AI vindt dat roken mensen biologisch ouder maakt

• Ingenieurs gebruiken diepgaande leermethoden om de biologische leeftijd te voorspellen op basis van het roken van tabak.
• Mannelijke rokers waren ongeveer 1,5 keer zo oud als hun chronologische leeftijd in vergelijking met niet-rokers.
• Er werd voorspeld dat vrouwelijke rokers twee keer zo oud zouden zijn als hun chronologische leeftijd dan niet-rokers.

Roken leidt tot ernstige ziekten en beschadigt bijna alle organen in het lichaam. Volgens de Centers for Disease Control and Prevention leven meer dan 16 miljoen mensen in de Verenigde Staten met een ziekte die wordt veroorzaakt door roken. Wereldwijd veroorzaakt het elk jaar meer dan 6 miljoen doden.

Talloze onderzoeken hebben al aangetoond dat er een verband bestaat tussen roken en hart- en vaatziekten, kanker en sterfte door alle oorzaken. We hebben echter geen informatieve tests om de effecten van roken op de snelheid van biologische veroudering te analyseren.

Nu heeft een internationaal team van onderzoekers aangetoond dat de rookstatus kan worden voorspeld met behulp van celtellingen en bloedbiochemie. Ze gebruikten de kracht van deep learning om te bepalen dat roken mensen biologisch ouder maakt.

Op diep leren gebaseerde leeftijdsvoorspellingsmodellen

Het roken van tabak legt een extreme druk op de gezondheidszorgstelsels, wat leidt tot morbiditeit, overlijden en mogelijke vroegtijdige veroudering. Het feit dat roken je ouder maakt klinkt als gezond verstand, maar tot nu toe is het nooit belicht en gekwantificeerd met behulp van kunstmatige intelligentie.

In deze studie gebruikten onderzoekers leeftijdsvoorspellingsmodellen op basis van begeleide deep learning-methoden en ontdekten dat mensen die roken een hogere verouderingssnelheid vertoonden dan mensen die niet roken, ongeacht hun nuchtere glucosewaarden en cholesterolverhoudingen.

Referentie:Natuur | doi:10.1038/s41598-018-35704-w | Universiteit van Lethbridge

Deze modellen werden vervolgens verder gebruikt om de versnelling van biologische veroudering door tabaksgebruik te bepalen. De enorme datasets zien eruit als een reeks getallen, die niet efficiënt konden worden verwerkt via conventionele algoritmen. Daarom gebruikten onderzoekers kunstmatige intelligentie om belangrijke patronen in het algemene basisbloedonderzoek te detecteren.

Training

De onderzoekers onderzochten gegevens van 149.000 anonieme bloedbiochemische records, waarvan 49.000 personen rokers waren. Ze trainden een reeks begeleide feed-forward diepe neurale netwerken op deze records, met behulp van NVIDIA TITAN Xp GPU's met CUDA deep learning-frameworks.

Ontwerp van het deep learning-onderzoek | Met dank aan onderzoekers

Het netwerk nam 66 bloedbiochemie en celtellingsmarkers waar, waaronder serumferritine, nuchtere serumglucose, bloedureum en hemoglobine.

Volgens de resultaten zouden mannelijke rokers 1,5 keer zo oud zijn als hun chronologische leeftijd in vergelijking met niet-rokers, terwijl vrouwelijke rokers twee keer zo oud zouden zijn als hun chronologische leeftijd dan niet-rokers.

De resultaten geven aan dat een deep learning-test van typische bloedtesten een aanvulling zou kunnen zijn op de foutgevoelige technieken van zelfrapportage van de rookstatus. Het zou zelfs kunnen worden uitgebreid om andere factoren op veroudering te evalueren en de effecten van tabak op andere ziekten zoals diabetes te analyseren.

Lezen:zelfs 16e-eeuwse mummies hadden hartaandoeningen

Bovendien kunnen de neurale netwerken worden gebruikt om gezondheidstrajecten te bepalen of om te meten in hoeverre tal van andere blootstellingen, genetische risico's en voedingsfactoren veroudering en gezondheid beïnvloeden.