امکان پیش بینی امید به زندگی شخصی توسط یادگیری عمیق و هوش مصنوعی

تصویر: موناکو و ژاپن بالاترین امیدهای زندگی در جهان را دارند. اما محاسبه امید به زندگی هر فرد نیاز به انجام تجزیه و تحلیل داده‌ها در چند مرحله دیگر را دارد. SHUTTERSTOCK
 

کی می‌میرم؟

این سؤال در بین فرهنگ‌ها و تمدن‌ها تحمل شده است. این سؤال هزاران سال به تعداد زیادی مسیر مذهبی و روحی و اخیراً به برخی از برنامه‌های بسیار سرگرم کننده منجر شده است.
 
اما این سؤال اکنون پاسخ متفاوتی را ایجاد می‌کند، زیرا فناوری به آرامی ما را به پیش بینی دقیق جواب نزدیک می‌کند.
 
پیش بینی طول عمر افراد یا "امید به زندگی شخصی" (PLE) آنها زندگی ما را به شدت تغییر می‌دهد.
 
از یک طرف، این ممکن است فایده‌ای برای سیاست گذاری داشته باشد و به بهینه سازی سلامت فرد یا خدماتی که دریافت می‌کند کمک کند.
 
اما سوء استفاده احتمالی از این اطلاعات توسط دولت یا بخش خصوصی خطرات بزرگی را برای حقوق و حریم خصوصی ما ایجاد می‌کند.
 
اگر چه تولید یک امید به زندگی دقیق، به دلیل پیچیدگی عوامل تحت تأثیر طول عمر، در حال حاضر دشوار است، اما فناوری‌های نو ظهور می‌توانند این امر را در آینده به واقعیت تبدیل کنند.
 

امید به زندگی را چگونه محاسبه می‌کنید؟

پیش بینی امید به زندگی مفهومی جدید نیست. کارشناسان این کار را در سطح جمعیتی با طبقه بندی افراد به گروه‌ها انجام می‌دهند که اغلب بر اساس منطقه یا قومیت انجام می‌شود.
 
همچنین، از ابزارهایی مانند یادگیری عمیق و هوش مصنوعی می‌توان برای پیش بینی سن بیولوژیکی متغیرهای پیچیده مانند داده‌های زیست پزشکی استفاده کرد.
 
سن بیولوژیکی بیشتر به این معنی است که بدن آنها چقدر "پیر" است تا این که کِی به دنیا آمده‌اند. یک جوان 30 ساله که به شدت سیگار می‌کشد ممکن است سن بیولوژیکی نزدیک به 40 سال داشته باشد.
 
محاسبه یک امید به زندگی قابل اعتماد به یک سیستم پیشرفته نیاز دارد که وسعت عوامل محیطی، جغرافیایی، ژنتیکی و سبک زندگی را در نظر بگیرد – زیرا همه اینها تأثیر دارد.  
تصویر: استفاده از دستگاه‌هایی مانند ردیاب‌های تندرستی در پیش بینی امید به زندگی شخصی در آینده بسیار مهم خواهد بود. Shutterstock
 
با یادگیری ماشین و هوش مصنوعی، تجزیه و تحلیل مقادیر بیشتری از داده‌ها امکان پذیر است. استفاده از یادگیری عمیق و محاسبات شناختی، مانند موردIBM Watson ، به پزشکان کمک می‌کند تا تشخیص دقیق‌تری را در مقایسه با استفاده از قضاوت انسان به تنهایی، انجام دهند.
 
این، همراه با تجزیه و تحلیل پیش بینی و افزایش قدرت محاسباتی، به این معنی است که ما به زودی ممکن است سیستم یا حتی برنامه‌هایی داشته باشیم که بتواند امید به زندگی را محاسبه کند.
 

یک برنامه برای آن وجود دارد

تقریباً مانند ابزارهای موجود که میزان بقای سرطان را پیش بینی می‌کنند، در سال های آینده ممکن است برنامه‌هایی را مشاهده کنیم که سعی در تجزیه و تحلیل داده‌ها برای پیش بینی امید به زندگی داشته باشند.
 
با این حال ، آنها قادر به ارائه "تاریخ مرگ" یا حتی سال مرگ نخواهند بود.
 
رفتار و فعالیت‌های انسانی بسیار غیر قابل پیش بینی است؛ اندازه گیری، طبقه بندی و پیش بینی طول عمر تقریباً غیر ممکن است. امید به زندگی شخصی، حتی وقتی با دقت محاسبه شده باشد، فقط "امید به زندگی طبیعی" را بر اساس داده‌های عمومی بهینه سازی شده با داده‌های شخصی فراهم می‌کند.
 
کلید دقت، در کیفیت و کمیت داده‌های موجود خواهد بود. بخش اعظم این کار مستقیماً از جمله در مورد جنس، سن، وزن، قد و قومیت از خود کاربر گرفته می‌شود.
 
