Новый подход к обучению ИИ повышает эффективность распределения донорских органов на 50–100%

Группа исследователей представила новый подход к обучению моделей машинного обучения для анализа выживаемости, который может существенно улучшить распределение донорских органов. В работе, опубликованной на arXiv, авторы продемонстрировали, что традиционные модели, оптимизированные по стандартным метрикам вроде индекса конкордации (C-index), дают сбои при использовании в задачах аллокации.

На примере распределения донорских сердец в США учёные показали: даже высокоточные модели могут приводить к результатам, не лучшим, чем случайный выбор. Корень проблемы — разрыв между статистическими метриками и реальными целями принятия решений.

Чтобы устранить этот разрыв, авторы предложили использовать метрику нормализованного дисконтированного совокупного выигрыша (NDCG), обычно применяемую в информационном поиске. Они доказали, что оптимизация NDCG напрямую даёт гарантии на качество распределения.

Эксперименты на исторических данных о пересадке сердца в США показали, что новый метод повышает NDCG базовых моделей на 50–100%. По оценкам исследователей, это может обеспечить десятки тысяч дополнительных лет жизни ежегодно.

Метод использует бутстреппинг для оптимизации и учитывает проблему цензурирования справа, характерную для данных о выживаемости. Разработка открывает путь к более эффективному использованию ИИ в здравоохранении и других областях, где прогнозы служат основой для распределения ресурсов.