Στην ψηφιακή εποχή τα δεδομένα είναι το καύσιμο που κινεί τους κινητήρες των ψηφιακών μέσων, της προηγμένης πληροφορικής (AI, μηχανικής μάθησης κ.λπ.) και, κυρίως, της επιστημονικής έρευνας. Ωστόσο, όταν αντιμετωπίζετε ορισμένα εξαιρετικά περίπλοκα ζητήματα, οι προσεγγίσεις που βασίζονται σε δεδομένα μπορεί να μην είναι πάντα οι πιο αποτελεσματικές λύσεις. Στο USI Institute of Computing (Σχολή Πληροφορικής), ο Καθ. Illia Horenko έχει επινοήσει μια ισχυρή ενοποιημένη στρατηγική μάθησης μοντέλων που βασίζεται σε νέες και πολύ αποτελεσματικές λύσεις σε παραδοσιακά μαθηματικά και στατιστικά προβλήματα, ανοίγοντας σημαντικές εξελίξεις σε τομείς όπως η υγειονομική περίθαλψη.
Όταν ασχολούμαστε με τον ανθρώπινο οργανισμό και τις ασθένειες, το πλήθος των μεταβλητών και των χαρακτηριστικών του ασθενούς —γνωστές και άγνωστες— μπορεί εύκολα να ξεπεράσει τα διαθέσιμα δεδομένα προς ανάλυση. Επιπλέον, ειδικά σε βιοϊατρικές εφαρμογές, τα διαθέσιμα δεδομένα συχνά μολύνονται με ανωμαλίες, ακραίες τιμές, εσφαλμένες μετρήσεις και εσφαλμένες επισημάνσεις. Η ιδέα πίσω από την υπολογιστική στρατηγική που προτάθηκε από τον καθηγητή Horenko, που ονομάζεται Entropic Outlier Sparification (EOS), είναι να βελτιωθεί η μάθηση από δεδομένα και η ακρίβεια των προβλέψεων όταν υπάρχουν ανωμαλίες και ακραίες τιμές δεδομένων, αξιοποιώντας τις δυνατότητες της νέας μάθησης με γνώμονα τα μαθηματικά και μαθηματικές μεθόδους.
Ένας τομέας με τεράστιες δυνατότητες για την υιοθέτηση αυτού του είδους στρατηγικής είναι αυτός της βιοϊατρικής και της υγειονομικής περίθαλψης. Για παράδειγμα, το μεγάλο αλλά ανεξιχνίαστο δυναμικό τέτοιων μεθόδων είναι η βελτίωση της διάγνωσης των καρδιαγγειακών παθήσεων (CVDs): σύμφωνα με τον Παγκόσμιο Οργανισμό Υγείας, τα καρδιαγγειακά νοσήματα ευθύνονται για περίπου το ένα τρίτο της παγκόσμιας θνησιμότητας, αντιπροσωπεύοντας ετησίως περίπου 18 εκατομμύρια θανάτους παγκοσμίως (και πάνω από 21.000 θάνατοι ετησίως μόνο στην Ελβετία). “Για παράδειγμα, το EOS μπορεί να βοηθήσει στην επίτευξη στατιστικά σημαντικής βελτίωσης της ακρίβειας κατά την πρόβλεψη της θνησιμότητας των ασθενών από καρδιακή ανεπάρκεια, σε σύγκριση με τις κοινές μεθόδους εκμάθησης που υιοθετούνται επί του παρόντος για αυτόν τον σκοπό”, λέει ο καθηγητής Χορένκο. “Αυτή η βελτίωση μπορεί ενδεχομένως να σημαίνει πιο έγκαιρη και σωστή διάγνωση και πιο επαρκή κλινική θεραπεία για σημαντικό αριθμό ατόμων στην Ελβετία και παγκοσμίως”.