دسترسی به داده‌های حسگر به صورت بلادرنگ از طریق ردیاب‌های تندرستی و ساعت‌های هوشمند همچنین می‌تواند سطح فعالیت، ضربان قلب و فشار خون را کنترل کند. این می‌تواند همراه با اطلاعات مربوط به شیوه زندگی مانند شغل، وضعیت اقتصادی، ورزش، رژیم و سابقه پزشکی خانواده باشد.
 
برای محاسبه امید به زندگی می‌توان از موارد فوق برای طبقه بندی یک فرد در یک گروه عمومی استفاده کرد. این نتیجه با تجزیه و تحلیل داده‌های شخصی، به روز رسانی امید به زندگی کاربر، و اجازه نظارت بر آن، با گذشت زمان تصفیه می‌شود.  
تصویر: این شکل نشان می‌دهد که چگونه امید به زندگی یک فرد ممکن است بین دو نقطه در زمان (F و H) به دنبال بهبود سبک زندگی، مانند کاهش وزن، تغییر کند.
 

دو طرف یک سکه

پیش بینی امید به زندگی می‌تواند برای افراد، ارائه دهندگان خدمات درمانی و دولت مفید باشد.
 
به عنوان مثال، باعث می‌شود که مردم از سلامت عمومی و بهبود یا وخیم‌تر شدن آن با گذشت زمان آگاه شوند. این ممکن است آنها را برای انتخاب یک شیوه زندگی سالم‌تر ترغیب کند.
 
آنها همچنین می‌توانند توسط شرکت‌های بیمه برای ارائه خدمات شخصی استفاده شوند، مانند نحوه استفاده برخی از شرکت‌های بیمه اتومبیل از فناوری جعبه سیاه برای کاهش حق بیمه رانندگان محتاط‌تر.
 
ممکن است دولت‌ها بتوانند از پیش بینی‌ها برای تخصیص کارآمدتر منابع محدود، مانند کمک به رفاه اجتماعی و بودجه مراقبت‌های بهداشتی، به افراد و مناطقی که نیاز بیشتری دارند، استفاده کنند.
 
اما ممکن است افراد اگر امید به زندگی‌شان به طور غیر منتظره کم باشد یا اصلاً به فکر داشتن یک امید به زندگی باشند، دچار پریشانی شوند. این، نگرانی‌ای را بر می‌انگیزد در مورد این که چگونه چنین پیش بینی‌هایی می‌تواند روی کسانی که مشکلات سلامت روانی را تجربه می‌کنند یا در معرض خطر این مشکلات هستند، تأثیر بگذارد.
 
داشتن اطلاعات دقیق بهداشتی افراد همچنین می‌تواند به شرکتهای بیمه اجازه دهد دقیق‌تر متقاضیان را معرفی کنند و منجر به تبعیض علیه گروه‌ها یا افراد شود.
 
همچنین، شرکت‌های دارو سازی می توانند بر اساس امید به زندگی افراد، اقدامات پزشکی هدفمند را هماهنگ کنند. و دولت‌ها می‌توانند انتخاب کنند که از افراد به گونه‌های مختلف مالیات بگیرند، یا خدمات را برای افراد خاص محدود کنند.
 

چه زمانی این اتفاق خواهد افتاد؟

دانشمندان سالها مشغول کار بر روی راه‌هایی برای پیش بینی امید به زندگی انسان بوده‌اند.
 
این راه حل نیاز به متخصصین از جمله جمعیت شناسان، دانشمندان بهداشت، دانشمندان داده، متخصصان فناوری اطلاعات، برنامه نویسان، متخصصان پزشکی و آمار دارد.
 
در حالی که جمع آوری داده‌های کافی چالش برانگیز است، به احتمال زیاد می‌توان انتظار داشت در سال‌های آینده ما شاهد پیشرفت‌هایی در این زمینه باشیم.
 
در این صورت، مسائل مربوط به انطباق داده‌ها و همچنین همکاری با دستگاه‌های دولتی و آژانس‌های ایالتی باید با دقت مدیریت شود. اگر چه تولید یک امید به زندگی دقیق، به دلیل پیچیدگی عوامل تحت تأثیر طول عمر، در حال حاضر دشوار است، اما فناوری‌های نو ظهور می‌توانند این امر را در آینده به واقعیت تبدیل کنند. هر سیستمی که امید به زندگی را پیش بینی می‌کند با داده‌های بسیار حساس برخورد می‌کند و نگرانی‌های اخلاقی و حریم خصوصی را مطرح می‌کند.
 
این امر همچنین باعث ایجاد مجرمان سایبری و تهدیدهای امنیتی دیگر می‌شود.
 
منبع: جِیمز جین کانگ – پاول هاسکل داولند - Edith Cowan University