Inteligencia artificial capaz de predecir si una persona va a morir en los próximos cuatro años

Comparta este Artículo en:

Eel modelo “life2vec”, un innovador sistema de IA demuestra una capacidad notable para predecir la mortalidad temprana con un 78% de precisión.

Este modelo, emergente de la investigación en la Universidad Técnica de Dinamarca, representa un salto significativo en el análisis de datos complejos, abarcando aspectos como educación, salud, ingresos y ocupación.

La relevancia de life2vec es debida a su precisión predictiva y a su potencial para aplicaciones en campos diversos, como la salud pública, la planificación social y la comprensión de patrones sociodemográficos.

Le dieron al modelo datos comprendidos entre los años 2008 y 2016, a pesar de disponer de información hasta el año 2020.

Este intervalo temporal fue escogido intencionalmente para desafiar al sistema de inteligencia artificial a prever diversas circunstancias futuras en un lapso de cuatro años, incluyendo la probabilidad de fallecimiento de las personas.

Para ello, se emplearon datos en parejas, enfocándose en individuos de 35 a 65 años, un grupo demográfico cuya tasa de mortalidad resulta estadísticamente más compleja de pronosticar.

Los pares de datos se seleccionaron de tal manera que, en cada pareja, una de las personas fallecería.

Esta metodología se adoptó para evitar una predicción meramente aleatoria, la cual habría generado una precisión del 50%.

Con esta estrategia, el modelo alcanzó un notable 78% de acierto.

Cabe destacar, sin embargo, que los investigadores indicaron la incapacidad del sistema para prever fallecimientos debidos a causas accidentales.

Life2vec se basa en técnicas avanzadas de aprendizaje profundo y modelado de datos.

Utiliza una arquitectura de red neuronal compleja, específicamente modelos transformer, que son eficientes en el procesamiento de secuencias de datos y reconocimiento de patrones en grandes conjuntos de información.

Esta arquitectura permite al modelo analizar y aprender de secuencias de eventos en la vida de las personas, transformando estos eventos en representaciones numéricas.

Antes de ser utilizados por life2vec, los datos pasan por un proceso de preprocesamiento riguroso.

Este incluye la normalización y categorización de variables como educación, salud, ingresos y ocupación, transformándolas en un formato adecuado para el análisis de la IA.

La estructura de los datos se organiza de manera que facilita la identificación de patrones y correlaciones relevantes.

El entrenamiento de life2vec se realiza en varias fases.

Inicialmente, el modelo se entrena con un conjunto de datos masivo para aprender las relaciones generales entre las variables y eventos de vida.

Posteriormente, se realiza un proceso de afinamiento o ajuste fino, donde el modelo se especializa en predecir resultados específicos, como la mortalidad temprana.

Esta fase es crucial para mejorar la precisión y fiabilidad de las predicciones del modelo.

La evaluación de la capacidad predictiva del modelo life2vec se centra en su precisión para predecir la mortalidad temprana.

El modelo muestra un acierto del 78%, lo que representa una mejora significativa del 11% en comparación con los modelos estándar.

Esta evaluación se realiza mediante la comparación de las predicciones de life2vec con los datos reales de mortalidad, destacando su eficacia en la identificación de patrones y correlaciones críticas en los datos.

Además, se compara con modelos de referencia en el campo para subrayar su superioridad en términos de precisión y capacidad de análisis.

En la exploración del espacio de conceptos de life2vec, se analiza cómo el modelo organiza y entiende los eventos de la vida humana.

Esta estructura revela patrones y relaciones entre diferentes eventos, proporcionando una visión profunda de cómo ciertos factores, como la educación, salud, ingresos y ocupación, interactúan e influyen en las predicciones de mortalidad.

Comprender esta estructura de conceptos es clave para interpretar las decisiones del modelo y mejorar su capacidad predictiva.

También permite identificar áreas de intervención potencial y políticas públicas dirigidas a mejorar la calidad de vida.

El análisis de las representaciones individuales en life2vec se enfoca en cómo el modelo interpreta y utiliza los datos personales para realizar predicciones.

Cada individuo se representa mediante un conjunto de características que reflejan su historia de vida, y estas representaciones son cruciales para determinar la precisión de las predicciones del modelo.

Se emplean Vectores de Activación de Concepto (TCAV) para interpretar el modelo.

Los TCAV ayudan a entender qué conceptos o características son más influyentes en las predicciones del modelo, ofreciendo una visión más clara de cómo ciertos aspectos de la vida de una persona contribuyen a su riesgo de mortalidad temprana.

Mueren más hombres, el dinero sí importa, el tipo de trabajo también… se han conseguido obtener datos realmente interesantes que ayudan a realizar predicciones sorprendentes.

Como vemos, el uso de la inteligencia artificial para predecir aspectos de la vida humana, como la mortalidad temprana, plantea importantes consideraciones éticas.

Es crucial asegurar que estos modelos se desarrollen y utilicen de manera responsable, respetando la privacidad y los derechos individuales, ya que existe el riesgo de que estas predicciones puedan ser utilizadas de manera discriminatoria o para tomar decisiones que afecten negativamente a los individuos.

A nivel social, el modelo life2vec tiene el potencial de influir en áreas como la salud pública y la planificación social, pero también es esencial mantener un diálogo sobre los límites y la regulación de estas tecnologías para garantizar su uso ético y justo.

Fuente: Nature