Машинное обучение может помочь большему количеству людей бросить курить
Курильщики могут лучше понять, когда они собираются проглотить сигарету, благодаря машинному обучению. Ни для кого не секрет: бросить курить непросто. Мой двоюродный дядя поехал в больницу после того, как поджег себя, пытаясь зажечься, и он все еще курит. Однако не вся надежда потеряна для моего дяди и еще одного миллиарда курильщиков в мире. Недавнее исследование использовало модель ML для выявления тенденций в привычках к курению, которые могут усилить вмешательство и спасти жизни курильщиков во всем мире.
Вердикт однозначен: курение вредно. Но это также вызывает сильное привыкание. Скорее всего, вы знаете кого-то, кто боролся с этим, или, может быть, вы даже знаете себя. Как и в случае с любой другой зависимостью, здесь нет недостатка в том, что можно попробовать - клиники, группы поддержки и домашние средства широко распространены по всей Америке. Люди готовы пробовать практически все - от холодного мяса до неукоснительного прилипания к никотиновым пластырям. Так почему же многие из них все еще курят?
Исследователи, представляющие Infinia ML и Университет Дьюка, д-р Хунтен Сюй и д-р Лаверенс Карин, сотрудничали с исследователями из Департамента психиатрии и поведенческих наук Дьюка, чтобы лучше понять, что является движущей силой повального увлечения курением. В исследовании были взяты данные 42 курильщиков, которые нажимали кнопку каждый раз, когда они выкуривали сигарету в течение недели, и были преобразованы в модель машинного обучения, в частности, в модель машинного обучения с изменяющимся во времени полупараметрическим процессом Хокса (TV-SPHP). Приятно.
Исследователи смоделировали курение как «самозапускающийся процесс», сосредоточив внимание на «временной динамике» курения, которая, по сути, относится к ежедневным / еженедельным моделям курения человека. Например, кто-то может иметь привычку выкуривать сигарету каждое утро перед поездкой на работу. Предыдущие исследования связали временную динамику с физиологической тягой, которая измеряется уровнем никотина в плазме курильщика. Исследователи считают, что корреляция между этими двумя факторами - вот что затрудняет полное прекращение курения. Собрав данные о курении в течение недели, исследователи смогли использовать машинное обучение для построения графика пристрастия каждого человека к курению.
Но модель машинного обучения не просто создавала временную шкалу. Он продвинул данные еще дальше, изучив события курения, зарегистрированные в начале недели, чтобы затем сделать прогнозы относительно того, когда человек, скорее всего, снова закурит в будущем.
Что это значит для нас, смертных? Исследователи надеются, что курильщики, которые лучше осведомлены о своей временной динамике, будут иметь больше шансов обратиться за помощью. Итак, представьте, что модель машинного обучения действительно выявила модель тяги, которая возникла во время утренней поездки на работу. С повышенным уровнем осведомленности о том, что это время высокого риска, можно было бы реально принять превентивные меры, например, позвонить консультанту по вмешательству, чтобы поговорить с ним в дороге, тем самым противодействуя желанию закурить.
Исследователи также отметили, что модель смогла определить возможные связи между временной динамикой и метаболизмом никотина, которые будут изучены в более поздних исследованиях. В целом, продолжение использования машинного обучения для лучшего понимания того, как мы функционируем как люди, как на физиологическом, так и на психологическом уровне, может оказать огромное влияние на нашу жизнь. В 2014 году CDC сообщил, что курение сигарет является причиной более 480 000 смертей в год в Соединенных Штатах, а общие годовые экономические затраты превышают 300 миллиардов долларов (Центры по контролю и профилактике заболеваний (CDC), 2014). Хотя это исследование было изолировано для определенной группы, оно показывает один из способов, с помощью которого машинное обучение могло бы помочь в крестовом походе, чтобы помочь улучшить и потенциально спасти жизни курильщиков во всем мире.
