01

一项由诺丁汉大学进行的研究揭示了机器学习（Machine Learning, ML）和人工智能（Artificial Intelligence, AI）在预测早死方面的巨大潜力。这项研究发表在《科学公共图书馆综合》（PLOS ONE）的“健康与生物医学中的机器学习”特别收藏版上，展示了机器学习算法在预测早死全因死亡率方面比传统方法更为精确。

02

长期以来，人们对死亡的认知往往是难以预测的。然而，诺丁汉大学的研究团队通过使用先进的机器学习技术，开发出了一种新的预测算法，能够更准确地预测过早死亡的风险。这项研究为预防性医疗保健领域带来了新的希望。

这项前瞻性队列研究利用了英国生物银行（UK Biobank）的数据，该数据库包含了502,628名年龄在40至69岁之间的参与者的详细信息，从2006年至2010年间招募，并对其进行长达10年的随访。研究者收集了参与者的生物特征、临床和生活方式信息，并使用国际疾病分类第10次修订本（ICD-10）的数据来跟踪死亡率。

研究中使用了两种机器学习模型：随机森林和深度学习。这些模型与传统的基于年龄和性别的Cox回归模型进行了比较。结果显示，在3508454人-年的总随访时间内，发生了14418例死亡（2.9%）。与简单的年龄和性别Cox模型相比，随机森林和深度学习算法分别提高了9.4%和10.1%的识别率。

主要的研究发现有：

随机森林和深度学习：这两种机器学习算法在预测死亡方面比传统的Cox回归模型更精确，分别提高了3.2%和3.9%的识别率。
识别率：随机森林的机器学习算法应用提高了3.2%的识别率（AUC 0.783，95%CI 0.776–0.791），而使用深度学习提高了3.9%（AUC 0.790，95%CI 0.783–0.797）。
校正：机器学习算法得到了很好的校正，而传统的Cox回归模型始终高估了风险。

这项研究建立在诺丁汉研究小组先前的工作基础上，该研究表明，在预测心血管疾病方面，随机森林、逻辑回归、梯度增强和神经网络等多种机器学习算法明显优于目前心脏病学指南中使用的算法。这些发现表明，机器学习有可能彻底改变医疗保健领域，提供个性化的诊断和治疗决策。

03

这项研究为使用机器学习预测早死全因死亡率提供了有力的支持。虽然这项研究是在特定的背景下进行的，但其发现表明，通过机器学习开发的应用程序和算法可以增强传统方法的功能，并以透明和可复制的方式开发和报告这些功能。未来的研究将进一步探索这些技术在其他领域的应用，以提高医疗保健的质量和效率。

参考

Weng SF, Vaz L, Qureshi N, Kai J. Prediction of premature all-cause mortality: A prospective general population cohort study comparing machine-learning and standard epidemiological approaches. PLoS One. 2019;14(3):e0214365. Published 2019 Mar 27.

研究发现：机器学习能够准确预测过早死亡的风险