: 10.1038/s41598-021-03198-8 Información de la revista: Informes científicos
Proporcionado por la Universidad de Buffalo Cita: Uso de inteligencia artificial para comprender el cáncer de pulmón y bronquios tasas de mortalidad (2022, 28 de enero) recuperado el 29 de agosto de 2022 de https://medicalxpress.com/news/2022-01-artificial-intelligence-lung-bronchus-cancer.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.