Artikkel

Maskinlæring og hjertesykdom på DNs Helsetech-konferanse med Deloittes Hidden Insights Team

Deloitte har startet HINT, et kompetansesenter for maskinlæring og avansert analyse. På DNs Helsetech-konferanse onsdag 29. mai kunne nysgjerrige komme innom Deloitte-standen og sjekke om de var i lav- eller høyrisikogruppen for hjertesykdom ved hjelp av maskinlæring.

Onsdag 29. mai ble DNs Helsetech-konferanse avholdt på Gamle Museet i Oslo. På oppdrag fra Hidden Insights Team (HINT), en nystartet del av Deloitte Analytics Center of Excellence, ble det bygget en maskinlæringsdemo for å sjekke risiko for hjertesykdom. Blant Deloittes representanter på standen var Daniel Hoftun og Øyvind Harding Gulbrandsen fra Analytics & Cognitive i Consulting.

- Vi har nettopp startet opp HINT i Deloitte som et kompetansesenter for maskinlæring og avansert analyse. Det er viktig å øke vår interne kompetanse innen disse områdene for å ta i bruk kraftige analyseverktøy og levere enda bedre prosjekter, fortalte Øyvind.

I maskinlæringsdemoen har man en kort samtale med en Google Home-assistent. Etter å ha svart på fire spørsmål fra assistenten får man vite om man er i lav- eller høyrisikogruppen for hjertesykdom.  

- Demoen vi har jobbet med og tatt med på stand er et enkelt eksempel på hva slags spennende muligheter som åpnes opp ved bruk av maskinlæring, sa han.

 

Trengte mye data – slik ble modellen bygget

Den første utfordringen var å skaffe god data. En maskinlæringsmodell lærer ved å trene på data som allerede har en «fasit». I dette tilfelle trengtes det mye data av pasienter der resultatet av sykdomsundersøkelsen er tilgjengeliggjort - for å kunne predikere sykdom. Resultatet, altså om pasienten hadde hjertesykdom eller ikke, er fasiten til modellen.

- Det er mye konfidensiell informasjon knyttet til helsedata, og det er derfor vanskelig å finne store mengder data som er åpent tilgjengelig på nettet. Vi fant likevel et åpent datasett på i underkant av 1000 pasienter der disse resultatene var tilgjengeliggjort sammen med 74 andre data om pasientene.

- Disse dataene beskriver alt fra alder og kjønn til blodsukker og makspuls, og det er sammenhengen mellom disse dataene og pasientens utfall modellen lærer seg å kjenne igjen, forklarer Øyvind.

For å forenkle modellen ble fire data valgt ut av de 74, og det er disse fire datapunktene Google Home henter ut fra samtalen med de frivillige som tester ut demoen. Etter at Home-assistenten har fått svar på de fire spørsmålene sendes svarene til et Python-program der maskinlæringsmodellen er laget. Modellen er en såkalt «random forest» klassifiseringsalgoritme.

En «random forest»-modell lærer seg å splitte dataen i grupper som best kan separere resultatene fra hverandre. I en slik modell gjøres mange slike splitter, resultatene jevnes ut, og til slutt kan modellen med ganske høy nøyaktighet predikere hvem som utvikler hjertesykdom.

 

- Bør brukes som beslutningsstøtte, ikke erstatte leger

Modellen har en nøyaktighet på omtrent 70 prosent, noe som betyr at 70 prosent av pasientene ville fått en korrekt diagnose av Home-assistenten. Til å være basert på bare fire spørsmål er Daniel og Øyvind fornøyd med resultatet.

- Det betyr likevel at 30 prosent ville blitt feildiagnostisert av en slik modell, og man kan spørre seg hvem som kan holdes ansvarlig for de som eventuelt blir feildiagnostisert av kunstig intelligens i fremtiden, sier Øyvind. Daniel er enig, og presiserer at en slik modell kun bør brukes som en beslutningsstøtte og at alle diagnoser fremdeles må stilles av lege.

Like fullt er det ingen tvil om at teknologi og kunstig intelligens vil spille en enda større rolle innen helsesektoren i fremtiden, noe som var et gjennomgangstema på DN Helsetech.

 

Ta kontakt med Deloittes eksperter for å få vite mer om HINT, maskinlæring og kunstig intelligens.

Var denne siden nyttig?