De toepassing van kunstmatige intelligentie bij de diagnose en prognose van ziekten kan het leven van mensen helpen verlengen en de NHS aanzienlijke besparingen opleveren.

Dit is volgens onderzoekers van de Universiteit van Cardiff die overtuigend bewijs hebben geleverd dat de voordelen aantoont die geavanceerde technieken kunnen opleveren voor risicobeoordelingen bij patiënten.

In een nieuwe studie gepubliceerd in PLOS One , het team van onderzoekers heeft aangetoond hoe kunstmatige intelligentie een even nauwkeurige en betrouwbare prognose kan bieden voor patiënten met hart- en vaatziekten, vergeleken met traditionele methoden.

De machine learning-technieken die ze gebruikten, vereisten geen expertise of menselijke interactie en overwonnen daarom een ​​groot knelpunt in het proces.

Co-auteur van de studie Professor Craig Currie, van de medische faculteit van Cardiff University, zei:"Als we deze methoden kunnen verfijnen, ze zullen ons in staat stellen om veel eerder te bepalen welke mensen preventieve maatregelen nodig hebben. Dit zal het leven van mensen verlengen en de NHS-middelen sparen."

In een tijdperk van evidence-based medicine, het gebruik van statistieken is een cruciaal onderdeel geworden van het inschatten van de risico's van bepaalde soorten ziekten.

traditioneel, clinici en statistici hebben deze taak benaderd door handmatig wiskundige vergelijkingen te ontwikkelen. Echter, kunstmatige intelligentie biedt technieken die complexe associaties in de data kunnen blootleggen.

"Hoewel we al betrouwbare methoden hebben om mensen te voorspellen op basis van hun risico op ernstige hartaandoeningen, kunstmatige intelligentie belooft nieuwe manieren om gegevens te ondervragen en de kans op betrouwbaardere classificatie van risico's, ’ vervolgde professor Currie.

In hun studie hebben het team heeft een techniek uitgeprobeerd die bekend staat als genetische programmering (GP) - een methode die is geïnspireerd op evolutie in de natuur, waarbij computerprogramma's worden gecodeerd als een reeks genen die vervolgens iteratief worden gewijzigd of geëvolueerd.

GP is voordelig ten opzichte van door mensen geproduceerde algoritmen omdat het vooringenomenheid en de mogelijkheid van menselijke fouten vermindert, terwijl het tegelijkertijd mogelijk maakt om eventuele veranderingen in de omgeving automatisch te integreren in wiskundige formules.

Een voordeel van deze specifieke aanpak is dat de complexe associaties die worden ontdekt door kunstmatige intelligentie uit de gegevens transparant kunnen worden gemaakt voor de clinici, wat betekent dat ze niet hoeven af ​​te wijken van hun bestaande praktijk.

In de studie gebruikte het team huisarts om de toekomstige risico's van een cardiovasculaire gebeurtenis te beoordelen, zoals hart- en vaatziekten, niet-fatale beroerte of niet-fataal myocardinfarct, in meer dan 3, 800 cardiovasculaire patiënten, leeftijd 19-83, over een periode van 10 jaar.

De machine learning-algoritmen gebruikten in totaal 25 voorspellers uit patiëntgegevens, inclusief leeftijd, seks, BMI, alcohol- en rookgebruik en bloeddruk.

De resultaten toonden aan dat de machine-learning-algoritmen vergelijkbaar zouden kunnen presteren met traditionele methoden bij het voorspellen van het risico dat gepaard gaat met individuele patiënten.

Co-auteur van de studie Professor Irena Spasić, van de School of Computer Science and Informatics van Cardiff University, zei:"Het vermogen om oplossingen die worden aangeboden door machine learning te interpreteren, heeft tot nu toe de technologie tegengehouden in termen van integratie in de klinische praktijk.

"Echter, in het licht van de recente heropleving van neurale netwerken, het is belangrijk om andere machine learning-methoden niet opzij te zetten, vooral degenen die transparantie bieden, zoals genetische programmering of beslisbomen. Ten slotte, we willen kunstmatige intelligentie gebruiken om menselijke experts te helpen en niet om ze helemaal uit de vergelijking te halen."