Именно так озаглавили свою публикацию исследователи из Johns Hopkins School of Medicine (Балтимор, США).

Действительно, с ростом производительности компьютеров, алгоритмы машинного обучения все чаще стали применяться для обработки больших массивов информации, заменяя привычные статистические процедуры. Особенно привлекательна возможность анализа так называемых «не табличных» данных — изображений и речи.

Абсолютно естественными были попытки применить новые алгоритмы к анализу данных о трансплантациях органов с целью создать надежные прогностические модели, на основе которых можно было бы совершенствовать правила распределения донорских органов, индивидуализировать планы обследования и лечения реципиентов. 

Результаты первых исследований были многообещающими, однако американские ученые решили их перепроверить. В качестве тестового массива данных использовали информацию из Национального регистра трансплантаций США об особенностях и исходах 133 431 пересадках почки от посмертных доноров, выполненных в 272 центрах трансплантации в период с 2005 по 2017 гг.

Для построения прогностических моделей было выбрано пять состояний/событий: отсроченная функция трансплантата, острое отторжение в течение первого года после операции, возврат на диализ, смерть реципиента и утрата трансплантата по любой причине. 

Главной задачей было сравнить точность моделей, созданных на основе алгоритмов машинного обучения и стандартных регрессионных методов.

Оказалось, что для прогнозирования четырех событий модели, построенные разными способами, дали примерно одинаковую точность. А модель для определения риска отторжения, полученная традиционным методом, оказалась даже лучше.

Любые новые технологии всегда очень привлекательны — кажется, что каждая из них позволит быстро получить решение сложных задач, к которым не удавалось подступиться десятилетиями.

Возникает ажиотаж, гонка исследовательских групп, появляются модные научные направления. Бесспорно, что алгоритмы машинного обучения могут быть эффективным инструментом и обязательно найдут применение в трансплантационных исследованиях и практике. Главное применять их с умом.

Работы, подобные этому американскому исследованию, очень полезны для развития науки – они снимают головокружение от первоначального успеха и стимулируют к дальнейшим поискам.